亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于小波分析的汛期月徑流量預(yù)測(cè)模型研究

        2019-11-22 08:48:42宋培培
        陜西水利 2019年10期
        關(guān)鍵詞:分析模型

        周 婭 ,郭 萍 ,楊 柳 ,宋培培

        (1.貴州省水利水電勘測(cè)設(shè)計(jì)研究院,貴州 貴陽(yáng) 550002;2.中國(guó)農(nóng)業(yè)大學(xué)水利與土木工程學(xué)院,北京 100083)

        崗南水庫(kù)位于河北省石家莊市平山縣境內(nèi),位于滹沱河干流上,是一座以防洪為主,兼顧灌溉、發(fā)電、工業(yè)及城市生活用水等綜合利用的大(I)型水庫(kù)。水庫(kù)承擔(dān)著石家莊和下游鐵路、公路、華北油田及冀中平原的防洪保護(hù)任務(wù),并保障區(qū)域農(nóng)業(yè)、工業(yè)和城市用水安全[1]。小覺(jué)水文站是崗南水庫(kù)入庫(kù)徑流控制水文站,上游來(lái)水相對(duì)天然,且受水庫(kù)調(diào)節(jié)作用影響較小,長(zhǎng)系列水文數(shù)據(jù)代表性較好。本文首先以主成分分析法提取出汛期氣象因子的主成分,然后通過(guò)A Trous小波提取出各序列的隨機(jī)項(xiàng)、趨勢(shì)項(xiàng)和周期項(xiàng),分別對(duì)各項(xiàng)建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。

        1 研究區(qū)概況

        滹沱河屬于海河流域的子牙河水系,全長(zhǎng)587 km,流域面積24690 km2。河流流經(jīng)山西省境內(nèi)的繁峙等五縣市,于陽(yáng)泉市盂縣閆家莊進(jìn)入河北省,然后由石家莊市區(qū)北穿京廣鐵路,向東橫貫河北省,并從衡水市的安平縣一直向東流至獻(xiàn)縣臧橋,在此和滏陽(yáng)河相匯流入大海[1](見(jiàn)圖1)。流域年氣溫為4.0℃~8.8℃,年內(nèi)降水主要集中在6月~9月,約占全年降水量的70%~80%,上游位于太行山的背風(fēng)坡,雨量較小,徑流量也較低,年徑流深僅為20 mm~50 mm左右,而經(jīng)太行山的東坡進(jìn)入河北省時(shí),降雨量增加,徑流量也隨之驟增,年徑流深在50 mm~150 mm之間,然后經(jīng)黃壁莊水庫(kù)進(jìn)入山麓沖積平原,年徑流再次減少,徑流深降至50 mm以下。

        圖1 滹沱河流域范圍

        2 方法簡(jiǎn)介

        2.1 主成分分析法

        1933年,Hotelling首先提出主成分分析,該方法利用降維的思想,以信息損失量很少為前提,將多個(gè)指標(biāo)轉(zhuǎn)換為幾個(gè)綜合指標(biāo),由原始變量的線性組合得到每一個(gè)綜合指標(biāo),每個(gè)綜合指標(biāo)之間互不相關(guān)[2]。

        主成分分析的數(shù)學(xué)模型為

        可用矩陣表示為

        經(jīng)過(guò)標(biāo)準(zhǔn)化處理的矩陣就是X的相關(guān)系數(shù)矩陣R,如果主成分分析的一切計(jì)算不是從協(xié)方差矩陣出發(fā),而是直接從樣本相關(guān)系數(shù)矩陣出發(fā),就等于先對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化,然后再利用協(xié)方差矩陣進(jìn)行主成分分析[2]。主成分分析的基本步驟是:首先結(jié)合數(shù)據(jù),判斷是否需要進(jìn)行主成分分析;其次結(jié)合主成分的特征值和累計(jì)特征值貢獻(xiàn)率來(lái)確定抽取的主成分或因子的數(shù)據(jù);最后,進(jìn)行主成分分析,將抽取出來(lái)的主成分分析存為新變量,以便繼續(xù)分析[3]。

        2.2 小波變換—A Trous

        對(duì)水文時(shí)間序列f(t),t=1,2,…,N進(jìn)行小波分解,令C0(t)=f(t),A Trous小波分解過(guò)程如下:

        A Trous小波重構(gòu)過(guò)程如下:

        根據(jù)樣本序列長(zhǎng)度,低通濾波器選用db4小波,選擇最大分解尺度P=3,采用MATLAB小波分解工具箱分解得到樣本的隨機(jī)項(xiàng)、趨勢(shì)項(xiàng)和周期項(xiàng),采用BP神經(jīng)網(wǎng)絡(luò)對(duì)各項(xiàng)分別進(jìn)行預(yù)測(cè),再重構(gòu)得到預(yù)測(cè)模型的輸出值[4]。

        3 汛期月徑流預(yù)測(cè)

        汛期采用1969年~2009年的7月、8月、9月、10月的16個(gè)氣象因子:x1五臺(tái)山降水量、x2五臺(tái)山風(fēng)速,x3五臺(tái)山氣壓、x4五臺(tái)山氣溫、x5五臺(tái)山相對(duì)濕度、x6五臺(tái)山日照時(shí)數(shù)、x7五臺(tái)山水汽壓、x8原平降水量、x9原平風(fēng)速、x10原平氣壓、x11原平氣溫、x12原平相對(duì)濕度、x13原平日照時(shí)數(shù)、x14原平水汽壓、x15小覺(jué)站降水量、x16小覺(jué)站蒸發(fā)量,以及小覺(jué)站徑流量值作為分析基礎(chǔ)。

        因子分析前,首先進(jìn)行KMO檢驗(yàn)和巴特利球體檢驗(yàn)。KMO檢驗(yàn)用于檢查變量間的相關(guān)性和偏相關(guān)性,取值在0~1之間。KMO統(tǒng)計(jì)量越接近于1,變量間的相關(guān)性越強(qiáng),因子分析的效果越好。實(shí)際分析中,KMO統(tǒng)計(jì)量在0.7以上時(shí)效果比較好;當(dāng)KMO統(tǒng)計(jì)量在0.5以下時(shí)不適合應(yīng)用因子分析法。采用主成分分析方法分析以上數(shù)據(jù),得出汛期實(shí)測(cè)數(shù)據(jù)對(duì)應(yīng)的KMO值為0.819(大于0.8),意味著變量間的相關(guān)性較強(qiáng),說(shuō)明變量很適合作因子分析。巴特利特球形檢驗(yàn)法是以相關(guān)系數(shù)矩陣為基礎(chǔ)的。它的零假設(shè)相關(guān)系數(shù)矩陣是一個(gè)單位陣,即相關(guān)系數(shù)矩陣對(duì)角線的所有元素均為1,所有非對(duì)角線上的元素均為0。巴特利特球形檢驗(yàn)法的統(tǒng)計(jì)量Sig值是根據(jù)相關(guān)系數(shù)矩陣的行列式得到的。如果Sig值較大,且其對(duì)應(yīng)的相伴概率值小于指定的顯著水平0.05時(shí),拒絕零假設(shè),表明相關(guān)系數(shù)矩陣不是單位陣,原有變量之間存在相關(guān)性,適合進(jìn)行主成分分析;反之,數(shù)據(jù)不適合進(jìn)行主成分分析。對(duì)本次采用的數(shù)據(jù)進(jìn)行Bartlett的球形度檢驗(yàn),其Sig值小于顯著水平0.05,說(shuō)明變量之間存在相關(guān)關(guān)系。所選取的影響因子的數(shù)據(jù)符合因子分析的條件,適合做主成分分析。進(jìn)行主成分分析時(shí),由表1可知前4個(gè)主成分貢獻(xiàn)率累計(jì)百分比為88.943%,對(duì)應(yīng)的初始特征值分別是 8.364、2.975、2.190、0.702,根據(jù)初始特征值計(jì)算得到主成分表達(dá)式的系數(shù)矩陣(表2),進(jìn)一步計(jì)算得到汛期四個(gè)主成分 Y1、Y2、Y3、Y4作為預(yù)測(cè)輸入。

        表1 解釋的總方差(汛期)

        表2 主成分表達(dá)式的系數(shù)矩陣(汛期)

        由于小波分析具有將時(shí)間序列分解為多層的能力,可分離季節(jié)性趨勢(shì)時(shí)間序列中的趨勢(shì)項(xiàng)、周期項(xiàng)和隨機(jī)項(xiàng),分離后各項(xiàng)所含頻率成分單一,有利于建模預(yù)測(cè)。本研究將主成分分析提取得到的四個(gè)主成分Y1、Y2、Y3、Y4和小覺(jué)站月徑流值Z進(jìn)行A Trous小波變換分解,提取得到各數(shù)據(jù)序列的隨機(jī)項(xiàng)(Y1D、Y2D、Y3D、Y4D、ZD),趨勢(shì)項(xiàng)(Y1A、Y2A、Y3A、Y4A、ZA),周期項(xiàng)(Y1P、Y2P、Y3P、Y4P、ZP)。在此基礎(chǔ)上,采用MATLAB自帶BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練工具箱(ntstool)建立各項(xiàng)預(yù)測(cè)模型,將以上數(shù)據(jù)作為輸入信號(hào)從輸入層進(jìn)入網(wǎng)絡(luò),經(jīng)隱含層逐層處理后到達(dá)輸出層。每層的神經(jīng)元狀態(tài)只影響下一層的神經(jīng)元狀態(tài)。如果輸出層得不到期望輸出,則誤差反向傳播,根據(jù)誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值,從而使BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出不斷逼近目標(biāo)值,從而建立小覺(jué)站汛期月徑流預(yù)測(cè)模型,模型采用的是訓(xùn)練較快的trainscg函數(shù)。

