一种基于经验模态分解的中长期水文预报方法

文档序号:6619892阅读:295来源:国知局
一种基于经验模态分解的中长期水文预报方法
【专利摘要】本发明公开了一种基于经验模态分解的中长期水文预报方法,包括步骤:一、水文预报模型建立,过程如下:101、经验模态分解:对所预报流域的水文时间序列s(t)进行经验模态分解;102、核主成分分析:对经验模态分解得到的n个本征模态函数分量Fj和一个趋势项rn进行核主成分分析,并提取出p个主成分F'k;103、训练样本集构建:根据提取出的p个主成分F'k构建训练样本集;104、支持向量机模型建立;105、支持向量机模型训练;二、利用所建立的水文预报模型对需预测年份的年径流量数据进行预测。本发明方法步骤简单、实现方便且操作简便、使用效果好,能有效解决现有水文预报方法预测精度较低的问题。
【专利说明】-种基于经验模态分解的中长期水文预报方法

【技术领域】
[0001] 本发明涉及一种水文预报方法,尤其是涉及一种基于经验模态分解的中长期水文 预报方法。

【背景技术】
[0002] 研究流域水文演化的趋势和方向,掌握水文序列变化的特性和规律,对科学合理 地开展水文预报工作,特别是中长期水文预报,进而指导流域水资源管理和开发利用,促进 社会经济发展,具有十分重要的意义。由于流域水文演化受人类活动、气候变化等因素干 扰,水文过程的长期演化规律具有明显的复杂性和不确定性特征。水文演化规律是对各种 影响因子的综合作用结果,具有多时间尺度、多频率、动态变化、自记忆等特征。涉及中长 期水文时间序列预报的方法很多,现有的较多研究以水资源演变处于均衡稳定状态下为前 提且以统计规律作为分析和计算的主要依据,往往造成研究或规划结果与实际状况脱离的 问题。而对于水文序列的非平稳性、外界因素与水文变化的影响机理较少考虑。常用的水 文时间序列预测、预报的方法主要有ARIMA(差分自回归移动平均模型,Autoregressive Integrated Moving Average Model的英文缩写)、自记忆、灰色模型等,均以水文时间序列 的平稳性为假设前提,由于气候变化,尤其是人类活动干扰的影响,水文时间序列具有明显 的非平稳特征,水文序列的复杂性和不确定性导致模型预测、预报的精度降低。近年来,智 能优化方法在水文预报中得到较多应用,如采用人工神经网络、支持向量机等,其中应用混 合智能预测模型,对各预测结果进行线性叠加,得到原始序列预测值的方法得到较多尝试, 但由于其对水文非平稳性考虑不足,使得线性叠加方式得到的预测结果难以诠释,预报不 确定性较大,实践中应用较少。
[0003] 智能优化算法在水文时间序列的预测预报中应用较多,但由于模型预报过程中对 水文机理考虑较少,且在实际应用时存在过度模拟,导致模拟精度高,而预测效果差等问 题。将智能优化算法与水文机理分析结合,综合考虑水文变化的复杂性和不确定性,建立基 于流域水文形成的外界条件与水文变化之间的映射关系的预报模型,是提高水文预报准确 性的有效方法之一。
[0004] 综上所述,现有中长期水文预报方法存在以下问题:第一、受气候变化、人类干扰 等因素影响,水文时间序列非平稳性增强,传统水文预报方法已不能满足水文预报的精度 要求;第二、人工智能算法与传统方法相比,有很多优点,但是缺乏水文机理分析,导致预报 结果无法解释,存在预测、预报效果差等问题。


【发明内容】

[0005] 本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于经验 模态分解的中长期水文预报方法,其方法步骤简单、实现方便且操作简便、使用效果好,能 有效解决现有水文预报方法预测精度较低的问题。
[0006] 为解决上述技术问题,本发明采用的技术方案是:一种基于经验模态分解的中长 期水文预报方法,其特征在于该方法包括以下步骤:
[0007] 步骤一、水文预报模型建立,采用数据处理设备建立所预报流域的水文预报模型, 过程如下:
[0008] 步骤101、经验模态分解:调用经验模态分解模块,对所预报流域的水文时间序列 s (t)进行经验模态分解,获得η个本征模态函数分量和一个趋势项rn,且η个本征模态 函数分量Fj和一个趋势项r n均为离散函数;
