水文动力系统自记忆特性及其应用研究
|
摘要
水文现象的非线性和高度复杂性,要求从更高的层面和更广泛的角度应用新理论、发展新理论和提出新理论,以解决水科学研究中至今尚无法阐释和不断显现的问题。本文以水文动力系统为研究对象,针对自忆性原理在水文分析领域应用中存在的问题,应用灰色理论、多元反演理论、现代优化算法等理论和方法进行了水文时间序列的自记忆模拟与预测模型研究。研究对于挖掘预测潜力、提高预测水平具有重要理论意义和应用价值,为水文非线性模拟预测探索了一条新途径,充实了水文学的研究内容。
通过研究,取得了如下主要研究成果：
(1)对水文时间序列的长记忆性进行了研究。借助结构转换的思想对水文时间序列的长记忆性产生的原因进行了探讨,应用修正的R／S分析对长记忆性进行了检验,采用R／S分析统计量对记忆长度进行了确定。研究表明水文时间序列存在长记忆性,对于长记忆性产生的原因还有待于深入的研究。
(2)针对灰色自记忆模型在应用中,有时产生滞后误差现象,从模型的建模机理出发,找出了模型产生滞后误差的关键因素—灰色系统动力核的背景值,通过对其改进,建立了改进的灰色自记忆模型,并应用实例说明了模型的有效性。
(3)以多变量反演理论为基础,结合自忆性原理,提出了基于影响因素的水文多变量时间序列反演自记忆模式,在此基础上建立了水文多变量时间序列反演自记忆模型,通过实例研究表明,模型具有较好的适应性。
(4)针对自记忆模型应用最小二乘法估计记忆系数存在的不足,结合现代优化算法,提出了基于参数优化的自记忆模型的建模原理与过程。实例研究表明,基于参数优化的自记忆模型提高了自记忆模型的适应性,具有更好的拟合、预测效果。
The nonlinearity and high complexityof hydrological phenomena demands for applying new theories, developing new theories and putting forward new theories in higher level and more comprehensive point, in order to solve the problems that can't explain and unceasingly appears until now. Hydrological dynamic system was the research objects in this study. Aiming at the problems existing in hydrology analyze, gray theory, multiple theories, and modern optimization algorithms were used to study on self-memory simulation models and prediction models of hydrological time series. This study, being of great theoretical significance and application value to develop potential and raise predicting level, provided a new way to research nonlinear simulating prediction and enriched the research contents of hydrology.
The main achievements were as follows:
(1) Long memory characteristics of hydrological time series was researched. The reasons of long memory characteristics of hydrological time series were discussed in virtue of structure transformation. Modified R/S analysis was used to checking long memory characteristics and the statistic was analyzed to determine the length of memory. The study showed that the hydrological time series had long memory characteristics, but the causes of long memory characteristic needed further investigation.
(2) Lag errors phenomena of gray self-memory model often existed in real application. The key factors that named gray system core background value and resulted in lag error were found, according to the mechanism of modeling. New gray self-memory model was set up by modifying the background value, and the practical example showed the affectivity of the model.
(3) Based on multivariable inversion theory, hydrological multivariable time series inversion self-memory mode was put forward, combined with self-memory theory, and hydrological multivariable time series inversion self-memory model was set up as well. The practical example showed that this model had good adaptability.
(4) In view of the deficiency of self-memory model that adopted least squares method to estimate the memory coefficient, self-memory modeling theory and process that based on parameter optimization were put forward, combined with modern optimization algorithms. The example showed that self-memory model, based on parameter optimization, advanced the adaptability and had a better fitting effect and prediction effect.
通过研究,取得了如下主要研究成果：
(1)对水文时间序列的长记忆性进行了研究。借助结构转换的思想对水文时间序列的长记忆性产生的原因进行了探讨,应用修正的R／S分析对长记忆性进行了检验,采用R／S分析统计量对记忆长度进行了确定。研究表明水文时间序列存在长记忆性,对于长记忆性产生的原因还有待于深入的研究。
(2)针对灰色自记忆模型在应用中,有时产生滞后误差现象,从模型的建模机理出发,找出了模型产生滞后误差的关键因素—灰色系统动力核的背景值,通过对其改进,建立了改进的灰色自记忆模型,并应用实例说明了模型的有效性。
(3)以多变量反演理论为基础,结合自忆性原理,提出了基于影响因素的水文多变量时间序列反演自记忆模式,在此基础上建立了水文多变量时间序列反演自记忆模型,通过实例研究表明,模型具有较好的适应性。
(4)针对自记忆模型应用最小二乘法估计记忆系数存在的不足,结合现代优化算法,提出了基于参数优化的自记忆模型的建模原理与过程。实例研究表明,基于参数优化的自记忆模型提高了自记忆模型的适应性,具有更好的拟合、预测效果。
The nonlinearity and high complexityof hydrological phenomena demands for applying new theories, developing new theories and putting forward new theories in higher level and more comprehensive point, in order to solve the problems that can't explain and unceasingly appears until now. Hydrological dynamic system was the research objects in this study. Aiming at the problems existing in hydrology analyze, gray theory, multiple theories, and modern optimization algorithms were used to study on self-memory simulation models and prediction models of hydrological time series. This study, being of great theoretical significance and application value to develop potential and raise predicting level, provided a new way to research nonlinear simulating prediction and enriched the research contents of hydrology.
The main achievements were as follows:
(1) Long memory characteristics of hydrological time series was researched. The reasons of long memory characteristics of hydrological time series were discussed in virtue of structure transformation. Modified R/S analysis was used to checking long memory characteristics and the statistic was analyzed to determine the length of memory. The study showed that the hydrological time series had long memory characteristics, but the causes of long memory characteristic needed further investigation.
(2) Lag errors phenomena of gray self-memory model often existed in real application. The key factors that named gray system core background value and resulted in lag error were found, according to the mechanism of modeling. New gray self-memory model was set up by modifying the background value, and the practical example showed the affectivity of the model.
(3) Based on multivariable inversion theory, hydrological multivariable time series inversion self-memory mode was put forward, combined with self-memory theory, and hydrological multivariable time series inversion self-memory model was set up as well. The practical example showed that this model had good adaptability.
(4) In view of the deficiency of self-memory model that adopted least squares method to estimate the memory coefficient, self-memory modeling theory and process that based on parameter optimization were put forward, combined with modern optimization algorithms. The example showed that self-memory model, based on parameter optimization, advanced the adaptability and had a better fitting effect and prediction effect.
引文
【1】张恒喜,郭基联等.小样本多元数据分析方法及应用[M].西安：西北工业大学出版社,2002.
【2】宋萌勃,黄锦鑫.水文时间序列趋势分析方法初探[J].长江工程职业技术学院学报,2007,24(4)：35-37.
【3】左其亭,高峰.水文时间序列周期叠加预测模型及3种改进模型[J].郑州大学学报(工学版),2004,25(4)：64-73.
【4】汤成友,郭丽娟,王瑞.水文时间序列逐步回归随机组合预测模型及其应用[J].水利水电技术,2007,38(6)：1-4.
【5】丁晶,邓育仁.随机水文学[M].成都：成都科技大学出版社,1998.
【6】叶守泽,夏军.水文科学研究的世纪回眸与展望[J].水科学进展,2002,13(1)：93-104.
