CN103279671B - 基于rbf神经网络-云模型的城市水灾害风险预测方法 - Google Patents
基于rbf神经网络-云模型的城市水灾害风险预测方法 Download PDFInfo
- Publication number
- CN103279671B CN103279671B CN201310218024.XA CN201310218024A CN103279671B CN 103279671 B CN103279671 B CN 103279671B CN 201310218024 A CN201310218024 A CN 201310218024A CN 103279671 B CN103279671 B CN 103279671B
- Authority
- CN
- China
- Prior art keywords
- evaluation points
- cloud model
- grade
- rbf neural
- risk
- 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.)
- Active
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于RBF神经网络‑云模型的城市水灾害风险预测方法，按如下步骤进行：（1）确定评价因子、等级和相应等级下的指标范围；（2）确定云模型的期望Ex和熵En；（3）根据评价因子的实测值和各等级的指标范围确定各评价因子的权重。（4）对RBF神经网络进行训练，完成RBF神经网络的建模；将云模型的评价因子的实测数据输入训练后的RBF神经网络进行仿真预测，得到各评价因子的预测值；（5）将各评价因子的预测值代入综合云模型，综合云模型计算每个评价因子预测值隶属于各风险等级的相对确定度，并乘以相应的权重得到综合风险等级分布。本发明提高预测的准确性，直观可靠，可操作性强。
Description
技术领域
本发明涉及城市水灾害风险预测方法，具体涉及基于RBF神经网络-云模型的城市水灾害风险预测方法。
背景技术
自然灾害是制约区域可持续发展的重要因素之一。近年来，各类自然灾害在全球范围内频繁出现、灾情加重，已引起全世界对灾害影响人类文明进程的重新认识。1994年，联合国第一届国际减灾大会通过横滨战略，提出了建立更安全的预防、防备和减轻自然灾害的指导方针。2005年，联合国国际减灾大会通过神户战略，提出将减灾战略由减轻灾害调整为减轻灾害风险，并从单纯的减灾调整为把减灾与可持续发展相结合。2007年联合国减灾战略秘书处提出加快建设减轻灾害风险的全球平台。城市水灾害作为自然灾害的表现形式之一，因为其特殊的孕灾环境而受到自然、社会等多种因素的影响。1982年7月23日日本长崎水灾，使“城市型水灾害”的概念第一次被建立。此后伴随着全球气候极端变化与城市化高速发展，以城市洪涝、干旱为代表的城市水灾害的不断加剧，严重威胁了城市人口的生命财产安全。因此，有效做好城市水灾风险预警评估，保障城市的防洪抗旱安全，已成为当下反思探索的重要课题。
国外自然灾害风险评估研究早期主要针对工程项目，且侧重于对自然灾害发生可能性的研究，自20世纪70年代以来开始由定性评估转向半定量或定量评估。Maskrey提出自然灾害风险是危险性与易损性之代数和(Maskrey A.Disastermitigation:acommunitybased approach[J].Developmentguidelines,1989.)。UNDHA提出自然灾害风险是危险性与易损性之乘积(United Nations Department of Humanitarian Affairs(UNDHA).Mitigating Natural Disasters:Phenomena,Effects and Options:A Manual forPolicy Makers and Planners[M].New York:United Nations,1991:1-164.)。国内自然灾害风险评估研究起步较晚，主要始于参与“国际减灾十年”活动的20世纪90年代，之后陆续出现了诸多涉及风险评价理论、方法、技术等方面的研究成果。针对城市水灾害的风险评估研究，可以分为基于数理统计、基于指标体系、基于情景模拟等方法(刘敏，权瑞松，许世远.城市暴雨内涝灾害风险评估：理论、方法与实践[M].北京：科学出版社，2012.)。Nott提出将长时间序列的历史洪水资料作为评估区域洪涝灾害风险的重要依据(Nott.Extremeevents:a physical reconstruction and risk assessment[M].London:CambridgeUniversity Press.2006,151-156.)