畢業(yè)論文基于BP神經(jīng)網(wǎng)絡(luò)和SVM的江口流域洪水預(yù)報(bào)研究

1、基于bp神經(jīng)網(wǎng)絡(luò)和svm的江口流域洪水預(yù)報(bào)研究 資源環(huán)境學(xué)院 資源環(huán)境與城鄉(xiāng)規(guī)劃管理（城鄉(xiāng)規(guī)劃管理方向） 馬利華摘要：在matlab7.8軟件基礎(chǔ)上，利用江口流域1981年1月1日到1985年12月31日的降雨、蒸發(fā)、徑流數(shù)據(jù)，應(yīng)用bp模型和svm模型進(jìn)行洪水預(yù)報(bào)模擬。結(jié)果顯示，這兩種模型在訓(xùn)練期的nash系數(shù)都達(dá)到了0.9以上，且在預(yù)測(cè)期的nash系數(shù)都達(dá)到了0.8以上。而且，svm模型的訓(xùn)練期nash系數(shù)達(dá)到了0.9770，bp模型達(dá)到了0.9588。svm預(yù)測(cè)期的nash系數(shù)達(dá)到了0.8865，bp模型為0.8197。結(jié)果分析表明svm模型對(duì)洪峰的預(yù)報(bào)精度較bp模型好。從總體上看，這兩種

2、模型對(duì)于該流域的洪水預(yù)報(bào)效果都是比較好，并且就這兩種模型相對(duì)而言svm模型的模擬的精度較高，其預(yù)報(bào)的效果較好。但是就不同流域而言這兩種模型的選擇還需進(jìn)行模擬對(duì)比才能確定。關(guān)鍵詞：洪水預(yù)報(bào) bp神經(jīng)網(wǎng)絡(luò) svmflood forecasting for the jiangkou river basin based on bp neural network and svm abstract: flood forecasting simulation for jiangkou river basin was conducted based on the svm and bp-ann model on

3、 matlab7.8 platform,using the rainfall, evaporation, runoff data from january 1,1981 to december 31,1985. results show that thenash coefficients for both the two models in the training period have reached more than 0.9, and in the forecast period, they have reached more than 0.8. moreover, svm model

4、s nash coefficient of training has reached 0.9770 and bp-ann model is 0.9588. svm models nash coefficient of forecast period has reached 0.8865 and bp-ann model is 0.8197. the results suggest that the peak forecast accuracy for svm model is better than that for the bp-ann model. in general, these tw

5、o models effect of flood forecasting for the basin is relatively good and the svm model simulation precision is higher and the forecast effect is better than bp model. but for the other different basins, it needs further simulation and comparison to make sure which model is better.keywords: flood fo

6、recasting bp neural network svm1 前言我國(guó)的防洪實(shí)踐證明，工程措施與非工程措施的結(jié)合應(yīng)用是建立和完善江河防洪系統(tǒng)的有效措施。工程措施包括：建筑堤防、防洪墻、分洪工程、河道整治工程、水庫(kù)等。工程措施在我國(guó)已經(jīng)經(jīng)歷相當(dāng)長(zhǎng)的一段時(shí)間了，也已經(jīng)積累了相當(dāng)豐富的經(jīng)驗(yàn)了。非工程措施通常包括：加強(qiáng)防洪設(shè)施管理，保證防洪設(shè)施的防洪能力；在工程設(shè)施中充分考慮適應(yīng)洪水短暫淹沒的措施，以盡可能減少洪災(zāi)損失；建立健全通訊系統(tǒng)和預(yù)警系統(tǒng)；改進(jìn)和發(fā)展洪水預(yù)報(bào)技術(shù)，提高防洪調(diào)度水平等。其中改進(jìn)洪水預(yù)報(bào)方法、提高預(yù)報(bào)精度、實(shí)施洪水預(yù)報(bào)調(diào)度是非工程措施中最行之有效的辦法12。洪水預(yù)報(bào)是根據(jù)現(xiàn)時(shí)已

