葛賽 趙濤 吳思 吳洋鋒

摘要：以矩形人工加糙渠道為研究對(duì)象，采用主成分分析支持向量機(jī)方法建立糙率系數(shù)預(yù)測(cè)模型。根據(jù)前期試驗(yàn)研究成果，選取佛汝德數(shù)Fr、絕對(duì)粗糙度Δ、渠道平均水深h、底坡i這四個(gè)主要影響因素，采用主成分分析方法提取兩個(gè)主成分，獲得影響糙率系數(shù)大小的綜合性指標(biāo)并用于支持向量機(jī)對(duì)數(shù)據(jù)的訓(xùn)練、測(cè)試及預(yù)測(cè)。研究結(jié)果顯示：模型的訓(xùn)練集均方根誤差RMSE為3.85×104、預(yù)測(cè)相關(guān)系數(shù)R為0.997，測(cè)試集均方根誤差RMSE為5.37×104、預(yù)測(cè)相關(guān)系數(shù)R為0.992、預(yù)測(cè)相對(duì)誤差小于5%。研究結(jié)果表明，基于主成分分析支持向量機(jī)所建模型適合人工渠道糙率系數(shù)的預(yù)測(cè)。

關(guān)鍵詞：人工渠道；糙率系數(shù)；預(yù)測(cè)；主成分分析；支持向量機(jī)

中圖分類號(hào)：TV135.3文獻(xiàn)標(biāo)志碼：A文章編號(hào)：16721683（2018）03016906

Prediction model of roughness coefficient of artificially roughened channels based on

principal component analysissupport vector machine

GE Sai1，ZHAO Tao1，WU Si2，WU Yangfeng1

（1.College of Water Conservancy and Civil Engineering，Xinjiang Agricultural University，Urumqi 830052，China；

2.Yellow River Engineering Consulting Co.，Ltd.，Zhengzhou 450003，China）

Abstract：With the rectangular artificially roughened channel as the research object，we established a prediction model of roughness coefficient using the principal component analysissupport vector machine method.According to the preliminary experimental results，we selected four main influence factors： Froude number Fr，absolute roughness Δ，channel average water depth h，and bottom slope i.We used the principal component analysis method to obtain two main components，and obtained the comprehensive indexes influencing roughness coefficient，and used them for data training，testing，and prediction of the support vector machine.The research results showed that the RMSE and prediction correlation coefficient R of the training set were 385×104 and 0997 respectively，while those of the test set were and 0992 respectively.The relative error was less than 5%.The results showed that the model based on principal component analysissupport vector machine is suitable for predicting the roughness coefficient of artificial channels.

Key words：artificial channel；roughness coefficient；prediction；principal component analysis；support vector machine

明渠[1]以多種形式存在，明渠水流的水力計(jì)算廣泛應(yīng)用于水利、航運(yùn)、城建和環(huán)境保護(hù)等多種行業(yè)的工程計(jì)算中[2]。其中，糙率系數(shù)的取值問(wèn)題一直是明渠水流水力計(jì)算向精準(zhǔn)計(jì)算方向發(fā)展的最大阻礙。糙率就其本義而講，是衡量河床邊壁粗糙程度對(duì)水流影響的一個(gè)系數(shù)，在一般情況下，邊壁越粗糙，糙率系數(shù)就越大[35]。明渠根據(jù)其特性可分為天然渠道和人工渠道，人工渠道相對(duì)于天然渠道而言，過(guò)水?dāng)嗝娴男螤詈统叽缫约氨砻娴拇植诔潭鹊妊爻套兓鄬?duì)較小。采用人工加糙渠道進(jìn)行糙率系數(shù)研究，進(jìn)一步簡(jiǎn)化天然渠道復(fù)雜多變的水力要素并完善人工渠道單一邊壁條件的不足，有助于客觀全面的分析問(wèn)題。

