买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：天津大学

摘要：本发明公开了一种耦合峰值修正的洪水过程自动寻优预报方法，包括收集处理流域范围内水文观测站点历史流量数据；采用去聚类方法分离长序列洪水过程中独立洪水事件，通过正态检验确定不同等级洪峰序列对应阈值；在BP算法基础上引入峰值修正函数，对峰值样本的网络误差引入合理的修正系数，构建以阈值区间为自变量、修正系数为因变量的峰值修正函数，得到耦合峰值修正的BP神经网络，利用所述耦合峰值修正的BP神经网络进行样本训练得到洪水过程自动寻优后的洪峰预报结果。与现有技术相比，本发明通过改进的洪水预报BP算法，可实现降雨事件自动划分与洪峰阈值自动识别，并且具有洪峰预报精度高的特点。

主权项：1.一种耦合峰值修正的洪水过程自动寻优预报方法，其特征在于，该方法包括以下步骤：步骤1：收集流域范围内水文站点长序列日尺度的径流数据、水文站控制流域的基础地理信息；所述长序列日尺度的径流数据作为样本数据集；步骤2：进行数据预处理，包括进行所述径流数据的缺失数据填充和数据清洗，去除水文站记录的实测流量数据存在的周期性出现的多个异常数据值；步骤3：采用去聚类分析法进行洪水事件的划分与检验，确定各洪峰对应的阈值；步骤4：采用超阈值峰量法计算洪峰最佳阈值，具体步骤如下：步骤4-1、洪峰序列遵循具有累积分布函数的广义帕累托分布，采用广义帕累托分布拟合每个极值序列，计算广义帕累托分布的累积分布函数Fμ，σ，αx，如下式所示： 式中：α为形状参数，μ为洪峰阈值，σ为尺度参数，x为洪峰序列样本数据；步骤4-2、计算AD检验的测试值A2，如下式所示： 式中：n为洪峰序列样本数据的数量，Fx为洪峰序列样本数据的经验累积分布函数；根据AD检验确定洪峰最佳阈值，具体的，考虑流域内洪水事件对应洪峰不同，根据洪峰数值分级获取洪峰阈值，即对于样本编号为n的初始样本，计算得到最佳洪峰阈值μn，得到洪峰序列{Pz；z＝1，...，m}，m为洪峰序列数量；针对剩余的样本编号为k＝n-m的洪水事件，计算得到阈值μk，最终完成所有独立洪水事件洪峰流量对应阈值的计算，确定最佳阈值；检验的测试值A2越接近0，则表示对应的峰值序列越接近假设的分布；步骤5：对BP神经网络算法引入峰值修正函数，对于具有k个最佳阈值的流域，定义峰值修正系数矩阵A，如下式所示：A＝[ξ1,ξ2，…,ξk] 式中：m为训练次数，为第m次训练中第k个阈值的样本期望值，为训练样本的最大期望值，ξk，m为第m次训练中第k个阈值所对应流量序列的误差峰值修正系数，L为隐含层层数； 为第l层中第i个神经元的输入，表示第l层中第i个神经元的输出，则所接收到的上一层净输入如下式所示： 第l层中第i个神经元节点的输出为： 当网络训练次数为m时，BP神经网络误差 式中：Nl为第l层神经元节点总数，m为训练次数，t为样本序列号，fx为对数型单极性Sigmoid函数，σ为Sigmoid函数压缩程度系数，μ为误差修正放大系数，为第l层节点i与第l-1层节点j间的连接权重，为第l层节点i阈值，L为隐含层层数，为第l层中第i个神经元节点的流量序列输出，为第l层中第i个神经元节点的流量序列输入；所述误差修正放大系数和所述峰值修正函数生成耦合峰值修正的BP神经网络；在各阈值区间建立流域超阈值洪水样本，将样本数据输入所述耦合峰值修正的BP神经网络，进行样本训练，直至误差满足预设预报精度标准；得到洪水过程自动寻优后的洪峰预报结果。

全文数据：

权利要求：

百度查询： 天津大学 一种耦合峰值修正的洪水过程自动寻优预报方法