。周洪建等基于灾害系统思想,构建了基于河网水系变化的水灾危险性评价体系(周洪建,王静爱,岳耀杰,等.基于河网水系变化的水灾危险性评价——以永定河流域京津段为例[J].自然灾害学报.2006,15(6):45-49.)。纪昌明等在对水库泄洪过程中的风险因子进行识别的基础上,采用方差分析的方法选择主要风险因子并建立了水库泄洪风险随机模拟模型(纪昌明，张验科.基于随机模拟的水库泄洪风险分析[J].人民黄河.2009,31(5):36-37,42.)。雷瑞丽等考虑入库洪水的水文条件、出库泄流能力、库容与水位关系以及防洪起调水位等不确定性因素,基于随机微分方程对大坝的漫顶风险进行了量化分析(雷瑞丽，张贵金，陈雄波.基于随机微分方程的大坝漫顶风险研究[J].人民黄河.2010,32(4):114-115,117.)。
然而风险是自然、社会多种因素影响的，包含确定性、不确定性多元范畴的概念体系，以往的数理统计研究将灾害的自然属性等同于灾害风险，这种观念不免陷入局限。此外，风险程度的表达往往是基于指标体系的单一等级，不能反映出风险的不确定性特征。
发明内容
发明目的：本发明的目的在于针对现有技术的不足，提供一种基于RBF神经网络-云模型的城市水灾害风险等级预测方法，提高预测的准确性，直观可靠，可操作性强。
技术方案：本发明所述的基于RBF神经网络-云模型的城市水灾害风险预测方法，按如下步骤进行：
(1)将分析确定的城市水灾害事件的年降水量、有雨日雨强、年蒸发量和日均日照时长作为云模型的评价因子，并且确定各评价因子的等级和相应等级下的指标范围，如表1所示：
表1：
其中，等级1为“极端干旱”，等级2为“干旱”，等级3为“趋于干旱”，等级4为“趋于安全”，等级5为“安全”，等级6为“趋于安全”，等级7为“趋于内涝”，等级8为“内涝”，等级9为“极端内涝”；
(2)根据确定的各评价因子的等级对应的指标范围，确定云模型的期望Ex和熵En，由正向正态云发生器及半云发生器生成各评价因子隶属于各风险等级的综合云模型；
(3)根据评价因子的实测值和各等级的指标范围确定各评价因子的权重，第i个评价因子的权重为其中，式中，wi为第i个评价因子的权重；ai为m个评价因子实测平均值与该评价因子各级指标下限平均值之比；cij为第i个评价因子的第j个实测值；Sil为第i个评价因子在等级l下的下限值；n为评价因子个数；m为第i个评价因子的实测样本数，l为等级数；
(4)将云模型的评价因子的历史数据输入RBF神经网络的输入层做为RBF神经网络的训练样本集，对RBF神经网络进行训练，完成RBF神经网络的建模；
将云模型的评价因子的实测数据输入训练后的RBF神经网络进行仿真预测，得到各评价因子的预测值；
(5)将步骤(4)中得到的各评价因子的预测值代入步骤(2)中得到的综合云模型，综合云模型计算每个评价因子预测值隶属于各风险等级的相对确定度，并乘以相应的权重得到综合风险等级分布。
进一步的，步骤(2)中云模型的期望Ex和熵En的确定方法如表2所示，
表2
其中，Simin为等级i相应的下限值，Simax为等级i对应的上限值。
进一步的，步骤(4)中RBF神经网络的训练方法为：从第一个神经元开始训练，通过检查输出均方误差是否达到缺省值或者预设值的要求，如果未达到，则自动增加神经元，循环训练一次后，用使网络产生最大误差所对应的训练样本作为权值向量产生一个新的隐含层神经元；然后重新进行训练，并检查新网络均方误差MSE，重复此过程直到均方误差MSE达到预设值的要求或者隐层神经元数达到最大预设值，RBF神经网络建模完成。
有益效果：本发明提供的基于RBF神经网络-云模型的水灾害风险等级预测方法，运用RBF神经网络实现对评价因子时间序列的预测建模，并综合考虑城市水灾害风险评价过程中存在的模糊性与随机性特点，构成定性与定量之间的映射，根据确定的评价因子及标准，生成各因子隶属于各风险的云模型；本发明提高预测的准确性，RBF神经网络能够挖掘时间序列中非线性映射关系，实现高精度仿真预测；基于云模型的城市水灾害风险等级评价方法能够综合考虑评价系统的模糊性和随机性的特点，在计算过程中，可以得到城市的各评价因子隶属于各个风险等级的确定度，根据确定度分布，确定城市水灾害所在风险等级级别，准确且便于分析；本发明使预测信息直观可靠：运用云模型可以生动直观地刻画现有评价系统不可避免的模糊性与随机性，将评价因子定量值与定性风险等级概念科学合理地关联到了一起；结合云图，可以将评价过程可视化；同时，也能将数据映射成确定度，以此解决模糊性与随机性的问题；本发明的可操作性强：基于RBF神经网络和云模型的城市水灾害风险等级预测评价方法思路清晰，操作简便，根据所确定的评价因子及标准，可生成各因子隶属于各风险等级的云模型，并将其运用于城市水灾害风险分级中。
