CN106682270A - 山塘复蓄系数确定方法 - Google Patents
山塘复蓄系数确定方法 Download PDFInfo
- Publication number
- CN106682270A CN106682270A CN201611089227.3A CN201611089227A CN106682270A CN 106682270 A CN106682270 A CN 106682270A CN 201611089227 A CN201611089227 A CN 201611089227A CN 106682270 A CN106682270 A CN 106682270A
- Authority
- CN
- China
- Prior art keywords
- pond
- model
- hill
- output
- water
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种山塘复蓄系数确定方法,山塘复蓄系数是确定山塘年供水量的一项重要指标,本发明基于模拟技术建立山塘供用水过程长系列模拟模型。在对模型参数进行率定的基础上,根据长系列模拟模型的模拟结果提取山塘历年复蓄系数与其主要影响因素的定量数值,组成统计模型基础数据输入序列,采用BP神经网络模型建立山塘复蓄系数统计模型,本发明首次系统解决了南方丰水地区山塘复蓄系数取值问题。
Description
技术领域
本发明涉及水资源管理领域,具体地说是一种山塘复蓄系数确定方法。
背景技术
实行最严格水资源管理制度是从我国当前水资源管理的核心工作,开展用水总量和用水效率统计评估是其中的重要工作内容。在我国南方丰水地区山塘一般是主要灌溉水源,它具有面广量大、管理形式多元、计量监测设施建设滞后、管理工作基础薄弱等特点,如何有序开展其供水量统计工作满足不同层次管理工作的需要是当前水资源管理上面临的一项紧迫任务。本发明以南方丰水地区山塘运行和管理现状为基础,遵循可操作、能落实的原则,研究提出一种山塘复蓄系数确定方法,指导南方丰水地区供水量统计工作。
发明内容
本发明的目的是致力于填补山塘复蓄系数确定方法之空白,提出一种山塘复蓄系数确定方法,该方法是基于模拟技术的山塘供用水过程长系列模拟模型,在对模型参数进行率定的基础上,根据长系列模拟模型的成果提取山塘历年复蓄系数与其主要影响因素的定量数值,组成统计模型基础数据输入序列建立山塘供水量统计模型,该方法有效解决了南方丰水地区山塘供水量的统计问题。
本发明的工作原理为建立基于模拟技术的山塘供用水过程长系列模拟模型,并根据该模型模拟结果建立BP神经网络模型。
一种山塘复蓄系数确定方法,具体包括以下步骤:
(1)建立基于模拟技术的山塘供用水过程长系列模拟模型,建立目标函数如下式:
目标函数:F={f1,f2,...,fi,...,fNi},
决策变量:为水库第i年第t时段供水量Di(t)。当山塘蓄水量满足面临时段其供水户用水要求时,当山塘蓄水量不足,不能满足面临时段其供水户用水要求时,Di(t)=DPi(t)。
约束条件:
①山塘容积约束:V(t)≤Vmax
②水量平衡约束:V(t+1)=V(t)+Q(t)-D(t)-EF(t)-QE(t)
③工程能力约束:gs(t)≤QSmax
④非负约束:上述各式中的各变量大于等于零。
式中:F为目标函数,为山塘历年复蓄系数组成的时间序列;fi为第i年山塘复蓄系数,Ni为系列总年数,Vmax为山塘容积。Ei(t,j)为山塘第i年第t时段第j用水户需水量,Nj为用水户数量,DPi(t)为山塘第i年第t时段可以供给的水量,Nt为年内时段总数,η水为水利用系数。V(t)、V(t+1)分别为山塘第t时段初和时段末蓄水容积,Q(t)为山塘第t时段来水量,EF(t)为山塘第t时段蒸发渗漏量,QE(t)为山塘第t时段弃水量。gs(t)为第t时段各类工程实际通过水量,QSmax为各类工程最大供水能力,tmax为一年的时段总数,imax为时间序列的长度。
(2)基于长系列模拟模型结果建立山塘复蓄系数统计模型:
方法原理:基于历年山塘复蓄系数系列F={f1,f2,……,fi……,fNi}和其主要影响因素X分别采用BP神经网络方法建立山塘复蓄系数统计模型。X为山塘复蓄系数影响参数矩阵,k=1,...,Nk,Nk为主要影响因素个数。
BP神经网络模型:包括输入输出模型、激活函数模型、误差计算模型和自学习模型。
①节点输出模型:
隐藏层节点输出模型:Oj=f(∑Wij×X-qj),输出节点输出模型:Yk=f(∑Tjk×Oj-qk)。
