bp神经网络在黄河流域需水量的应用研究.doc
约43页DOC格式手机打开展开
bp神经网络在黄河流域需水量的应用研究,bp神经网络在黄河流域需水量的应用研究页数 43页 字数 2.7万字附录a：流程图及表格附录b：英语引文及翻译附录c：中文文献及摘要附录d：bp仿真程序改进后的bp仿真程序引言河流需水量变化的分析与预测对国民经济发展十分重要，它是水资源工程规划、设计和运行管理水利水电工程的基本依据。如果其系列的统计值（如均值）过大，使...
内容介绍
此文档由会员 云贝贝 发布
BP神经网络在黄河流域需水量的应用研究
页数 43页 字数 2.7万字
附录A：流程图及表格
附录B：英语引文及翻译
附录C：中文文献及摘要
附录D：BP仿真程序
改进后的BP仿真程序
引 言
河流需水量变化的分析与预测对国民经济发展十分重要，它是水资源工程规划、设计和运行管理水利水电工程的基本依据。如果其系列的统计值（如均值）过大，使工程规模大，投资亦大，不经济，有时还可能因此而失去及时兴建的机会；若其统计值过小，工程规模偏小，又难以最大限度地发挥水资源的综合利用效益。所以，需水变化的分析与预测是水资源研究领域的一项重要内容，它在水资源利用的长远规划中具有举足轻重的地位。
黄河流域，西起青藏高原的巴颜喀拉山，东临渤海的黄河下游冲积平原和鲁中南低山丘陵区，北抵阴山的内蒙古高原，南至横亘黄土高原的秦岭，幅员辽阔、跨越多种自然地理环境，受来自不同的气候带的影响，致使流域内气象万千，需水要求错综复杂。也由于对其流域需水量的认识程度，以及分析、模拟流域所持有实测的、文献记录的或历史调查等资料情况的局限，至今还难以完全用数学物理方法确切地描述其中每一个子过程。而黄河又是我国西北、华北地区的重要水源，在新中国成立以前的数千年里，我国人民在利用黄河水资源和与黄河灾害作斗争的过程中，对黄河流量的变化规律己有了一定的认识。但黄河流域需水量变化的中长期预报开始于新中国成立后的20世纪60年代。如：采用回归预测法和移动平均法等分析法制作黄河流域中长期需水量的预测。20世纪80年代以后随着电子计算机的广泛应用，各种统计预测方法在中长期预报中得到应用，降雨、径流、气温中、长期预报在黄河防洪、防凌和水资源利用中起到了积极的作用。
然而，传统的预测方法有其误差大的缺点，本次毕业设计采用神经网络方法对黄河流域需水量进行预测，能够有效克服传统方法面临的缺点。本文对神经网络和BP网络算法的优缺点及其改进作了简单介绍。
目录
第1章 概 述
1.1 问题的提出
1.2 研究的目的和意义
1.3 国内外关于水资源预测研究概况
第2章 人工神经网络简介
2.1 引言
2.2 起源和发展
2.3 国际及我国的研究、应用现状
2.4 人工神经网络的定义
2.5 人工神经网络模型
2.6 网络模型
2.7 学习模型
第3章 BP算法简介
3.1 BP神经网络的结构
3.2 BP神经网络的学习算法
3.3 BP网络存在的问题
3.4 BP的改进
第4章 黄河流域需水量的应用研究
4.1 BP神经网络应用
4.2 BP改进型的应用
4.3 解决黄河缺水问题的认识
结论与展望
致 谢
参考文献
参考文献
[3] 闰志忠，刘金英.改进的BP神经网络在流域产沙量预测中的应用[J]. 世界地质，2002，21（3）：266-270 吉林大学应用数学研究所，吉林 长春
[4] 胡守仁等.神经网络导论[M].北京：国防科技大学出版社，1993.
[5] 施阳，李俊.MATLAB语言工具箱[M].西安：西北工业大学出版社，1998，165-169.
[6] 闻新，周露，李翔，张宝伟编著.MATLAB神经网络仿真与应用[M].北京：科学出版社，2003.
[7] 高隽.人工神经网络原理及仿真实例[M].北京：机械工业出版社.2003.
[8] 董长虹.Matlab神经网络与应用[M].北京：国防工业出版社，2005.
[9] 虞和济，陈长征，张省，周建男著.基于神经网络的智能诊断[M].北京：冶金工业出版社，2000.
[10] 薛小杰.水资源可再生临界控制研究[D].NH.中文数据库，优秀博硕论文库。2002.9
[11] 楼顺天，施阳.基于MATLAB的系统分析与设计[M].西安：西安电子科技大学出版社.2000
[12] 戴葵.神经网络实现技术[M].北京：国防科技大学出版社，1998.
[13] Bardiner,J.Use of EIA in delivering sustainable development through integggrated water management[J]. European Water Pollution Control,1996,6（1）: 50-59.
[14] Medsker L.R, Hybrid Neural Network and Expert Systems[M]. Boston: Kluwer Academic Publisher, 1994.