附图说明
图1为评价因子年降水量隶属于南京市水灾害风险等级的综合云模型；
图2为评价因子有雨日隶属于南京市水灾害风险等级的综合云模型；
图3为评价因子年蒸发量隶属于南京市水灾害风险等级的综合云模型；
图4为评价因子日均日照时长隶属于南京市水灾害风险等级的综合云模型；
图5为南京市2011年水灾害风险等级预测分布图。
具体实施方式
下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
实施例：本发明提供基于RBF神经网络-云模型的城市水灾害风险预测方法，按如下步骤进行：
(1)将分析确定的城市水灾害事件的评价因子作为云模型的评价因子，并且确定各评价因子的等级和相应等级下的指标范围。
城市水灾害事件可以认为由总量风险和强度风险决定。总量风险反应一年内城市水分接受和亏缺总量的多寡程度，强度风险则作为表征短期时间内城市水分得失速率大小。
确定的云模型的评价因子为年降水量、有雨日雨强、年蒸发量和日均日照时长。年降水量、年蒸发量反应城市年时间尺度下的水分得失总量情况，决定城市水灾害的总量风险；有雨日降水强度、日均日照与城市水分得失速率有关，决定城市水灾害的强度风险。
在确定四类评价因子基础之上，为提高等级评价结果的可区分性，在每个评价因子下按等级分为1-9级，四类评价因子的等级和相应等级下的指标范围，如表1所示：
表1：
其中，等级1为“极端干旱”，等级2为“干旱”，等级3为“趋于干旱”，等级4为“趋于安全”，等级5为“安全”，等级6为“趋于安全”，等级7为“趋于内涝”，等级8为“内涝”，等级9为“极端内涝”。水灾害事件风险等级越高，表明城市水灾害向洪涝发展的风险越大；等级越低，城市水灾害向干旱发展的风险越大。
各级指标范围的确定依据经典水文频率曲线理论，假设评价因子在各个值下的发生概率符合皮尔逊三型概率分布。
(2)根据确定的各评价因子的等级对应的指标范围，确定云模型的期望Ex和熵En，由正向正态云发生器及半云发生器生成各评价因子隶属于各风险等级的综合云模型。
云模型的期望Ex和熵En的确定方法如表2所示：
表2：
其中，Simin为等级i相应的下限值，Simax为等级i对应的上限值。
(3)根据评价因子的实测值和各等级的指标范围确定各评价因子的权重，第i个评价因子的权重为其中，式中，wi为第i个评价因子的权重；ai为m个评价因子实测平均值与该评价因子各级指标下限平均值之比；cij为第i个评价因子的第j个实测值；Sil为第i个评价因子在等级1下的下限值；n为评价因子个数；m为第i个评价因子的实测样本数，l为等级数。
(4)将云模型的评价因子的历史数据输入RBF神经网络的输入层作为RBF神经网络的训练样本集，对RBF神经网络进行训练，完成RBF神经网络的建模。
将云模型的评价因子的实测数据输入训练后的RBF神经网络进行仿真预测，得到各评价因子的预测值。
从第一个神经元开始训练，通过检查输出均方误差是否达到缺省值或者预设值的要求，如果未达到，则自动增加神经元，循环训练一次后，用使网络产生最大误差所对应的训练样本作为权值向量产生一个新的隐含层神经元；然后重新进行训练，并检查新网络均方误差MSE，重复此过程直到均方误差MSE达到预设值的要求或者隐层神经元数达到最大预设值，RBF神经网络建模完成。
(5)将步骤(4)中得到的各评价因子的预测值代入步骤(2)中得到的综合云模型，综合云模型计算每个评价因子预测值隶属于各风险等级的相对确定度，并乘以相应的权重得到综合风险等级分布。
下面选取南京市1951-2010年降水量序列、有雨日雨强序列和日均日照时数序列以及1885-2010年蒸发量序列为例，对本发明方法进行进一步说明，各评价因子2011年实测值作为RBF-云模型预测评估方法的验证数据。
步骤一、确定各评价因子的等级和相应等级下的指标范围，如表3所示。
表3：按表1的规则确定南京市水灾害事件风险等级的指标范围
步骤二、根据确定的各评价因子的等级对应的指标范围，确定云模型的期望Ex和熵En，如表4所示。
表4：按表2的规则确定的南京市水灾害风险评估云模型参数
根据已确定的云模型参数，运用正向正态云发生器和半云发生器分别生成南京市各评价因子隶属于风险等级下的云模型。
附图1至附图4分别给出了南京市年降水量、有雨日雨强、年蒸发量、日均日照时长四种评价因子隶属于各风险等级下的云模型。
步骤三、根据评价因子的实测值和各等级的指标范围确定各评价因子的权重，计算得到的南京市年降水量、有雨日降水强度、年蒸发量、日均日照时长评价因子影响权重分别为0.2550，0.2601，0.2503，0.2346。