式中Wij(i=1,2……Nk;j=1,2……n)为输入层单元i到隐藏层单元j的权重;qj(j=1,2……n)为隐藏层单元j的激活阈值;Tjk(j=1,2……n;k=1)为隐藏层单元j到输出层单元k的权重;qk(k=1)为输出层单元k的激活阈值。f为非线形作用函数。
②激活函数模型
激活函数为Sigmoid函数:f(x)=1/(1+e-x)
③误差计算模型
Tpi为i节点的期望输出值;Opi为i节点计算输出值。-
④自学习模型
ΔWij(n+1)=β×φi×Oj+α×ΔWij(n)
β为学习因子;φi为输出节点i的计算误差;Oj输出节点j的计算输出;α动量因子。
(3)BP神经网络模型求解:采用matlab软件建立BP神经网络模型,将模型输入矩阵和输出矩阵代入模型,用试算法确定隐藏层节点个数,直至模型的验证误差小于之前设定的阈值γ,最终确定BP网络各点的权值。
具体步骤如下:
①将sigmoid函数f(x)=1/(1+e-x)作为激活函数,将历年山塘复蓄系数系列F和历年山塘复蓄系数主要影响因素矩阵X转化为F’和X’。
②将系列F’、X’以3:1的比例分为F1’、F2’和X1’、X2’。
③根据粗定隐藏层节点数n,确定BP网络允许误差γ。
④以X1’为输入,F1’为输出,隐藏层节点数为n建立BP神经网络,随机产生初始权重和阈值。
⑤隐藏层节点输出为:Oj=f(∑Wij×X-qj),输出节点输出为:Yk=f(∑Tjk×Oj-qk)。式中Wij(i=1,2……Nk;j=1,2……n)为输入层单元i到隐藏层单元j的权重;qj(j=1,2……n)为隐藏层单元j的激活阈值;Tjk(j=1,2……n;k=1)为隐藏层单元j到输出层单元k的权重;qk(k=1)为输出层单元k的激活阈值。
⑥根据误差计算模型(式中Tpi为i节点的期望输出值;Opi为i节点计算输出值)和自学习模型ΔWij(n+1)=β×φi×Oj+α×ΔWij(n)(式中β为学习因子;φi为输出节点i的计算误差;Oj输出节点j的计算输出;α动量因子)以误差最小为目标对BP网络中的各权重、阈值进行计算,得到率定完成的BP网络模型。
⑦将X2’输入率定完成的BP网络模型,得到输出F3’。
⑧将F3’作为模型计算输出值,F2’作为模型期望输出值,均方根误差(式中f′2i、f′3i分别为F2’和F3’中的第i个元素,y为矩阵F2’和F3’中含有的元素数量),用均方根误差对模型的精度进行检验。若得到的误差值小于先前设定的BP网络允许误差γ,则判定模型精度足够,输出该模型;若得到的误差值大于先前设定的BP网络允许误差γ,则判定模型精度不够,调整隐藏层节点数量n,回到步骤④,重新进行网络参数的率定与验证,直至模型精度达到要求为止。
本发明的有益效果是:
本发明提出一种山塘复蓄系数确定方法,基于模拟技术建立山塘供用水过程长系列模拟模型,在对模型参数进行率定的基础上,根据长系列模拟模型的模拟结果提取山塘历年复蓄系数与其主要影响因素的定量数值,组成统计模型基础数据输入序列,采用BP神经网络模型建立山塘复蓄系数统计模型,本发明填补山塘复蓄系数确定方法之空白,首次系统解决了南方丰水地区山塘复蓄系数取值问题。
附图说明
图1为山塘长系列模拟模型建立流程图;
图2是BP神经网络建立流程图。
具体实施方式
下面结合附图对本发明做进一步说明,本发明的山塘复蓄系数确定方法,具体包括以下步骤:
(1)建立基于模拟技术的山塘供用水过程长系列模拟模型,山塘长系列模拟模型建立流程如图1所示,建立目标函数如下式:
目标函数:F={f1,f2,...,fi,...,fNi},
决策变量:为水库第i年第t时段供水量Di(t)。当山塘蓄水量满足面临时段其供水户用水要求时,当山塘蓄水量不足,不能满足面临时段其供水户用水要求时,Di(t)=DPi(t)。
约束条件:
①山塘容积约束:V(t)≤Vmax
②水量平衡约束:V(t+1)=V(t)+Q(t)-D(t)-EF(t)-QE(t)
③工程能力约束:gs(t)≤QSmax
④非负约束:上述各式中的各变量大于等于零。
式中:F为目标函数,为山塘历年复蓄系数组成的时间序列;fi为第i年山塘复蓄系数,Ni为系列总年数,Vmax为山塘容积。Ei(t,j)为山塘第i年第t时段第j用水户需水量,Nj为用水户数量,DPi(t)为山塘第i年第t时段可以供给的水量,Nt为年内时段总数,η水为水利用系数。V(t)、V(t+1)分别为山塘第t时段初和时段末蓄水容积,Q(t)为山塘第t时段来水量,EF(t)为山塘第t时段蒸发渗漏量,QE(t)为山塘第t时段弃水量。gs(t)为第t时段各类工程实际通过水量,QSmax为各类工程最大供水能力,tmax为一年的时段总数,imax为时间序列的长度。
(2)基于长系列模拟模型结果建立山塘复蓄系数统计模型:
方法原理:基于历年山塘复蓄系数系列F={f1,f2,……,fi……,fNi}和其主要影响因素X分别采用BP神经网络方法建立山塘复蓄系数统计模型。X为山塘复蓄系数影响参数矩阵,k=1,...,Nk,Nk为主要影响因素个数。
BP神经网络模型:包括输入输出模型、激活函数模型、误差计算模型和自学习模型。
①节点输出模型:
隐藏层节点输出模型:Oj=f(∑Wij×X-qj),输出节点输出模型:Yk=f(∑Tjk×Oj-qk)。
式中Wij(i=1,2……Nk;j=1,2……n)为输入层单元i到隐藏层单元j的权重;qj(j=1,2……n)为隐藏层单元j的激活阈值;Tjk(j=1,2……n;k=1)为隐藏层单元j到输出层单元k的权重;qk(k=1)为输出层单元k的激活阈值。f为非线形作用函数。
②激活函数模型
激活函数为Sigmoid函数:f(x)=1/(1+e-x)
③误差计算模型
Tpi为i节点的期望输出值;Opi为i节点计算输出值。
④自学习模型
ΔWij(n+1)=β×φi×Oj+α×ΔWij(n)
β为学习因子;φi为输出节点i的计算误差;Oj输出节点j的计算输出;α动量因子。
(3)BP神经网络模型求解:采用matlab软件建立BP神经网络模型,将模型输入矩阵和输出矩阵代入模型,用试算法确定隐藏层节点个数,直至模型的验证误差小于之前设定的阈值γ,最终确定BP网络各点的权值。
如图2所示,具体步骤如下:
①将sigmoid函数f(x)=1/(1+e-x)作为激活函数,将历年山塘复蓄系数系列F和历年山塘复蓄系数主要影响因素矩阵X转化为F’和X’。
②将系列F’、X’以3:1的比例分为F1’、F2’和X1’、X2’。
③根据粗定隐藏层节点数n,确定BP网络允许误差γ。
④以X1’为输入,F1’为输出,隐藏层节点数为n建立BP神经网络,随机产生初始权重和阈值。
⑤隐藏层节点输出为:Oj=f(∑Wij×X-qj),输出节点输出为:Yk=f(∑Tjk×Oj-qk)。式中Wij(i=1,2……Nk;j=1,2……n)为输入层单元i到隐藏层单元j的权重;qj(j=1,2……n)为隐藏层单元j的激活阈值;Tjk(j=1,2……n;k=1)为隐藏层单元j到输出层单元k的权重;qk(k=1)为输出层单元k的激活阈值。
⑥根据误差计算模型(式中Tpi为i节点的期望输出值;Opi为i节点计算输出值)和自学习模型ΔWij(n+1)=β×φi×Oj+α×ΔWij(n)(式中β为学习因子;φi为输出节点i的计算误差;Oj输出节点j的计算输出;α动量因子)以误差最小为目标对BP网络中的各权重、阈值进行计算,得到率定完成的BP网络模型。
⑦将X2’输入率定完成的BP网络模型,得到输出F3’。
⑧将F3’作为模型计算输出值,F2’作为模型期望输出值,均方根误差(式中f′2i、f′3i分别为F2’和F3’中的第i个元素,y为矩阵F2’和F3’中含有的元素数量),用均方根误差对模型的精度进行检验。若得到的误差值小于先前设定的BP网络允许误差γ,则判定模型精度足够,输出该模型;若得到的误差值大于先前设定的BP网络允许误差γ,则判定模型精度不够,调整隐藏层节点数量n,回到步骤④,重新进行网络参数的率定与验证,直至模型精度达到要求为止。
Claims (4)
1.山塘复蓄系数确定方法,其特征在于包括如下步骤:
建立基于模拟技术的山塘供用水过程长系列模拟模型;
基于长系列模拟模型结果采用BP神经网络模型建立山塘复蓄系数统计模型,从而确定山塘复蓄系数。
2.如权利要求1所述的山塘复蓄系数确定方法,其特征在于:建立基于模拟技术的山塘供用水过程长系列模拟模型,具体方法如下:
建立目标函数如下式:
目标函数:F={f1,f2,...,fi,...,fNi},
决策变量:为山塘第i年第t时段供水量Di(t)。当山塘蓄水量满足面临时段其供水户用水要求时,当山塘蓄水量不足,不能面临时段其供水户用水要求时,Di(t)=DPi(t)。
约束条件:
(1)山塘容积约束:V(t)≤Vmax
(2)水量平衡约束:V(t+1)=V(t)+Q(t)-D(t)-EF(t)-QE(t)
(3)工程能力约束:gs(t)≤QSmax
(4)非负约束:上述各式中的各变量大于等于零。
式中:F为目标函数,为山塘历年复蓄系数组成的时间序列;fi为第i年山塘复蓄系数,Ni为系列总年数,Vmax为山塘容积。Ei(t,j)为山塘第i年第t时段第j用水户需水量,Nj为用水户数量,DPi(t)为山塘第i年第t时段可以供给的水量,Nt为年内时段总数,η水为水利用系数。V(t)、V(t+1)分别为山塘第t时段初和时段末蓄水容积,Q(t)为山塘第t时段来水量,EF(t)为山塘第t时段蒸发渗漏量,QE(t)为山塘第t时段弃水量。gs(t)为第t时段各类工程实际通过水量,QSmax为工程最大供水能力。
