CN101625733A - 基于神经网络的潮水水位和时间预测方法 - Google Patents
基于神经网络的潮水水位和时间预测方法 Download PDFInfo
- Publication number
- CN101625733A CN101625733A CN200910101081A CN200910101081A CN101625733A CN 101625733 A CN101625733 A CN 101625733A CN 200910101081 A CN200910101081 A CN 200910101081A CN 200910101081 A CN200910101081 A CN 200910101081A CN 101625733 A CN101625733 A CN 101625733A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- tidewater
- tidal level
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Abstract
本发明涉及一种基于神经网络的潮水水位和时间预测方法。经验式的预报往往具有较大的误差。本发明具体步骤是:首先搭建BP神经网络框架;然后初始化BP神经网络框架,利用随机函数产生的值赋值给权值和偏置值,调用init函数来初始化整个神经网络网络;对历史潮水水位数据和潮水到达时间数据进行归一化处理;训练BP神经网络,对BP神经网络进行测试;最后利用反归一化处理后得到预测值。本发明利用历史潮水水位数据和历史潮水到达时间数据预测得到数据精度优于传统潮水预测方法。
Description
技术领域
本发明属于信息自动化技术领域,具体涉及一种基于神经网络的潮水水位和时间预测方法。
背景技术
在一些大江大河中,潮水可能每天都会发生,不熟悉其涨潮时间或潮水习性的人很容易被潮水夺去生命。江河的涨潮周期与中国农历月份的周期相近,传统对潮水的预报常以此为依据,根据前一天的潮水水位和潮水到达时间,凭借经验来预测今天的潮水水位和潮水到达时刻。而潮水的情况与气象、河床形态等不断变化的自然因素有关,因此,这种经验式的预报往往具有较大的误差。如果能利用计算机的仿真能力,搭建一个神经网络来进行潮水的预报,可以大大避免和减少人员的伤亡。
本发明将利用计算机的仿真计算能力,搭建一个BP神经网络,从历史潮水水位和历史潮水到达时刻的数据中自动的获取知识,逐步地把新知识结合到其映射函数中,从而实现非线性函数的逼近,能够完成对潮水进行准确的预报。
发明内容
本发明针对现有技术的不足,提供一种基于神经网络的潮水水位和时间预测方法。
该方法的具体步骤是:
步骤(1).搭建BP神经网络框架,调用Matlab6.5函数库中的newff函数,Net=newff(PR,[s1 s2...si],{TF1 TF2...TFi},BTF,BLF,PF);Net为BP神经网络框架,PR为输入矩阵中由最大元素和最小元素决定的一个取值范围,si为第i层神经元的个数,TFi为第i层的传递函数,1≤i≤N1,N1为神经网络总层数,BTF为BP神经网络的训练函数,BLF为控制权值和阈值的参数,PF为网络性能函数。
步骤(2).初始化BP神经网络框架。利用随机函数产生的值赋值给权值和偏置值,然后调用init函数来初始化整个神经网络网络。
步骤(3).对历史潮水水位数据和潮水到达时间数据进行归一化处理。
潮水水位数据的归一化处理方法为:利用公式
潮水到达时间的归一化处理方法为:将格式为24小时制的时间数据的后两位取出,除以60,得出的结果为时间值中的分钟部分。将时间数据的前两位取出,除以24,得出的结果为时间值中的小时部分
步骤(4).训练BP神经网络。具体方法是:
a、设置网络训练次数、训练目标误差和用来显示的训练步数。
b、利用归一化后的潮水水位数据按历史日期顺序,将从第一个数据开始的连续三个数据组成输入矩阵P的第一行,第四个数据组成目标矩阵T的第一行;从第二个数据开始的连续三个数据组成输入矩阵P的第二行,相应的第四个数据组成目标矩阵T的第二行,以此类推。该两矩阵均为N-3行,N为历史数据长度。
利用归一化后的潮水到达时间数据将分为小时和分钟两部分,按历史日期顺序,按照步骤b组成输入矩阵P′和目标矩阵T′,因此输入矩阵每行为6个数据,目标矩阵每行为2个数据。同样,该两矩阵均为N-3行,N为历史数据长度。
c、利用输入矩阵P和目标矩阵设为T,通过调用train函数,对BP神经网络进行潮水水位数据训练直至收敛;利用输入矩阵P′和目标矩阵设为T′,通过调用train函数,对BP神经网络进行潮水到达时间数据训练直至收敛;
步骤(5).对BP神经网络进行测试,将用于测试的历史数据按照步骤(4)b中的输入矩阵格式,组成用于潮水水位预测网络测试的矩阵P_test以及用于潮水到达时间预测网络测试的矩阵P′_test。然后直接调用Matlab工具箱中的sim函数,对测试输入进行仿真。