目前，查表法和公式法得到的糙率系數(shù)應(yīng)用到實(shí)際中還存在諸多的問(wèn)題[68]。有許多學(xué)者[916]希望通過(guò)明晰糙率系數(shù)與關(guān)鍵水力要素的相關(guān)關(guān)系推求出更為精準(zhǔn)的糙率值，而糙率系數(shù)是一個(gè)復(fù)雜的非線性系統(tǒng)，此方法得到的結(jié)論在某些情況下帶有一定的局限性。有學(xué)者通過(guò)建立模型進(jìn)行糙率系數(shù)預(yù)測(cè)并取得一系列成果，Becker等[1718]將單純形法融入到數(shù)學(xué)模型進(jìn)行糙率預(yù)測(cè)，金忠青等[19]采用復(fù)合形法構(gòu)建河網(wǎng)糙率預(yù)測(cè)模型，董文軍等[20]通過(guò)參數(shù)辨識(shí)理論建立預(yù)測(cè)模型，程偉平等[21]構(gòu)造帶參數(shù)的卡爾曼濾波糙率預(yù)測(cè)模型，漲潮[22]等采用基于數(shù)據(jù)挖掘的BP神經(jīng)網(wǎng)絡(luò)構(gòu)建預(yù)測(cè)模型。但是以上學(xué)者所使用的數(shù)學(xué)模型仍存在著一些不足，需要大量的樣本數(shù)據(jù)訓(xùn)練，容易陷入局部最優(yōu)，過(guò)度依賴初值的設(shè)置，微小變化都有可能引起數(shù)值的較大擺動(dòng)導(dǎo)致預(yù)測(cè)精度較低。隨著人工智能技術(shù)的發(fā)展，作為處理小樣本結(jié)構(gòu)風(fēng)險(xiǎn)最小化的數(shù)學(xué)模型工具支持向量機(jī)（Support Vector Machine，SVM）脫穎而出并在許多領(lǐng)域出色的完成任務(wù)[23]。在建立渠道糙率系數(shù)預(yù)測(cè)模型時(shí)，往往需要考慮多種因素，因素之間難免會(huì)出現(xiàn)信息重疊，這樣會(huì)對(duì)模型的預(yù)測(cè)精準(zhǔn)度產(chǎn)生影響。主成分分析（Principal Component Analysis，PCA）通過(guò)提取特征信息去除冗余信息，將原始數(shù)據(jù)劃分為少數(shù)幾個(gè)具有綜合指標(biāo)的主成分，為支持向量機(jī)模型進(jìn)行精準(zhǔn)可靠的預(yù)測(cè)提供保障[24]。

第16卷 總第96期·南水北調(diào)與水利科技·2018年6月葛賽等·基于主成分分析支持向量機(jī)的人工加糙渠道糙率系數(shù)預(yù)測(cè)模型本文通過(guò)對(duì)吳思矩形人工加糙渠道試驗(yàn)數(shù)據(jù)[25]進(jìn)行分析，對(duì)影響糙率系數(shù)的主要影響因素進(jìn)行主成分分析并建立支持向量機(jī)預(yù)測(cè)模型。通過(guò)對(duì)模型預(yù)測(cè)結(jié)果進(jìn)行精確度計(jì)算，得出模型擬合效果相關(guān)數(shù)據(jù)信息。此預(yù)測(cè)模型通過(guò)學(xué)習(xí)訓(xùn)練掌握糙率系數(shù)的變化規(guī)律，可為實(shí)際中受試驗(yàn)條件限制的試驗(yàn)研究提供預(yù)測(cè)數(shù)據(jù)以彌補(bǔ)數(shù)據(jù)信息的不足，并可根據(jù)已建成模型對(duì)相應(yīng)實(shí)例中糙率系數(shù)選取的合理性提供參考。