[0009] 其中,雄) = &,,、&|2且其包含所预报流域连续Μ年的年径流量 实测数据,(y〇+i)为年份且y。为初始年份,夂《为水文时间序列s(t)中的第i个年径流量 数据且其为年份(ytl+i)的年径流量实测数据,i为整数且i = 〇、1、2、"·、Μ-1 ;水文时间序 η 列8(〇的经验模态分解结果为a),式⑴中匕为第j个本征模态函数 分量,j为正整数且j = l、2、"·、η;
[0010] 步骤102、核主成分分析:调用核主成分分析模块,对步骤101中η个本征模态函 数分量h和一个趋势项r n进行核主成分分析,并从η个本征模态函数分量匕和一个趋势 项心提取出p个主成分F'k;其中,k为正整数且k = 1、2、"·、ρ ;
[0011] 步骤103、训练样本集构建:根据步骤102中提取出的ρ个主成分F' k构建训练样 本集,所述训练样本集中包括m个训练样本;其中,m为正整数且m < M ;m个训练样本分别 为所预报流域自年份yi起连续m年的年径流量训练样本,其中yi > yd ;
[0012] 所述训练样本集中的第h个训练样本记作(xh,yh)且其为年份( yi+h-l)的年径流 量训练样本,h为正整数且h为1、2、…、m ;其中,xh为第h个训练样本的特征参数,xh = iF'lh、F'2h、"·、Ρ'ρ--},其中F' tt为步骤102中提取出的主成分F'k在年份(yi+h-l)时的函 数值;y h为第h个训练样本的分类号,yh为水文时间序列s(t)中年份(yi+h-l)的年径流量 数据且
[0013] 步骤104、支持向量机模型建立,过程如下:
[0014] 步骤1041、核函数选取:选用径向基函数作为支持向量机模型的核函数;
[0015] 步骤1042、支持向量机模型确定:对惩罚参数C与步骤1041中所选用径向基函数 的核参数σ进行确定,并获得支持向量机模型;
[0016] 步骤105、支持向量机模型训练:将步骤103中所述训练样本集中的m个训练样 本,输入到步骤1042中所述支持向量机模型进行训练,训练完成后所获得的支持向量机模 型为水文预报模型;
[0017] 所述水文预报模型的输入量为需预测年份的特征参数且其输出量为需预测年份 的年径流量数据;
[0018] 步骤二、利用步骤105中所述水文预报模型对需预测年份的年径流量数据进行预 测。
[0019] 上述一种基于经验模态分解的中长期水文预报方法,其特征是:步骤1042中对惩 罚参数C与步骤1041中所选用径向基函数的核参数 〇进行确定时,采用交叉验证法进行 确定,并获得优化后的惩罚参数C与核参数σ。
[0020] 上述一种基于经验模态分解的中长期水文预报方法,其特征是:步骤105中进行 支持向量机模型训练后,还需根据训练结果对步骤1042中所述支持向量机模型的预测精 度进行评价;
[0021] 对所述支持向量机模型的预测精度进行评价时,采用相对误差R进行评价,过程 如下:
[0022] 步骤I、模型预测精度判断: m Σ\sr + A -1) - λ;. (y} + A -1 )|
[0023] 先根据公式Λ = ----χ?〇〇% ,计算得出当前所评 Λ~1 价支持向量机模型的相对误差R ;当计算得出的相对误差R < R〇时,说明当前所评价支持向 量机模型的预测精度满足设计精度要求,之后进入步骤二;否则,对当前所评价支持向量机 模型的惩罚参数C与核参数〇进行调整,并根据调整后的惩罚参数C与核参数 〇重新建 立支持向量机模型,再进入步骤Π ;
[0024] 式(2)中,sr(yi+h-l)为年份(yi+h-l)的年径流量实测数据且 ,Ss(yi+h-l)为当前所评价支持向量机模型输出的年份(y1+h-l)的年 径流量预测数据;R〇为预先设定的误差阈值且R〇 > 〇 ;
[0025] 步骤II、新建模型预测精度判断:按照步骤I中所述的方法,对重新建立的支持向 量机模型的预测精度进行判断;
[0026] 步骤III、多次重复步骤II,直至获得预测精度满足设计精度要求的支持向量机模 型。