【7】丁晶,邓育仁.水文水资源中不确定性分析与计算的耦合途径[J].水文,1996,(1)：19-21.
【8】陈守煜.模糊水文学[J].大连理工大学学报,1981,(1)：37-43.
【9】陈守煜.工程可变模糊集理论与模型——模糊水文水资源学数学基础[J].大连理工大学学报,2005,45(2)：308-312.
【10】王本德,曹元涛,唐国磊.于桥水库来水量模糊推理预报及引水方式研究[J].人民黄河,2007,29(1)：63-64.
【11】夏军.灰色系统水文学——理论、方法及应用[M].武汉：华中理工大学出版社,2000.
【12】王栋,朱元牲.最大熵原理在水文水资源科学中的应用[J].水科学进展,2001,12(3)：424-430.
【13】刘佑华,陈晓宏,陈永勤.珠江三角洲典型站水位过程变异性的差异熵识别[J].中山大学学报(自然科学版),2002,41(4)：87-91.
【14】邵骏,袁鹏,李秀峰等.基于最大熵谱估计的水文周期分析[J].中国农村水利水电,2008,(1)：30-33.
【15】刘丙军,邵东国,阳书敏等.基于灰关联熵的汉江中下游地区水资源分配模型和方法研究[J].长江流域资源与环境,2005,14(6)：699-703.
【16】缪益平,纪昌明,李崇浩等.水电能源系统最小熵增模型及其求解[J].水力发电学报,2006,25(1)：1-5.
【17】黄乾,张宝祥,黄继文等.基于熵权的模糊物元模型在节水型社会评价中的应用[J].水利学报,2007,(S1)：413-416.
【18】金菊良,吴开亚,李如忠等.信息熵与改进模糊层次分析法耦合的区域水安全评价模型[J].水力发电学报,2007,26(6)：61-67.
【19】 B. M. Ayyub. Uncertainty Modeling and Analysis. Prooecdings of ISUMA. University of Maryland, Colkge Park, Maryland USA, December 3-5,1990.
【20】 Eilbert R F,Christensen R A. Performance of the entropy hydrological forecasts for California water year 1949-1977. J of Calimate and Applied Meteorology,1983, (22):1645-1357.
【21】 Burg J P. Maximumentropy spectral analysis[A].37th Ann.Intern[C].Meeting Soc. Explor Geophys, Oklahoma City,Oklahoma,1967.
【22】黄忠恕.波谱分析方法在水文上的应用[J].水文,1983,(3)：13-20.
【23】芮孝芳,刘芳贵,邢相贞.水文学的发展及其所面临的若干前沿科学问题[J].水利水电科技进展,2007,27(1)：75-81.
【24】丁晶.洪水混沌分析[J].水资源研究,1992,13(3)：14-18.
【25】丁涛,周惠成.混沌时间序列局域预测模型及其应用研究[J].大连理工大学学报,2004,44(3)：445-448.
【26】丁涛,周惠成,黄建辉.混沌水文时间序列区间预测研究[J].水利学报,2004,(12)：14-19.
【27】王文,许武成.混沌时间序列可预报时间长度分析[J].河海大学学报(自然科学版),2004,32(4)：367-371.
【28】王红瑞,宋宇,刘昌明等.混沌理论及其在水科学中的应用与存在的问题[J].水科学进展,2004,15(3)：400-407.
【29】 Jayaw ardena A W, et al. Chaos in hydrological time series. IAHS.1993, (213):59-66.
【30】 Jayaw ardena A W, et al. Analysis and prediction of chaos in rainfall and stream flow time series. Journal of Hydrology.1994, (753):23-52.
【31】王德智,夏军等.东北地区月降雨时间序列的混沌特性研究[J].水电能源科学,2002,20(3)：32-34.
【32】蒋传文,权先璋等.径流序列的混沌神经网络预测方法[J].水电能源科学,1999,17(2)：9-41.
【33】郑泽权,谢平等.小波变换在非平稳水文时间序列分析中的初步应用[J].水电能源科学,2001,19(3)：49-51.
【34】王文圣,丁晶等.小波分析在水文学中的应用研究及展望[J].水科学进展,2002,13(4)：515-520.
【35】王文圣,丁晶,向红莲.水文时间序列多时间尺度分析的小波变换法[J].四川大学学报(工程科学版),2002,34(6)：14-17.
【36】王文圣,黄伟军,丁晶.基于小波消噪和符号动力学的径流变化复杂性研究[J].水科学进展,2005,16(3)：380-383.
【37】汤成友,缈韧.基于小波变换的水文时间序列分解[J].水资源研究,2007,28(1)：16-17.
【38】王秀杰,费守明.小波分析法及其在水文模拟中的应用[J].水电能源科学,2007,25(6)：1-4.
【39】李亚娇,沈冰,李家科.年径流预测的小波系数加权求和模型[J].应用科学学报,2007,25(1)：96-99.
【40】桑燕芳,王栋.水文序列小波分析中小波函数选择方法[J].水利学报,2008,39(3)：295-301.
【41】 Hech-Nielsen R. Komogrov's mapping neural network existence theorem. Proceedings of the international conference on Neural Networks. New York: IEEE Press,1987, (3):11-13.
【42】李荣,李义天.基于神经网络理论的河道水情预报模型[J].水科学进展,2000,11(5)：427-431.
【43】黄克明,张国忠.水文预报的神经网络模式分类预报方法[J].武汉大学学报(工学版),2003,36(1)：21-23.
【44】李超群,郭生练,张俊,等.人工神经网络水文模型适度训练[J].武汉大学学报(工学版),2007,40(5)：25-30.
【45】李存军,邓红霞,朱兵,等.BP神经网络预测日径流序列的数据适应性[J].四川大学学报(工程科学版),2007,39(2)：25-29.
【46】朱承山,潘英杰.欧阳海水库径流量预报的模糊神经网络方法[J].水电能源科学,2000,18(3)：16-18.
【47】周毓萍.神经网络-遗传算法耦合的金融参数预测研究[J].武汉理工大学学报,2003,25(11)：103-106.
【48】蒋晓辉,刘昌明.基于小波分析的径向基神经网络年径流预测[J].应用科学学报,2004,22(3)：411-414.
【49】王文圣,李跃清,向红莲.基于小波分析的组合随机模型及其在径流预测中的应用[J].高原气象,2004,23(S1)：146-149.
【50】方红,郑文瑞.径流预报的模糊神经网络方法[J].吉林大学学报(地球科学版),2004,34(S1)：85-87.
【51】郭其一,路向阳,李维刚等.基于小波分析和模糊神经网络的水文预测[J].同济大学学报(自然科学版),2005,33(1)：130-133.
【52】李庆国,陈守煜.基于模糊模式识别的支持向量机的回归预测方法[J].水科学进展,2005,16(5)：741-746.
【53】万星,丁晶,严秉忠等.年径流预测的自适应NNBR-ANN耦合模型[J].四川大学学报(工程科学版),2005,37(5)：5-8.
【54】曹连海,王安明,陈南洋等.偏最小二乘回归神经网络在城市生活用水量预测中的应用[J].华北水利水电学院学报,2005,26(2)：9-11.