1試驗(yàn)布置及方案

物理模型試驗(yàn)在新疆農(nóng)業(yè)大學(xué)水利與土木工程學(xué)院水工實(shí)驗(yàn)室進(jìn)行，試驗(yàn)渠道采用長(zhǎng)20 m、寬0.4 m、深0.3 m的矩形PVC材質(zhì)人工渠道。試驗(yàn)系統(tǒng)由供水裝置、靜水箱、可進(jìn)行坡度調(diào)節(jié)的渠道、尾門(mén)、量水堰、回水裝置等組成，試驗(yàn)系統(tǒng)見(jiàn)圖1。其中，渠道前后端分別安設(shè)的靜水箱和尾門(mén)，是用以平穩(wěn)水流，保證上下游水位一致形成均勻流；調(diào)節(jié)支撐，可獲取不同底坡條件；量水堰采用矩形薄壁堰，測(cè)量得到渠道流量值。通過(guò)調(diào)節(jié)渠道坡度與過(guò)流量獲取不同試驗(yàn)條件下的數(shù)據(jù)。

渠道底部及兩側(cè)分別用清漆將砂粒均勻粘貼，采用水準(zhǔn)儀量測(cè)砂粒凸起度是否滿足要求。選取4種不同邊壁條件進(jìn)行模型試驗(yàn)，分別為光滑壁面條件、邊壁粘貼砂粒粒徑d為1～2 mm、2～3 mm、3～5 mm的邊壁條件，相應(yīng)的絕對(duì)粗糙度Δ分別為0015 mm、15 mm、25 mm、4 mm。調(diào)節(jié)0004～003共8種不同底坡，每種底坡下選取10組流量進(jìn)行試驗(yàn)，流量變化范圍為12～41 L/s。取距進(jìn)水口后3 m處、距出水口前3 m處分別作為測(cè)量段的起始點(diǎn)和終止點(diǎn)，在測(cè)量段每間隔1 m取為一個(gè)測(cè)量斷面，每個(gè)斷面上布設(shè)3個(gè)測(cè)點(diǎn)。當(dāng)在某一邊壁條件下，利用水準(zhǔn)儀測(cè)算得到渠道底坡，讀出量水堰此時(shí)流量值，當(dāng)達(dá)到預(yù)設(shè)數(shù)值要求時(shí)，采用水位測(cè)針量測(cè)每個(gè)測(cè)點(diǎn)的水深從而得出渠道的平均水深，并由相關(guān)已知條件計(jì)算得出相應(yīng)的佛汝德數(shù)及糙率系數(shù)值。物理試驗(yàn)由4種邊壁條件、8種底坡及10組流量分別組合，共進(jìn)行了320組試驗(yàn)。

2基于PCASVM預(yù)測(cè)模型試驗(yàn)結(jié)果及分析

2.1主成分分析PCA

主成分分析PCA通過(guò)特征分解法從變量中提取出主要影響因子即主成分因子，主成分因子間線性無(wú)關(guān)，綜合全面描述影響事物的本質(zhì)因素。主要影響因素間存在相關(guān)性，數(shù)據(jù)信息具有重復(fù)性弊端，帶入模型可能會(huì)降低系統(tǒng)識(shí)別的準(zhǔn)確率，并且輸入變量的個(gè)數(shù)也會(huì)影響模型的運(yùn)算速度，故對(duì)數(shù)據(jù)先進(jìn)行主成分分析做降維處理提取主成分。本試驗(yàn)研究借助SPSS數(shù)據(jù)分析軟件對(duì)數(shù)據(jù)進(jìn)行主成分分析。

數(shù)據(jù)標(biāo)準(zhǔn)化處理。共有320組樣本數(shù)據(jù)，每組樣本數(shù)據(jù)對(duì)應(yīng)4個(gè)原始變量，數(shù)據(jù)矩陣A為，由于原始變量間量綱不同且數(shù)值之間存在較大差異，采用數(shù)據(jù)標(biāo)準(zhǔn)化處理來(lái)消除影響。