[0027] 上述一种基于经验模态分解的中长期水文预报方法,其特征是:步骤I中对模型 预测精度进行判断时,还需根据公式 m ) 〉:[.s; (V| + /? - 1} - ' (V| + /? - 1)]
[0028] nash = i^^--^:..................:......:........=?;- (3) Σ[?0;,λ-i)- Μ m ___ _
[(s乂 v丨 + A - 1) - sr) (5 J.V, + A - 1)-)
[0029] _______::1 J.....................................................................................................................................=__________I________________I________:.....................................................................................................................................................................=__________;______ 分别计算得出当 V ^=1 V f i=l 前所评价支持向量机模型的NASH效率系数和相关系数C相#;式(3)和(4)中,Si(yi+h-l) 为年份(ydh-l)的年径流量实测数据且s,.〇,+A-1) = ?Λ+ΙΜ,sjyi+h-l)为当前所评价支 持向量机模型输出的年份(yi+h-i)的年径流量预测数据,i;为所预测流域自年份yi起连 续m年的年径流量实测数据的平均值,^为当前所评价支持向量机模型输出的自年份yi起 连续m年的年径流量预测数据的平均值;
[0030] 本步骤中,计算得出当前所评价支持向量机模型的NASH效率系数和相关系数C 后,还需判断|NASH-1|是否小于ε且是否大于(:"当计算得出的相对误差R彡R。、 iNASH-ll彡ε且,说明当前所评价支持向量机模型的预测精度满足设计精度 要求,之后进入步骤二;否则,对当前所评价支持向量机模型的惩罚参数C与核参数 〇进行 调整,并根据调整后的惩罚参数C与核参数〇重新建立支持向量机模型,再进入步骤II ;
[0031] 其中,ε为预先设定的NASH效率系数的判断阈值且ε >0,(;为预先设定的相 关系数C相关的判断阈值且CQ > 0。
[0032] 上述一种基于经验模态分解的中长期水文预报方法,其特征是:步骤101中对所 预报流域的水文时间序列s(t)进行经验模态分解时,过程如下:
[0033] 步骤1011、将水文时间序列s(t)定义为临时信号X,且临时信号X = s(t);
[0034] 步骤1012、对临时信号X进行逐点搜索,找出临时信号X的所有极值点,包括极大 值点和极小值点;
[0035] 步骤1013、根据步骤1012中找出的临时信号X的极大值点和极小值点,且采用三 次样条函数拟合出临时信号X的下包络线e min和上包络线emax ;
[0036] 步骤1014、计算得出临时信号X的包络均值eav =5s?±5hl;
[0037] 步骤1015、从临时信号X中减去包络均值eav得到信号hi = X_eav,并对临时信号 X进行更新,且更新后的临时信号X = hi ;
[0038] 步骤1016、多次重复步骤1012至步骤1015,直至更新后的临时信号X为本征模态 函数,便获得第一个本征模态函数分量匕和剩余的差值序列 Γι = s (t)-匕,其中匕=X ;
[0039] 步骤1017、按照步骤1011至步骤1016所述的方法,对步骤1016中所述的差值序 列A迭代进行经验模态分解,获得一个趋势项r n和η个本征模态函数分量Fj。
[0040] 上述一种基于经验模态分解的中长期水文预报方法,其特征是:步骤1015中对临 时信号X进行第一次更新,对临时信号X进行第一次更新后的信号记作Xi,步骤1016中第 一个本征模态函数分量 Fl为对临时信号X进行第T次更新后的信号Χτ;
