大型灌区退水量预测理论与方法研究
|
摘要
退水广泛存在于我国的大型灌区中,它主要由田面弃水、引水渠退水、地下水排水、降水、山洪、工业废水及生活污水组成。我国西北地区的灌区年退水量接近200亿m3,一些灌区的退水量可达引水量的40%～60%,这部分水量的重复利用不仅对于灌区,而且对整个区域的水资源管理都具有十分重要的意义。由于退水量的组成和时空分布十分复杂,目前国内外关于退水量预测理论与方法的研究较少,而且不够深入。在查阅国内外相关文献资料的基础上,本文采用理论与方法研究和实例应用相结合的技术路线,以宁夏青铜峡灌区为例,研究了灌区退水的变化规律,确定了退水的组成及主要影响因素,将灌区退水分为年退水、月退水、日退水等3种不同的类型,对灌区退水量预测的理论与方法进行了研究。论文的主要研究成果为:
(1)通过分析宁夏青铜峡灌区灌溉、排水和降水等长系列历史观测资料,研究了宁夏青铜峡灌区产生大量退水的主要原因,揭示了灌区水资源的转化规律。
(2)研究了灌区退水量的组成,揭示了退水量的年际和年内变化规律,采用灰色关联度和相关分析的方法确定了退水量的主要影响因素为引水量、地下水位和降水量。
(3)以年退水量为研究对象,根据灌区退水量与其影响因素相关关系比较明显,年退水规律相对容易描述的特点,采用多元逐步回归方法建立了灌区年退水量预测模型,模型结构简单,物理意义明确,对样本要求不大,预测精度在7%以内。
(4)灌区月退水量的变化呈一定的周期性,但随机波动较大,用传统数值分析方法很难进行模拟,本文利用神经网络的强模拟能力和在线学习能力,建立了灌区月退水量预测的神经网络模型。实例应用表明,在样本数量较大的情况,退水量神经网络模型具有较高的模拟和预测精度。另外,针对BP神经网络训练速度慢、易于收敛于局部最小点、过度训练和外推能力差的缺点,本文从建模、样本选取、样本数量、算法选取、网络训练、模型更新等6个方面讨论了克服这些缺点的方法,实例分析表明这些方法是切实有效的。
(5)神经网络模型要取得好的外推能力和预测效果,必须有大量的训练样本作保证,但许多灌区的月退水量资料序列较短,训练样本的数量较少,达不到神经网络建模的要求。因此,本文引入了以结构化风险最小为原则,适合小样本建模的支持向量机,建立了灌区月退水量预测的支持向量机模型,并探讨了支持向量模型参数的训练方法。实例应用表明,在样本数量较少的情况下,支持向量机模型的预测能力高于神经网络模型。
(6)通过对灌区日退水量时间序列的研究,揭示了宁夏青铜峡灌区日退水量时间序列的非平稳性和1阶差分平稳性,建立了灌区日退水量预测的时间序列模型,探讨了退水量时间序列模型预测的新息修正方法。实例应用表明模型能较好地模拟灌区日退水量的变化规律,平均相对误差为7.88%,预测精度较高。
(7)通过对灌区日退水量时间序列进行混沌识别和相空间重构,揭示灌区日退水量具有混沌特征,确定了其重构相空间的时间延迟、嵌入维数和关联维数。在此基础上,将相空间重构理论与神经网络方法相结合,建立了灌区日退水量预测的混沌神经网络模型,并与日退水量预测的时间序列方法进行了对比分析。实例应用表明,混沌神经网络模型的模拟和预测精度方面要高于时间序列模型,但时间序列模型的建模和使用复杂程度要低于混沌神经网络模型。
The return water widely exists in the large irrigation area of our country. It is mainly composed of the abandoned water of field, return water of diversion ditch, drainage of ground water, precipitation, flash floods, industrial wastewater and domestic sewage. The return water volume of northwest china is nearly 200 billion m3, and it even accounting for 40% -60% of annual diversion. in some irrigation area. The study on return water has great significance not only to the irrigation area, but also to water resources management of whole district. However there is only little research of theories and methods regarding return water volume, and the research is not enough due to the composition and the spatial and temporal distribution of return water is very complex. Utilizing the approach combining the theoretical methods and application example, taking Qingtongxia irrigation area as example, the paper analyses the variation regularity of return water of irrigation area, ascertains the composition and main influencing factors of return water, classifies the return water into three different types: annual return water, monthly return water and daily return water, and researches the theory and method of predicting return water of irrigation area. Among the key findings:
(1)The paper reveals the variation regularity of water and researches the reason of generating a great deal of return water in irrigated area by analyses of long historical observation data of Ningxia Qingtongxia irrigation area,,
(2)The paper reveals the variation regularity of return water in multi-years and single-year, and ascertains the main influencing factors of return water using methods of the grey relational degree analysis and correlation analysis; they are diversion, precipitation and groundwater table.
(3)The paper establishes the multiple stepwise regression methods of predicting annual return water of irrigated area. There are obvious correlation between return water and itseffective factors, but the modeling samples are few. The multiple regression model is simple in structure and clear in physical meaning, and no more requirement for sample. The predicting precision of annual return water model is less than 7%.
(4)The paper finds that the monthly return water of irrigation area changes in a certain periodicity, however, the random variation of the change is large. It is difficult to simulate using traditional numerical analysis methods. The paper advances the neural network method of predicting monthly return water of irrigation area taking advantage of strong simulation capabilities and online learning ability of neural network. In addition, the papers compares the various neural network algorithm, and gives the suggestions for improving training method contraposing the disadvantage of BP neural network: slow training speed, more converging to the local minimum and over-training. The case analysis shows that improved method can overcome those three disadvantages and advance the training speed and precision.
(5)It need a large number of training samples to ensure the neural network to achieve good extrapolation capability and predicting results. But in many irrigation area, there are shorter data sequences of return water and few training samples, can not meet the requirement of establishing neural network model. Therefore, this paper introduces the Support Vector Machine (SVM) method which is based on the principle of structure risk minimization and fit to establishing model with few samples, advances the SVM method of predicting monthly return water of irrigation area, discusses the training parameters methods of SVM method, and compares it with the predicting method based on neural network.The case application shows that the prediction ability of SVM model is better than neural network model.when the sample is enough.
(6)The paper finds the nonstationarity of time-series and stationarity of first-order difference of return water of Qingtongxia irrigation area by studying the time series of daily return water of the irrigation area. The paper advances the time-series methods of predicting daily return water and discusses the information improvement methods of the time-series predicting methods of daily return water. The case application shows that the modle can simulate the change regularity of diary return water well, and the average relative error of the predicted results is 7.88%.
(7)By carrying chaotic identification and phase space reconstruction on daily return water of irrigation area. The papers finds the chaotic character of daily return water of irrigation area, ascertains the time delay, embedment dimension and correlation dimension of phase spacereconstruction, then paper combines the phase space reconstruction theory and neural network methods, advances the chaos-neural network predicting method of daily return water, and compares it with the time-series predicting methods of daily return water.The cases appliation shows that the chaos-neural network modle is more accurate than the times series modle,but it is also more complex in modle model building and application.