相關(guān)系數(shù)矩陣。判別原始變量間是否存在相關(guān)性，通過(guò)對(duì)標(biāo)準(zhǔn)化后數(shù)據(jù)計(jì)算相關(guān)系數(shù)，得到相關(guān)系數(shù)矩陣見(jiàn)表1。其中，X1、X2、X3、X4分別表示經(jīng)標(biāo)準(zhǔn)化處理后的絕對(duì)粗糙度Δ、佛汝德數(shù)Fr、渠道平均水深h、底坡i。相關(guān)系數(shù)值存在大于03的情況，說(shuō)明數(shù)據(jù)間存在相關(guān)性，適合進(jìn)行主成分分析對(duì)數(shù)據(jù)進(jìn)行處理。

mi=Miλi（1）

式中：mi表示第i個(gè)主成分的特征向量；Mi表示第i個(gè)主成分對(duì)應(yīng)的成分向量；λi表示第i個(gè)主成分對(duì)應(yīng)的特征值，其中λ1 =2.503，λ2=1.011（i=1，2）。

式中：Y1、Y2分別表示第一主成分、第二主成分。

2.2支持向量機(jī)SVM模型

支持向量機(jī)是一種基于統(tǒng)計(jì)學(xué)習(xí)理論（Statistical Learning Theory，SLT）VC維思想和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理的數(shù)學(xué)模型[26]。在解決非線性回歸問(wèn)題時(shí)，支持向量機(jī)通過(guò)引入核函數(shù)（kernel function）成功的克服了樣本數(shù)據(jù)線性不可分問(wèn)題，將樣本數(shù)據(jù)映射到高維特征空間后變?yōu)榫€性可分，簡(jiǎn)化在低維特征空間的非線性問(wèn)題。在進(jìn)行模型建立時(shí)，除應(yīng)選擇合理的核函數(shù)外，還應(yīng)對(duì)參數(shù)進(jìn)行尋優(yōu)以確保模型的準(zhǔn)確性。支持向量機(jī)在模型預(yù)測(cè)時(shí)避免陷入局部最優(yōu)，具有良好的泛化能力。本試驗(yàn)中使用LIBSVM軟件包進(jìn)行支持向量機(jī)模型預(yù)測(cè)。

2.3PCASVM 模型建立

為合理構(gòu)建基于主成分分析支持向量機(jī)的糙率系數(shù)預(yù)測(cè)模型，需進(jìn)行如下模型運(yùn)算過(guò)程。

數(shù)據(jù)歸一化處理。將由主成分分析提取的2個(gè)主成分因子與所對(duì)應(yīng)的糙率系數(shù)組成的矩陣B，對(duì)數(shù)據(jù)矩陣在[0，1]進(jìn)行歸一化處理，減小因數(shù)值差異對(duì)模型的干擾，提高數(shù)據(jù)矩陣的整體性。

劃分測(cè)試集和訓(xùn)練集。為保證模型的可靠性及說(shuō)服性，將320組樣本數(shù)據(jù)隨機(jī)抽取240組作為訓(xùn)練集進(jìn)行模型訓(xùn)練，余下80組作為測(cè)試集進(jìn)行效果測(cè)試。

選擇核函數(shù)。核函數(shù)是支持向量機(jī)模型建立最為重要的部分，對(duì)模型的精確性起決定性作用。常見(jiàn)的核函數(shù)有線性核函數(shù)、多項(xiàng)式核函數(shù)、Sigmoid核函數(shù)和徑向基核函數(shù)（RBF）。其中，RBF在解決非線性問(wèn)題時(shí)具有極強(qiáng)的優(yōu)勢(shì)，其出色的表現(xiàn)被許多領(lǐng)域廣泛應(yīng)用。本試驗(yàn)將4種常見(jiàn)核函數(shù)代入模型后發(fā)現(xiàn)RBF更適合此試驗(yàn)情況，故選擇RBF為核函數(shù)。

尋找最優(yōu)參數(shù)。交叉驗(yàn)證法搜索最優(yōu)參數(shù)是目前應(yīng)用最為廣泛、搜索效率極為快捷的一種參數(shù)尋優(yōu)方法。對(duì)懲罰因子C與核函數(shù)參數(shù)g應(yīng)用交叉驗(yàn)證法進(jìn)行尋優(yōu)，最終得到最優(yōu)的懲罰因子C為857419 ，核函數(shù)參數(shù)g為17.1484。