[0041] 步骤1016中,判断第Τ次更新后的信号Χτ是否为本征模态函数时,根据公式 SD = Y^X\ X,^ (4)进行判断,当〇· 2彡SD彡(λ 3时,式(4)中为步骤1016中Xt为 Tt {X, if 对临时信号X进行第t次更新后的信号,xt_i为对临时信号X进行第t-1次更新后的信号, 且 XQ = s (t);
[0042] 步骤1017中对步骤1016中所述的差值序列ri迭代进行经验模态分解,过程如 下:
[0043] 步骤10171、第二个本征模态函数分量F2及差值序列r2获取:首先,步骤1011中 将步骤1016中所述的差值序列 Γι定义为临时信号X ;之后,按照步骤1012至步骤1016中 所述的方法,获得第二个本征模态函数分量F2和剩余的差值序列r 2,其中r2 = ri-F2 ;
[0044] 步骤10172、下一个本征模态函数分量Fq获取:首先,步骤1011中将上一个本征模 态函数分量Fd获取后剩余的差值序列r(rl定义为临时信号X ;之后,按照步骤1012至步骤 1016中所述的方法,获得第q个本征模态函数分量F,和差值序列%,其中r, = ;其 中,q为正整数且q = 3、4、···、!!;
[0045] 步骤10173、多次重复步骤10172,直至获得一个趋势项4和η个本征模态函数分 量Fj。
[0046] 上述一种基于经验模态分解的中长期水文预报方法,其特征是:步骤102中进行 核主成分分析时,先根据步骤101中η个本征模态函数分量匕.和一个趋势项r n,获取所预 报流域自年份yi起连续m年的年径流量特征参数矩阵V,其中年径流量特征参数矩阵V为 mX (n+1)矩阵,年径流量特征参数矩阵V中第h行数据为{Flh、F2h、,其中Fjh为 本征模态函数分量Fj在年份( yi+h-l)时的函数值,为趋势项&在年份(yi+h-l)时的 函数值;之后,调用核主成分分析模块,对年径流量特征参数矩阵V进行降维,并获得降维 后的特征参数矩阵V nOT,特征参数矩阵Vn"为mXp矩阵,特征参数矩阵Vn"中第h行数据为 也、F a、···、F plJ。
[0047] 上述一种基于经验模态分解的中长期水文预报方法,其特征是:调用核主成分分 析模块,对年径流量特征参数矩阵V进行降维,过程如下:
[0048] 步骤1021、将年径流量特征参数矩阵V中的第j列数据{Fp Fj2、…、Fjm}记作 F"」,将年径流量特征参数矩阵V中的第(n+1)列数据{r nl、rnl、…、1?}记作F" n+1,其中, j为正整数且j = 1、2、…、η;年径流量特征参数矩阵V= {F〃 i、F" 2、…、F" n、F" n+1};
[0049] 步骤1022、通过非线性映射函数Φ将年径流量特征参数矩阵V= {F〃 pF" 2、…、 F" n、F" n+1}映射到高维特征空间,并计算出核矩阵K,核矩阵K为TXT矩阵,其中T = n+1 ;非线性映射函数Φ所采用的核函数为高斯径向基函数;
[0050] 步骤1023、根据方程Κ α = Τ λ a (5),计算得出核矩阵Κ的特征值λ ^ 入2、…、λτ和对应的特征向量α" α2、…、ατ;式(5)中,α = [α" α2、…、ατ]τ,口 7表示矩阵的转置,特征值λ 2、…、λτ由大到小排列且λρλρ…〉λτ;
[0051] 步骤1024、根据公式

【权利要求】
1. 一种基于经验模态分解的中长期水文预报方法,其特征在于该方法包括以下步骤: 步骤一、水文预报模型建立,采用数据处理设备建立所预报流域的水文预报模型,过程 如下: 步骤101、经验模态分解:调用经验模态分解模块,对所预报流域的水文时间序列s(t) 进行经验模态分解,获得η个本征模态函数分量h和一个趋势项rn,且η个本征模态函数 分量匕和一个趋势项r n均为离散函数; 其中,雄、…、且其包含所预报流域连续Μ年的年径流量实 测数据,(y〇+i)为年份且y〇为初始年份,Λη,? -为水文时间序列S(t)中的第i个年径流量数 据且其为年份(yfi)的年径流量实测数据,i为整数且i = 〇、1、2、"·、Μ-1 ;水文时间序列 丨丨丨丨 S α)的经验模态分解结果为:·Κ?)