7、經(jīng)掌握的水文、氣象資料，預(yù)報(bào)河流某一斷面在未來一定時(shí)間內(nèi)(稱預(yù)見期)將要出現(xiàn)的流量、水位過程。研究水文預(yù)報(bào)方法開發(fā)水庫(kù)實(shí)時(shí)洪水預(yù)報(bào)防洪調(diào)度決策支持系統(tǒng)，實(shí)現(xiàn)雨情水情資料的采集、傳輸、預(yù)處理、預(yù)報(bào)、調(diào)度的自動(dòng)化，即聯(lián)機(jī)實(shí)時(shí)洪水預(yù)報(bào)調(diào)度系統(tǒng)，是當(dāng)前水情自動(dòng)測(cè)報(bào)系統(tǒng)的發(fā)展方向345。 誤差反向傳播神經(jīng)網(wǎng)絡(luò)（back propagation ann-artificial neural network，稱bp神經(jīng)網(wǎng)絡(luò)）6已經(jīng)在生活中的各個(gè)領(lǐng)域有了充分的發(fā)展應(yīng)用，尤其在洪水預(yù)報(bào)中的應(yīng)用更加的成熟，人們已經(jīng)通過不斷地實(shí)驗(yàn)找到了許多更適合的方法對(duì)某流域進(jìn)行洪水預(yù)報(bào)78。其甚至能夠應(yīng)用非線性的流域數(shù)據(jù)較精確地對(duì)

8、某流域的進(jìn)行洪水預(yù)報(bào)。故將其應(yīng)用到該流域?qū)?duì)雙牌水庫(kù)的防洪工作帶來很大的幫助。支持向量機(jī)(support vector machines，簡(jiǎn)稱svm) 9 在水文中的應(yīng)用也在不斷發(fā)展中，王景雷等10已將svm成功應(yīng)用于地下水位預(yù)報(bào)，liong11亦已將svm 應(yīng)用于水文預(yù)報(bào)中。svm模型能夠較好地解決小樣本、非線性、高維數(shù)等實(shí)際問題，還具有較強(qiáng)的泛化能力，能夠克服不同洪水特性導(dǎo)致的洪水預(yù)報(bào)精度變化的，尤其是對(duì)洪峰流量預(yù)報(bào)的精度較高1213141516。盡管神經(jīng)網(wǎng)絡(luò)技術(shù)和支持向量機(jī)（svm）技術(shù)分別在洪水預(yù)報(bào)中的應(yīng)用越來越廣泛，其技術(shù)方法的不斷改進(jìn)使得預(yù)報(bào)的結(jié)果越來越精確，但這兩項(xiàng)技術(shù)應(yīng)用在同一

9、流域的洪水預(yù)報(bào)的效果差異須進(jìn)行具體實(shí)驗(yàn)比較才能得出結(jié)果。而且，不同流域的洪水預(yù)報(bào)效果不同。本文擬通過svm和bp神經(jīng)網(wǎng)絡(luò)模型對(duì)江口流域的洪水預(yù)報(bào)模擬，以期探討這兩個(gè)模型在該流域的適用性。2 材料和方法2.1 研究區(qū)域概況本次研究以江口流域?yàn)檠芯繀^(qū)域，江口站位于漢江左岸支流褒河流域的上游，江口流域作為漢江流域的一個(gè)子流域，其的集水面積約2501km2，經(jīng)度10648151072534，緯度333803341108，海拔高程約9003400m，水文流量控制站點(diǎn)為江口站。江口流域的氣候?qū)儆趤啛釒Ъ撅L(fēng)氣候，具有明顯的垂直地帶性，全年降雨多在7501000mm之間，降雨量年內(nèi)分配不均，主要集中在69月。

