确定性水文模型的贝叶斯概率预报 理论与方法PDF|Epub|txt|kindle电子书版本网盘下载

确定性水文模型的贝叶斯概率预报 理论与方法PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

绪论1

0.1 人类面临的水问题1

0.2 概率水文预报的必要性3

0.3 概率水文预报的特点3

0.4 水文不确定性的来源4

0.5 水文不确定性研究概况5

0.6 概率水文预报的研究进展10

参考文献14

第1章 贝叶斯概率预报的基本理论框架19

1.1 概率水文预报的特点19

1.2 贝叶斯概率水文预报的原理19

1.3 输入不确定性处理22

1.4 水文不确定性处理23

1.4.1 水文不确定性处理简介23

1.4.2 贝叶斯理论在水文不确定性分析中应用24

1.5 先验分布的确定方法26

1.5.1 利用先验信息确定先验分布26

1.5.2 利用边缘分布m（x）确定先验分布27

1.5.3 无信息先验分布27

1.5.4 共轭先验分布29

1.5.5 多层先验30

1.5.6 主观概率30

1.6 似然函数的确定方法30

参考文献33

第2章 遗传算法35

2.1 遗传算法简介36

2.2 遗传算法可行的改进措施41

2.2.1 控制参数的设置41

2.2.2 编码方式的改进41

2.2.3 选择算子的改进42

2.2.4 杂交算子的改进42

2.2.5 算法终止条件的改进43

2.2.6 改进父代替换方式43

2.3 基于实数编码的加速遗传算法的改进43

2.3.1 算法的计算原理43

2.3.2 算法的测试46

2.3.3 RAGA在水资源工程中的应用47

参考文献64

第3章 马尔可夫链蒙特卡罗算法65

3.1 马尔可夫链蒙特卡罗算法65

3.1.1 马尔可夫链蒙特卡罗算法的基本原理66

3.1.2 马尔可夫链蒙特卡罗期望值目标函数67

3.1.3 马尔可夫链蒙特卡罗处理机会约束68

3.2 Adaptive Metropolis算法68

3.3 MCMC的抽样方法70

3.3.1 AM-MCMC70

3.3.2 Metropolis算法71

3.3.3 Metropolis-Hastings算法71

3.3.4 Gibbs采样72

3.4 AM算法的改进72

3.4.1 基于贝叶斯理论的接受概率73

3.4.2 初始样本及协方差选择的优化73

3.5 收敛准则74

3.6 RAGA-AM-MCMC算法性能测试74

3.7 基于BAM-MCMC的BFS基本框架77

参考文献79

第4章 BP神经网络模型80

4.1 人工神经网络设计81

4.1.1 ANN的基本知识81

4.1.2 ANN的拓扑结构83

4.2 BP学习算法84

4.2.1 BP算法的网络误差的确定和权值的调整84

4.2.2 BP算法的反向传播流程85

4.2.3 BP算法的限制与不足86

4.2.4 BP算法的改进与应用86

4.2.5 SABP算法的应用89

参考文献94

第5章 确定性水文模型95

5.1 新安江模型97

5.1.1 新安江模型简介97

5.1.2 模型的基本思想98

5.1.3 三水源新安江模型的结构98

5.1.4 基于XAJ模型的贝叶斯概率洪水预报100

5.1.5 实例应用102

5.2 Nash模型107

参考文献109

第6章 基于BP神经网络的贝叶斯概率洪水预报111

6.1 模型的构建111

6.1.1 先验密度的确定112

6.1.2 后验信息的获取及似然函数的确定112

6.1.3 后验密度的获取112

6.1.4 降雨量概率预报113

6.2 BP模型数据预处理113

6.3 网络特征值矩阵的建立113

6.3.1 BP参数的选定及网络结构的确定114

6.3.2 BP网络仿真模拟预测114

6.4 实例应用114

6.4.1 基础数据114

6.4.2 先验密度的确定115

6.4.3 似然函数的构建119

6.4.4 基于BAM-MCMC的贝叶斯概率降雨预报122

参考文献127

第7章 基于Nash模型的贝叶斯概率洪水预报128

7.1 研究区域概况128

7.1.1 沿渡河流域自然情况简介128

7.1.2 挠力河流域研究区域概况130

7.2 基于RAGA-AM-MCMC的BFS基本框架133

7.3 基于Nash模型贝叶斯概率洪水预报134

7.3.1 沿渡河流域概率洪水预报134

7.3.2 襄阳—皇庄段的概率洪水预报156

7.3.3 挠力河流域概率洪水预报的研究166

参考文献183