=Σ F/+((1),式a)中匕为第j个本征模态函数分量, j-i j为正整数且j = 1、2、…、η ; 步骤102、核主成分分析:调用核主成分分析模块,对步骤101中η个本征模态函数分 量h和一个趋势项rn进行核主成分分析,并从η个本征模态函数分量匕和一个趋势项rn 提取出P个主成分F'k;其中,k为正整数且k= 1、2、"·、ρ; 步骤103、训练样本集构建:根据步骤102中提取出的ρ个主成分F' k构建训练样本集, 所述训练样本集中包括m个训练样本;其中,m为正整数且m < M ;m个训练样本分别为所预 报流域自年份yi起连续m年的年径流量训练样本,其中yi > yd ; 所述训练样本集中的第h个训练样本记作(xh,yh)且其为年份(yi+h_l)的年径流量训 练样本,h为正整数且h为1、2、η·、!!!;其中,xh为第h个训练样本的特征参数,xh= {F'lh、 F'2h、"·、Ρ'ρ--},其中F' tt为步骤102中提取出的主成分F'k在年份(yi+h-l)时的函数值; y h为第h个训练样本的分类号,yh为水文时间序列s(t)中年份(yi+h-l)的年径流量数据 且Λ A- t, 步骤104、支持向量机模型建立,过程如下: 步骤1041、核函数选取:选用径向基函数作为支持向量机模型的核函数; 步骤1042、支持向量机模型确定:对惩罚参数C与步骤1041中所选用径向基函数的核 参数σ进行确定,并获得支持向量机模型; 步骤105、支持向量机模型训练:将步骤103中所述训练样本集中的m个训练样本,输 入到步骤1042中所述支持向量机模型进行训练,训练完成后所获得的支持向量机模型为 水文预报模型; 所述水文预报模型的输入量为需预测年份的特征参数且其输出量为需预测年份的年 径流量数据; 步骤二、利用步骤105中所述水文预报模型对需预测年份的年径流量数据进行预测。
2. 按照权利要求1所述的一种基于经验模态分解的中长期水文预报方法,其特征在 于:步骤1042中对惩罚参数C与步骤1041中所选用径向基函数的核参数 〇进行确定时, 采用交叉验证法进行确定,并获得优化后的惩罚参数C与核参数〇。
3. 按照权利要求1或2所述的一种基于经验模态分解的中长期水文预报方法,其特征 在于:步骤105中进行支持向量机模型训练后,还需根据训练结果对步骤1042中所述支持 向量机模型的预测精度进行评价; 对所述支持向量机模型的预测精度进行评价时,采用相对误差R进行评价,过程如下: 步骤I、模型预测精度判断: m \sr(y{ + Λ -1) - s\(y\ -f Λ -1)| 先根据公式R = μ--?-χ腦 计算得出当前所评价支 y'i si (}\ + h-l) Λ-Ι 持向量机模型的相对误差R ;当计算得出的相对误差R < R〇时,说明当前所评价支持向量机 模型的预测精度满足设计精度要求,之后进入步骤二;否则,对当前所评价支持向量机模型 的惩罚参数C与核参数〇进行调整,并根据调整后的惩罚参数C与核参数 〇重新建立支 持向量机模型,再进入步骤Π ; 式⑵中,sr(yi+h-l)为年份(yi+h-l)的年径流量实测数据且Μλ+α-1) = νη, ss(yi+h-l)为当前所评价支持向量机模型输出的年份(yi+h-l)的年径流量预测数据;R 0为 预先设定的误差阈值且&>〇; 步骤II、新建模型预测精度判断:按照步骤I中所述的方法,对重新建立的支持向量机 模型的预测精度进行判断; 步骤III、多次重复步骤II,直至获得预测精度满足设计精度要求的支持向量机模型。