        3.1 隨機(jī)項(xiàng)

        隨機(jī)項(xiàng)預(yù)測(cè)模型網(wǎng)絡(luò)輸入層、隱含層和輸出層神經(jīng)元個(gè)數(shù)分別為5個(gè)、2個(gè)和1個(gè)。

        圖2 汛期隨機(jī)項(xiàng)各數(shù)據(jù)集觀測(cè)值和預(yù)測(cè)值回歸分析圖

        圖3 汛期隨機(jī)項(xiàng)觀測(cè)值和預(yù)測(cè)值對(duì)照?qǐng)D

        圖2 訓(xùn)練結(jié)果顯示,訓(xùn)練數(shù)據(jù)集、測(cè)試數(shù)據(jù)集和檢驗(yàn)數(shù)據(jù)集中預(yù)測(cè)值與觀測(cè)值的相關(guān)系數(shù)R分別為0.9297、0.9553、0.9300,觀測(cè)值與預(yù)測(cè)值的相關(guān)系數(shù)為0.9332,實(shí)測(cè)值和預(yù)測(cè)值吻合精度很高,同時(shí)模型對(duì)應(yīng)數(shù)據(jù)集的均方誤差(MSE)分別為 2.6×10-2、1.3×10-2、1.9×10-2,說(shuō)明此模型也可以較好的模擬隨機(jī)項(xiàng)數(shù)據(jù)集,從預(yù)測(cè)值和實(shí)測(cè)值對(duì)比圖(圖3)可以看出,模型對(duì)隨機(jī)項(xiàng)的模擬精度很高,所選取的氣象因子能很好的反映小覺(jué)站汛期徑流量變化的隨機(jī)性。

        3.2 趨勢(shì)項(xiàng)

        趨勢(shì)項(xiàng)預(yù)測(cè)模型網(wǎng)絡(luò)結(jié)構(gòu)輸入層、隱含層和輸出層神經(jīng)元個(gè)數(shù)分別為5個(gè)、2個(gè)和1個(gè)。

        圖4 汛期趨勢(shì)項(xiàng)各數(shù)據(jù)集觀測(cè)值和預(yù)測(cè)值回歸分析圖

        圖5 汛期趨勢(shì)項(xiàng)觀測(cè)值和預(yù)測(cè)值對(duì)照?qǐng)D

        圖4訓(xùn)練結(jié)果顯示,訓(xùn)練數(shù)據(jù)集、測(cè)試數(shù)據(jù)集和檢驗(yàn)數(shù)據(jù)集中預(yù)測(cè)值與觀測(cè)值的相關(guān)系數(shù)R分別為0.9970、0.9965、0.9986,觀測(cè)值與預(yù)測(cè)值的相關(guān)系數(shù)為0.9972,實(shí)測(cè)值和預(yù)測(cè)值吻合精度很高,同時(shí)模型對(duì)應(yīng)數(shù)據(jù)集的均方誤差(MSE)分別為 1.4×10-3、1.2×10-3、1.0×10-3,說(shuō)明此模型也可以較好的模擬趨勢(shì)項(xiàng)數(shù)據(jù)集,從預(yù)測(cè)值和實(shí)測(cè)值對(duì)比圖(圖5)可以看出,模型對(duì)趨勢(shì)項(xiàng)的模擬精度很高,可見(jiàn)選取的氣象因子能很好的反映小覺(jué)站汛期徑流量變化的趨勢(shì)。

        3.3 周期項(xiàng)

        周期項(xiàng)預(yù)測(cè)模型網(wǎng)絡(luò)結(jié)構(gòu)輸入層、隱含層和輸出層神經(jīng)元個(gè)數(shù)分別為5個(gè)、4個(gè)和1個(gè)。

