咨询与建议

看过本文的还看了

相关文献

该作者的其他文献

文献详情 >多极小波包变换与改进浣熊算法优化的混合核极限学习机径流预测 收藏

多极小波包变换与改进浣熊算法优化的混合核极限学习机径流预测

Multipole Wavelet Packet Transform and Improved Raccoon Algorithm Optimized Hybrid Kernel LimitLearning Machine for Runoff Prediction

作     者:刀海娅 程刚 崔东文 DAO Hai-ya;CHENG Gang;CUI Dong-wen

作者机构:云南省水利水电勘测设计研究院云南昆明650021 云南省文山州水务局云南文山663000 

出 版 物:《中国农村水利水电》 (China Rural Water and Hydropower)

年 卷 期:2024年第6期

页      面:1-9,20页

学科分类:08[工学] 081501[工学-水文学及水资源] 0815[工学-水利工程] 

基  金:国家自然科学基金项目(41702278) 国家重点研发计划项目(2019YFC0507500) 中国地质调查局地质调查项目(DD20221758、DD20190326) 

主  题:日径流预测 多极小波包变换 改进浣熊优化算法 混合核极限学习机 超参数优化 

摘      要:为提高日径流多步预测精度,减少模型计算规模,同时提升浣熊优化(COA)算法和混合核极限学习机(HKELM)性能,提出多极小波包变换(MWPT)-改进COA算法(ICOA)-HKELM日径流时间序列预测模型。首先,利用MWPT将日径流时序数据分解为1个低频分量和2个高频分量,并构建局部高斯径向基核函数和全局多项式核函数相混合的HKELM;其次,简要介绍COA算法原理,基于Circle映射等策略对COA进行改进,提出ICOA算法,通过8个典型函数对ICOA算法进行仿真验证,并与基本COA算法、鲸鱼优化算法(WOA)、灰狼优化算法(GWO)作对比,旨在验证ICOA算法的优化性能;最后,利用ICOA优化HKELM超参数(正则化参数、核参数、权重系数),建立MWPT-ICOA-HKELM模型,并构建MWPT-COA-HKELM、MWPT-WOA-HKELM、MWPT-GWO-HKELM、小波包变换(WPT)-ICOA-HKELM、小波变换(WT)-ICOA-HKELM、MWPT-ICOA-BP模型作对比分析,通过云南省景东、把边水文站2016-2020年日径流时间序列多步预测实例对各模型进行验证。结果表明:(1)ICOA具有较好的改进效果,仿真精度优于COA、WOA、GWO算法。(2)MWPT-ICOA-HKELM模型预测效果优于其他对比模型,其对实例单步预测效果“最好,超前3步和超前5步“较好,超前7步“较差,预测精度随预测步长的增加而降低。(3)利用ICOA优化HKELM超参数,可显著提高HKELM预测性能,超参数优化效果优于COA、WOA、GWO算法。

读者评论 与其他读者分享你的观点

用户名:未登录
我的评分