步骤四、将云模型的评价因子的历史数据输入RBF神经网络的输入层作为RBF神经网络的训练样本集，对RBF神经网络进行训练，完成RBF神经网络的建模。将云模型的评价因子的实测数据输入训练后的RBF神经网络进行仿真预测，得到各评价因子的预测值。
运用RBF神经网络对南京市各评价因子时间序列进行模拟，对1951-2011年降水量、有雨日雨强、日均日照时数实测序列，以1951-2005为训练期，以2006-2010为检验期，以10年为步长预测2011年相应值；对1885-2011年蒸发量实测序列，以1985-2006为训练期，以2006-2010为检验期，以8年为步长预测2011年相应值。得到南京市2011年降水量、有雨日降水强度、年蒸发量、日均日照时长分别为：1064.7mm,9.22mm/d,985.9mm,5.41h/d。
步骤五、综合云模型计算每个评价因子预测值隶属于各风险等级的相对确定度，并乘以相应的权重得到综合风险等级分布。
将RBF神经网络2011年预测结果代入云模型评估系统得到南京市2010-2011年水灾害事件风险等级分布，如附图5所示。
根据上述结果可以直观的分析出，由南京市2011水灾害事件风险等级预测图中得到：南京市2011年水灾害事件预测风险等级峰值为5，表现为“安全”。结合南京市2011年实测数据分析(年降水量1077mm、有雨日雨强10.16mm/d、年蒸发量1160.9mm、日均日照时长5.33h/d)，实测值在隶属于各个评价因子的等级分别为：年降水量(等级5)，有雨日雨强(等级6)，年蒸发量(等级4)，日均日照(等级5)，各实测值皆表现为“安全”或“趋于安全”，这与预测得到的结论相吻合。验证可得RBF-云模型方法能够有效对南京市水灾害等级进行预测评估。
本发明针对城市水灾害极端事件风险等级预测评估方案从两个子问题入手：①水灾害事件预测；②水灾害事件等级评估。针对水灾害系统的非线性特征，基于历史实测数据构造RBF神经网络对水灾害事件进行模拟预测；针对风险归属定义的不确定性，提出一种新的城市水灾害评估云模型，构成定性与定量之间的相互映射，根据城市水灾害评价因子及相应标准，生成各评价因子隶属于各等级下的云模型，实现对水灾害事件等级评估。以南京市实测数据为例，验证了该预测评估方法的可行性和有效性。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上作出各种变化。
Claims (3)
1.基于RBF神经网络-云模型的城市水灾害风险预测方法，其特征在于，按如下步骤进行：
(1)将分析确定的城市水灾害事件的年降水量、有雨日雨强、年蒸发量和日均日照时长作为云模型的评价因子，并且确定各评价因子的等级和相应等级下的指标范围，如表1所示：
表1：
其中，等级1为“极端干旱”，等级2为“干旱”，等级3为“趋于干旱”，等级4为“趋于安全”，等级5为“安全”，等级6为“趋于安全”，等级7为“趋于内涝”，等级8为“内涝”，等级9为“极端内涝”；
(2)根据确定的各评价因子的等级对应的指标范围，确定云模型的期望Ex和熵En，由正向正态云发生器及半云发生器生成各评价因子隶属于各风险等级的综合云模型；
(3)根据评价因子的实测值和各等级的指标范围确定各评价因子的权重，第i个评价因子的权重为其中，式中，wi为第i个评价因子的权重；ai为m个评价因子实测平均值与该评价因子各级指标下限平均值之比；cij为第i个评价因子的第j个实测值；Sil为第i个评价因子在等级l下的下限值；n为评价因子个数；m为第i个评价因子的实测样本数，l为等级数；
(4)将云模型的评价因子的历史数据输入RBF神经网络的输入层做为RBF神经网络的训练样本集，对RBF神经网络进行训练，完成RBF神经网络的建模；
将云模型的评价因子的实测数据输入训练后的RBF神经网络进行仿真预测，得到各评价因子的预测值；
(5)将步骤(4)中得到的各评价因子的预测值代入步骤(2)中得到的综合云模型，综合云模型计算每个评价因子预测值隶属于各风险等级的相对确定度，并乘以相应的权重得到综合风险等级分布。
2.根据权利要求1所述的基于RBF神经网络-云模型的城市水灾害风险预测方法，其特征在于，步骤(2)中云模型的期望Ex和熵En的确定方法如表2所示，
表2
其中，Simin为等级i相应的下限值，Simax为等级i对应的上限值。