(1)通过分析宁夏青铜峡灌区灌溉、排水和降水等长系列历史观测资料,研究了宁夏青铜峡灌区产生大量退水的主要原因,揭示了灌区水资源的转化规律。
(2)研究了灌区退水量的组成,揭示了退水量的年际和年内变化规律,采用灰色关联度和相关分析的方法确定了退水量的主要影响因素为引水量、地下水位和降水量。
(3)以年退水量为研究对象,根据灌区退水量与其影响因素相关关系比较明显,年退水规律相对容易描述的特点,采用多元逐步回归方法建立了灌区年退水量预测模型,模型结构简单,物理意义明确,对样本要求不大,预测精度在7%以内。
(4)灌区月退水量的变化呈一定的周期性,但随机波动较大,用传统数值分析方法很难进行模拟,本文利用神经网络的强模拟能力和在线学习能力,建立了灌区月退水量预测的神经网络模型。实例应用表明,在样本数量较大的情况,退水量神经网络模型具有较高的模拟和预测精度。另外,针对BP神经网络训练速度慢、易于收敛于局部最小点、过度训练和外推能力差的缺点,本文从建模、样本选取、样本数量、算法选取、网络训练、模型更新等6个方面讨论了克服这些缺点的方法,实例分析表明这些方法是切实有效的。
(5)神经网络模型要取得好的外推能力和预测效果,必须有大量的训练样本作保证,但许多灌区的月退水量资料序列较短,训练样本的数量较少,达不到神经网络建模的要求。因此,本文引入了以结构化风险最小为原则,适合小样本建模的支持向量机,建立了灌区月退水量预测的支持向量机模型,并探讨了支持向量模型参数的训练方法。实例应用表明,在样本数量较少的情况下,支持向量机模型的预测能力高于神经网络模型。
(6)通过对灌区日退水量时间序列的研究,揭示了宁夏青铜峡灌区日退水量时间序列的非平稳性和1阶差分平稳性,建立了灌区日退水量预测的时间序列模型,探讨了退水量时间序列模型预测的新息修正方法。实例应用表明模型能较好地模拟灌区日退水量的变化规律,平均相对误差为7.88%,预测精度较高。
(7)通过对灌区日退水量时间序列进行混沌识别和相空间重构,揭示灌区日退水量具有混沌特征,确定了其重构相空间的时间延迟、嵌入维数和关联维数。在此基础上,将相空间重构理论与神经网络方法相结合,建立了灌区日退水量预测的混沌神经网络模型,并与日退水量预测的时间序列方法进行了对比分析。实例应用表明,混沌神经网络模型的模拟和预测精度方面要高于时间序列模型,但时间序列模型的建模和使用复杂程度要低于混沌神经网络模型。
The return water widely exists in the large irrigation area of our country. It is mainly composed of the abandoned water of field, return water of diversion ditch, drainage of ground water, precipitation, flash floods, industrial wastewater and domestic sewage. The return water volume of northwest china is nearly 200 billion m3, and it even accounting for 40% -60% of annual diversion. in some irrigation area. The study on return water has great significance not only to the irrigation area, but also to water resources management of whole district. However there is only little research of theories and methods regarding return water volume, and the research is not enough due to the composition and the spatial and temporal distribution of return water is very complex. Utilizing the approach combining the theoretical methods and application example, taking Qingtongxia irrigation area as example, the paper analyses the variation regularity of return water of irrigation area, ascertains the composition and main influencing factors of return water, classifies the return water into three different types: annual return water, monthly return water and daily return water, and researches the theory and method of predicting return water of irrigation area. Among the key findings:
(1)The paper reveals the variation regularity of water and researches the reason of generating a great deal of return water in irrigated area by analyses of long historical observation data of Ningxia Qingtongxia irrigation area,,
(2)The paper reveals the variation regularity of return water in multi-years and single-year, and ascertains the main influencing factors of return water using methods of the grey relational degree analysis and correlation analysis; they are diversion, precipitation and groundwater table.
(3)The paper establishes the multiple stepwise regression methods of predicting annual return water of irrigated area. There are obvious correlation between return water and itseffective factors, but the modeling samples are few. The multiple regression model is simple in structure and clear in physical meaning, and no more requirement for sample. The predicting precision of annual return water model is less than 7%.
(4)The paper finds that the monthly return water of irrigation area changes in a certain periodicity, however, the random variation of the change is large. It is difficult to simulate using traditional numerical analysis methods. The paper advances the neural network method of predicting monthly return water of irrigation area taking advantage of strong simulation capabilities and online learning ability of neural network. In addition, the papers compares the various neural network algorithm, and gives the suggestions for improving training method contraposing the disadvantage of BP neural network: slow training speed, more converging to the local minimum and over-training. The case analysis shows that improved method can overcome those three disadvantages and advance the training speed and precision.
(5)It need a large number of training samples to ensure the neural network to achieve good extrapolation capability and predicting results. But in many irrigation area, there are shorter data sequences of return water and few training samples, can not meet the requirement of establishing neural network model. Therefore, this paper introduces the Support Vector Machine (SVM) method which is based on the principle of structure risk minimization and fit to establishing model with few samples, advances the SVM method of predicting monthly return water of irrigation area, discusses the training parameters methods of SVM method, and compares it with the predicting method based on neural network.The case application shows that the prediction ability of SVM model is better than neural network model.when the sample is enough.
(6)The paper finds the nonstationarity of time-series and stationarity of first-order difference of return water of Qingtongxia irrigation area by studying the time series of daily return water of the irrigation area. The paper advances the time-series methods of predicting daily return water and discusses the information improvement methods of the time-series predicting methods of daily return water. The case application shows that the modle can simulate the change regularity of diary return water well, and the average relative error of the predicted results is 7.88%.
(7)By carrying chaotic identification and phase space reconstruction on daily return water of irrigation area. The papers finds the chaotic character of daily return water of irrigation area, ascertains the time delay, embedment dimension and correlation dimension of phase spacereconstruction, then paper combines the phase space reconstruction theory and neural network methods, advances the chaos-neural network predicting method of daily return water, and compares it with the time-series predicting methods of daily return water.The cases appliation shows that the chaos-neural network modle is more accurate than the times series modle,but it is also more complex in modle model building and application.
引文
【1】 王浩,秦大庸,郭孟卓.干旱区水资源合理配置模式与计算方法[J].水科学进展,2004,15(6):689～694.
【2】 马云瑞,苗济文,张益民宁,等.宁夏低矿化度回归水灌溉对土壤盐碱化的影响[J].农业环境保护,1998,17(4):241～244.
【3】 马云瑞,张益民,苗济文.宁夏灌溉回归水开发再利用的评价[J].自然资源学报,1997,12(2):133～138.
【4】 王杰,苗济文,张益民.银川灌区灌溉回归水质量评价[J].农业环境保护,1997, 16(4):145～148.
【5】 雍富强,刘学军.宁夏引黄灌区沟水利用研究[J].水资源保护,2004(3):17～19.
【6】 李三林,贾士权.浅析回归水利用及其效益[J].中国农村水利水电,1996(1):13～14.
【7】 马太玲,袁保惠,梅金铎.内蒙河套灌区建立回归水灌溉系统可行性分析[J].灌溉排水,2001,20 (2):69～72.
【8】 Skaggs,R.W. Field evaluation of a water Management Simulation Model[J].Trans ASAE, 1982,25(3):667～674.
【9】 Chang, A.C., R.W.Skaggs, L.F.Hermsmeier. Evaluation of a water management model for irrigated agriculture[J].Trans. ASAE,1983,26(2):412-418.
【10】 Gayle G,R.W.Skaggs.Carte.Evaluation of a water management model for a Louisiana sugar cane Field[J]. SocSugar cane Technil,1985,4:18～28.