【55】李向阳,程春田,林剑艺.基于BP神经网络的贝叶斯概率水文预报模型[J].水利学报,2006,37(3)：354-358.
【56】曹启辉,王文圣,汤成友.一种新的小波网络组合预测模型[J].人民长江,2006,37(11)：65-67.
【57】冯艳,付强,刘仁涛等.小波神经网络在水文水资源应用中的研究进展[J].水资源与水工程学报,2006,17(3)：38-41.
【58】黄胜,梁川.基于相空间神经网络耦合模型的径流降尺度分析[J].长江流域资源与环境,2006,15(4)：527-830.
【59】张弛,周惠成,李伟等.基于数据分析技术的水文组合预报应用研究[J].大连理工大学学报,2007,47(2)：246-251.
【60】张家树,党建亮,李恒超.时空混沌序列的局域支持向量机预测[J].物理学报,2007,56(1)：67-77.
【61】刘星才,许友鹏,唐郑亮.改进的神经网络模型在水文序列预测中的应用研究[J].南京大学学报(自然科学版),2008,44(1)：85-90.
【62】 Li Zhijia, Zhou Yi, Ma Zhenkun. River channel flood forecasting method of coupling wavelet neural network with autoregressive model. Journal of Southeast University(English Edition),2008,24(1):90-94.
【63】李力,沈冰,张晓伟.泉水月流量预测模型研究[J].西安理工大学学报,2008,24(1)：43-47.
【64】刘东,付强.基于小波随机耦合模型的三江平原年降水量预测[J].数学的认识与实践,2008,38(1)：97-84.
【65】李林,刘坤.多元线性回归与GM(1,1)模型耦合预测城市用水量[J].水资源与水工程学报,2008,19(1)：61-63.
【66】 Cao Hongxing. Self-memorization equation in atmospheric motion. Science in China, Series B,1993, 36(7):845-855.
【67】曹鸿兴.动力系统自忆性原理——预报和计算应用[J].北京：地质出版社,2001.
【68】曹鸿兴,封国林,魏凤英等.气候预报自忆模式及其初步应用[J].计算物理,1999,16(2)：206-210.
【69】贾晓静,曹鸿兴等.一种动态数据的新建模法及其预报应用[J].应用气象学报,2002,13(1)：96-101.
【70】 Feng Guoling, Cao Hongxing, et al. Prediction of precipitaition during summer monsoon with self-memorial model[J]. Advance in atmospheric science,2001,18(5):701-708.
【71】李荣峰,沈冰,张金凯.基于相空间重构的水文自记忆预测模型[J].水利学报,2006,37(5)：583-586.
【72】李荣峰,沈冰,张金凯.考虑周期性变化的地下水埋深预测自记忆模型[J].农业工程学报,2005,21(7)：34-37.
【73】李荣峰,沈冰,张金凯.作物生育期降雨量预测的灰色自记忆模型[J].武汉大学学报(工学版),2005,38(3)：19-22.
【74】李荣峰.水文非线性时间序列分析的自记忆模型研究[D].西安：西安理工大学,2005.
【75】张高锋.水文非线性多变量自记忆模型研究[D].西安：西安理工大学,2008.
【76】沈冰,李荣峰,黄领梅等.年径流预测的灰色自记忆模型[J].西北农林科技大学学报(自然科学版),2005,33(4)：132-134.
【77】 Hurst H E. Long-term storage capacity of reservoirs[J]. American Society of Civil Engineers,1951, (116):770-799.
【78】张世英,刘菁.长记忆性时间序列及其预测[J].预测,1999,(3)：49-51.
【79】 Mandebrot B. The variation of certain speculative prices[J]. Journal of Business,1963, (36):394-419.
【80】 Granger C W J, Ding Z. Varieties of Long Memory Models[J]. Journal of Econometrics,1996, (73): 61-77.
【81】 Lo, A. W. Long Term Memory in Stock Market Prices[J]. Econometrica,1991, (59):1279-1313.
【82】 Baillie, Chuang and M. Tieslan. The Long Memory and variability of inflation: A reappraisal of the Friedman hypothesis. Center Discussion Paper 9246, Tliburg Univercity.
【83】汤果,何晓群,顾岚.FIGARCH模型对股市收益长记忆性的实证分析[J].统计研究,1999,(7)：39-42.
【84】王春峰.深圳综合指数长程相关性特征分析及其预测[J].中国管理科学,2002,(2)：96-100.
【85】王春峰,张庆翠,李刚.中国股票市场收益的长期记忆性研究[J].系统科学,2003,(1)：22-28.
【86】苏卫东,齐安甜,黄兴.长记忆性SV模型的统计性质及其实证分析[J].系统工程,2004,22(3)：66-71.
【87】姜仁娜,叶俊.泸深两市股票指数的长记忆性[J].清华大学学报(自然科学版),2004,44(12)：1696-1699.
【88】吴涛,萧德云,刘震涛.汇率时间序列的长记忆性分析及其建模[J].计算机工程与应用,2004,(36)：205-207.
【89】胡彦梅,张卫国,陈建忠.中国股市长记忆的修正R／S分析[J].数理统计与管理,2006,25(1)：73-77.
【90】侯成琪,徐绪松.中国股市长期记忆性的检验及记忆长度的度量[J].统计与决策,2007,(5)：98-100.
【91】罗来东.股票市场收益率波动长记忆性实证研究[D].成都：西南财经大学,2005.
【92】燕爱玲.河川径流时间序列的分形特征研究[D].西安：西安理工大学,2007.
【93】李亚静,何跃,朱宏泉.中国股市收益率与波动性长记忆性的实证研究[J].系统工程理论与实践,2003,(1)：9-15.
【94】刘维奇,史金凤.我国证券市场有效性的Wild Bootstrap方差比检验[J].统计研究,2006,(11)：73-78.
【95】孙便霞,韩鹏,王明进.随机波动模型下的单位根检验及对我国股市的实证研究[J].数理统计与管理,2008,27(1)：148-156.
【96】 Rosenblatt, M. A central limit theorem and a strong mixing condition[J]. Proceeding of the National Academy of Science,1956, (42):43-47.
【97】 Mcleod, A. L., K. W. Hipel. Preservation of rescaled adjusted range,1:Reassessment of the Hurst Phenomenon[J]. Water Resource Research,1978, (64):491-508.
【98】 Brockwell, P. J., R. A. Dvais. Time series:Theory and Methods, Springer-Verlag,1991.
【99】周寅康,张捷,王腊春等.长江下游地区近五百年洪涝序列第R／S分析[J].自然灾害学报,1997,6(2)：78-84.
【100】冯利华.基于R／S分析的水资源预测[J].系统工程理论与实践,2002,(4)：115-118.
【101】冯利华.厄尔尼诺现象的R／S分析[J].系统工程,2000,18(5)：73-74.
【102】赵晶,王乃昂.近50年来兰州城市气候变化的R／S分析[J].干旱区地理,2002,25(1)：90-95.
【103】赵晶,徐建华.河西走廊沙尘暴频数的时序分行特征[J].中国沙漠,2003,23(4)：415-419.
【104】左利芳.长沙气温的长期变化趋势及R／S分析[J].长沙理工大学学报(自然科学版),2005,2(2)： 90-96.