3.根据权利要求1所述的基于RBF神经网络-云模型的城市水灾害风险预测方法，其特征在于，步骤(4)中RBF神经网络的训练方法为：从第一个神经元开始训练，通过检查输出均方误差是否达到缺省值或者预设值的要求，如果未达到，则自动增加神经元，循环训练一次后，用使网络产生最大误差所对应的训练样本作为权值向量产生一个新的隐含层神经元；然后重新进行训练，并检查新网络均方误差MSE，重复此过程直到均方误差MSE达到预设值的要求或者隐层神经元数达到最大预设值，RBF神经网络建模完成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310218024.XA CN103279671B (zh) | 2013-06-03 | 2013-06-03 | 基于rbf神经网络-云模型的城市水灾害风险预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310218024.XA CN103279671B (zh) | 2013-06-03 | 2013-06-03 | 基于rbf神经网络-云模型的城市水灾害风险预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103279671A CN103279671A (zh) | 2013-09-04 |
| CN103279671B true CN103279671B (zh) | 2016-08-17 |
Family
ID=49062186
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310218024.XA Active CN103279671B (zh) | 2013-06-03 | 2013-06-03 | 基于rbf神经网络-云模型的城市水灾害风险预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103279671B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110244216A (zh) * | 2019-07-01 | 2019-09-17 | 桂林电子科技大学 | 基于云模型优化pnn的模拟电路故障诊断方法 |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104809330A (zh) * | 2015-03-16 | 2015-07-29 | 浙江大学 | 城市内涝的智能诊断方法 |
| CN106815385B (zh) * | 2015-12-01 | 2020-08-18 | 上海勘测设计研究院有限公司 | 一种评价堤防工程防洪能力的可视化方法 |
| CN105427062A (zh) * | 2015-12-31 | 2016-03-23 | 中国神华能源股份有限公司 | 基于云理论的水库塌岸风险分析方法 |
| DE102017215420A1 (de) * | 2016-09-07 | 2018-03-08 | Robert Bosch Gmbh | Modellberechnungseinheit und Steuergerät zur Berechnung eines RBF-Modells |
| CN106651030B (zh) * | 2016-12-21 | 2020-08-04 | 重庆邮电大学 | 一种改进的rbf神经网络热点话题用户参与行为预测方法 |
| CN106970986B (zh) * | 2017-03-29 | 2019-10-15 | 武汉大学 | 基于深度学习的城市内涝影响程度挖掘方法及系统 |
| CN108171432B (zh) * | 2018-01-04 | 2021-08-10 | 南京大学 | 基于多维云模型-模糊支持向量机的生态风险评价方法 |
| CN108491477B (zh) * | 2018-03-09 | 2022-02-18 | 重庆邮电大学 | 基于多维云和用户动态兴趣的神经网络推荐方法 |
| CN109086978A (zh) * | 2018-07-13 | 2018-12-25 | 浙江大学 | 一种雨水排水系统内涝风险评估方法 |
| CN109637090A (zh) * | 2019-01-30 | 2019-04-16 | 深圳市地质局 | 一种基于soa架构的灾害监测预警平台建设方法 |
| CN110362948B (zh) * | 2019-07-23 | 2023-07-18 | 河北省交通规划设计研究院有限公司 | 一种基于云模型的岩溶地面塌陷的治理方法 |
| CN110738355B (zh) * | 2019-09-19 | 2023-07-04 | 河源职业技术学院 | 一种基于神经网络的城市内涝预测方法 |
