基于人工神经网络的河口区盐水入侵预报研究

摘要

针对传统神经网络方法在处理非平稳时间序列时易受噪声干扰而难以挖掘变量间相关关系的缺陷,利用考虑边界效应和时移不变性的多孔小波变化(AT)对数据进行预处理,构建基于小波-神经网络(WA-ANN)的盐水入侵预报模型,对珠江口门区磨刀门水道2008～2010年枯水期进行逐日盐度预报和验证.结果表明:小波-神经网络模型较好减缓了外界噪声对模型训练的干扰,其整体预报精度明显优于传统BP神经网络(BP-ANN)模型.在测试集两个枯水时段,小波-神经网络模型的日均盐度预报平均绝对误差(MA E)较BP神经网络模型分别减少17.5％和9.1％;日均盐度预报预见期越长,小波-神经网络模型较BP神经网络模型的预报精度优势越明显,1～3d预见期内纳什效率系数(NSE)分别增加0.75％、3.30％和10.36％.