【11】 Mcmahon,P.C,S.Mostaghimi.Simualation of corn yield by a water management model for a coastal plains soil[J].ASAE.1988,31(3):734～742
【12】 Luo W., R.W. Skaggs, Predicting field hydrology in cold condition with DRAINMOD[J].Trans ASAE,2002,44(4):825～834.
【13】 崔远来,张新,罗玉峰.稻田回归水模拟及其评价[J].灌溉排水学报,2005,(10):1～4.
【14】 张新,崔远来,董斌.回归水模拟的系统动力学模型[J].灌溉排水学报,2005,(2):57～62.
【15】 汪富贵.大型灌区灌溉水利用系数的分析方法[J].武汉水利电力大学学报,1999,32(6):28～31.
【16】 孙洪保.内蒙古河套灌区用水试验及结果应用[J].甘肃水利水电技术,2001,37(4):277～279.
【17】 刘昌明,任鸿遵.水量转换实验与计算分析[M].北京:科学技术出版社,1988.
【18】 谢新民,郭洪宇,唐克旺.华北平原区地表水与地下水统一评价的二元耦合模型研究[J].水利学报,2002(12):95～100 .
【19】 魏晓妹.地下水在灌区四水转化中的作用[J].干旱区农业研究,1995(3):54～57.
【20】 L'Vovitch,M.I.,Soil trend in Hydrological[J].Sciences Bulletin,1980,25(1):78～82.
【21】 L'Vovitch,M.I.,World water resource and their future[M].Printed by Lithocr after Inc.Chelsea, Michigan ,1979.
【22】 刘昌明,魏忠义等.华北平原农业水文及水资源[M].北京:科学出版社,1989.
【23】 甄宝龙,尚松浩,吐尔洪等.叶尔羌河年径流动态变化趋势分析[J].灌溉排水,1999(2):7～9.
【24】 雷志栋,尚松浩,杨诗秀等.叶尔羌河平原绿洲水资源可利用量的探讨[J].灌溉排水,1999(2):10～13.
【25】 雷志栋、胡和平、杨诗秀等.叶尔羌河灌区冬小麦灌溉试验与分析[J].灌溉与排水,1999(2):30～34.
【26】 毛晓敏,雷志栋,尚松浩等.作物生长条件下潜水蒸发估算的蒸发面下降折算法[J].灌溉排水,1999(2):26～29.
【27】 胡和平,李民,杨诗秀等.用直接估算法确定区域潜水蒸发量[J].灌溉排水,1999(2):22～25.
【28】 LEI Zhidon, ZHEN Baolong, SHANG Songhao.Formation and utilizeation of water resources of Tarim Rive r[J].Science in China (science E), 2001(6):28～33.
【29】 康绍忠,蔡焕杰.农业水管理学[M].北京:中国农业出版社,1996.
【30】 康绍忠,蔡焕杰,刘晓明等.农田“五水”相互转化的动力学模式及其应用[J].西北农业大学学报,1995(2):1～9.
【31】 李佩成,刘俊民,魏晓妹等著.黄土塬灌区三水转化机理及调控研究[M].西安:陕西科学技术出版社,1999.
【32】 新疆农业大学.新疆平原区大气降水、灌溉水、土壤水、地下水水量转化关系实验研究[M].乌鲁木齐:新疆科技卫生出版社,2002.
【33】 张保生,纪昌明,陈森林.多元线性回归和神经网络在水库调度中的应用比较研究[J].中国农村水利水电,2004, (7):29～33.
【34】 向速林,刘占孟,马丽平.地下水水质预测的多元线性回归分析模型研究[J].贵州科学,2006,24(1):60～62.
【35】 陈如云.多元线性回归技术在水文信息系统中的应用[J].广西工学院学报,1997, 16(4):96～98.
【36】 田胜龙,佟胤铮.多元线性回归在地下水资源评价中的应用[J].东北水利水电,2006,26(3):23～26.
【37】 张晓伟,沈冰,黄领梅.灰关联分析与多元线性回归模型联合应用研究[J].水资源与水工程学报,2006,17 (1):44～46.
【38】 徐海量,陈亚宁.塔里木河下游荒漠化多元回归模型分析[J].干旱区资源与环境,2003,17(4):78～82.
【39】 班国德,魏伟,宋扬.多元回归模型在平邑县城区地下水开发利用中的应用[J].地下水,2004,27(2):112～113.
【40】 邹玮,张锐,宋晓麟.利用逐步多元回归分析的孔隙度预测[J].内蒙古石油化工,2006,(11):139～143.
【41】 朱凯,李爱群,郭柏威.逐步回归多元统计预测模型研究及其程序设计[J].贵州水力发电,2005,19(3):72～74.
【42】 李贵红,张泓,崔永君.基于多元逐步回归分析的煤储层含气量预测模型-以沁水盆地为例[J].煤田地质与勘探,2005,33(3):22～25.
【43】 肖筱南.小样本多元逐步回归的最优筛选分析[J].统计与信息论坛,2002,17(1):22～24.
【44】 陈守煜.水文水资源与环境模糊集分析[M].大连:大连工学院出版社,1987.
【45】 陈守煜.中长期水文预报综合分析理论模式与方法[J].水利学报,1997(8):15～21.
【46】 杨明,胡环,姜玉婷.水库径流的模糊推理模式预报[J].水利水电技术,1999,30(12):82～83.
【47】 白子岩.模糊模式识别法在中长期预报中的应用[J].水利水电技术,1999,30(2):95～96.
【48】 王振宇,梁汉华,刘国华.雨季段中长期预报模糊聚类模型及其应用[J].水力发电学报,2005,24(2):106～111.
【49】 邓聚龙.参数不完全系统的最小信息量[J].华中工学院学报,1982,3(3):44～49.
【50】 邓聚龙.灰色控制系统[M].武汉,华中工学院出版社,1985.
【51】 冯宛平等.雨季段中长期预报模糊聚类模型及其应用[J].全国第一次灰色系统与农业学术会,1984:65～69.
【52】 杨叔子等.时间序列的工程应用[M].武汉:华中理工大学出版社,1991.
【53】 袁嘉祖等.灰色系统理论及其应用[M].北京:科学出版社,1991.
【54】 夏军.水文水资源管理中的统计理论及不确定性的研究与展望[J].水资源研究,1992,13(1):56～59.
【55】 刘光吉.模糊灰色马氏过程在水库洪水预报中的应用[J].水电能源科学,1989,7(2):41～43.
【56】 郝永红,王学萌.娘子关泉域岩溶水资源保护研究[J].,系统工程理论与实践,2001,(4):133～136.
【57】 苑希民,李鸿雁,刘树坤.神经网络和遗传算法在水科学领域的应用[M],北京:中国水利水电出版社,2002,8.
【58】 胡铁松.神经网络预测与优化[M].大连海事出版社.1997,7.
【59】 M N French, W F Krajewski .Rain Forecasting[J]. Water Resources Research, 1992.28(3):1～31.
【60】 Hsiang Te Kung,L Yulin. Pattern Study Using Artificial Neural Networks[C], Proceedings of International Symposium on Impact of Climatic Change Global Warming on Hydrology and Water Resources China, 1993.72～82.
【61】 S Ranjithan, J W Fit . Network～Based Screening for Ground Water Reclamation under Uncertainty. Water[J] Resources Research. 1993.29(3):563～574.
【62】 吴骁.人工神经网络在暴雨预报中的应用[M].科学出版社,1993,2.