| CN110696835B (zh) * | 2019-10-11 | 2021-11-02 | 深圳职业技术学院 | 一种车辆危险行驶行为的自动预警方法及自动预警系统 |
| CN110880062B (zh) * | 2019-10-31 | 2022-07-08 | 广西电网有限责任公司电力科学研究院 | 一种配电设备状态检修时间的确定方法 |
| CN112163703B (zh) * | 2020-09-25 | 2024-02-02 | 中国水利水电科学研究院 | 考虑气象因子不确定性的农田参考作物蒸散量预测方法 |
| CN112330187A (zh) * | 2020-11-18 | 2021-02-05 | 深圳大学 | 一种地下设施水灾风险评估方法、系统、终端及存储介质 |
| CN116187769B (zh) * | 2023-05-04 | 2023-07-04 | 四川省安全科学技术研究院 | 基于情景模拟的城镇洪涝灾害风险研判方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101419209A (zh) * | 2008-12-04 | 2009-04-29 | 哈尔滨工程大学 | 卷烟感官评吸和烟气指标的免疫神经网络预测方法 |
| CN102254105A (zh) * | 2011-08-10 | 2011-11-23 | 武汉大学 | 一种基于云模型元胞自动机的城市扩展预测方法 |
| CN102737288A (zh) * | 2012-06-20 | 2012-10-17 | 浙江大学 | 一种基于rbf神经网络参数自优化的水质多步预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7349806B2 (en) * | 2004-09-15 | 2008-03-25 | United States Of America As Represented By The Secretary Of The Navy | System and method for extracting optical properties from environmental parameters in water |
-
2013
- 2013-06-03 CN CN201310218024.XA patent/CN103279671B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101419209A (zh) * | 2008-12-04 | 2009-04-29 | 哈尔滨工程大学 | 卷烟感官评吸和烟气指标的免疫神经网络预测方法 |
| CN102254105A (zh) * | 2011-08-10 | 2011-11-23 | 武汉大学 | 一种基于云模型元胞自动机的城市扩展预测方法 |
| CN102737288A (zh) * | 2012-06-20 | 2012-10-17 | 浙江大学 | 一种基于rbf神经网络参数自优化的水质多步预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 基于GA的RBF网络用于旱涝灾害因素预测研究;周佩玲 等;《计算机应用》;20010131;第21卷(第1期);第7-9页 * |
| 基于云-RBF神经网络模型的大坝监测数据预报;程琳 等;《水电能源科学》;20100630;第28卷(第6期);第45、64-66页 * |
| 基于云模型的水体富营养化程度评价方法;丁昊 等;《环境科学学报》;20130131;第33卷(第1期);第251-257页 * |
| 基于数据场和云模型的洪水灾害风险等级评估;田玉刚 等;《中国安全科学学报》;20110831;第21卷(第8期);第158-163页 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110244216A (zh) * | 2019-07-01 | 2019-09-17 | 桂林电子科技大学 | 基于云模型优化pnn的模拟电路故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103279671A (zh) | 2013-09-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103279671B (zh) | 基于rbf神经网络-云模型的城市水灾害风险预测方法 | |
