基于KG-BP神经网络在秦淮河洪水水位预测中的应用

论文摘要

为了提高BP神经网络模型的预测精度,提出了一种基于KNN算法及GA算法优化的BP神经网络的水位预测方法（KG-BP）,即通过KNN邻近算法从全样本数据中剔除与待测点相关度较低的样本集,并允许保留K个"优质"训练数据集;将筛选出的"优质"训练数据集代入GA算法中实现初始权阈值的优化;再将"优质"的样本和初始权阈值代入BP模型中进行训练。将该预测方法应用于东山站水位实际预测中,并与BP模型、GA-BP模型的预测结果进行对比分析,验证了KG-BP模型具有较高的预测精度。

论文目录

• 1 引言
• 2 KNN及BP神经网络算法
•   2.1 KNN最近邻距离算法
•   2.2 遗传算法
•   2.3 BP神经网络
• 3 KNN算法优化GA-BP神经网络的实现
•   3.1 水位时间相关预测模型
•   3.2 BP神经网络结构确定
•   3.3 KG-BP算法的实现
• 4 应用
• 5 结论

文章来源

类型: 期刊论文

作者: 吴美玲,杨侃,张铖铖

关键词: 算法,神经网络,水位,预测

来源: 水电能源科学 2019年02期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技

专业: 水利水电工程,自动化技术

单位: 河海大学水文水资源学院

基金: 江苏省研究生科研与实践创新计划项目(SJCX17_0124),中央高校基本科研业务费(2017B750X14)

分类号: TP183;TV122

页码: 74-77+81

总页数: 5

文件大小: 644K

下载量: 219