        圖6 汛期周期項(xiàng)各數(shù)據(jù)集觀測(cè)值和預(yù)測(cè)值回歸分析圖

        圖7 汛期周期項(xiàng)觀測(cè)值和預(yù)測(cè)值對(duì)照?qǐng)D

        圖6 訓(xùn)練結(jié)果顯示,訓(xùn)練數(shù)據(jù)集、測(cè)試數(shù)據(jù)集和檢驗(yàn)數(shù)據(jù)集中預(yù)測(cè)值與觀測(cè)值的相關(guān)系數(shù)R分別為0.8614、0.8631、0.9289,觀測(cè)值與預(yù)測(cè)值的相關(guān)系數(shù)為0.8737,實(shí)測(cè)值與預(yù)測(cè)值吻合精度較高,同時(shí)模型對(duì)應(yīng)數(shù)據(jù)集的均方誤差(MSE)分別為 3.4×10-2、2.2×10-2、2.5×10-2,說(shuō)明此模型也可以較好的模擬周期項(xiàng)數(shù)據(jù)集,從預(yù)測(cè)值和實(shí)測(cè)值對(duì)比圖(圖7)可以看出選取的氣象因子能較好好的反映小覺(jué)站汛期徑流量變化的周期性。

        4 小結(jié)

        圖8 汛期觀測(cè)值和預(yù)測(cè)值對(duì)照?qǐng)D

        本文采用主成分分析法提取出汛期氣象因子的主成分,然后采用A Trous小波提取出序列的隨機(jī)項(xiàng)、趨勢(shì)項(xiàng)和周期項(xiàng),分別對(duì)各項(xiàng)建立神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,得到較好的預(yù)測(cè)結(jié)果,模型能很好的反映隨機(jī)項(xiàng)、趨勢(shì)項(xiàng)的變化,對(duì)周期項(xiàng)變化的響應(yīng)較隨機(jī)項(xiàng)和趨勢(shì)項(xiàng)的差,但也具有較高的精度,說(shuō)明所建立的模型能很好的反映徑流的隨機(jī)性和趨勢(shì)性。采用A Trous小波重構(gòu)法得到徑流預(yù)測(cè)值,得到汛期重構(gòu)的預(yù)測(cè)值和小覺(jué)水文站實(shí)測(cè)值的對(duì)比圖(圖8),從預(yù)測(cè)值與實(shí)測(cè)值對(duì)比來(lái)看,模型能較好的模擬小覺(jué)站月徑流數(shù)據(jù)序列中的極值。

        猜你喜歡
        分析模型
        一半模型
        隱蔽失效適航要求符合性驗(yàn)證分析
        重要模型『一線三等角』
        重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
        電力系統(tǒng)不平衡分析
        電子制作(2018年18期)2018-11-14 01:48:24
        電力系統(tǒng)及其自動(dòng)化發(fā)展趨勢(shì)分析
        3D打印中的模型分割與打包
        FLUKA幾何模型到CAD幾何模型轉(zhuǎn)換方法初步研究
        中西醫(yī)結(jié)合治療抑郁癥100例分析
        在線教育與MOOC的比較分析
        欧美日韩视频在线第一区| 国产一级做a爱视频在线| 在线看片免费人成视久网不卡| av成人一区二区三区| 亚洲国产不卡av一区二区三区 | 中文字幕午夜精品一区二区三区| 一本色道无码不卡在线观看| 亚洲精品一区二区| 精品国产免费Av无码久久久| 综合激情中文字幕一区二区 | 国产精品久免费的黄网站| 国产免费av片在线观看播放| 国产短视频精品区第一页| 国产三级精品三级在专区中文| 国产一区二区自拍刺激在线观看 | 久久精品综合国产二区| 久久想要爱蜜臀av一区二区三区| 国模精品一区二区三区| ā片在线观看| 四虎成人精品国产永久免费| 久久国产亚洲精品一区二区三区| 欧美丰满熟妇性xxxx| 法国啄木乌av片在线播放| 国产精品爽爽VA吃奶在线观看| 中文字幕在线人妻视频| 亚洲av男人的天堂一区| 丰满少妇被粗大猛烈进人高清| 欲妇荡岳丰满少妇岳| 亚洲αv在线精品糸列| 日本一区二区在线高清| 欧美亚洲熟妇一区二区三区| 久久免费国产精品| 日韩少妇高潮在线视频| 亚洲天堂丰满人妻av| 国精品无码一区二区三区在线 | 激情五月天俺也去综合网| 中文字幕免费人成在线网站| 日韩毛片无码永久免费看| 国产免费一级在线观看| 男女动态视频99精品| 风韵犹存丰满熟妇大屁股啪啪|