3.如权利要求1所述的山塘复蓄系数确定方法,其特征在于:基于长系列模拟模型结果采用BP神经网络模型建立山塘供水量统计模型,具体为:基于长系列模拟模型的结果,即历年山塘复蓄系数系列F={f1,f2,...,fi,...,fNi},结合主要影响因素X,采用BP神经网络方法建立山塘复蓄系数统计模型。X为山塘复蓄系数影响参数矩阵,k=1,...,Nk,Nk为主要影响因素个数。
所述的BP神经网络模型:包括输入输出模型、激活函数模型、误差计算模型和自学习模型。
①节点输出模型:
隐藏层节点输出模型:Oj=f(∑Wij×X-qj);输出节点输出模型:Yk=f(∑Tjk×Oj-qk)。
式中Wij(i=1,2……Nk;j=1,2……n)为输入层单元i到隐藏层单元j的权重;qj(j=1,2……n)为隐藏层单元j的激活阈值;Tjk(j=1,2……n;k=1)为隐藏层单元j到输出层单元k的权重;qk(k=1)为输出层单元k的激活阈值。f为非线形作用函数。
②激活函数模型
激活函数为Sigmoid函数:f(x)=1/(1+e-x)
③误差计算模型
Tpi为i节点的期望输出值;Opi为i节点计算输出值。-
④自学习模型
ΔWij(n+1)=β×φi×Oj+α×ΔWij(n)
β为学习因子;φi为输出节点i的计算误差;Oj输出节点j的计算输出;α动量因子。
采用matlab软件建立BP神经网络模型,将模型输入矩阵和输出矩阵代入模型,用试算法确定隐藏层节点个数,直至模型的验证误差小于之前设定的阈值γ,最终确定BP网络各点的权值,进行求解计算。
4.如权利要求3所述的山塘复蓄系数确定方法,其特征在于,具体方法如下:
①将sigmoid函数作为激活函数,将历年山塘复蓄系数系列F和历年山塘复蓄系数主要影响因素矩阵X转化为F’和X’。
②将系列F’、X’以3:1的比例分为F1’、F2’和X1’、X2’。
③根据粗定隐藏层节点数n,确定BP网络允许误差γ。
④以X1’为输入,F1’为输出,隐藏层节点数为n建立BP神经网络,随机产生初始权重和阈值。
⑤隐藏层节点输出为:Oj=f(∑Wij×X-qj),输出节点输出为:Yk=f(∑Tjk×Oj-qk)。式中Wij(i=1,2……Nk;j=1,2……n)为输入层单元i到隐藏层单元j的权重;qj(j=1,2……n)为隐藏层单元j的激活阈值;Tjk(j=1,2……n;k=1)为隐藏层单元j到输出层单元k的权重;qk(k=1)为输出层单元k的激活阈值。
⑥根据误差计算模型(式中Tpi为i节点的期望输出值;Opi为i节点计算输出值)和自学习模型ΔWij(n+1)=β×φi×Oj+α×ΔWij(n)(式中β为学习因子;φi为输出节点i的计算误差;Oj输出节点j的计算输出;α动量因子)以误差最小为目标对BP网络中的各权重、阈值进行计算,得到率定完成的BP网络模型。
⑦将X2’输入率定完成的BP网络模型,得到输出F3’。
⑧将F3’作为模型计算输出值,F2’作为模型期望输出值,均方根误差(式中f′2i、f′3i分别为F2’和F3’中的第i个元素,y为矩阵F2’和F3’中含有的元素数量),用均方根误差对模型的精度进行检验。若得到的误差值小于先前设定的BP网络允许误差γ,则判定模型精度足够,输出该模型;若得到的误差值大于先前设定的BP网络允许误差γ,则判定模型精度不够,调整隐藏层节点数量n,回到步骤④,重新进行网络参数的率定与验证,直至模型精度达到要求为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611089227.3A CN106682270B (zh) | 2016-12-01 | 2016-12-01 | 山塘复蓄系数确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611089227.3A CN106682270B (zh) | 2016-12-01 | 2016-12-01 | 山塘复蓄系数确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106682270A true CN106682270A (zh) | 2017-05-17 |
CN106682270B CN106682270B (zh) | 2019-10-29 |
Family