模型學(xué)習(xí)訓(xùn)練。根據(jù)支持向量機(jī)前期的各種條件設(shè)置，分別對(duì)訓(xùn)練集及測(cè)試集進(jìn)行支持向量機(jī)模型訓(xùn)練預(yù)測(cè)，并對(duì)數(shù)據(jù)進(jìn)行反歸一化處理。為檢驗(yàn)?zāi)Ｐ蛯W(xué)習(xí)效果，計(jì)算訓(xùn)練集與測(cè)試集的均方根誤差RMSE與相關(guān)系數(shù)R。其中均方根誤差RMSE是衡量預(yù)測(cè)值和觀測(cè)值之間偏差程度的一個(gè)量，其值越小代表模型誤差越??；相關(guān)系數(shù)R是模型經(jīng)訓(xùn)練學(xué)習(xí)后與真實(shí)數(shù)據(jù)趨勢(shì)擬合的優(yōu)劣程度的評(píng)判參考，其值越接近1擬合效果越好。公式分別如下。

RMSE=1n∑ni=1（observedi-predictedi）2（4）

式中：observedi表示第i個(gè)觀測(cè)值；predictedi表示第i個(gè)預(yù)測(cè)值；n為預(yù)測(cè)樣本總個(gè)數(shù)。

R（X，Y）=Cov（X，Y）Var[X]Var[Y]（5）

式中：Cov（X，Y）代表X與Y的協(xié)方差；Var[X]、Var[Y]分別表示X及Y的方差，此公式中X和Y分別代表觀測(cè)值與預(yù)測(cè)值。

2.4PCASVM模型試驗(yàn)結(jié)果及分析

結(jié)合主成分分析提取主成分進(jìn)行支持向量機(jī)建模，系統(tǒng)內(nèi)部經(jīng)過(guò)一系列黑箱處理掌握糙率系數(shù)的變化規(guī)律。模型對(duì)糙率系數(shù)進(jìn)行預(yù)測(cè)，測(cè)試集預(yù)測(cè)效果圖見(jiàn)圖2。其中，訓(xùn)練集與測(cè)試集的均方根誤差RMSE分別為、，訓(xùn)練集與測(cè)試集的相關(guān)系數(shù)R分別為0997、0992。測(cè)試集的部分樣本糙率擬合結(jié)果見(jiàn)表5，相對(duì)誤差小于5%，最大為4930%，最小為0498%。由此可見(jiàn)，此模型對(duì)隨機(jī)抽取的樣本數(shù)據(jù)進(jìn)行了出色的預(yù)測(cè)，可用此訓(xùn)練模型進(jìn)行糙率系數(shù)的預(yù)測(cè)。

通過(guò)對(duì)數(shù)據(jù)進(jìn)行主成分分析提取主成分，減少自變量個(gè)數(shù)，綜合全面的對(duì)數(shù)據(jù)特性進(jìn)行描述，將主成分因子融入到支持向量機(jī)模型建立中，降低模型的復(fù)雜程度，加快模型的運(yùn)算速度。為考察支持向量機(jī)模型在糙率預(yù)測(cè)方面相對(duì)于其它計(jì)算模型是否更具優(yōu)勢(shì)，對(duì)采用主成分分析的樣本數(shù)據(jù)進(jìn)行支持向量機(jī)與神經(jīng)網(wǎng)絡(luò)模型建立，測(cè)試集預(yù)測(cè)效果相應(yīng)物理量見(jiàn)表6，糙率擬合效果見(jiàn)表5。由支持向量機(jī)與神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的均方根誤差RMSE對(duì)比可以看出，前者在精度方面高出一個(gè)數(shù)量級(jí)；表征擬合優(yōu)度的相關(guān)系數(shù)R值達(dá)到0992，高于神經(jīng)網(wǎng)絡(luò)相關(guān)系數(shù)R值0843，在擬合優(yōu)度評(píng)判上更具優(yōu)勢(shì)；支持向量機(jī)預(yù)測(cè)相對(duì)誤差較小，模型擬合更為精準(zhǔn)。綜上，支持向量機(jī)在糙率預(yù)測(cè)方面具備獨(dú)特的優(yōu)勢(shì)條件，為糙率系數(shù)的研究提供一種可供參考的模型預(yù)測(cè)方法。