10、流域內(nèi)植被覆蓋度高，自然植被保護(hù)良好，以溫帶落葉闊葉林為主，如栓皮櫟林、銳齒櫟林、紅樺林以及一些楊、柳、槭林等雜木林，還有一部分溫帶落葉灌叢，如胡枝子灌叢、白刺花灌叢、繡線菊灌叢等，另外還包括少部分的溫帶和亞熱帶針葉植物如油松林、華山松林以及一些溫帶草叢和草甸。流域的土壤類型以黃棕壤、棕壤和淋溶褐土為主，土壤分布的空間差異較大。該流域在中國(guó)的位置見圖1所示1718。圖1 漢江流域的位置江口流域2.2 評(píng)價(jià)方法預(yù)報(bào)的精度是指預(yù)報(bào)值與實(shí)際值之間的差值。精度不高的預(yù)報(bào)，在生產(chǎn)上僅能作為一般參考。采用 nash-suttclife19效率系數(shù)ne來衡量模型模擬值與實(shí)測(cè)值之間的擬合度。ne值介于0與1之

11、間。ne值為1，表明模擬結(jié)果與實(shí)測(cè)值完全吻合；ne值越接近于1，表明模擬效果越好。ne系數(shù)的計(jì)算公式為： 式中： 樣本數(shù)據(jù)系列長(zhǎng)度；第i組樣本實(shí)測(cè)值（觀測(cè)值）；第i組樣本模擬值（預(yù)測(cè)值）； 實(shí)測(cè)值平均值。2.3 數(shù)據(jù)獲取與處理收集江口1981年1月1日-1985年12月31日每天一次觀測(cè)的降雨、蒸發(fā)和徑流數(shù)據(jù)資料。其中用1981年1月1日-1983年12月31日的1905個(gè)數(shù)據(jù)資料作為訓(xùn)練樣本，用1984年1月1日-1985年12月31日的731個(gè)數(shù)據(jù)資料作為對(duì)模型進(jìn)行檢驗(yàn)的預(yù)測(cè)樣本。將數(shù)據(jù)輸入到matlab中，利用matlab軟件對(duì)1981-1985的所有數(shù)據(jù)分別進(jìn)行降雨、蒸發(fā)和徑流數(shù)據(jù)進(jìn)行

12、歸一化處理。使得所有的數(shù)據(jù)值都在0.1-0.9的范圍之內(nèi)。歸一化之后再將訓(xùn)練數(shù)據(jù)樣本與預(yù)測(cè)數(shù)據(jù)樣本分開。在對(duì)訓(xùn)練樣本數(shù)據(jù)和預(yù)測(cè)樣本數(shù)據(jù)以r(t-2)、r(t-1)、r(t)、q(t-2)、q(t-1)為輸入樣本和以q(t)為輸出樣本進(jìn)行處理，得到最后的輸入輸出數(shù)據(jù)。2.4 試驗(yàn)方法2.4.1 bp網(wǎng)絡(luò)模型建立與預(yù)報(bào) 首先，用處理后的訓(xùn)練樣本輸入數(shù)據(jù)和輸出數(shù)據(jù)建立網(wǎng)絡(luò)模型，并用此數(shù)據(jù)進(jìn)行預(yù)報(bào)計(jì)算相應(yīng)的nash系數(shù)值。通過不斷調(diào)節(jié)隱含層數(shù)、輸出函數(shù)等參數(shù)值，得到不同的nash系數(shù)值，從中選出nash系數(shù)值最高的網(wǎng)絡(luò)模型。然后，用之前建立的模型對(duì)數(shù)據(jù)處理得到的預(yù)測(cè)期樣本輸入數(shù)據(jù)和輸出數(shù)據(jù)進(jìn)行洪水預(yù)報(bào)