| Li et al. | Flood loss analysis and quantitative risk assessment in China | |
| Huang et al. | Linkages between hydrological drought, climate indices and human activities: a case study in the Columbia River basin. | |
| CN104408900B (zh) | 基于动态优化的神经网络洪水预警装置及其方法 | |
| CN104376510B (zh) | 一种输电线路因山火跳闸的风险等级预测评估方法 | |
| CN102629294B (zh) | 台风引发输电线路故障的概率评估方法 | |
| CN116451879B (zh) | 一种干旱风险预测方法、系统及电子设备 | |
| US20220327447A1 (en) | Climate-based risk rating | |
| CN106651211A (zh) | 一种不同尺度区域洪水灾害风险评估的方法 | |
| Gabriel-Martin et al. | Influence of initial reservoir level and gate failure in dam safety analysis. Stochastic approach | |
| CN104063750A (zh) | 基于改进ahp-反熵权的电力系统受灾影响的预测方法 | |
| CN104732448B (zh) | 一种电网基础设施脆弱性评价方法 | |
| CN105719198A (zh) | 一种基于居民用电行为的房屋空置率计算方法 | |
| Liu et al. | A risk assessment method based on RBF artificial neural network-cloud model for urban water hazard | |
| Lv et al. | Comprehensive evaluation of urban flood-bearing risks based on combined compound fuzzy matter-element and entropy weight model | |
| CN105741037A (zh) | 一种台风灾害评估系统 | |
| CN103955779A (zh) | 一种风电功率爬坡事件概率场景预测方法 | |
| Azad et al. | A study on the association of socioeconomic and physical cofactors contributing to power restoration after Hurricane Maria | |
| CN104102832A (zh) | 一种基于混沌时间序列的风电功率超短期预测方法 | |
| Yang et al. | Drought projection based on a hybrid drought index using Artificial Neural Networks | |
| CN103971288B (zh) | 一种基于事故案例推理的钢结构施工风险评估方法 | |
| Tuncok | Transboundary river basin flood forecasting and early warning system experience in Maritza River basin between Bulgaria and Turkey | |
| Zhen et al. | Risk assessment of flash flood to buildings using an indicator-based methodology: A case study of mountainous rural settlements in Southwest China | |
| Le Ngo | Optimising reservoir operation: A case study of the Hoa Binh reservoir, Vietnam | |
| CN105590034A (zh) | 防汛减灾能力评价模型 |
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 |