步骤(6).反归一化处理。对测试所得的潮水水位数据按照公式
测试所得的潮水到达时间数据为小时部分和分钟部分,将小时部分乘以24所得值设为A,将分钟部分乘以60所得值设为B,则A×100+B即为测试所得潮水到达时间值。
本发明方法的有益效果:
1.经过训练的BP神经网络具有逼近一个非线性映射函数的能力,因此利用历史潮水水位数据和历史潮水到达时间数据预测得到数据精度比传统潮水预测方法得到的高。
2.可用于不同江河的潮水预测,不依赖于气象、河床等自然因素,也不依赖丰富的预测经验,只需当地水文站提供潮水的历史记录数据。
3.增加用于训练数据的长度、输入矩阵的维数,提高计算机的计算速度,能提高预测精度。
具体实施方式
步骤(1).搭建BP神经网络框架,调用Matlab6.5函数库中的newff函数,
Net=newff(threshold,[6,2],’tansig’,’logsig’,trainlm)
Threshold为由0到1之间的一个取值范围;[6,2]表示输入层有6个神经元,输出层有2个神经元;tansig为输入层传递函数;logsig为输出层传递函数;trainlm为基于l-m算法的训练函数。
步骤(2).初始化BP神经网络框架,
调用rands函数产生一个-1到1之间的随机数,分别赋值给权值和偏置,即net.InputWeights=rands以及net.Biases=rands。最后调用init(Net),Net为步骤(1)中创建的神经网络。
步骤(3).对历史潮水水位数据和潮水到达时间数据进行归一化处理;
潮水水位数据的归一化处理方法为:利用公式:
其中xmax为潮水水位数据中的最大值,xmin为潮水水位数据中的最小值。x为待处理的潮水水位数据,为潮水水位数据归一化处理后的值。
潮水到达时间的归一化处理方法为:将格式为24小时制的时间数据的后两位取出,除以60,得出的结果为时间值中的分钟部分。再将时间数据的前两位取出,除以24,得出的结果为时间值中的小时部分
步骤(4).训练BP神经网络;具体方法是:
a、设置网络训练次数、训练目标误差和用来显示的训练步数;
b、利用归一化后的潮水水位数据按历史日期顺序,将从第一个数据开始的连续三个数据组成输入矩阵P的第一行,第四个数据组成目标矩阵T的第一行;从第二个数据开始的连续三个数据组成输入矩阵P的第二行,相应的第四个数据组成目标矩阵T的第二行,以此类推。该两矩阵均为N-3行,N为历史数据长度。
利用归一化后的潮水到达时间数据将分为小时和分钟两部分,按历史日期顺序,按照步骤b组成输入矩阵P′和目标矩阵T′,因此输入矩阵每行为6个数据,目标矩阵每行为2个数据。同样,该两矩阵均为N-3行,N为历史数据长度。
c、利用输入矩阵P和目标矩阵设为T,通过调用train函数,对BP神经网络进行潮水水位数据训练直至收敛;利用输入矩阵P′和目标矩阵设为T′,通过调用train函数,对BP神经网络进行潮水到达时间数据训练直至收敛;
训练BP神经网络,具体方法:
设置网络训练次数net.trainParam.epochs=15000;训练目标误差net.trainParam.goal=0.0028(潮水水位预测);net.trainParam.goal=0.05(潮水到达时间预测);用来显示的训练步数net.trainParam.show=50;
a.将归一化后的历史潮水水位数据按照步骤(5)组成用于潮水水位预测网络训练的输入矩阵P和目标矩阵T;
将归一化后的历史潮水到达时间数据组成用于潮水到达时间预测网络训练的输入矩阵P′和目标矩阵T′
b.使用语句train(Net,P,T)进行潮水水位预测网络的训练;
使用语句train(Net,P′,T′)进行潮水到达时间预测网络训练。
步骤(5).对BP神经网络进行测试,将用于测试的历史数据按照步骤(4)b中的输入矩阵格式,组成用于潮水水位预测网络测试的矩阵P_test以及用于潮水到达时间预测网络测试的矩阵P′_test。然后直接调用Matlab工具箱中的sim函数,对测试输入进行仿真。调用格式如下:
潮水水位预测网络的测试:sim(Net,P_test);
潮水到达时间预测网络的测试:sim(Net,P′_test)。
步骤(6).对测试所得的潮水水位数据按照公式 进行反归一化处理,其中x′为反归一化处理后最终的潮水水位数据,为仿真测试得到的潮水水位数据,xmax为潮水水位数据中的最大值,xmin为潮水水位数据中的最小值。
测试所得的潮水到达时间数据为小时部分和分钟部分,将小时部分乘以24所得值设为A,将分钟部分乘以60所得值设为B,则A×100+B即为测试所得潮水到达时间值。
Claims (1)
1.基于神经网络的潮水水位和时间预测方法,其特征在于该方法包括如下步骤:
步骤(1).搭建BP神经网络框架,调用Matlab6.5函数库中的newff函数,Net=newff(PR,[s1 s2...si],{TF1 TF2...TFi},BTF,BLF,PF);Net为BP神经网络框架,PR为输入矩阵中由最大元素和最小元素决定的一个取值范围,si为第i层神经元的个数,TFi为第i层的传递函数,1≤i≤N1,N1为神经网络总层数,BTF为BP神经网络的训练函数,BLF为控制权值和阈值的参数,PF为网络性能函数;
步骤(2).初始化BP神经网络框架;利用随机函数产生的值赋值给权值和偏置值,然后调用init函数来初始化整个神经网络网络;
步骤(3).对历史潮水水位数据和潮水到达时间数据进行归一化处理;
潮水水位数据的归一化处理方法为:利用公式
潮水到达时间的归一化处理方法为:将格式为24小时制的时间数据的后两位取出,除以60,得出的结果为时间值中的分钟部分;将时间数据的前两位取出,除以24,得出的结果为时间值中的小时部分
步骤(4).训练BP神经网络;具体方法是:
a、设置网络训练次数、训练目标误差和用来显示的训练步数;
b、利用归一化后的潮水水位数据按历史日期顺序,将从第一个数据开始的连续三个数据组成输入矩阵P的第一行,第四个数据组成目标矩阵T的第一行;从第二个数据开始的连续三个数据组成输入矩阵P的第二行,相应的第四个数据组成目标矩阵T的第二行,以此类推;该两矩阵均为N-3行,N为历史数据长度;
利用归一化后的潮水到达时间数据将分为小时和分钟两部分,按历史日期顺序,按照步骤b组成输入矩阵P′和目标矩阵T′,因此输入矩阵每行为6个数据,目标矩阵每行为2个数据;同样,该两矩阵均为N-3行,N为历史数据长度;
c、利用输入矩阵P和目标矩阵设为T,通过调用train函数,对BP神经网络进行潮水水位数据训练直至收敛;利用输入矩阵P′和目标矩阵设为T′,通过调用train函数,对BP神经网络进行潮水到达时间数据训练直至收敛;
步骤(5).对BP神经网络进行测试,将用于测试的历史数据按照步骤(4)b中的输入矩阵格式,组成用于潮水水位预测网络测试的矩阵P_test以及用于潮水到达时间预测网络测试的矩阵P′_test;然后直接调用Matlab工具箱中的sim函数,对测试输入进行仿真;
步骤(6).反归一化处理:对测试所得的潮水水位数据按照如下公式进行反归一化处理,得到最终的潮水水位数据x′,
测试所得的潮水到达时间数据为小时部分和分钟部分,将小时部分乘以24所得值设为A,将分钟部分乘以60所得值设为B,则A×100+B即为测试所得潮水到达时间值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009101010813A CN101625733B (zh) | 2009-08-03 | 2009-08-03 | 基于神经网络的潮水水位和时间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009101010813A CN101625733B (zh) | 2009-08-03 | 2009-08-03 | 基于神经网络的潮水水位和时间预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101625733A true CN101625733A (zh) | 2010-01-13 |
CN101625733B CN101625733B (zh) | 2012-08-22 |
Family
ID=41521580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009101010813A Expired - Fee Related CN101625733B (zh) | 2009-08-03 | 2009-08-03 | 基于神经网络的潮水水位和时间预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101625733B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819407A (zh) * | 2010-04-02 | 2010-09-01 | 杭州电子科技大学 | 基于神经网络的污水泵站水位预测方法 |
CN102032935A (zh) * | 2010-12-07 | 2011-04-27 | 杭州电子科技大学 | 城市排水汇流管网污水泵站流量的软测量方法 |
CN102221389A (zh) * | 2011-04-11 | 2011-10-19 | 国家海洋信息中心 | 结合统计模型与动力模型的乘潮水位预报方法 |
CN102288228A (zh) * | 2010-06-21 | 2011-12-21 | 中国石油化工股份有限公司 | 透平蒸汽流量的软测量方法 |
CN104239489A (zh) * | 2014-09-05 | 2014-12-24 | 河海大学 | 利用相似性搜索和改进bp神经网络预测水位的方法 |