13、并計(jì)算相應(yīng)的nash系數(shù)值。再重新不斷地調(diào)節(jié)調(diào)節(jié)隱含層數(shù)、中間層函數(shù)、輸出函數(shù)等參數(shù)值，使預(yù)測(cè)得到的nash系數(shù)值符合水文預(yù)報(bào)的要求。最后，選出隱含層數(shù)為3，輸出層為1，轉(zhuǎn)移函數(shù)為logsig，訓(xùn)練函數(shù)為purelin， 輸出函數(shù)為trainlm的網(wǎng)絡(luò)模型，得到訓(xùn)練期的nash系數(shù)值為train_ne = 0.9588，預(yù)測(cè)期的nash系數(shù)值為test_ne =0.8197。2.4.2 svm模型建立與預(yù)報(bào)首先，用與bp模型建立相同的輸入數(shù)據(jù)和輸出數(shù)據(jù)，但是需要進(jìn)行轉(zhuǎn)置，因?yàn)閟vm模型的數(shù)據(jù)格式是目標(biāo)樣本必須為一個(gè)列向量，而之前數(shù)據(jù)處理得到的輸出數(shù)據(jù)為行向量，故須進(jìn)行轉(zhuǎn)置。然后將數(shù)據(jù)帶入尋優(yōu)程

14、序svmcgforregress選出svm建模需要的最優(yōu)參數(shù)核寬度系數(shù)g、懲罰系數(shù)c、不敏感系數(shù)p。具體操作為：首先設(shè)定p值為0.1，選擇大的搜索區(qū)間：c=2-10210，步長(zhǎng)為2，g =2-10210，步長(zhǎng)為2，將訓(xùn)練集隨機(jī)等分為5份，此時(shí)在經(jīng)過第一次尋優(yōu)后，所得最優(yōu)參數(shù)組合為：c = 1.41421， g = 0.25， p=0.1，將其帶入建模程序得到訓(xùn)練的nash系數(shù)值train_ne =0.8326，并用該模型對(duì)與bp相同的預(yù)測(cè)樣本輸入數(shù)據(jù)和輸出數(shù)據(jù)的轉(zhuǎn)置進(jìn)行預(yù)測(cè)得到相應(yīng)的nash系數(shù)值test_ne =-0.9783。然后，在再p值不變的情況下選擇小一些的搜索區(qū)間：c=25210，

15、步長(zhǎng)為0.5，g =2-525，步長(zhǎng)為0.5，將訓(xùn)練集隨機(jī)等分為5份，此時(shí)在經(jīng)過第二次尋優(yōu)后，所得最優(yōu)參數(shù)組合為：c=16 ，g=0.35，p=0.1，又將其帶入建模程序得到訓(xùn)練的nash系數(shù)值為train_ne = 0.9148，并用該模型對(duì)相同的預(yù)測(cè)樣本輸入數(shù)據(jù)和輸出數(shù)據(jù)的轉(zhuǎn)置進(jìn)行預(yù)測(cè)得到相應(yīng)的nash系數(shù)值為test_ne =0.2163。最后，進(jìn)行參數(shù)的微調(diào)，并改變p的值。終選出最優(yōu)的c、g、p的最優(yōu)組合為c=16，g=0.35，p=0.005，將其相應(yīng)的帶入建模程序得到svm模型，并進(jìn)行相應(yīng)的nash系數(shù)值計(jì)算得到訓(xùn)練期的nash系數(shù)值train_ne = 0.9770和預(yù)測(cè)期的na

16、sh系數(shù)值test_ne =0.8865。3 結(jié)果與分析通過在matlab軟件下運(yùn)用江口流域的數(shù)據(jù)建立適宜的bp模型和svm模型，及對(duì)這兩種模型的檢驗(yàn)，在通過對(duì)納西系數(shù)的計(jì)算得出了以下的結(jié)果與分析。3.1精度分析表1 bp和svm模型模擬值及精度的誤差分析表表1顯示了bp模型和svm模型對(duì)江口流域的洪水預(yù)報(bào)的總的預(yù)測(cè)情況。由此可知，相對(duì)而言svm模型在訓(xùn)練期與預(yù)測(cè)期的模擬結(jié)果精度都要稍大于bp模型的模擬結(jié)果。即可以得出，就該流域而言svm模型是較更適合的洪水預(yù)報(bào)模型。模型納西系數(shù)(ne)訓(xùn)練期預(yù)測(cè)期bp0.95880.8197svm0.97700.88653.2洪峰值分析表2顯示了bp和svm