ID=58866361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611089227.3A Expired - Fee Related CN106682270B (zh) | 2016-12-01 | 2016-12-01 | 山塘复蓄系数确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106682270B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115103127A (zh) * | 2022-08-22 | 2022-09-23 | 环球数科集团有限公司 | 一种高性能的嵌入式智能摄像机设计系统与方法 |
CN116029166A (zh) * | 2023-03-30 | 2023-04-28 | 浙江省水利河口研究院(浙江省海洋规划设计研究院) | 基于模式识别的塘坝复蓄次数确定方法及装置、电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030078901A1 (en) * | 2001-10-22 | 2003-04-24 | Coppola Emery J. | Neural network based predication and optimization for groundwater / surface water system |
CN103886395A (zh) * | 2014-04-08 | 2014-06-25 | 河海大学 | 一种基于神经网络模型的水库优化调度方法 |
CN103942612A (zh) * | 2014-04-08 | 2014-07-23 | 河海大学 | 基于自适应粒子群优化算法的梯级水库优化调度方法 |
CN105512832A (zh) * | 2015-12-29 | 2016-04-20 | 杭州电子科技大学 | 基于时变权最小方差的城市需水量组合预测方法 |
-
2016
- 2016-12-01 CN CN201611089227.3A patent/CN106682270B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030078901A1 (en) * | 2001-10-22 | 2003-04-24 | Coppola Emery J. | Neural network based predication and optimization for groundwater / surface water system |
US20070239640A1 (en) * | 2001-10-22 | 2007-10-11 | Coppola Emery J Jr | Neural Network Based Predication and Optimization for Groundwater / Surface Water System |
CN103886395A (zh) * | 2014-04-08 | 2014-06-25 | 河海大学 | 一种基于神经网络模型的水库优化调度方法 |
CN103942612A (zh) * | 2014-04-08 | 2014-07-23 | 河海大学 | 基于自适应粒子群优化算法的梯级水库优化调度方法 |
CN105512832A (zh) * | 2015-12-29 | 2016-04-20 | 杭州电子科技大学 | 基于时变权最小方差的城市需水量组合预测方法 |
Non-Patent Citations (3)
Title |
---|
孙显忠: "《基于BP神经网络的金沟河灌区旬来水量预报》", 《水利科技与经济》 * |
罗志远等: "《湿润区水库复蓄系数与库容系数关系研究》", 《中国农村水利水电》 * |
郑德凤等: "《流域防洪系统中地下水库调蓄能力分析与计算》", 《大连理工大学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115103127A (zh) * | 2022-08-22 | 2022-09-23 | 环球数科集团有限公司 | 一种高性能的嵌入式智能摄像机设计系统与方法 |
CN115103127B (zh) * | 2022-08-22 | 2022-11-08 | 环球数科集团有限公司 | 一种嵌入式智能摄像机设计方法与系统 |
CN116029166A (zh) * | 2023-03-30 | 2023-04-28 | 浙江省水利河口研究院(浙江省海洋规划设计研究院) | 基于模式识别的塘坝复蓄次数确定方法及装置、电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN106682270B (zh) | 2019-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Diekkrüger et al. | Validity of agroecosystem models a comparison of results of different models applied to the same data set | |