4.按照权利要求3所述的一种基于经验模态分解的中长期水文预报方法,其特征在 于:步骤I中对模型预测精度进行判断时,还需根据公式 m , X [sr (yl + Λ ^ 1) ^ s (v, - Λ -1 )]^ NASH = 1 - ^^^-;- (3) Σ「1(Λ+/?-1)-sr] m _ _ 〉:(Λ; (十 A - 1) - Λ·Γ ) (Λ' ( V、+ A - 1) - A' ) 和= I … (41,分别计算得出当前所 Jz(;'v0''. %Σ(χΛ}? I h^i V 评价支持向量机模型的NASH效率系数和相关系数C相#;式(3)和(4)中,sjyi+h-l)为年 份(yi+h_l)的年径流量实测数据且1) = ? sJyjh-D为当前所评价支持向 量机模型输出的年份(yi+h_l)的年径流量预测数据,;:为所预测流域自年份yi起连续m年 的年径流量实测数据的平均值,?为当前所评价支持向量机模型输出的自年份yi起连续m 年的年径流量预测数据的平均值; 本步骤中,计算得出当前所评价支持向量机模型的NASH效率系数和相关系数C后, 还需判断iNASH-ll是否小于ε且是否大于CQ:当计算得出的相对误差R彡R。、 iNASH-ll彡ε且,说明当前所评价支持向量机模型的预测精度满足设计精度 要求,之后进入步骤二;否则,对当前所评价支持向量机模型的惩罚参数C与核参数 〇进行 调整,并根据调整后的惩罚参数C与核参数σ重新建立支持向量机模型,再进入步骤π ; 其中,ε为预先设定的NASH效率系数的判断阈值且ε >0,(;为预先设定的相关系 数C相关的判断阈值且CQ > 0。
5. 按照权利要求1或2所述的一种基于经验模态分解的中长期水文预报方法,其特征 在于:步骤101中对所预报流域的水文时间序列s(t)进行经验模态分解时,过程如下: 步骤1011、将水文时间序列s(t)定义为临时信号X,且临时信号X= s(t); 步骤1012、对临时信号X进行逐点搜索,找出临时信号X的所有极值点,包括极大值点 和极小值点; 步骤1013、根据步骤1012中找出的临时信号X的极大值点和极小值点,且采用三次样 条函数拟合出临时信号X的下包络线emin和上包络线emax ; 步骤1014、计算彳导出临时信号X的包络均值; 步骤1015、从临时信号X中减去包络均值eav得到信号hi = X-eav,并对临时信号X进 行更新,且更新后的临时信号X = hi ; 步骤1016、多次重复步骤1012至步骤1015,直至更新后的临时信号X为本征模态函 数,便获得第一个本征模态函数分量匕和剩余的差值序列Γι = s (t)-匕,其中匕=X ; 步骤1017、按照步骤1011至步骤1016所述的方法,对步骤1016中所述的差值序列Γι 迭代进行经验模态分解,获得一个趋势项rn和η个本征模态函数分量Fj。
6. 按照权利要求5所述的一种基于经验模态分解的中长期水文预报方法,其特征在 于:步骤1015中对临时信号X进行第一次更新,对临时信号X进行第一次更新后的信号记 作\,步骤1016中第一个本征模态函数分量Fi为对临时信号X进行第T次更新后的信号 Χτ ; 步骤1016中,判断第Τ次更新后的信号&是否为本征模态函数时,根据公式 SD = tl^LlAjL (4)进行判断,当0.2彡SD彡0.3时,式(4)中为步骤1016中1为 immmd / \ L !~? V*' { \ / 对临时信号X进行第t次更新后的信号,xt_i为对临时信号X进行第t-1次更新后的信号, 且 XQ = s (t); 步骤1017中对步骤1016中所述的差值序列Γι迭代进行经验模态分解,过程如下: 步骤10171、第二个本征模态函数分量F2及差值序列r2获取:首先,步骤1011中将步 骤1016中所述的差值序列Γι定义为临时信号X ;之后,按照步骤1012至步骤1016中所述 的方法,获得第二个本征模态函数分量F2和剩余的差值序列r 2,其中r2 = ri-F2 ; 步骤10172、下一个本征模态函数分量Fq获取:首先,步骤1011中将上一个本征模态函 数分量Fu获取后剩余的差值序列r(rl定义为临时信号X ;之后,按照步骤1012至步骤1016 中所述的方法,获得第q个本征模态函数分量Fq和差值序列r q,其中rq = iVi-F,;其中,q 为正整数且q = 3、4、···、!!; 步骤10173、多次重复步骤10172,直至获得一个趋势项4和η个本征模态函数分量Fj。