3結(jié)論

（1）本試驗(yàn)結(jié)合前期試驗(yàn)研究成果提取4個(gè)主要影響因素，并無(wú)對(duì)影響因素進(jìn)行取舍，對(duì)糙率系數(shù)的變化規(guī)律描述得更為全面具體。影響因素間存在一定的相關(guān)性，數(shù)據(jù)信息具有重復(fù)現(xiàn)象，會(huì)影響模型的信息識(shí)別造成模型預(yù)測(cè)精確性下降。通過(guò)對(duì)影響因素進(jìn)行主成分分析提取主成分因子，綜合全面的對(duì)影響糙率系數(shù)的因素進(jìn)行描述，同時(shí)主成分分析降低數(shù)據(jù)維度還有利于提高模型的運(yùn)算速度。主成分分析有助于支持向量機(jī)模型的預(yù)測(cè)效果及效率的提高。

（2）基于主成分分析進(jìn)行支持向量機(jī)糙率預(yù)測(cè)模型建立，用均方根誤差RMSE及相關(guān)系數(shù)R進(jìn)行模型預(yù)測(cè)誤差評(píng)判，結(jié)果顯示，訓(xùn)練集與測(cè)試集的均方根誤差RMSE分別為、，訓(xùn)練集與測(cè)試集的相關(guān)系數(shù)R分別為0.997、0.992，預(yù)測(cè)相對(duì)誤差小于5%。由均方根誤差的數(shù)量級(jí)、相關(guān)系數(shù)接近于1及較小的預(yù)測(cè)相對(duì)誤差，可印證此模型的精確性及可靠性。

（3）糙率系數(shù)的物理模型研究，經(jīng)常會(huì)受到各種條件因素的限制，以至于不能獲得充足的研究數(shù)據(jù)，同時(shí)，在對(duì)長(zhǎng)距離渠道進(jìn)行糙率系數(shù)測(cè)算時(shí)可能會(huì)投入過(guò)多的工程量。結(jié)合主成分分析的支持向量機(jī)糙率系數(shù)模型可通過(guò)對(duì)小樣本數(shù)據(jù)學(xué)習(xí)訓(xùn)練掌握規(guī)律，當(dāng)模型經(jīng)訓(xùn)練后精度達(dá)到要求時(shí)可進(jìn)行糙率系數(shù)的預(yù)測(cè)，為糙率系數(shù)的研究提供參考。

參考文獻(xiàn)（References）：

[1]邱秀云.水力學(xué)[M].烏魯木齊：新疆電子出版社，2008.（QIU X Y.Hydraulics[M].Urumqi：Xinjiang Electronic Press，2008.（in Chinese））

[2]張志昌，魏炳乾，郝瑞霞.水力學(xué)[M].北京：中國(guó)水利水電出版社，2011.（ZHANG Z C，WEI B Q，HAO R X.Hydraulics[M].Beijing：China Water & Power Press，2011.（in Chinese））

[3]何建京.明渠非均勻流糙率系數(shù)及水力特性研究[D].南京：河海大學(xué)，2003.（HE J J.Roughness Coefficient and Turbulent Characteristics for nonuniform flow in Open Channels[D].Nanjing：Hohai University，2003.（in Chinese））

[4]張小峰，楊雯婷，陳建良，等.壅水情況下非均勻流糙率系數(shù)研究[J].泥沙研究，2014（5）：6571.（ZHANG X F，YANG W T，CHEN J L，et al.Study on roughness coefficient of nonuniform flow in backwater[J].Journal of Sediment Research，2014（5）：6571.（in Chinese）） DOI：10.16239/j.cnki.0468155x.2014.05.002.