17、這兩種模型在訓(xùn)練期和預(yù)測(cè)期的模擬效果。由此可知在訓(xùn)練期bp模型在最大洪峰出的模擬結(jié)果相對(duì)而言要優(yōu)于svm模型，但是在預(yù)測(cè)期bp模型的模擬值結(jié)果不及svm模型的模擬結(jié)果好。說明了svm模型的泛化相對(duì)而言效果要優(yōu)于bp模型。表2 bp和svm模型模擬值及精度的誤差分析表 觀測(cè)值bp模擬值svm模擬值訓(xùn)練期峰值0.0735830.0735280.073127誤差0.000000待添加的隱藏文字內(nèi)容20.0000550.000456預(yù)測(cè)期峰值0.0116770.0083570.00952誤差0.0000000.0033200.0021573.3訓(xùn)練期的對(duì)比分析圖2為1981年1月1日到1983年12月

18、31日的徑流觀測(cè)值和bp模型的模擬值的時(shí)間序列，圖3為1981年1月1日到1983年12月31日的徑流觀測(cè)值和svm模型的模擬值的時(shí)間序列。由圖2和圖3可知，從整體看，這兩種模型在訓(xùn)練期的預(yù)測(cè)效果都較好。從局部看，在小洪峰處svm模型的總體結(jié)果要好于bp神經(jīng)網(wǎng)路，但是在最大洪峰處bp模型的預(yù)測(cè)結(jié)果優(yōu)于svm模型。在洪峰的前漲水過程svm模型的預(yù)測(cè)結(jié)果在訓(xùn)練器相對(duì)而言要優(yōu)于bp模型的結(jié)果。圖4為訓(xùn)練期bp模型絕對(duì)誤差和svm模型絕對(duì)誤差圖。由圖可知，從整體看，可以發(fā)現(xiàn)這兩種模型的絕對(duì)誤差值大部分都在0值處浮動(dòng)，只有少數(shù)點(diǎn)的變化比較大，這表明了這兩種模型都是屬于比較好的預(yù)報(bào)模型。從局部看，svm模

19、型的絕對(duì)誤差值浮動(dòng)的范圍要小于bp模型的絕對(duì)誤差值。而且svm模型的浮動(dòng)點(diǎn)要少于bp模型。說明svm模型的預(yù)測(cè)效果在訓(xùn)練期相對(duì)而言要優(yōu)于bp模型圖5為訓(xùn)練期bp模型相對(duì)誤差和svm模型相對(duì)誤差圖。由圖可知，從整體上看，這兩種模型的相對(duì)誤差值基本上都在3以下，都呈現(xiàn)出一種波動(dòng)的狀態(tài)，說明這兩種模型的模擬效果都是比較好的。從局部上看，svm模型的波動(dòng)較bp模型更規(guī)律，波動(dòng)范圍較小，突變的點(diǎn)較bp模型少。說明svm模型在該流域的預(yù)報(bào)精度在訓(xùn)練期相對(duì)而言高于bp模型。3.4 預(yù)測(cè)期對(duì)比分析圖6為1984年1月1日到1985年12月31日的徑流觀測(cè)值和bp模型的時(shí)間序列，圖7為1984年1月1日到198

20、5年12月31日的徑流觀測(cè)值和svm模型的模擬值的時(shí)間序列。由圖6和圖7可知，從整體上看，這兩種模型在預(yù)測(cè)期的預(yù)測(cè)效果都比較好，都比較適合做洪水預(yù)報(bào)，從局部看， svm模型的在洪峰處的預(yù)測(cè)結(jié)果較bp模型更優(yōu)，而且在次洪峰處的預(yù)測(cè)結(jié)果svm模型的預(yù)測(cè)結(jié)果與實(shí)際觀測(cè)值更接近，尤其在洪水漲水與退水處預(yù)測(cè)值與觀測(cè)值的擬合程度更高一些。說明了svm模型的泛化效果非常好。而且bp模型在洪水漲水前的模擬值明顯高于觀測(cè)值，這可能導(dǎo)致洪水的誤報(bào)，造成經(jīng)濟(jì)財(cái)產(chǎn)的浪費(fèi)。因此，svm模型相較于bp模型而言是更適合該流域的洪水預(yù)報(bào)的。圖8為預(yù)測(cè)期bp模型與svm模型的模擬值與觀測(cè)值之差的結(jié)果。由圖可知，從總體上看，這兩