7. 按照权利要求1或2所述的一种基于经验模态分解的中长期水文预报方法,其特征 在于:步骤102中进行核主成分分析时,先根据步骤101中η个本征模态函数分量Fj和一个 趋势项r n,获取所预报流域自年份yi起连续m年的年径流量特征参数矩阵V,其中年径流量 特征参数矩阵V为mX(n+l)矩阵,年径流量特征参数矩阵V中第h行数据为{Flh、F2h、…、 ,其中F#为本征模态函数分量匕在年份(yi+h-l)时的函数值,为趋势项心在 年份(yi+h_l)时的函数值;之后,调用核主成分分析模块,对年径流量特征参数矩阵V进行 降维,并获得降维后的特征参数矩阵V n",特征参数矩阵VnOT为mXp矩阵,特征参数矩阵VnOT 中第h行数据为{F'lh、F'2h、…、^
8. 按照权利要求7所述的一种基于经验模态分解的中长期水文预报方法,其特征在 于:调用核主成分分析模块,对年径流量特征参数矩阵V进行降维,过程如下: 步骤1021、将年径流量特征参数矩阵V中的第j列数据{Fy Fj2、…、Fjm}记作F" ρ 将年径流量特征参数矩阵V中的第(n+1)列数据{rnl、rnl、…、i?}记作F" n+1,其中,j为 正整数且j = l、2、"·、η;年径流量特征参数矩阵V= {F〃 pF" 2、…、F" n、F" n+1}; 步骤1022、通过非线性映射函数Φ将年径流量特征参数矩阵V={F" pF" 2、…、 F" n、F" n+1}映射到高维特征空间,并计算出核矩阵K,核矩阵K为TXT矩阵,其中T = η+1 ;非线性映射函数Φ所采用的核函数为高斯径向基函数; 步骤1023、根据方程Κ α = Τ λ a (5),计算得出核矩阵Κ的特征值λ ^ λ 2、…、 λ τ和对应的特征向量ct ^ α 2、…、α τ ;式(5)中,α = [ α ^ α 2、…、α τ]τ,口τ表示矩阵 的转置,特征值λ η λ 2、…、λ τ由大到小排列且λ ι> λ 2>··> λ τ ; Ρ Σλ 步骤1024、根据公式7 % ¢0,计算得出Ρ,并从步骤1023中所述的特征值 Σλ 1-1 λρλρ ...、λτ和对应的特征向量αρ%、...、ατ,选取出ρ个特征值λρλρ ...、λρ 和对应的特征向量h、α2、…、αρ; 式(6)中,为预先设定的比较阈值且= 0. 85?0. 99 ; 步骤1025、根据步骤1024中选取的ρ个特征向量αρ α2、…、αρ,对年径流 量特征参数矩阵V进行降维,降维后的特征参数矩阵VnOT= {Vl、v2、…、νρ},其中 ^ = ω,式⑵中,K(F" d,F")为步骤1〇22中所采用高斯径向基函 数的回归函数,其中d为正整数且d=l、2、"·、Τ。
9. 按照权利要求1或2所述的一种基于经验模态分解的中长期水文预报方法,其特征 在于:步骤103中完成训练样本集构建后,还需对所述训练样本集中的m个训练样本进行分 析; 对m个训练样本进行分析时,对m个训练样本的特征参数xh进行分析,并得出所预报 流域自年份yi起连续m年的特征参数xh的变化规律,即引起特征参数xh变化的所有影响 因素及各影响因素的影响关系; 步骤二中对需预测年份的年径流量数据进行预测时,先对需预测年份的特征参数进行 确定,再根据所确定的需预测年份的特征参数,并利用步骤105中所述水文预报模型对需 预测年份的年径流量数据进行预测; 对需预测年份的特征参数进行确定时,先对需预测年份存在的引起特征参数变化的所 有影响因素和各影响因素的影响程度进行确定,之后再根据分析得出的各影响因素的影响 关系,并结合自年份yi起连续m年的特征参数xh,对需预测年份的特征参数进行确定。
10.按照权利要求1或2所述的一种基于经验模态分解的中长期水文预报方法,其特 征在于:步骤1042中对惩罚参数C与步骤1041中所选用径向基函数的核参数〇进行确定 时,0 < C 彡 1000, σ = D-1,0. 01 < D 彡 50。
【文档编号】G06F19/00GK104091074SQ201410330966
【公开日】2014年10月8日 申请日期:2014年7月12日 优先权日:2014年7月12日
【发明者】吕继强, 赵丹, 姜毅, 王战平, 韩波, 陈重海 申请人:西安浐灞生态区管理委员会
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1