[5]徐慧敏.關(guān)于水利工程中河道糙率的研究[J].水利科技與經(jīng)濟(jì)，2010，16（11）：12531256.（XU H M.Research on roughness of river in water conservancy projects[J].Water Conservancy Science and Technology and Ecomomy，2010，16（11）：12531256.（in Chinese）） DOI：10.3969/j.issn.10067175.2010.11.023.

[6]李凌云，范北林，王家生，等.黃河下游河道河床阻力計(jì)算研究評(píng)述[J].水力發(fā)電學(xué)報(bào)，2015，34（6）：144146.（LI L Y，F(xiàn)AN B L，WANG J S，et al.Study of riverbed resistance calculation for the lower Yellow River.A review[J].Journal of Hydroelectric Engineering，2015，34（6）：144146.（in Chinese））

[7]張小琴，包為民，梁文清，等.河道糙率問(wèn)題的研究進(jìn)展[J].水力發(fā)電，2008，34（6）：98100.（ZHANG X Q，BAO W M，LIANG W Q，et al.Recent studies and progress of the river roughness[J].Water Power，2008，34（6）：98100.（in Chinese））

[8]楊克君，曹叔尤，劉興年.復(fù)式河槽綜合糙率計(jì)算方法比較與分析[J].水利學(xué)報(bào)，2002，36（7）：780784.（YANG K J，CAO S Y，LIU X N.Comparison and analysis of calculation methods for comprehensive roughness of compound[J].Journal of Hydraulic Engineering，2002，36（7）：780784.（in Chinese）） DOI：10.13243/j.cnki.slxb.2005.07.003.

[9]翟艷賓，吳發(fā)啟，王健，等.不同人工糙率床面水力學(xué)特性的試驗(yàn)研究[J].水土保持通報(bào)，2012，32（6）：3842.（ZHAI Y B，WU F Q，WANG J，et al.Experimental study on Hydraulic characteristics of artificial surfaces with different roughness[J].Bulletin of Soil and Water Conservation，2012，32（6）：3842.（in Chinese）） DOI：10.13961/j.cnki.stbctb.2012.06.037.

[10]楊岑，路澤生，欒維功，等.矩形渠道人工加糙壁面阻力規(guī)律試驗(yàn)研究[J].長(zhǎng)江科學(xué)院院報(bào)，2011，28（1）：3438.（YANG C，LU Z S，LUAN W G，et al.Experimental study on friction law of artificial roughwall rectangle channel[J].Journal of Yangtze River Scientific Research Institute，2011，28（1）：3438.（in Chinese））

[11]馬吉明，史哲.南水北調(diào)典型寬淺渠道糙率系數(shù)研究[J].水力發(fā)電學(xué)報(bào)，2007，26（5）：7679.（MA J M，SHI Z.Research on the absolute roughness of the typical channel of the south to north water diversion project[J].Journal of Hydroelectric Engineering，2007，26（5）：7679.（in Chinese））

[12]張羅號(hào).黃河河槽糙率異常原因及其解決途徑[J].水利學(xué)報(bào)，2012，43（11）：12611264.（ZHANG L H.Yellow River Rivers Roughness Abnormal Reason and Its Solution[J].Journal of Hydraulic Engineering，2012，43（11）：12611264.（in Chinese）） DOI：10.13243/j.cnki.slxb.2012.11.004.

[13]趙錦程，邱秀云，杜利霞，等.底坡對(duì)人工渠道糙率影響的試驗(yàn)[J].水利水電科技進(jìn)展，2013，33（6）：4851.（ZHAO J C，QIU X Y，DU L X，et al.Experimental study on effect of bottom slope on the artificial channel roughness[J].Advances in Science and Technology of Water Resources，2013，33（6）：4851.（in Chinese）） DOI：10.3880/j.issn.10067647.2013.06.010.

