基于GA的RBF神经网络在旱涝灾害预测中的应用研究

摘要

遗传算法和神经网络都可以用于处理难于建立经典数学模型的数据信息,两者目标相近而方法相异.该论文中,尝试采用将遗传算法和径向基函数网络相结合的方法对该省江淮流域的旱涝灾害因素进行预测并进行推广,从实验结果来看,它有一定的可行性.论文中,研究采用了改进的GA算法对RBF神经网络的中心和宽度进行了优化,并将优化后的网络用于泛函逼近和非线性时间序列预测,同时与采用传统的K-means的RBF网络进行比较.实验结果表明,采用GA优化的RBF网络具有更好的拟合和预测能力.在该文中,研究人员将GA优化的RBF神经网络构造成灾害预测器,对旱涝灾害的几种因素:安徽省江淮流域内主要站点近50年月降水量、河流最高水位、河流最大流量和太阳黑子年平均指数进行单项预测,并加以改进和推广对新疆雅马渡站的年径流量进行综合测评.

目录

摘要

第一章绪论

§1.1安徽省旱涝灾害预测的意义及发展状况

§1.2遗传算法(GA)的产生、特征及其应用

§1.3神经网络的概述

§1.4本课题的主要任务

第二章遗传算法的基本原理和方法

§2.1遗传算法基本用语及算法流程

§2.2遗传算法理论基础(模式定理和积木块假设)

§2.3遗传算法

§2.4遗传算法的现状及展望

第三章径向基神经网络

§3.1前馈式神经网络

§3.2径向基函数网络的基本原理

§3.3 RBF网络与其它前馈网络性能特征的比较

第四章基于遗传算法的RBF网络

§4.1遗传算法与神经网络相结合

§4.2基于遗传算法的RBF网络

§4.3优化后的RBF网络

一、非线性时间序列预测

二、泛函逼近

§4.4本章总结

第五章基于GA的RBF网络用于旱涝灾害因素预测

§5.1由改进的RBF网络构成的非线性时间序列预测器

一、降雨量的预测

二、最高水位和最大流量的预测

§5.2太阳黑子的预测

§5.3雅马渡站的年径流量预测

§5.4结束语

参考文献

致谢