21、種模型的絕對(duì)誤差值都是比較小的，而且絕對(duì)誤差值都基本上在0值出浮動(dòng)，說明這兩種模型在預(yù)測(cè)期的預(yù)報(bào)效果都是比較好的。從局部看，svm模型的絕對(duì)誤差值較bp模型更趨近于0，而且波動(dòng)幅度較小，在洪峰到來前的絕對(duì)誤差較小，在洪峰處絕對(duì)誤差雖大，但是仍小于bp模型。bp模型波動(dòng)的長(zhǎng)度要大于svm模型。故svm模型在預(yù)測(cè)期的預(yù)報(bào)結(jié)果較bp模型更精確，相對(duì)而言更適合該流域的洪水預(yù)報(bào)。圖9為訓(xùn)練期bp模相對(duì)誤差和svm模型的相對(duì)誤差圖。由圖可知，從總體上看，這兩種模型的相對(duì)誤差值都小于3，只有極少數(shù)值超過3，說明這兩種模型在預(yù)測(cè)期的預(yù)測(cè)結(jié)果是非常好的。而且相對(duì)誤差值都呈現(xiàn)波浪式，在0-2之間變換。從局部看，

22、svm模型的相對(duì)誤差值超出3的點(diǎn)只有一個(gè)，但僅在非洪水時(shí)期，對(duì)洪水預(yù)報(bào)的結(jié)果影響不大。除此之外svm模型的相對(duì)誤差值浮動(dòng)的點(diǎn)僅有少數(shù)，充分說明了svm模型在該流域的預(yù)測(cè)期的模擬效果是非常好的，即說明了svm模型的泛化能力相對(duì)而言較bp模型更優(yōu)。而bp模型的相對(duì)誤差值浮動(dòng)的點(diǎn)就比較多，雖然bp模型在訓(xùn)練期的洪峰處預(yù)報(bào)結(jié)果較好，但是在預(yù)測(cè)期的洪峰預(yù)報(bào)結(jié)果并不如svm模型好。所以svm模型在預(yù)測(cè)期的預(yù)測(cè)效結(jié)果相對(duì)而言較bp模型更優(yōu)，即svm模型更適合該流域的洪水預(yù)報(bào)。4 結(jié)論本文以江口流域1981年1月1日到1985年12月31日的降雨、徑流數(shù)據(jù)在matlab軟件下運(yùn)用bp模型和svm模型進(jìn)行了洪水

23、預(yù)報(bào)模擬，結(jié)果bp網(wǎng)絡(luò)模型對(duì)江口流域的訓(xùn)練期的預(yù)測(cè)nash系數(shù)值為0.9588，在預(yù)測(cè)期的預(yù)測(cè)nash系數(shù)達(dá)到了0.8197，svm模型對(duì)江口流域的訓(xùn)練期的預(yù)測(cè)nash系數(shù)值為0.9770，在預(yù)測(cè)期的預(yù)測(cè)nash系數(shù)達(dá)到了0.8865。這表明svm模型相對(duì)而言較bp模型更適合該流域的洪水預(yù)報(bào)。就該流域而言，通過以上的結(jié)果與分析可以發(fā)現(xiàn)svm模型的絕對(duì)誤差值浮動(dòng)的范圍要小于bp模型，而且svm模型的浮動(dòng)點(diǎn)要少于bp模型，svm模型的相對(duì)誤差值都呈現(xiàn)波浪式，相對(duì)誤差值除了極少數(shù)點(diǎn)都在0-2之間波動(dòng)，所以svm模型的預(yù)報(bào)效果相對(duì)而言是更優(yōu)的。因?yàn)閟vm模型能夠較好地解決小樣本、非線性、高維數(shù)等實(shí)際問