[14]齊鄂榮，羅昌.庫(kù)區(qū)河道非恒定流糙率的選取及特性[J].武漢大學(xué)學(xué)報(bào)（工學(xué)版），2003，36（2）：14.（QI E R，LUO C.Method for Selecting roughness of reservoir′s river course with unsteady flow and its characteristics[J].Engineering Journal of Wuhan University，2003，36（2）：14.（in Chinese））

[15]張靖，拾兵，薛旖云.糙率變化對(duì)明渠水深影響的探討[J].人民黃河，2012，34（9）：121122.（ZHANG J，SHI B，XUE Y Y.Discussion on the influence of roughness variation to the open channel flows[J].Yellow River，2012，34（9）：121122.（in Chinese））

[16]拜亞茹.人工渠道糙率系數(shù)影響因素的試驗(yàn)研究[J].水資源與水工程學(xué)報(bào)，2014，25（4）：230232.（BAI Y R.Experimetl on influence factors on roughness coefficient of artificial channel[J].Journal of Water Resources and Water Engineering，2014，25（4）：230232.（in Chinese）） DOI：10.11705/j.issn.1672643X.2014.04.047.

[17]BECKER L，YEH W W G.Identification of parametersin unsteady open channel flows[J].Water Resources Research，1972，8（4）：956965.

[18]BECKER L，YEH W W G.Identification of multiple reach channel parameters[J].Water Resources Research，1973，9（2）：326335.

[19]金忠青，韓龍喜，張健.復(fù)雜河網(wǎng)的水力計(jì)算及參數(shù)反問(wèn)題[J].水動(dòng)力學(xué)研究與進(jìn)展（A輯），1998，13（3）：280285.（JIN Z Q，HAN L X，ZHANG J.Hydraulic calculation and inverse problem of complex river network[J].Journal of Hydrodynamics，1998，13（3）：280285.（in Chinese））

[20]董文軍，姜亨余，喻文喚.一維水流方程中曼寧糙率的參數(shù)辨識(shí)[J].天津大學(xué)學(xué)報(bào)，2001，（2）：201204.（DONG W J，JIANG H Y，YU W H.Parameter identification of manning roughness in one dimensional flow equation[J].Journal of Tianjin University，2001，（2）：201204.（in Chinese）） DOI：10.3969/j.issn.04932137.2001.02.017.

[21]程偉平，毛根海.基于帶參數(shù)的卡爾曼濾波的河道糙率動(dòng)態(tài)反演研究[J].水力發(fā)電學(xué)報(bào)，2005（2）：123127.（CHENG W P，MAO G H.Study on channel friction parameter inversion based on Kalman filter with unknown parameter vector[J].Journal of Hydroelectric Engineering，2005（2）：123127.（in Chinese）） DOI：10.3969/j.issn.10031243.2005.02.027.

[22]張潮，毛根海，張土喬，等.基于數(shù)據(jù)挖掘的河網(wǎng)糙率直接反演方法[J].水力發(fā)電學(xué)報(bào)，2009，28（1）：108112.（ZHANG C，MAO G H，ZHANG T Q，et al.Direct inversion method of river network roughness based on data mining[J].Journal of Hydroelectric Engineering，2009，28（1）：108112.（in Chinese））

[23]VAPINK V.The nature of statistical leaning theory[M].New York：SpringerVerlag，1995.

[24]王磊.基于主成分分析的支持向量機(jī)回歸預(yù)測(cè)模型[J].信息技術(shù)，2008（12）：5859.（WANG L.Regression forecast model of support vector machine based on principal component analysis[J].Information Technology，2008（12）：5859.（in Chinese）） DOI：10.13274/j.cnki.hdzj.2008.12.050.

[25]吳思.人工渠道糙率與明渠流態(tài)關(guān)系的試驗(yàn)研究[D].烏魯木齊：新疆農(nóng)業(yè)大學(xué)，2016.（WU S.Experimental study on the relationship between roughness of artificial channel and flow regime of open channel[D].Urumqi：Xinjiang Agricultural University，2016.（in Chinese））

[26]CORTES C，VAPNIK V.Support vector networks[J].Machine Learning，1995，20（3）：273 297.