[15] P.-H. Chen,J.-Y. Yen,J.-L. Chen,An artificial neural network for double exposure PIV image analysis[J]. Experiments in Fluids,1998, Volume 24,Numbers 5-6: 373-374.
[16] J.V. Hansen and R.D. Meservy,Learning experiments with genetic optimization of a generalized regression neural network,Decision Support Systems 18 （1996） （3–4）,pp. 317–325.
页数 43页 字数 2.7万字
附录A：流程图及表格
附录B：英语引文及翻译
附录C：中文文献及摘要
附录D：BP仿真程序
改进后的BP仿真程序
引 言
河流需水量变化的分析与预测对国民经济发展十分重要，它是水资源工程规划、设计和运行管理水利水电工程的基本依据。如果其系列的统计值（如均值）过大，使工程规模大，投资亦大，不经济，有时还可能因此而失去及时兴建的机会；若其统计值过小，工程规模偏小，又难以最大限度地发挥水资源的综合利用效益。所以，需水变化的分析与预测是水资源研究领域的一项重要内容，它在水资源利用的长远规划中具有举足轻重的地位。
黄河流域，西起青藏高原的巴颜喀拉山，东临渤海的黄河下游冲积平原和鲁中南低山丘陵区，北抵阴山的内蒙古高原，南至横亘黄土高原的秦岭，幅员辽阔、跨越多种自然地理环境，受来自不同的气候带的影响，致使流域内气象万千，需水要求错综复杂。也由于对其流域需水量的认识程度，以及分析、模拟流域所持有实测的、文献记录的或历史调查等资料情况的局限，至今还难以完全用数学物理方法确切地描述其中每一个子过程。而黄河又是我国西北、华北地区的重要水源，在新中国成立以前的数千年里，我国人民在利用黄河水资源和与黄河灾害作斗争的过程中，对黄河流量的变化规律己有了一定的认识。但黄河流域需水量变化的中长期预报开始于新中国成立后的20世纪60年代。如：采用回归预测法和移动平均法等分析法制作黄河流域中长期需水量的预测。20世纪80年代以后随着电子计算机的广泛应用，各种统计预测方法在中长期预报中得到应用，降雨、径流、气温中、长期预报在黄河防洪、防凌和水资源利用中起到了积极的作用。
然而，传统的预测方法有其误差大的缺点，本次毕业设计采用神经网络方法对黄河流域需水量进行预测，能够有效克服传统方法面临的缺点。本文对神经网络和BP网络算法的优缺点及其改进作了简单介绍。
目录
第1章 概 述
1.1 问题的提出
1.2 研究的目的和意义
1.3 国内外关于水资源预测研究概况
第2章 人工神经网络简介
2.1 引言
2.2 起源和发展
2.3 国际及我国的研究、应用现状
2.4 人工神经网络的定义
2.5 人工神经网络模型
2.6 网络模型
2.7 学习模型
第3章 BP算法简介
3.1 BP神经网络的结构
3.2 BP神经网络的学习算法
3.3 BP网络存在的问题
3.4 BP的改进
第4章 黄河流域需水量的应用研究
4.1 BP神经网络应用
4.2 BP改进型的应用
4.3 解决黄河缺水问题的认识
结论与展望
致 谢
参考文献
参考文献
[3] 闰志忠，刘金英.改进的BP神经网络在流域产沙量预测中的应用[J]. 世界地质，2002，21（3）：266-270 吉林大学应用数学研究所，吉林 长春
[4] 胡守仁等.神经网络导论[M].北京：国防科技大学出版社，1993.
[5] 施阳，李俊.MATLAB语言工具箱[M].西安：西北工业大学出版社，1998，165-169.
[6] 闻新，周露，李翔，张宝伟编著.MATLAB神经网络仿真与应用[M].北京：科学出版社，2003.
[7] 高隽.人工神经网络原理及仿真实例[M].北京：机械工业出版社.2003.
[8] 董长虹.Matlab神经网络与应用[M].北京：国防工业出版社，2005.
[9] 虞和济，陈长征，张省，周建男著.基于神经网络的智能诊断[M].北京：冶金工业出版社，2000.
[10] 薛小杰.水资源可再生临界控制研究[D].NH.中文数据库，优秀博硕论文库。2002.9
[11] 楼顺天，施阳.基于MATLAB的系统分析与设计[M].西安：西安电子科技大学出版社.2000
[12] 戴葵.神经网络实现技术[M].北京：国防科技大学出版社，1998.
[13] Bardiner,J.Use of EIA in delivering sustainable development through integggrated water management[J]. European Water Pollution Control,1996,6（1）: 50-59.
[14] Medsker L.R, Hybrid Neural Network and Expert Systems[M]. Boston: Kluwer Academic Publisher, 1994.
[15] P.-H. Chen,J.-Y. Yen,J.-L. Chen,An artificial neural network for double exposure PIV image analysis[J]. Experiments in Fluids,1998, Volume 24,Numbers 5-6: 373-374.
[16] J.V. Hansen and R.D. Meservy,Learning experiments with genetic optimization of a generalized regression neural network,Decision Support Systems 18 （1996） （3–4）,pp. 317–325.