CN108875161A (zh) | 基于卷积神经网络深度学习的流量等级预测方法 | |
CN107392446B (zh) | 一种基于敏感性分析的梯级水电站调度方案评价方法 | |
Busa-Fekete et al. | Multi-objective bandits: Optimizing the generalized gini index | |
CN112163703B (zh) | 考虑气象因子不确定性的农田参考作物蒸散量预测方法 | |
CN108256177A (zh) | 一种河流水沙模型的参数优化方法和系统 | |
CN101968629A (zh) | 基于rbf辨识的弹性积分bp神经网络的pid控制方法 | |
US11620422B2 (en) | Water supply simulation method and tool for interlaced system of river system and canal system based on groundwater model | |
CN105760703B (zh) | 一种基于聚合水库蓄放水模拟的洪水预报方法 | |
CN106777775A (zh) | 一种基于多断面水位预测河流流量的神经网络方法 | |
CN106682270B (zh) | 山塘复蓄系数确定方法 | |
CN104850891A (zh) | 一种时间序列预测的智能优化递归神经网络方法 | |
Nourani et al. | Application of the Artificial Neural Network to monitor the quality of treated water | |
CN107862457B (zh) | 一种水库分期调度规则提取方法 | |
Anari et al. | Application of ANN and ANFIS models for estimating total infiltration rate in an arid rangeland ecosystem | |
Cao et al. | Modeling Bromus diandrus seedling emergence using nonparametric estimation | |
CN110578317B (zh) | 一种水文模型水库泄水量模拟方法 | |
CN104731709A (zh) | 一种基于jcudasa_bp算法的软件缺陷预测方法 | |
Chowdhury et al. | Estimation of reference evapotranspiration using artificial neural network for Mohanpur, Nadia District, West Bengal: a case study | |
CN112715322B (zh) | 一种农业灌溉用水获取方法和装置 | |
CN113094984B (zh) | 一种基于遗传算法的居民随机用水模式模拟方法及系统 | |
Rostovsky et al. | The model of decision-making of high-tech company on the formation of the optimal portfolio. The results of numerical modeling | |
CN106897824A (zh) | 小型蓄水工程供水量计算方法 | |
Zacharopoulou et al. | Impact of sample uncertainty of inflows to stochastic simulation of reservoirs | |
CN109934620A (zh) | 供电企业成本性预算分配方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191029 Termination date: 20201201 |
|
CF01 | Termination of patent right due to non-payment of annual fee |