-
公开(公告)号：CN103279671B
公开(公告)日：2016-08-17
申请号：CN201310218024.X
申请日：2013-06-03
Applicant: 南京大学
Abstract: 本发明公开了基于RBF神经网络?云模型的城市水灾害风险预测方法，按如下步骤进行：（1）确定评价因子、等级和相应等级下的指标范围；（2）确定云模型的期望Ex和熵En；（3）根据评价因子的实测值和各等级的指标范围确定各评价因子的权重。（4）对RBF神经网络进行训练，完成RBF神经网络的建模；将云模型的评价因子的实测数据输入训练后的RBF神经网络进行仿真预测，得到各评价因子的预测值；（5）将各评价因子的预测值代入综合云模型，综合云模型计算每个评价因子预测值隶属于各风险等级的相对确定度，并乘以相应的权重得到综合风险等级分布。本发明提高预测的准确性，直观可靠，可操作性强。
-
公开(公告)号：CN103268525B
公开(公告)日：2016-02-24
申请号：CN201310222565.X
申请日：2013-06-04
Applicant: 南京大学
IPC: G06Q10/04
Abstract: 本发明公开了一种基于WD-RBF的水文时间序列模拟预测方法，根据选定的水文时间序列，通过小波变换得到各个尺度下的小波系数，使用软阈值消噪技术消除序列噪音，并通过小波重构得到消除噪音后的水文时间序列，将消噪后的序列进行改进的RBF网络建模，运用建立好的网络对序列进行模拟预测。本发明方法应用于四组水文时间序列的预测中，并与ARIMA模型和RBF方法作对比，结果显示：RBF能够挖掘水文时间序列中的非线性关系，小波消噪可以对水文时间序列中的噪声成分进行有效识别并剔除，达到还原真实序列的目的。实例验证WD-RBF方法不仅在序列模拟而且在数值预测上都表现出优于ARIMA模型和RBF的性能，具有更高的准确性。
-
公开(公告)号：CN103279671A
公开(公告)日：2013-09-04
申请号：CN201310218024.X
申请日：2013-06-03
Applicant: 南京大学
Abstract: 本发明公开了基于RBF神经网络-云模型的城市水灾害风险预测方法，按如下步骤进行：（1）确定评价因子、等级和相应等级下的指标范围；（2）确定云模型的期望Ex和熵En；（3）根据评价因子的实测值和各等级的指标范围确定各评价因子的权重。（4）对RBF神经网络进行训练，完成RBF神经网络的建模；将云模型的评价因子的实测数据输入训练后的RBF神经网络进行仿真预测，得到各评价因子的预测值；（5）将各评价因子的预测值代入综合云模型，综合云模型计算每个评价因子预测值隶属于各风险等级的相对确定度，并乘以相应的权重得到综合风险等级分布。本发明提高预测的准确性，直观可靠，可操作性强。
-
公开(公告)号：CN103268525A
公开(公告)日：2013-08-28
申请号：CN201310222565.X
申请日：2013-06-04
Applicant: 南京大学
IPC: G06Q10/04
Abstract: 本发明公开了一种基于WD-RBF的水文时间序列模拟预测方法，根据选定的水文时间序列，通过小波变换得到各个尺度下的小波系数，使用软阈值消噪技术消除序列噪音，并通过小波重构得到消除噪音后的水文时间序列，将消噪后的序列进行改进的RBF网络建模，运用建立好的网络对序列进行模拟预测。本发明方法应用于四组水文时间序列的预测中，并与ARIMA模型和RBF方法作对比，结果显示：RBF能够挖掘水文时间序列中的非线性关系，小波消噪可以对水文时间序列中的噪声成分进行有效识别并剔除，达到还原真实序列的目的。实例验证WD-RBF方法不仅在序列模拟而且在数值预测上都表现出优于ARIMA模型和RBF的性能，具有更高的准确性。
-
-
-
Search Results
4
records
(took 0.016 seconds)