CN106127612A (zh) * | 2016-07-05 | 2016-11-16 | 中国长江电力股份有限公司 | 水电站非弃水期下游水位变化过程预测方法 |
CN106779134A (zh) * | 2016-11-08 | 2017-05-31 | 杭州电子科技大学 | 基于支持向量机的钱塘江潮时预报方法 |
CN111414807A (zh) * | 2020-02-28 | 2020-07-14 | 浙江树人学院(浙江树人大学) | 一种基于yolo技术的潮水识别与危机预警方法 |
CN111724004A (zh) * | 2020-07-13 | 2020-09-29 | 浙江大学 | 一种基于改进量子灰狼算法的水库可供水量预报方法 |
CN112378056A (zh) * | 2020-11-18 | 2021-02-19 | 珠海格力电器股份有限公司 | 智能空调控制方法、装置、计算机设备和存储介质 |
-
2009
- 2009-08-03 CN CN2009101010813A patent/CN101625733B/zh not_active Expired - Fee Related
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819407B (zh) * | 2010-04-02 | 2011-09-07 | 杭州电子科技大学 | 基于神经网络的污水泵站水位预测方法 |
CN101819407A (zh) * | 2010-04-02 | 2010-09-01 | 杭州电子科技大学 | 基于神经网络的污水泵站水位预测方法 |
CN102288228A (zh) * | 2010-06-21 | 2011-12-21 | 中国石油化工股份有限公司 | 透平蒸汽流量的软测量方法 |
CN102032935B (zh) * | 2010-12-07 | 2012-01-11 | 杭州电子科技大学 | 城市排水汇流管网污水泵站流量的软测量方法 |
CN102032935A (zh) * | 2010-12-07 | 2011-04-27 | 杭州电子科技大学 | 城市排水汇流管网污水泵站流量的软测量方法 |
CN102221389B (zh) * | 2011-04-11 | 2012-12-19 | 国家海洋信息中心 | 结合统计模型与动力模型的乘潮水位预报方法 |
CN102221389A (zh) * | 2011-04-11 | 2011-10-19 | 国家海洋信息中心 | 结合统计模型与动力模型的乘潮水位预报方法 |
CN104239489A (zh) * | 2014-09-05 | 2014-12-24 | 河海大学 | 利用相似性搜索和改进bp神经网络预测水位的方法 |
CN106127612A (zh) * | 2016-07-05 | 2016-11-16 | 中国长江电力股份有限公司 | 水电站非弃水期下游水位变化过程预测方法 |
CN106779134A (zh) * | 2016-11-08 | 2017-05-31 | 杭州电子科技大学 | 基于支持向量机的钱塘江潮时预报方法 |
CN111414807A (zh) * | 2020-02-28 | 2020-07-14 | 浙江树人学院(浙江树人大学) | 一种基于yolo技术的潮水识别与危机预警方法 |
CN111414807B (zh) * | 2020-02-28 | 2024-02-27 | 浙江树人学院(浙江树人大学) | 一种基于yolo技术的潮水识别与危机预警方法 |
CN111724004A (zh) * | 2020-07-13 | 2020-09-29 | 浙江大学 | 一种基于改进量子灰狼算法的水库可供水量预报方法 |
CN111724004B (zh) * | 2020-07-13 | 2021-03-23 | 浙江大学 | 一种基于改进量子灰狼算法的水库可供水量预报方法 |
CN112378056A (zh) * | 2020-11-18 | 2021-02-19 | 珠海格力电器股份有限公司 | 智能空调控制方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN101625733B (zh) | 2012-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101625733B (zh) | 基于神经网络的潮水水位和时间预测方法 | |
Draper et al. | Economic-engineering optimization for California water management | |
CN101819407B (zh) | 基于神经网络的污水泵站水位预测方法 | |
CN107885951B (zh) | 一种基于组合模型的水文时间序列预测方法 | |