【105】刘长海,刘义高,张军.地震时间间隔的R／S分析[J].地震学报,1995,17(3)：389-392.
【106】周晓辉,童菲.中国股票市场波动性的结构变换与重大事件[J].生产力研究,2008,(4)：46-48.
【107】徐绪松,马莉莉,陈彦斌.R／S分析的理论基础：分数布朗运动[J].武汉大学学报(理学版),2004,50(5)：547-550.
【108】张晓伟,沈冰,孟彩侠.和田绿洲水文要素分形特征与R／S分析[J].中国农业气象,2008,29(1)：12-15.
【109】陈璞.长记忆时间序列的研究与应用[D].武汉：华中科技大学,2006.
【110】Mandelbrot B.B. and Van Ness J.W. Fractional Brownian Motions, Fractional Noises and Applications, SIAM Review,1968,10(4):422-437.
【111】Lo, A. W. Long Term Memory in Stock Market Prices[J]. Econometric,1991,59(5):1279-1313.
【112】陆磊,刘思峰.基于改进R／S分析法的中国股票指数长记忆性分析[J].统计与决策,2007,(23)：46-48.
【113】何建.时间序列的长记忆性研究及其实证分析[D].西安：电子科技大学,2006.
【114】王德河.股票市场价格时间序列的动力学分析[J].统计研究,2003,(11)：62-64.
【115】曹鸿兴.自忆性方程与自忆模式[J].气象,1995,21(1)：9-13.
【116】陆君安,夏军,陈士华,等.动力系统的自记忆数值预报[J].数学杂志,1998,18(S)：11-14.
【117】范习辉,张焰.灰色自记忆模型及应用[J].系统工程理论与实践,2003,(8)：114-117.
【118】张立新,钱维宏,高新全,等.协调多时次差分格式及其稳定性[J].物理学报,2005,54(7)：3465-3472.
【119】徐建华.现代地理学中的数学方法[M].北京：高等教育出版社,2002.
【120】袁秀娟,夏军.径流中长期预报的灰色系统方法研究[J].武汉水利电力大学学报,1994,27(4)：367-375.
【121】张晓伟,关东海,莫淑红.和田绿洲气温与相对湿度的GM(1,1)预测模型[J].中国农业气象,2006,27(1)： 31-33.
【122】张高锋,沈冰,张晓伟,等.灰色人工神经网络模型及其在和田河径流预测中的应用[J].黑龙江水专学报,2006,33(4)：6-8.
【123】谭冠军.GM(1,1)模型背景值构造方法和应用(Ⅰ)[J].系统工程理论与实践,2000,(4)：98-103.
【124】惠军,温华洋.模糊时间序列分析方法在中长期年径流量预报中的应用[J].统计与决策,2007,(8)：34-35.
【125】顾海燕,徐文科,于雷.基于BP神经网络的河川年径流量预测[J].东北林业大学学报,2007,35(10)：83-85.
【126】李彦彬,黄强,徐建新,等.河川径流中长期预测的支持向量机模型[J].水力发电学报,2008,27(5)：26-32.
【127】乔西现,蒋晓辉,黄强,等.年径流预测的遗传模拟退火门限自回归模型[J].应用科学学报,2006, 24(4)：424-428.
【128】吴佳文,王学丽,汪可欣.粗糙集理论在年径流预测中的应用[J].节水灌溉,2008,(4)：35-38.
【129】 Porporato A. Ridolfi L. Detecting determinism and nonlinearity in river flow the series [J].Hydrology SCI J,2003,48(5):763-780.
【130】平建华,李升,钦丽娟,等.地下水动态预测模型的回顾与展望[J].水资源保护,2006,22(4)：11-15.
【131】赵新宇,费良军.LM算法的神经网络在灌区地下水位预测中的应用研究[J].沈阳农业大学学报,2006,37(2)：213-216.
【132】张文鸽,黄强,佟春生.基于混沌优化的支持向量机地下水位动态预测[J].资源科学,2007,29(5)：105-109.
【133】王炜,赵利飞,吴耿锋.地下水观测数据拟合与预测的支持向量机方法[J].地震,2007,27(1)：9-16.
【134】王守荣,郑永红,程磊.气候变化对西北水循环和水资源影响研究[J].气候与环境研究,2003,8(1)：43-51.
【135】黄领梅,沈冰,尹如洪.和田绿洲蒸发能力及影响因素分析[J].西北农林科技大学学报,2002,30(6)：181-185.
【136】黄领梅.和田子项目区水盐平衡研究[D].西安：西安理工大学,2000.
【137】邓红霞,李存军,朱兵,等.集对分析在水文水资源中的应用研究及展望[J].水资源研究,2006,27(4)： 1-3.
【138】赵克勤.集对分析及其初步应用[M].杭州：浙江科技出版社,2000.
【139】邓聚龙.灰色系统基本方法[M].武汉：华中理工大学出版社,1987.
【140】党耀国,刘思峰,刘斌,等.灰色斜率关联度的改进[J].中国工程科学,2004,6(3)：41-44.
【141】林振山,袁林旺,吴得安.地学建模[M].北京：气象出版社,2003.
【142】黄建平,衣育红.利用观测资料反演非线性动力模型[J].中国科学(B辑),1991,(3)：331-336.
【143】丁晶,王文圣,赵永龙.反演水文动力模型的探讨[J].水力发电学报,2002,(3)：7-11.
【144】张晓伟,沈冰,黄领梅,等.和田绿洲蒸发能力预测的多因素GM(1,3)模型[J].沈阳农业大学学报,2005,36(3)：364-366.
【145】阎俊爱,钟登华.基于遗传算法的神经网络优化预测模型及其在年径流预报中的应用[J].水利水电技术,2003,34(6)：1-5.
【146】何伟,李亚伟,金栋,等.基于PSO的模糊优选人工神经网络径流预报模型[J].气象水文海洋仪器,2004,(2)：18-21.
【147】张双虎,孙廷容,黄强,等.基于相空间遗传BP神经网络的径流预测研究[J].西北农林科技大学学报(自然科学版),2005,33(4)：122-126.
【148】杨道辉,马光文,刘起方,等.基于粒子群优化算法的BP网络模型在径流预测中的应用[J].水.力发电学报,2006,25(2)：65-68.
【149】赵学敏,吴泽宁,赵春娜,等.基于粒子群算法求解GM(1,1)模型参数的研究[J].华北水利水电学院学报,2007,28(3)：17-20.
【150】李佳,王黎,马光文,等.]LS-SVM在径流预测中的应用[J].中国农村水利水电,2008,(5)：8-11.
【151】王建中,刘凌,徐金阳.基于遗传算法与支持向量机的日流量预测[J].水电能源科学,2008,26(4)：14-17.
【152】赵文涛,殷建平,龙军.一种基于粒子群优化算法的组合预测模型[J].计算机工程与科学,2008,30(11)：53-56.
【153】李良敏,温广瑞,王生昌,等.基于遗传算法的改进径向基支持向量机及其应用[J].系统仿真学报,2008,20(22)：6088-6093.
【154】方仍存,周建中,张勇传,等.基于粒子群优化的非线性灰色Bernoulli模型在中长期负荷预测中的应用[J].电网技术,2008,32(12)：60-63.
