EWT多重分解与若干新型元启发式算法 优化的多层感知器月径流预测

打开文本图片集

月径流时间序列预测是水文预测预报研究领域的热点和难点之一，充分挖掘月径流时间序列隐藏信息对于提高月径流预测精度具有重要意义。当前，月径流预测模型分为物理驱动模型和数据驱模型2种，物理驱动模型依赖于预先定义的模型和理论，通过模拟水文过程实现预测，虽然物理驱动模型理论基础和可解释性较好，但模型的有效性高度依赖于预测影响因子的准确描述，预测精度大多难以满足实际应用要求；数据驱动模型不依赖于预先定义的模型或假设，侧重于利用大量数据来提取信息实现预测，如BP神经网络[1]、支持向量机[2]、深度极限学习机[3]、自适应神经模糊推理模型[4等等。（剩余10139字）