【63】 胡铁松,郭元裕,丁晶.水文时间序列预测的径向基函数网络方法[J].武汉水利电力大学学报,1996,29(6):159～163 .
【64】 胡铁松,傅军,丁晶.非线性时间序列预测的前馈网络方法及应用.水利发电学报,1996 (3):162～170.
【65】 覃光华,丁晶,王圣文.门限人工神经网络模型及其在洪水预报中的应用[J].四川水力发电,2002.12(4):34～36.
【66】 李宗坤,郑井星,周晶.误差反向传播神经网络模型的改进及其应用[J].水利学报,2003.7.
【67】 Vapnik V N ﹒ Estimation of Dependencies Based on Empirical Data[M]. Berlin: springer-Verlag,1982.
【68】 Vapnik V N﹒The Nature of Statistical Learning Theory[M]﹒NY: Springer～Verlag, 1995﹒
【69】 Cherkassky V, Mulier F﹒Learning from Data: Concepts, Theory and Methods[M]﹒NY: John Viley&Sons, 1997﹒
【70】 Cortes C, Vapnik V N﹒Support vector networks[J]﹒Machine Learning﹒1995, 20: 273～297﹒
【71】 Scholkopf B, Burges C, Vapnik V﹒ Incorporating variances in support vector learning machines[J]﹒In: Artificial Neural Networks-ICANN'96, SpingersLecture Notes in Computer Science, Berlin, 1996,26: 7～52﹒
【72】 Scholkopf B, Sinard P, Smola A etal﹒Prior knowledge in support vector kernels[J]﹒ NIPS'97, 1997,36:175～181﹒
【73】 Guyon I, Matic N, Vapnik V﹒Discovering informative patterns and data cleaning. In: Advances in Knowledge Discovery&Data Mining[M]﹒MIT Press, 1996, 181～203﹒
【74】 高学,金连文,尹俊勋,等﹒一种基于支持向量机的手写汉字识别方法[J]﹒电子学报,2002,30(5):651～654﹒
【75】 林宇生,杨静宇﹒基于 Gobor 滤波特征和支持向量机的人脸检测[J]﹒计算机}程与应用,2007,43(1):33～35﹒
【76】 王孝国,张小宁,杨吉斌﹒一种基于离散小波变换和支持向量机的人脸识别新方法[J]﹒解放军理工大学学报(自然科学版),2006,7(6):515～519﹒
【77】 周书仁,梁昔明,叶吉样﹒基于脸部信息和支持向量机的人脸检测[J]﹒计算机应用,2006,26(5):139～141﹒
【78】 李凯,郭子雪﹒基于 SVM 的函数模拟[J]﹒河北大学学报,2001,21(1):7～9﹒
【79】 高永刚,岳建,石杏喜﹒支持向量机在变形监测数据处理中的应用[J]﹒水电自动化与大坝监测,2005,36(5):36～39﹒
【80】 段纪军,陈琳,王海燕﹒基于数据挖掘技术与支持向量机的目标识别研究[J]﹒计算机与数字工程,2004,32(6):41～45﹒
【81】 李晓黎,刘继敏,史忠植﹒基于支持向量与无监督聚类相结合的中文网页分类器[J]﹒计算机学报,2001,24(1):62～68﹒
【82】 刘学军,陈松灿,彭宏京﹒基于支持向量机的计算机键盘用户身份验真[J]﹒计算机研究与发展,2002,39(9):1082～1086﹒
【83】 梅松,程伟平,刘国华.基于支持向量机的洪水预报模型初探[J].中国农村水利水电,2005,(3):110～112.
【84】 卢敏,张展羽.径流预测的支持向量机应用研究[J].中国农村水利水电,2006,(2):47～49.
【85】 张土乔,俞亭超.提高支持向量机洪水峰值预报精度研究[J].水力发电学报.2006,24(2):106～110.
【86】 李亚伟,陈守煜,韩小军.基于支持向量机 SVR 的黄河凌汛预报方法[J].大连理工大学学报.2006,46(2):118～121.
【87】 经玲,孙立.农业区地下水位动态变化预测的支持向量机模型[J].中国农村水利水电,2006,(3):106～108.
【88】 胡军华,唐德善.时间序列模型在径流长期预报中的应用研究[J].人民长江,2006,37(2):134～135.
【89】 杨弘,练继建.改进的时间序列模型在非汛期水沙预报中的应用[J].水利水电技术,2004,35(8):132～134.
【90】 张丽霞,雷晓云.时间序列分解模型在乌拉斯台河年径流量预测中的应用研究[J].水资源与水工程学报,2006,17(2):144～146.
【91】 沈焕荣,杨永全.日径流非线性时间序列分析模拟预报[J].四川大学学报(工程科学版),2001,33(1):140～142.
【92】 李亚娇,沈冰,李智录.基于趋势辨识理论的神经网络及其在水文时间序列预报中的应用[J].沈阳农业大学学报,2006,37(1):78～81.
【93】 沈冰,李荣峰,黄领梅.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.
【94】 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):19～21.
【95】 张双虎,黄强,孙廷容.水文时间序列的系统自记忆模式研究[J].西北农林科技大学学报(自然科学版),2006,34(12):144～148.
【96】 Kolmogorov A N.Preservation of conditionally periodic movements with small change in the Hamilton function[J]. Akad. Nayk .SSSR Doklady,1954,98:188～190.
【97】 E.Lorenz.Deterministic Nonperiodic Flow[J]. Journal of Atmosphere Science,1963,20:130～141.
【98】 Henon M.A two～dimensional mapping with a strange attracto r [J]. Commun.math.Phys,1976,50:69～77.
【99】 Ruelle D,Takens F.On the nature of turbulence [J]. Commun.math.Phys,1971,20:167～192.
【100】 Ruelle D,Takens F.On the nature of turbulence[J]. Commun.math.Phys,1971,23:343～344.
【101】 Li T Y, Yorke J A .Period three implies chaos[J]. Am.Math.Monthly,1975,82:985～992.
【102】 May R M.Simple mathematical models with very complicated dynamics [J]. Nature,1976,261:459～467.
【103】 Feigebaum M J.Quantitative universality for a class of nonlinear transformations [J]. Stat.Phys,1978,19:25～52.
【104】 Sivakumar B, Phoon K K, Liong S Y.Comment on "Nonlinear analysis of river flow time sequences”[J] Resources Research.1999,35(3):895～897.
【105】 Sivakumar B, Bermdtsspm R P, Olsson J, Jinno K. Evidence of chaos in the rainfall-runoff process [J]. Hydrological Sciences Journal, 2001, 46(1):131～145.
【106】 Sivakumar B, Bermdtsspm R P, Olsson J, Jinno K. Reply to "Which chaos in the rainfall-runoff process”[J]. Hydrological Sciences Journal, 2002, 47(1):149～158.
【107】 Sivakumar B, Bemdtsson R, Persson M. Monthly runoff prediction using phase-space reconstruction [J]. Hydrological Sciences Journal. 2001, 46(3):377～388.
【108】 Islam M N, Sivakumar B. Characterization and prediction of runoff dynamics: a nonlinear. dynamical view[J]. Advances in water resources. 2002,25:179～190.
【109】 Sivakumar B, Jayawardena A W. River flow forecasting use of phase-space reconstruction and artificial neural networks approaches[J]. Journal of Hydrology, 2002, 265:225～245.
【110】 Jayawardena A W,Li W K, Xu P. Neighborhood selection for local modeling and prediction of hydrological time series[J] .Journal of Hydrology, 2002,258:40～57.