【155】刘虹,张岐山.基于微粒群算法的GM(2,1,λ,ρ)优化模型[J].系统工程理论与实践,2008,(10)：96-101.
【156】张韧,洪梅,王辉赞,等.基于遗传算法优化的ENSO指数的动力预报模型反演[J].地球物理学报,2008,51(5)：1346-1352.
【157】莫愿斌,刘贺同,王勤.智能优化算法的综述教学研究[J].科技创新导报,2008,(13)：2-3.
【158】郭建青,李彦,马健,等.改进模拟退火法在估计河流水质参数中的应用[J].水文,2004,24(2)：19-22.
【159】曹立斌,周建兰.一种改进的禁忌搜索法在函数优化问题中的应用[J].微机发展,2003,13(6)：39-42.
【160】马思红.遗传算法的改进与应用[J].电脑知识与技术,2008,4(6)：1461-1462.
【161】李良敏,温广瑞,王生昌,等.基于改进遗传算法的独立分量分析算法[J].系统仿真学报,2008,20(21)：5911-5916.
【162】陈浩,谭立伟.一种改进的蚁群算法[J].重庆文理学院学报(自然科学版),2008,27(1)：28-31.
【163】郭剑,孙力娟,顾建辉.一种改进的蚁群挖掘算法[J].计算机与数字工程,2008,36(10)：1-5.
【164】朱玉平.一种改进粒子群优化算法[J].计算机技术与发展,2008,18(11)：700-702.
【165】虞斌能,连志刚,焦斌.动态惯性权重粒子群优化算法[J]上海电机学院学报,2008,11(3)：169-173.
【166】田雨波,朱人杰,薛权祥.粒子群优化算法中惯性权重的研究进展[J].计算机工程与应用,2008,44(23)：39-42.
【167】曹建潮,介婧,崔志华.微粒子群算法[M].北京：科学技术出版社,2004.
【168】张丽平,俞欢军.粒子群优化算法的分析与改进[J].信息与控制,2004,33(5)：513-517.
【169】俞欢军,张丽平,陈德钊,等.基于反馈策略的自适应粒子群优化算法[J].浙江大学学报(工学版),2005,39(9)：1286-1291.
【170】王启付,王战江,王书亭.一种动态改变惯性权重的粒子群优化算法[J].中国机械工程,2005,16(11)：945-948.
【171】陈贵敏,贾建援,韩琪.粒子群优化算法的惯性权值递减策略研究[J].西安交通大学学报,2006,40(1)：53-56.
【172】田东平,赵天绪.基于Sigmoid惯性权值的自适应粒子群优化算法[J].计算机应用,2008,28(12)：3058-3061.
【173】王存睿,段晓东,刘向东.改进的基本粒子群优化算法[J].计算机工程,2004,30(21)：35-37.
【174】刘钊,康立山,蒋良孝,等.用粒子群优化算法求解混合整数非线性规划问题[J].小型微型计算机系统,2005,26(6)：991-994.
【175】刘洪波,王秀坤,谭国真.粒子群优化算法的收敛性分析及其混沌改进算法[J].控制与决策,2006,21(6)：636-641.
【176】张蕾,吕振肃.基于改进的自适应克隆选择粒子群优化算法的多用户检测[J].通信技术,2007,40(12)：190-192.
【2】宋萌勃,黄锦鑫.水文时间序列趋势分析方法初探[J].长江工程职业技术学院学报,2007,24(4)：35-37.
【3】左其亭,高峰.水文时间序列周期叠加预测模型及3种改进模型[J].郑州大学学报(工学版),2004,25(4)：64-73.
【4】汤成友,郭丽娟,王瑞.水文时间序列逐步回归随机组合预测模型及其应用[J].水利水电技术,2007,38(6)：1-4.
【5】丁晶,邓育仁.随机水文学[M].成都：成都科技大学出版社,1998.
【6】叶守泽,夏军.水文科学研究的世纪回眸与展望[J].水科学进展,2002,13(1)：93-104.
【7】丁晶,邓育仁.水文水资源中不确定性分析与计算的耦合途径[J].水文,1996,(1)：19-21.
【8】陈守煜.模糊水文学[J].大连理工大学学报,1981,(1)：37-43.
【9】陈守煜.工程可变模糊集理论与模型——模糊水文水资源学数学基础[J].大连理工大学学报,2005,45(2)：308-312.
【10】王本德,曹元涛,唐国磊.于桥水库来水量模糊推理预报及引水方式研究[J].人民黄河,2007,29(1)：63-64.
【11】夏军.灰色系统水文学——理论、方法及应用[M].武汉：华中理工大学出版社,2000.
【12】王栋,朱元牲.最大熵原理在水文水资源科学中的应用[J].水科学进展,2001,12(3)：424-430.
【13】刘佑华,陈晓宏,陈永勤.珠江三角洲典型站水位过程变异性的差异熵识别[J].中山大学学报(自然科学版),2002,41(4)：87-91.
【14】邵骏,袁鹏,李秀峰等.基于最大熵谱估计的水文周期分析[J].中国农村水利水电,2008,(1)：30-33.
【15】刘丙军,邵东国,阳书敏等.基于灰关联熵的汉江中下游地区水资源分配模型和方法研究[J].长江流域资源与环境,2005,14(6)：699-703.
【16】缪益平,纪昌明,李崇浩等.水电能源系统最小熵增模型及其求解[J].水力发电学报,2006,25(1)：1-5.
【17】黄乾,张宝祥,黄继文等.基于熵权的模糊物元模型在节水型社会评价中的应用[J].水利学报,2007,(S1)：413-416.
【18】金菊良,吴开亚,李如忠等.信息熵与改进模糊层次分析法耦合的区域水安全评价模型[J].水力发电学报,2007,26(6)：61-67.
【19】 B. M. Ayyub. Uncertainty Modeling and Analysis. Prooecdings of ISUMA. University of Maryland, Colkge Park, Maryland USA, December 3-5,1990.
【20】 Eilbert R F,Christensen R A. Performance of the entropy hydrological forecasts for California water year 1949-1977. J of Calimate and Applied Meteorology,1983, (22):1645-1357.
【21】 Burg J P. Maximumentropy spectral analysis[A].37th Ann.Intern[C].Meeting Soc. Explor Geophys, Oklahoma City,Oklahoma,1967.
【22】黄忠恕.波谱分析方法在水文上的应用[J].水文,1983,(3)：13-20.
【23】芮孝芳,刘芳贵,邢相贞.水文学的发展及其所面临的若干前沿科学问题[J].水利水电科技进展,2007,27(1)：75-81.
【24】丁晶.洪水混沌分析[J].水资源研究,1992,13(3)：14-18.
【25】丁涛,周惠成.混沌时间序列局域预测模型及其应用研究[J].大连理工大学学报,2004,44(3)：445-448.
【26】丁涛,周惠成,黄建辉.混沌水文时间序列区间预测研究[J].水利学报,2004,(12)：14-19.
【27】王文,许武成.混沌时间序列可预报时间长度分析[J].河海大学学报(自然科学版),2004,32(4)：367-371.
【28】王红瑞,宋宇,刘昌明等.混沌理论及其在水科学中的应用与存在的问题[J].水科学进展,2004,15(3)：400-407.
【29】 Jayaw ardena A W, et al. Chaos in hydrological time series. IAHS.1993, (213):59-66.