CN109711617B (zh) | 一种基于blstm深度学习的中长期径流预测方法 | |
Bisoyi et al. | Prediction of daily sediment discharge using a back propagation neural network training algorithm: A case study of the Narmada River, India | |
Chang et al. | Reinforced two-step-ahead weight adjustment technique for online training of recurrent neural networks | |
CN101794495B (zh) | 洪水预报系统中实时校正模型的优选方法 | |
CN105243502B (zh) | 一种基于径流区间预测的水电站调度风险评估方法及系统 | |
Liang et al. | Prediction models for tidal level including strong meteorologic effects using a neural network | |
CN105139093A (zh) | 基于Boosting算法和支持向量机的洪水预报方法 | |
CN108681783A (zh) | 一种水库实时多目标随机优化调度和风险评估方法 | |
CN102495937A (zh) | 一种基于时间序列的预测方法 | |
CN101625732A (zh) | 江河潮水水位的预测方法 | |
WO2022110582A1 (zh) | 一种基于基流分割和人工神经网络模型的径流预报方法 | |
Sushanth et al. | Real-time streamflow forecasting in a reservoir-regulated river basin using explainable machine learning and conceptual reservoir module | |
Areerachakul et al. | Rainfall-Runoff relationship for streamflow discharge forecasting by ANN modelling | |
EP4303785A1 (en) | Reservoir flow rate regulating method and apparatus, electronic device, and storage medium | |
CN105426971A (zh) | 基于混沌优化bp神经网络模型的江河涌潮短期预报方法 | |
Huang et al. | Effect of Three Gorges Dam on Poyang Lake water level at daily scale based on machine learning | |
Elganainy et al. | Stochastic forecasting models of the monthly streamflow for the Blue Nile at Eldiem Station | |
Ashrafi et al. | Applying wavelet transformation and artificial neural networks to develop forecasting-based reservoir operating rule curves | |
Dong et al. | A hybrid hydrologic modelling framework with data-driven and conceptual reservoir operation schemes for reservoir impact assessment and predictions | |
Hoanh et al. | Modelling to support land and water management: experiences from the Mekong River Delta, Vietnam | |
Kim et al. | A surrogate modeling for storm surge prediction using an artificial neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120822 Termination date: 20190803 |
|
CF01 | Termination of patent right due to non-payment of annual fee |