【111】 丁晶,邓育仁,傅军﹒洪水相空间预测[J]﹒成都科技大学学报,1995,85(3):7～11﹒
【112】 温权,张勇传,张周胜﹒基于混沌动力学的日径流时间序列预测[J]﹒华中理工大学学报,1998, 26 (12):63﹒
【113】 权先璋,温权,张勇传﹒混沌预测技术在径流预报中的应用[J]﹒华中理工大学学报, 1999,27(12):41～43﹒
【114】 权先璋,蒋传文,张勇传﹒径流预报的混沌神经网络理论及应用[J]﹒武汉城市建设学院学报, 1999,16(3):33～36﹒
【115】 周寅康,付重林,王腊春,张捷﹒淮河流域洪涝变化可预报时间研究[J]﹒自然灾害学报,1999,8(4):42～47﹒
【116】 雷志栋,苏立宁,杨诗秀等.青铜峡灌区水土资源平衡分析的探讨[J].水利学报,2002(6):43-48 ﹒
【117】 汪林,甘泓,汪珊等. 宁夏引黄灌区水盐循环演化与调控[M]. 北京:中国水利水电出版社,2003,8.
【118】 谢新民,赵文骏等. 宁夏水资源优化配置与可持续利用战略研究[M]. 郑州:黄河水利出版社,2002,6﹒
【119】 尹大凯,胡和平,等.青铜峡银北灌区井灌井排水盐运动数值模拟[J].农业工程学报. 2002,18(3):1～4﹒
【120】 华东水利学院主编..水文学的概率统计基础[M].北京:水利电力出版社,1981,6 .
【121】 上海师范大学数学系概率统计教研组编,回归分析及试验设计[M] .上海:上海教育出版社, 1978.
【122】 屈忠义,陈亚新,史海滨,等.地下水文预测中 BP 网络的模型结构及算法探讨[J].水利学报,2004(2):88～93.
【123】 尚松浩,毛晓敏,雷志栋,等.冬小麦田间墒情预报的 BP 神经网络模型[J].水利学报,2002(4):60～64.
【124】 张小峰,谈广鸣,许全喜,等.基于 BP 神经网络的河道断面变形预测模型[J].水利学报,2002(11):8～130.
【125】 陈守煜,王大刚.基于遗传算法的模糊优选 BP 网络模型及其应用[J].水利学报,2003(5):116～120.
【126】 孙健,邱阿瑞,史文华.利用人工神经网络进行感应电机转子磁链估计[J].清华大学学报(自然科学版) ,1999,39(1):1～3.
【127】 黄元峰,刘源,胡波.动态递归模糊神经网络及其 BP 学习算法[J].武汉化工学院学报,2004, 26(4):65～70.
【128】 邹应斌,米湘成,石纪成.人工神经网络模型在水稻群体分蘖动态模拟中外推能力的测试[J].生态学报,2004,24(12):2967～2972.
【129】 Narendra K,Parthasarathy K.Nonlinear system identification using neural networks[J].Int J Control,1990, 10(1):1191～1214.
【130】 Martin T,Hagan,Hovard B,Demuth.神经网络设计[M].北京:机械工业出版社,2002,9:211.
【131】 尚钢,钟珞,陈立耀.神经网络结构与训练参数选取[J].武汉工业大学学报.1997, 19(2):108～ 110.
【132】 何勇,张淑娟,方慧.基于人工神经网络的田间信息插值方法研究[J].农业工程学报,2004,20(5),120-123.
【133】 张学工.统计学习的本质[M].北京:清华大学出版社,2000,10.
【134】 包为民,王浩,赵超.AR 模型参数的抗差估计研究[J].河海大学学报(自然科学版),2006,34(3):258～261.
【135】 胡必锦.MA(q)模型参数的估计[J].重庆交通学院学报,2006,25(5):265～269.
【136】 王丽娜,肖冬荣.基于 ARMA 模型的经济非平稳时间序列的预测分析[J].武汉理工大学学报(交通工程与科学版),2004,28(1):133～136.
【137】 李希国,刘贤赵.烟台地区降水量的 ARIMA 随机模型研究[J].水资源与水工程学报,2006,17(2):58～60.
【138】 何跃,陈川,黄智.基于 ARCH 模型的工业经济预警系统[J].统计与咨询,2006,(4):179～182.
【139】 何枫.股票价格预测的 GARCH 模型[J].统计与咨询,2006,(9):106～108.
【140】 王燕.应用时间序列分析[M].北京:人民大学出版社,2005,7.
【141】 王艳君,刘群,任一平.AIC 与 BIC 在亲体-补充量模型选择中的应用及比较[J].中国海洋大学学报,2005,35(3):397～403.
【142】 陈木法.特征值、不等式与遍历理论[J].科学通报,1999,19(23):2465～2470.
【143】 Packard N H.Geometry from a time series[J].Physical Review Letter,1980,45:712-716.
【144】 Takens F. Detecting strange attractors in turbulence [J].Lecture Notes in mathematics, 1980,89:366～381.
【145】 楼玉.混沌时间序列方法在径流预报中的应用研究[D].杭州:浙江大学,2005,2.
【146】 郁俊莉,王其文,韩文秀.经济时间序列相空间重构与混沌特性判定研究[J].武汉大学学报(理学版),2004,50(1):33～37.
【147】 黄胜,梁川.年径流时间序列的混沌分析[J].中国农村水利水电,2006,(4):27～29.
【148】 雷绍兰,孙才新.电力短期负荷的混沌局域关联性预测[J].重庆大学学报(自然科学版),2005,28(5):24～28.
【149】 熊淑贞,杨向锋,孙瑜.相空间重构方法研究[J].微处理机,2006,(10):61～62.
【150】 工金东,刘岩,赵海洋.基于延时嵌入法的往复式压缩机关联维数提取技术[J].化工机械,2005,32(4):214～216.
【151】 刘传孝,谭云亮,秦广鹏.相空间重构中时滞判定的功率谱分析法[J].岩土力学,2004,25(9):83～86.
【152】 Smith L A.Intrinsic limits on dimension calculations[J].Phys Lett A, 1998,133(6):283～288.
【153】 Nerenberg M A H, Essex C.Correlation dimension and systematic geometric effects[J].Phys Rev A, 1990,42(12):7065～7074.
【154】 洪时中,洪时明.用 Grassberger-Procaccia 方法计算吸引子维数的基本限制[J].物理学报,1994,43(8):1228～1233.
【155】 Kim H S, Eykholt R, Salas J D .Nonlinear dynamics, delay times, and embedding windows [J].Phys D, 1999,127:48～60.
【156】 苑希民,李鸿雁,刘树坤.神经网络和遗传算法在水科学领域的应用[M].北京:中国水利水电出版社,2002,8.
【2】 马云瑞,苗济文,张益民宁,等.宁夏低矿化度回归水灌溉对土壤盐碱化的影响[J].农业环境保护,1998,17(4):241～244.
【3】 马云瑞,张益民,苗济文.宁夏灌溉回归水开发再利用的评价[J].自然资源学报,1997,12(2):133～138.
【4】 王杰,苗济文,张益民.银川灌区灌溉回归水质量评价[J].农业环境保护,1997, 16(4):145～148.
【5】 雍富强,刘学军.宁夏引黄灌区沟水利用研究[J].水资源保护,2004(3):17～19.
【6】 李三林,贾士权.浅析回归水利用及其效益[J].中国农村水利水电,1996(1):13～14.