【30】 Jayaw ardena A W, et al. Analysis and prediction of chaos in rainfall and stream flow time series. Journal of Hydrology.1994, (753):23-52.
【31】王德智,夏军等.东北地区月降雨时间序列的混沌特性研究[J].水电能源科学,2002,20(3)：32-34.
【32】蒋传文,权先璋等.径流序列的混沌神经网络预测方法[J].水电能源科学,1999,17(2)：9-41.
【33】郑泽权,谢平等.小波变换在非平稳水文时间序列分析中的初步应用[J].水电能源科学,2001,19(3)：49-51.
【34】王文圣,丁晶等.小波分析在水文学中的应用研究及展望[J].水科学进展,2002,13(4)：515-520.
【35】王文圣,丁晶,向红莲.水文时间序列多时间尺度分析的小波变换法[J].四川大学学报(工程科学版),2002,34(6)：14-17.
【36】王文圣,黄伟军,丁晶.基于小波消噪和符号动力学的径流变化复杂性研究[J].水科学进展,2005,16(3)：380-383.
【37】汤成友,缈韧.基于小波变换的水文时间序列分解[J].水资源研究,2007,28(1)：16-17.
【38】王秀杰,费守明.小波分析法及其在水文模拟中的应用[J].水电能源科学,2007,25(6)：1-4.
【39】李亚娇,沈冰,李家科.年径流预测的小波系数加权求和模型[J].应用科学学报,2007,25(1)：96-99.
【40】桑燕芳,王栋.水文序列小波分析中小波函数选择方法[J].水利学报,2008,39(3)：295-301.
【41】 Hech-Nielsen R. Komogrov's mapping neural network existence theorem. Proceedings of the international conference on Neural Networks. New York: IEEE Press,1987, (3):11-13.
【42】李荣,李义天.基于神经网络理论的河道水情预报模型[J].水科学进展,2000,11(5)：427-431.
【43】黄克明,张国忠.水文预报的神经网络模式分类预报方法[J].武汉大学学报(工学版),2003,36(1)：21-23.
【44】李超群,郭生练,张俊,等.人工神经网络水文模型适度训练[J].武汉大学学报(工学版),2007,40(5)：25-30.
【45】李存军,邓红霞,朱兵,等.BP神经网络预测日径流序列的数据适应性[J].四川大学学报(工程科学版),2007,39(2)：25-29.
【46】朱承山,潘英杰.欧阳海水库径流量预报的模糊神经网络方法[J].水电能源科学,2000,18(3)：16-18.
【47】周毓萍.神经网络-遗传算法耦合的金融参数预测研究[J].武汉理工大学学报,2003,25(11)：103-106.
【48】蒋晓辉,刘昌明.基于小波分析的径向基神经网络年径流预测[J].应用科学学报,2004,22(3)：411-414.
【49】王文圣,李跃清,向红莲.基于小波分析的组合随机模型及其在径流预测中的应用[J].高原气象,2004,23(S1)：146-149.
【50】方红,郑文瑞.径流预报的模糊神经网络方法[J].吉林大学学报(地球科学版),2004,34(S1)：85-87.
【51】郭其一,路向阳,李维刚等.基于小波分析和模糊神经网络的水文预测[J].同济大学学报(自然科学版),2005,33(1)：130-133.
【52】李庆国,陈守煜.基于模糊模式识别的支持向量机的回归预测方法[J].水科学进展,2005,16(5)：741-746.
【53】万星,丁晶,严秉忠等.年径流预测的自适应NNBR-ANN耦合模型[J].四川大学学报(工程科学版),2005,37(5)：5-8.
【54】曹连海,王安明,陈南洋等.偏最小二乘回归神经网络在城市生活用水量预测中的应用[J].华北水利水电学院学报,2005,26(2)：9-11.
【55】李向阳,程春田,林剑艺.基于BP神经网络的贝叶斯概率水文预报模型[J].水利学报,2006,37(3)：354-358.
【56】曹启辉,王文圣,汤成友.一种新的小波网络组合预测模型[J].人民长江,2006,37(11)：65-67.
【57】冯艳,付强,刘仁涛等.小波神经网络在水文水资源应用中的研究进展[J].水资源与水工程学报,2006,17(3)：38-41.
【58】黄胜,梁川.基于相空间神经网络耦合模型的径流降尺度分析[J].长江流域资源与环境,2006,15(4)：527-830.
【59】张弛,周惠成,李伟等.基于数据分析技术的水文组合预报应用研究[J].大连理工大学学报,2007,47(2)：246-251.
【60】张家树,党建亮,李恒超.时空混沌序列的局域支持向量机预测[J].物理学报,2007,56(1)：67-77.
【61】刘星才,许友鹏,唐郑亮.改进的神经网络模型在水文序列预测中的应用研究[J].南京大学学报(自然科学版),2008,44(1)：85-90.
【62】 Li Zhijia, Zhou Yi, Ma Zhenkun. River channel flood forecasting method of coupling wavelet neural network with autoregressive model. Journal of Southeast University(English Edition),2008,24(1):90-94.
【63】李力,沈冰,张晓伟.泉水月流量预测模型研究[J].西安理工大学学报,2008,24(1)：43-47.
【64】刘东,付强.基于小波随机耦合模型的三江平原年降水量预测[J].数学的认识与实践,2008,38(1)：97-84.
【65】李林,刘坤.多元线性回归与GM(1,1)模型耦合预测城市用水量[J].水资源与水工程学报,2008,19(1)：61-63.
【66】 Cao Hongxing. Self-memorization equation in atmospheric motion. Science in China, Series B,1993, 36(7):845-855.
【67】曹鸿兴.动力系统自忆性原理——预报和计算应用[J].北京：地质出版社,2001.
【68】曹鸿兴,封国林,魏凤英等.气候预报自忆模式及其初步应用[J].计算物理,1999,16(2)：206-210.
【69】贾晓静,曹鸿兴等.一种动态数据的新建模法及其预报应用[J].应用气象学报,2002,13(1)：96-101.
【70】 Feng Guoling, Cao Hongxing, et al. Prediction of precipitaition during summer monsoon with self-memorial model[J]. Advance in atmospheric science,2001,18(5):701-708.
【71】李荣峰,沈冰,张金凯.基于相空间重构的水文自记忆预测模型[J].水利学报,2006,37(5)：583-586.
【72】李荣峰,沈冰,张金凯.考虑周期性变化的地下水埋深预测自记忆模型[J].农业工程学报,2005,21(7)：34-37.
【73】李荣峰,沈冰,张金凯.作物生育期降雨量预测的灰色自记忆模型[J].武汉大学学报(工学版),2005,38(3)：19-22.
【74】李荣峰.水文非线性时间序列分析的自记忆模型研究[D].西安：西安理工大学,2005.
【75】张高锋.水文非线性多变量自记忆模型研究[D].西安：西安理工大学,2008.
【76】沈冰,李荣峰,黄领梅等.年径流预测的灰色自记忆模型[J].西北农林科技大学学报(自然科学版),2005,33(4)：132-134.
【77】 Hurst H E. Long-term storage capacity of reservoirs[J]. American Society of Civil Engineers,1951, (116):770-799.