24、題，還具有較強(qiáng)的泛化能力，能夠克服不同洪水特性導(dǎo)致的洪水預(yù)報(bào)精度變化的，尤其是對(duì)洪峰流量預(yù)測(cè)期的預(yù)報(bào)精度較高。所以svm模型相對(duì)而言更適合該流域的洪水預(yù)報(bào)。由此，bp模型和svm模型在江口流域的洪水預(yù)報(bào)精度都是比較高的。但是因?yàn)閎p模型和svm的模型特點(diǎn)不同，以及建立模型參數(shù)的不確定性，以及其泛化能力的不同，所以在對(duì)不同地方的洪水進(jìn)行預(yù)報(bào)時(shí)，必須根據(jù)相應(yīng)被測(cè)流域的水文資料建立相應(yīng)的bp模型和svm模型。，對(duì)這兩種模型進(jìn)行比較，從而選出最優(yōu)的。而不能一概而論的認(rèn)為某一種模型更適合某一流域的洪水預(yù)報(bào)。參考文獻(xiàn)：1 盧世浪.神經(jīng)網(wǎng)絡(luò)與模糊集理論在洪水預(yù)報(bào)中的應(yīng)用d.遼寧大連,大連理工大學(xué),2001:

25、1-3.2 散齊國(guó).錦江流域洪水預(yù)報(bào)系統(tǒng)研究與開發(fā)d.湖北武漢,華中科技大學(xué),2007:1-2.3 趙蘭琴. fir神經(jīng)網(wǎng)絡(luò)及其在洪水預(yù)報(bào)上的應(yīng)用d.湖北武漢,華中科技大學(xué),2004:1-3.4 劉冬英.人工神經(jīng)網(wǎng)絡(luò)模型在長(zhǎng)江中下游何道洪水預(yù)報(bào)中的應(yīng)用研究d.湖北武漢,武漢大學(xué)碩士學(xué)位論文,2005:1-2.5 苑希民.神經(jīng)網(wǎng)絡(luò)和遺傳算法在水科學(xué)領(lǐng)域的應(yīng)用m.中國(guó)水利水電出版社,2002.6 金龍.神經(jīng)網(wǎng)絡(luò)氣象預(yù)報(bào)建模理論方法與應(yīng)用m.北京,氣象出版社,2005.7 張海亮.洪水智能預(yù)報(bào)方法與系統(tǒng)研究d.陜西西安,西北農(nóng)林科技大學(xué),2006:33-45.8 苑韶峰,呂軍.人工神經(jīng)網(wǎng)絡(luò)在我國(guó)水科

26、學(xué)中的應(yīng)用與展望j.農(nóng)機(jī)化研究.2003(4):5-8.9 陳永義,俞小鼎,高學(xué)浩等.處理非線性分類和回歸問題的一種新方法( i )支持向量機(jī)方法簡(jiǎn)介j.應(yīng)用氣象學(xué)報(bào),2004,15(3):345-346.10 王景雷等.支持向量機(jī)在地下水位預(yù)報(bào)中的應(yīng)用研究j.水利學(xué)報(bào),2003(5):122-128.11 林劍藝,程春田.支持向量機(jī)在中長(zhǎng)期徑流預(yù)報(bào)中的應(yīng)用j.水利學(xué)報(bào),2006,37(6):681-686.12 liong s y,sivapragasm c.flood stage forecasting with svmj.journal of the american water resources association,2002,38(1):73-186.13 胡彩虹,王艷菊,吳澤寧. 基于聚類的支持向量機(jī)在洪水預(yù)報(bào)中的應(yīng)用j.鄭州大學(xué)學(xué)報(bào)(工學(xué)版).2009.30(4):1-5.14 廖杰,王文圣,李躍清等.支持向量機(jī)及其在徑流預(yù)報(bào)中的應(yīng)用探討j.四川大學(xué)學(xué)報(bào)(工程科學(xué)版),2006(6):22-28.15 guo rong,wang wei,wang xiaojuan school of optoelectronical engineering,xian technological university,xian,710032, o