【7】 马太玲,袁保惠,梅金铎.内蒙河套灌区建立回归水灌溉系统可行性分析[J].灌溉排水,2001,20 (2):69～72.
【8】 Skaggs,R.W. Field evaluation of a water Management Simulation Model[J].Trans ASAE, 1982,25(3):667～674.
【9】 Chang, A.C., R.W.Skaggs, L.F.Hermsmeier. Evaluation of a water management model for irrigated agriculture[J].Trans. ASAE,1983,26(2):412-418.
【10】 Gayle G,R.W.Skaggs.Carte.Evaluation of a water management model for a Louisiana sugar cane Field[J]. SocSugar cane Technil,1985,4:18～28.
【11】 Mcmahon,P.C,S.Mostaghimi.Simualation of corn yield by a water management model for a coastal plains soil[J].ASAE.1988,31(3):734～742
【12】 Luo W., R.W. Skaggs, Predicting field hydrology in cold condition with DRAINMOD[J].Trans ASAE,2002,44(4):825～834.
【13】 崔远来,张新,罗玉峰.稻田回归水模拟及其评价[J].灌溉排水学报,2005,(10):1～4.
【14】 张新,崔远来,董斌.回归水模拟的系统动力学模型[J].灌溉排水学报,2005,(2):57～62.
【15】 汪富贵.大型灌区灌溉水利用系数的分析方法[J].武汉水利电力大学学报,1999,32(6):28～31.
【16】 孙洪保.内蒙古河套灌区用水试验及结果应用[J].甘肃水利水电技术,2001,37(4):277～279.
【17】 刘昌明,任鸿遵.水量转换实验与计算分析[M].北京:科学技术出版社,1988.
【18】 谢新民,郭洪宇,唐克旺.华北平原区地表水与地下水统一评价的二元耦合模型研究[J].水利学报,2002(12):95～100 .
【19】 魏晓妹.地下水在灌区四水转化中的作用[J].干旱区农业研究,1995(3):54～57.
【20】 L'Vovitch,M.I.,Soil trend in Hydrological[J].Sciences Bulletin,1980,25(1):78～82.
【21】 L'Vovitch,M.I.,World water resource and their future[M].Printed by Lithocr after Inc.Chelsea, Michigan ,1979.
【22】 刘昌明,魏忠义等.华北平原农业水文及水资源[M].北京:科学出版社,1989.
【23】 甄宝龙,尚松浩,吐尔洪等.叶尔羌河年径流动态变化趋势分析[J].灌溉排水,1999(2):7～9.
【24】 雷志栋,尚松浩,杨诗秀等.叶尔羌河平原绿洲水资源可利用量的探讨[J].灌溉排水,1999(2):10～13.
【25】 雷志栋、胡和平、杨诗秀等.叶尔羌河灌区冬小麦灌溉试验与分析[J].灌溉与排水,1999(2):30～34.
【26】 毛晓敏,雷志栋,尚松浩等.作物生长条件下潜水蒸发估算的蒸发面下降折算法[J].灌溉排水,1999(2):26～29.
【27】 胡和平,李民,杨诗秀等.用直接估算法确定区域潜水蒸发量[J].灌溉排水,1999(2):22～25.
【28】 LEI Zhidon, ZHEN Baolong, SHANG Songhao.Formation and utilizeation of water resources of Tarim Rive r[J].Science in China (science E), 2001(6):28～33.
【29】 康绍忠,蔡焕杰.农业水管理学[M].北京:中国农业出版社,1996.
【30】 康绍忠,蔡焕杰,刘晓明等.农田“五水”相互转化的动力学模式及其应用[J].西北农业大学学报,1995(2):1～9.
【31】 李佩成,刘俊民,魏晓妹等著.黄土塬灌区三水转化机理及调控研究[M].西安:陕西科学技术出版社,1999.
【32】 新疆农业大学.新疆平原区大气降水、灌溉水、土壤水、地下水水量转化关系实验研究[M].乌鲁木齐:新疆科技卫生出版社,2002.
【33】 张保生,纪昌明,陈森林.多元线性回归和神经网络在水库调度中的应用比较研究[J].中国农村水利水电,2004, (7):29～33.
【34】 向速林,刘占孟,马丽平.地下水水质预测的多元线性回归分析模型研究[J].贵州科学,2006,24(1):60～62.
【35】 陈如云.多元线性回归技术在水文信息系统中的应用[J].广西工学院学报,1997, 16(4):96～98.
【36】 田胜龙,佟胤铮.多元线性回归在地下水资源评价中的应用[J].东北水利水电,2006,26(3):23～26.
【37】 张晓伟,沈冰,黄领梅.灰关联分析与多元线性回归模型联合应用研究[J].水资源与水工程学报,2006,17 (1):44～46.
【38】 徐海量,陈亚宁.塔里木河下游荒漠化多元回归模型分析[J].干旱区资源与环境,2003,17(4):78～82.
【39】 班国德,魏伟,宋扬.多元回归模型在平邑县城区地下水开发利用中的应用[J].地下水,2004,27(2):112～113.
【40】 邹玮,张锐,宋晓麟.利用逐步多元回归分析的孔隙度预测[J].内蒙古石油化工,2006,(11):139～143.
【41】 朱凯,李爱群,郭柏威.逐步回归多元统计预测模型研究及其程序设计[J].贵州水力发电,2005,19(3):72～74.
【42】 李贵红,张泓,崔永君.基于多元逐步回归分析的煤储层含气量预测模型-以沁水盆地为例[J].煤田地质与勘探,2005,33(3):22～25.
【43】 肖筱南.小样本多元逐步回归的最优筛选分析[J].统计与信息论坛,2002,17(1):22～24.
【44】 陈守煜.水文水资源与环境模糊集分析[M].大连:大连工学院出版社,1987.
【45】 陈守煜.中长期水文预报综合分析理论模式与方法[J].水利学报,1997(8):15～21.
【46】 杨明,胡环,姜玉婷.水库径流的模糊推理模式预报[J].水利水电技术,1999,30(12):82～83.
【47】 白子岩.模糊模式识别法在中长期预报中的应用[J].水利水电技术,1999,30(2):95～96.
【48】 王振宇,梁汉华,刘国华.雨季段中长期预报模糊聚类模型及其应用[J].水力发电学报,2005,24(2):106～111.
【49】 邓聚龙.参数不完全系统的最小信息量[J].华中工学院学报,1982,3(3):44～49.
【50】 邓聚龙.灰色控制系统[M].武汉,华中工学院出版社,1985.
【51】 冯宛平等.雨季段中长期预报模糊聚类模型及其应用[J].全国第一次灰色系统与农业学术会,1984:65～69.
【52】 杨叔子等.时间序列的工程应用[M].武汉:华中理工大学出版社,1991.
【53】 袁嘉祖等.灰色系统理论及其应用[M].北京:科学出版社,1991.
【54】 夏军.水文水资源管理中的统计理论及不确定性的研究与展望[J].水资源研究,1992,13(1):56～59.
【55】 刘光吉.模糊灰色马氏过程在水库洪水预报中的应用[J].水电能源科学,1989,7(2):41～43.
【56】 郝永红,王学萌.娘子关泉域岩溶水资源保护研究[J].,系统工程理论与实践,2001,(4):133～136.
【57】 苑希民,李鸿雁,刘树坤.神经网络和遗传算法在水科学领域的应用[M],北京:中国水利水电出版社,2002,8.
【58】 胡铁松.神经网络预测与优化[M].大连海事出版社.1997,7.