【78】张世英,刘菁.长记忆性时间序列及其预测[J].预测,1999,(3)：49-51.
【79】 Mandebrot B. The variation of certain speculative prices[J]. Journal of Business,1963, (36):394-419.
【80】 Granger C W J, Ding Z. Varieties of Long Memory Models[J]. Journal of Econometrics,1996, (73): 61-77.
【81】 Lo, A. W. Long Term Memory in Stock Market Prices[J]. Econometrica,1991, (59):1279-1313.
【82】 Baillie, Chuang and M. Tieslan. The Long Memory and variability of inflation: A reappraisal of the Friedman hypothesis. Center Discussion Paper 9246, Tliburg Univercity.
【83】汤果,何晓群,顾岚.FIGARCH模型对股市收益长记忆性的实证分析[J].统计研究,1999,(7)：39-42.
【84】王春峰.深圳综合指数长程相关性特征分析及其预测[J].中国管理科学,2002,(2)：96-100.
【85】王春峰,张庆翠,李刚.中国股票市场收益的长期记忆性研究[J].系统科学,2003,(1)：22-28.
【86】苏卫东,齐安甜,黄兴.长记忆性SV模型的统计性质及其实证分析[J].系统工程,2004,22(3)：66-71.
【87】姜仁娜,叶俊.泸深两市股票指数的长记忆性[J].清华大学学报(自然科学版),2004,44(12)：1696-1699.
【88】吴涛,萧德云,刘震涛.汇率时间序列的长记忆性分析及其建模[J].计算机工程与应用,2004,(36)：205-207.
【89】胡彦梅,张卫国,陈建忠.中国股市长记忆的修正R／S分析[J].数理统计与管理,2006,25(1)：73-77.
【90】侯成琪,徐绪松.中国股市长期记忆性的检验及记忆长度的度量[J].统计与决策,2007,(5)：98-100.
【91】罗来东.股票市场收益率波动长记忆性实证研究[D].成都：西南财经大学,2005.
【92】燕爱玲.河川径流时间序列的分形特征研究[D].西安：西安理工大学,2007.
【93】李亚静,何跃,朱宏泉.中国股市收益率与波动性长记忆性的实证研究[J].系统工程理论与实践,2003,(1)：9-15.
【94】刘维奇,史金凤.我国证券市场有效性的Wild Bootstrap方差比检验[J].统计研究,2006,(11)：73-78.
【95】孙便霞,韩鹏,王明进.随机波动模型下的单位根检验及对我国股市的实证研究[J].数理统计与管理,2008,27(1)：148-156.
【96】 Rosenblatt, M. A central limit theorem and a strong mixing condition[J]. Proceeding of the National Academy of Science,1956, (42):43-47.
【97】 Mcleod, A. L., K. W. Hipel. Preservation of rescaled adjusted range,1:Reassessment of the Hurst Phenomenon[J]. Water Resource Research,1978, (64):491-508.
【98】 Brockwell, P. J., R. A. Dvais. Time series:Theory and Methods, Springer-Verlag,1991.
【99】周寅康,张捷,王腊春等.长江下游地区近五百年洪涝序列第R／S分析[J].自然灾害学报,1997,6(2)：78-84.
【100】冯利华.基于R／S分析的水资源预测[J].系统工程理论与实践,2002,(4)：115-118.
【101】冯利华.厄尔尼诺现象的R／S分析[J].系统工程,2000,18(5)：73-74.
【102】赵晶,王乃昂.近50年来兰州城市气候变化的R／S分析[J].干旱区地理,2002,25(1)：90-95.
【103】赵晶,徐建华.河西走廊沙尘暴频数的时序分行特征[J].中国沙漠,2003,23(4)：415-419.
【104】左利芳.长沙气温的长期变化趋势及R／S分析[J].长沙理工大学学报(自然科学版),2005,2(2)： 90-96.
【105】刘长海,刘义高,张军.地震时间间隔的R／S分析[J].地震学报,1995,17(3)：389-392.
【106】周晓辉,童菲.中国股票市场波动性的结构变换与重大事件[J].生产力研究,2008,(4)：46-48.
【107】徐绪松,马莉莉,陈彦斌.R／S分析的理论基础：分数布朗运动[J].武汉大学学报(理学版),2004,50(5)：547-550.
【108】张晓伟,沈冰,孟彩侠.和田绿洲水文要素分形特征与R／S分析[J].中国农业气象,2008,29(1)：12-15.
【109】陈璞.长记忆时间序列的研究与应用[D].武汉：华中科技大学,2006.
【110】Mandelbrot B.B. and Van Ness J.W. Fractional Brownian Motions, Fractional Noises and Applications, SIAM Review,1968,10(4):422-437.
【111】Lo, A. W. Long Term Memory in Stock Market Prices[J]. Econometric,1991,59(5):1279-1313.
【112】陆磊,刘思峰.基于改进R／S分析法的中国股票指数长记忆性分析[J].统计与决策,2007,(23)：46-48.
【113】何建.时间序列的长记忆性研究及其实证分析[D].西安：电子科技大学,2006.
【114】王德河.股票市场价格时间序列的动力学分析[J].统计研究,2003,(11)：62-64.
【115】曹鸿兴.自忆性方程与自忆模式[J].气象,1995,21(1)：9-13.
【116】陆君安,夏军,陈士华,等.动力系统的自记忆数值预报[J].数学杂志,1998,18(S)：11-14.
【117】范习辉,张焰.灰色自记忆模型及应用[J].系统工程理论与实践,2003,(8)：114-117.
【118】张立新,钱维宏,高新全,等.协调多时次差分格式及其稳定性[J].物理学报,2005,54(7)：3465-3472.
【119】徐建华.现代地理学中的数学方法[M].北京：高等教育出版社,2002.
【120】袁秀娟,夏军.径流中长期预报的灰色系统方法研究[J].武汉水利电力大学学报,1994,27(4)：367-375.
【121】张晓伟,关东海,莫淑红.和田绿洲气温与相对湿度的GM(1,1)预测模型[J].中国农业气象,2006,27(1)： 31-33.
【122】张高锋,沈冰,张晓伟,等.灰色人工神经网络模型及其在和田河径流预测中的应用[J].黑龙江水专学报,2006,33(4)：6-8.
【123】谭冠军.GM(1,1)模型背景值构造方法和应用(Ⅰ)[J].系统工程理论与实践,2000,(4)：98-103.
【124】惠军,温华洋.模糊时间序列分析方法在中长期年径流量预报中的应用[J].统计与决策,2007,(8)：34-35.
【125】顾海燕,徐文科,于雷.基于BP神经网络的河川年径流量预测[J].东北林业大学学报,2007,35(10)：83-85.
【126】李彦彬,黄强,徐建新,等.河川径流中长期预测的支持向量机模型[J].水力发电学报,2008,27(5)：26-32.
【127】乔西现,蒋晓辉,黄强,等.年径流预测的遗传模拟退火门限自回归模型[J].应用科学学报,2006, 24(4)：424-428.
【128】吴佳文,王学丽,汪可欣.粗糙集理论在年径流预测中的应用[J].节水灌溉,2008,(4)：35-38.
【129】 Porporato A. Ridolfi L. Detecting determinism and nonlinearity in river flow the series [J].Hydrology SCI J,2003,48(5):763-780.