【59】 M N French, W F Krajewski .Rain Forecasting[J]. Water Resources Research, 1992.28(3):1～31.
【60】 Hsiang Te Kung,L Yulin. Pattern Study Using Artificial Neural Networks[C], Proceedings of International Symposium on Impact of Climatic Change Global Warming on Hydrology and Water Resources China, 1993.72～82.
【61】 S Ranjithan, J W Fit . Network～Based Screening for Ground Water Reclamation under Uncertainty. Water[J] Resources Research. 1993.29(3):563～574.
【62】 吴骁.人工神经网络在暴雨预报中的应用[M].科学出版社,1993,2.
【63】 胡铁松,郭元裕,丁晶.水文时间序列预测的径向基函数网络方法[J].武汉水利电力大学学报,1996,29(6):159～163 .
【64】 胡铁松,傅军,丁晶.非线性时间序列预测的前馈网络方法及应用.水利发电学报,1996 (3):162～170.
【65】 覃光华,丁晶,王圣文.门限人工神经网络模型及其在洪水预报中的应用[J].四川水力发电,2002.12(4):34～36.
【66】 李宗坤,郑井星,周晶.误差反向传播神经网络模型的改进及其应用[J].水利学报,2003.7.
【67】 Vapnik V N ﹒ Estimation of Dependencies Based on Empirical Data[M]. Berlin: springer-Verlag,1982.
【68】 Vapnik V N﹒The Nature of Statistical Learning Theory[M]﹒NY: Springer～Verlag, 1995﹒
【69】 Cherkassky V, Mulier F﹒Learning from Data: Concepts, Theory and Methods[M]﹒NY: John Viley&Sons, 1997﹒
【70】 Cortes C, Vapnik V N﹒Support vector networks[J]﹒Machine Learning﹒1995, 20: 273～297﹒
【71】 Scholkopf B, Burges C, Vapnik V﹒ Incorporating variances in support vector learning machines[J]﹒In: Artificial Neural Networks-ICANN'96, SpingersLecture Notes in Computer Science, Berlin, 1996,26: 7～52﹒
【72】 Scholkopf B, Sinard P, Smola A etal﹒Prior knowledge in support vector kernels[J]﹒ NIPS'97, 1997,36:175～181﹒
【73】 Guyon I, Matic N, Vapnik V﹒Discovering informative patterns and data cleaning. In: Advances in Knowledge Discovery&Data Mining[M]﹒MIT Press, 1996, 181～203﹒
【74】 高学,金连文,尹俊勋,等﹒一种基于支持向量机的手写汉字识别方法[J]﹒电子学报,2002,30(5):651～654﹒
【75】 林宇生,杨静宇﹒基于 Gobor 滤波特征和支持向量机的人脸检测[J]﹒计算机}程与应用,2007,43(1):33～35﹒
【76】 王孝国,张小宁,杨吉斌﹒一种基于离散小波变换和支持向量机的人脸识别新方法[J]﹒解放军理工大学学报(自然科学版),2006,7(6):515～519﹒
【77】 周书仁,梁昔明,叶吉样﹒基于脸部信息和支持向量机的人脸检测[J]﹒计算机应用,2006,26(5):139～141﹒
【78】 李凯,郭子雪﹒基于 SVM 的函数模拟[J]﹒河北大学学报,2001,21(1):7～9﹒
【79】 高永刚,岳建,石杏喜﹒支持向量机在变形监测数据处理中的应用[J]﹒水电自动化与大坝监测,2005,36(5):36～39﹒
【80】 段纪军,陈琳,王海燕﹒基于数据挖掘技术与支持向量机的目标识别研究[J]﹒计算机与数字工程,2004,32(6):41～45﹒
【81】 李晓黎,刘继敏,史忠植﹒基于支持向量与无监督聚类相结合的中文网页分类器[J]﹒计算机学报,2001,24(1):62～68﹒
【82】 刘学军,陈松灿,彭宏京﹒基于支持向量机的计算机键盘用户身份验真[J]﹒计算机研究与发展,2002,39(9):1082～1086﹒
【83】 梅松,程伟平,刘国华.基于支持向量机的洪水预报模型初探[J].中国农村水利水电,2005,(3):110～112.
【84】 卢敏,张展羽.径流预测的支持向量机应用研究[J].中国农村水利水电,2006,(2):47～49.
【85】 张土乔,俞亭超.提高支持向量机洪水峰值预报精度研究[J].水力发电学报.2006,24(2):106～110.
【86】 李亚伟,陈守煜,韩小军.基于支持向量机 SVR 的黄河凌汛预报方法[J].大连理工大学学报.2006,46(2):118～121.
【87】 经玲,孙立.农业区地下水位动态变化预测的支持向量机模型[J].中国农村水利水电,2006,(3):106～108.
【88】 胡军华,唐德善.时间序列模型在径流长期预报中的应用研究[J].人民长江,2006,37(2):134～135.
【89】 杨弘,练继建.改进的时间序列模型在非汛期水沙预报中的应用[J].水利水电技术,2004,35(8):132～134.
【90】 张丽霞,雷晓云.时间序列分解模型在乌拉斯台河年径流量预测中的应用研究[J].水资源与水工程学报,2006,17(2):144～146.
【91】 沈焕荣,杨永全.日径流非线性时间序列分析模拟预报[J].四川大学学报(工程科学版),2001,33(1):140～142.
【92】 李亚娇,沈冰,李智录.基于趋势辨识理论的神经网络及其在水文时间序列预报中的应用[J].沈阳农业大学学报,2006,37(1):78～81.
【93】 沈冰,李荣峰,黄领梅.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.
【94】 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):19～21.
【95】 张双虎,黄强,孙廷容.水文时间序列的系统自记忆模式研究[J].西北农林科技大学学报(自然科学版),2006,34(12):144～148.
【96】 Kolmogorov A N.Preservation of conditionally periodic movements with small change in the Hamilton function[J]. Akad. Nayk .SSSR Doklady,1954,98:188～190.
【97】 E.Lorenz.Deterministic Nonperiodic Flow[J]. Journal of Atmosphere Science,1963,20:130～141.
【98】 Henon M.A two～dimensional mapping with a strange attracto r [J]. Commun.math.Phys,1976,50:69～77.
【99】 Ruelle D,Takens F.On the nature of turbulence [J]. Commun.math.Phys,1971,20:167～192.
【100】 Ruelle D,Takens F.On the nature of turbulence[J]. Commun.math.Phys,1971,23:343～344.
【101】 Li T Y, Yorke J A .Period three implies chaos[J]. Am.Math.Monthly,1975,82:985～992.
【102】 May R M.Simple mathematical models with very complicated dynamics [J]. Nature,1976,261:459～467.
【103】 Feigebaum M J.Quantitative universality for a class of nonlinear transformations [J]. Stat.Phys,1978,19:25～52.
【104】 Sivakumar B, Phoon K K, Liong S Y.Comment on "Nonlinear analysis of river flow time sequences”[J] Resources Research.1999,35(3):895～897.
【105】 Sivakumar B, Bermdtsspm R P, Olsson J, Jinno K. Evidence of chaos in the rainfall-runoff process [J]. Hydrological Sciences Journal, 2001, 46(1):131～145.
【106】 Sivakumar B, Bermdtsspm R P, Olsson J, Jinno K. Reply to "Which chaos in the rainfall-runoff process”[J]. Hydrological Sciences Journal, 2002, 47(1):149～158.