【130】平建华,李升,钦丽娟,等.地下水动态预测模型的回顾与展望[J].水资源保护,2006,22(4)：11-15.
【131】赵新宇,费良军.LM算法的神经网络在灌区地下水位预测中的应用研究[J].沈阳农业大学学报,2006,37(2)：213-216.
【132】张文鸽,黄强,佟春生.基于混沌优化的支持向量机地下水位动态预测[J].资源科学,2007,29(5)：105-109.
【133】王炜,赵利飞,吴耿锋.地下水观测数据拟合与预测的支持向量机方法[J].地震,2007,27(1)：9-16.
【134】王守荣,郑永红,程磊.气候变化对西北水循环和水资源影响研究[J].气候与环境研究,2003,8(1)：43-51.
【135】黄领梅,沈冰,尹如洪.和田绿洲蒸发能力及影响因素分析[J].西北农林科技大学学报,2002,30(6)：181-185.
【136】黄领梅.和田子项目区水盐平衡研究[D].西安：西安理工大学,2000.
【137】邓红霞,李存军,朱兵,等.集对分析在水文水资源中的应用研究及展望[J].水资源研究,2006,27(4)： 1-3.
【138】赵克勤.集对分析及其初步应用[M].杭州：浙江科技出版社,2000.
【139】邓聚龙.灰色系统基本方法[M].武汉：华中理工大学出版社,1987.
【140】党耀国,刘思峰,刘斌,等.灰色斜率关联度的改进[J].中国工程科学,2004,6(3)：41-44.
【141】林振山,袁林旺,吴得安.地学建模[M].北京：气象出版社,2003.
【142】黄建平,衣育红.利用观测资料反演非线性动力模型[J].中国科学(B辑),1991,(3)：331-336.
【143】丁晶,王文圣,赵永龙.反演水文动力模型的探讨[J].水力发电学报,2002,(3)：7-11.
【144】张晓伟,沈冰,黄领梅,等.和田绿洲蒸发能力预测的多因素GM(1,3)模型[J].沈阳农业大学学报,2005,36(3)：364-366.
【145】阎俊爱,钟登华.基于遗传算法的神经网络优化预测模型及其在年径流预报中的应用[J].水利水电技术,2003,34(6)：1-5.
【146】何伟,李亚伟,金栋,等.基于PSO的模糊优选人工神经网络径流预报模型[J].气象水文海洋仪器,2004,(2)：18-21.
【147】张双虎,孙廷容,黄强,等.基于相空间遗传BP神经网络的径流预测研究[J].西北农林科技大学学报(自然科学版),2005,33(4)：122-126.
【148】杨道辉,马光文,刘起方,等.基于粒子群优化算法的BP网络模型在径流预测中的应用[J].水.力发电学报,2006,25(2)：65-68.
【149】赵学敏,吴泽宁,赵春娜,等.基于粒子群算法求解GM(1,1)模型参数的研究[J].华北水利水电学院学报,2007,28(3)：17-20.
【150】李佳,王黎,马光文,等.]LS-SVM在径流预测中的应用[J].中国农村水利水电,2008,(5)：8-11.
【151】王建中,刘凌,徐金阳.基于遗传算法与支持向量机的日流量预测[J].水电能源科学,2008,26(4)：14-17.
【152】赵文涛,殷建平,龙军.一种基于粒子群优化算法的组合预测模型[J].计算机工程与科学,2008,30(11)：53-56.
【153】李良敏,温广瑞,王生昌,等.基于遗传算法的改进径向基支持向量机及其应用[J].系统仿真学报,2008,20(22)：6088-6093.
【154】方仍存,周建中,张勇传,等.基于粒子群优化的非线性灰色Bernoulli模型在中长期负荷预测中的应用[J].电网技术,2008,32(12)：60-63.
【155】刘虹,张岐山.基于微粒群算法的GM(2,1,λ,ρ)优化模型[J].系统工程理论与实践,2008,(10)：96-101.
【156】张韧,洪梅,王辉赞,等.基于遗传算法优化的ENSO指数的动力预报模型反演[J].地球物理学报,2008,51(5)：1346-1352.
【157】莫愿斌,刘贺同,王勤.智能优化算法的综述教学研究[J].科技创新导报,2008,(13)：2-3.
【158】郭建青,李彦,马健,等.改进模拟退火法在估计河流水质参数中的应用[J].水文,2004,24(2)：19-22.
【159】曹立斌,周建兰.一种改进的禁忌搜索法在函数优化问题中的应用[J].微机发展,2003,13(6)：39-42.
【160】马思红.遗传算法的改进与应用[J].电脑知识与技术,2008,4(6)：1461-1462.
【161】李良敏,温广瑞,王生昌,等.基于改进遗传算法的独立分量分析算法[J].系统仿真学报,2008,20(21)：5911-5916.
【162】陈浩,谭立伟.一种改进的蚁群算法[J].重庆文理学院学报(自然科学版),2008,27(1)：28-31.
【163】郭剑,孙力娟,顾建辉.一种改进的蚁群挖掘算法[J].计算机与数字工程,2008,36(10)：1-5.
【164】朱玉平.一种改进粒子群优化算法[J].计算机技术与发展,2008,18(11)：700-702.
【165】虞斌能,连志刚,焦斌.动态惯性权重粒子群优化算法[J]上海电机学院学报,2008,11(3)：169-173.
【166】田雨波,朱人杰,薛权祥.粒子群优化算法中惯性权重的研究进展[J].计算机工程与应用,2008,44(23)：39-42.
【167】曹建潮,介婧,崔志华.微粒子群算法[M].北京：科学技术出版社,2004.
【168】张丽平,俞欢军.粒子群优化算法的分析与改进[J].信息与控制,2004,33(5)：513-517.
【169】俞欢军,张丽平,陈德钊,等.基于反馈策略的自适应粒子群优化算法[J].浙江大学学报(工学版),2005,39(9)：1286-1291.
【170】王启付,王战江,王书亭.一种动态改变惯性权重的粒子群优化算法[J].中国机械工程,2005,16(11)：945-948.
【171】陈贵敏,贾建援,韩琪.粒子群优化算法的惯性权值递减策略研究[J].西安交通大学学报,2006,40(1)：53-56.
【172】田东平,赵天绪.基于Sigmoid惯性权值的自适应粒子群优化算法[J].计算机应用,2008,28(12)：3058-3061.
【173】王存睿,段晓东,刘向东.改进的基本粒子群优化算法[J].计算机工程,2004,30(21)：35-37.
【174】刘钊,康立山,蒋良孝,等.用粒子群优化算法求解混合整数非线性规划问题[J].小型微型计算机系统,2005,26(6)：991-994.
【175】刘洪波,王秀坤,谭国真.粒子群优化算法的收敛性分析及其混沌改进算法[J].控制与决策,2006,21(6)：636-641.
【176】张蕾,吕振肃.基于改进的自适应克隆选择粒子群优化算法的多用户检测[J].通信技术,2007,40(12)：190-192.
© 2004-2018 中国地质图书馆版权所有 京ICP备05064691号 京公网安备11010802017129号 地址：北京市海淀区学院路29号 邮编：100083 电话：办公室：(+86 10)66554848；文献借阅、咨询服务、科技查新：66554700 |