【107】 Sivakumar B, Bemdtsson R, Persson M. Monthly runoff prediction using phase-space reconstruction [J]. Hydrological Sciences Journal. 2001, 46(3):377～388.
【108】 Islam M N, Sivakumar B. Characterization and prediction of runoff dynamics: a nonlinear. dynamical view[J]. Advances in water resources. 2002,25:179～190.
【109】 Sivakumar B, Jayawardena A W. River flow forecasting use of phase-space reconstruction and artificial neural networks approaches[J]. Journal of Hydrology, 2002, 265:225～245.
【110】 Jayawardena A W,Li W K, Xu P. Neighborhood selection for local modeling and prediction of hydrological time series[J] .Journal of Hydrology, 2002,258:40～57.
【111】 丁晶,邓育仁,傅军﹒洪水相空间预测[J]﹒成都科技大学学报,1995,85(3):7～11﹒
【112】 温权,张勇传,张周胜﹒基于混沌动力学的日径流时间序列预测[J]﹒华中理工大学学报,1998, 26 (12):63﹒
【113】 权先璋,温权,张勇传﹒混沌预测技术在径流预报中的应用[J]﹒华中理工大学学报, 1999,27(12):41～43﹒
【114】 权先璋,蒋传文,张勇传﹒径流预报的混沌神经网络理论及应用[J]﹒武汉城市建设学院学报, 1999,16(3):33～36﹒
【115】 周寅康,付重林,王腊春,张捷﹒淮河流域洪涝变化可预报时间研究[J]﹒自然灾害学报,1999,8(4):42～47﹒
【116】 雷志栋,苏立宁,杨诗秀等.青铜峡灌区水土资源平衡分析的探讨[J].水利学报,2002(6):43-48 ﹒
【117】 汪林,甘泓,汪珊等. 宁夏引黄灌区水盐循环演化与调控[M]. 北京:中国水利水电出版社,2003,8.
【118】 谢新民,赵文骏等. 宁夏水资源优化配置与可持续利用战略研究[M]. 郑州:黄河水利出版社,2002,6﹒
【119】 尹大凯,胡和平,等.青铜峡银北灌区井灌井排水盐运动数值模拟[J].农业工程学报. 2002,18(3):1～4﹒
【120】 华东水利学院主编..水文学的概率统计基础[M].北京:水利电力出版社,1981,6 .
【121】 上海师范大学数学系概率统计教研组编,回归分析及试验设计[M] .上海:上海教育出版社, 1978.
【122】 屈忠义,陈亚新,史海滨,等.地下水文预测中 BP 网络的模型结构及算法探讨[J].水利学报,2004(2):88～93.
【123】 尚松浩,毛晓敏,雷志栋,等.冬小麦田间墒情预报的 BP 神经网络模型[J].水利学报,2002(4):60～64.
【124】 张小峰,谈广鸣,许全喜,等.基于 BP 神经网络的河道断面变形预测模型[J].水利学报,2002(11):8～130.
【125】 陈守煜,王大刚.基于遗传算法的模糊优选 BP 网络模型及其应用[J].水利学报,2003(5):116～120.
【126】 孙健,邱阿瑞,史文华.利用人工神经网络进行感应电机转子磁链估计[J].清华大学学报(自然科学版) ,1999,39(1):1～3.
【127】 黄元峰,刘源,胡波.动态递归模糊神经网络及其 BP 学习算法[J].武汉化工学院学报,2004, 26(4):65～70.
【128】 邹应斌,米湘成,石纪成.人工神经网络模型在水稻群体分蘖动态模拟中外推能力的测试[J].生态学报,2004,24(12):2967～2972.
【129】 Narendra K,Parthasarathy K.Nonlinear system identification using neural networks[J].Int J Control,1990, 10(1):1191～1214.
【130】 Martin T,Hagan,Hovard B,Demuth.神经网络设计[M].北京:机械工业出版社,2002,9:211.
【131】 尚钢,钟珞,陈立耀.神经网络结构与训练参数选取[J].武汉工业大学学报.1997, 19(2):108～ 110.
【132】 何勇,张淑娟,方慧.基于人工神经网络的田间信息插值方法研究[J].农业工程学报,2004,20(5),120-123.
【133】 张学工.统计学习的本质[M].北京:清华大学出版社,2000,10.
【134】 包为民,王浩,赵超.AR 模型参数的抗差估计研究[J].河海大学学报(自然科学版),2006,34(3):258～261.
【135】 胡必锦.MA(q)模型参数的估计[J].重庆交通学院学报,2006,25(5):265～269.
【136】 王丽娜,肖冬荣.基于 ARMA 模型的经济非平稳时间序列的预测分析[J].武汉理工大学学报(交通工程与科学版),2004,28(1):133～136.
【137】 李希国,刘贤赵.烟台地区降水量的 ARIMA 随机模型研究[J].水资源与水工程学报,2006,17(2):58～60.
【138】 何跃,陈川,黄智.基于 ARCH 模型的工业经济预警系统[J].统计与咨询,2006,(4):179～182.
【139】 何枫.股票价格预测的 GARCH 模型[J].统计与咨询,2006,(9):106～108.
【140】 王燕.应用时间序列分析[M].北京:人民大学出版社,2005,7.
【141】 王艳君,刘群,任一平.AIC 与 BIC 在亲体-补充量模型选择中的应用及比较[J].中国海洋大学学报,2005,35(3):397～403.
【142】 陈木法.特征值、不等式与遍历理论[J].科学通报,1999,19(23):2465～2470.
【143】 Packard N H.Geometry from a time series[J].Physical Review Letter,1980,45:712-716.
【144】 Takens F. Detecting strange attractors in turbulence [J].Lecture Notes in mathematics, 1980,89:366～381.
【145】 楼玉.混沌时间序列方法在径流预报中的应用研究[D].杭州:浙江大学,2005,2.
【146】 郁俊莉,王其文,韩文秀.经济时间序列相空间重构与混沌特性判定研究[J].武汉大学学报(理学版),2004,50(1):33～37.
【147】 黄胜,梁川.年径流时间序列的混沌分析[J].中国农村水利水电,2006,(4):27～29.
【148】 雷绍兰,孙才新.电力短期负荷的混沌局域关联性预测[J].重庆大学学报(自然科学版),2005,28(5):24～28.
【149】 熊淑贞,杨向锋,孙瑜.相空间重构方法研究[J].微处理机,2006,(10):61～62.
【150】 工金东,刘岩,赵海洋.基于延时嵌入法的往复式压缩机关联维数提取技术[J].化工机械,2005,32(4):214～216.
【151】 刘传孝,谭云亮,秦广鹏.相空间重构中时滞判定的功率谱分析法[J].岩土力学,2004,25(9):83～86.
【152】 Smith L A.Intrinsic limits on dimension calculations[J].Phys Lett A, 1998,133(6):283～288.
【153】 Nerenberg M A H, Essex C.Correlation dimension and systematic geometric effects[J].Phys Rev A, 1990,42(12):7065～7074.
【154】 洪时中,洪时明.用 Grassberger-Procaccia 方法计算吸引子维数的基本限制[J].物理学报,1994,43(8):1228～1233.
【155】 Kim H S, Eykholt R, Salas J D .Nonlinear dynamics, delay times, and embedding windows [J].Phys D, 1999,127:48～60.
【156】 苑希民,李鸿雁,刘树坤.神经网络和遗传算法在水科学领域的应用[M].北京:中国水利水电出版社,2002,8.