基于AM-MCMC算法的贝叶斯概率洪水预报模型

被引：40

作者：

邢贞相 ^{[1
]}

芮孝芳 ^{[2
]}

崔海燕 ^{[1
]}

余美 ^{[2
]}

机构：

[1] 东北农业大学水利与建筑学院

[2] 河海大学水文水资源学院

来源：

水利学报 | 2007年 / 12期

关键词：

贝叶斯预报系统; 自适应; MCMC; 概率预报;

D O I：

10.13243/j.cnki.slxb.2007.12.003

中图分类号：

P338 [水文预报];

学科分类号：

摘要：

本文在贝叶斯预报系统的框架下,利用BP网络能描述非线性映射的特性建立了基于BP网络的先验密度和似然函数的模型,并采用基于自适应采样算法(Adaptive Metropolis algorithm,简称AM)的马尔可夫链蒙特卡罗模拟方法(Markov Chain Monte Carlo,简称MCMC)求解流量的后验密度,最后给出流量的概率预报。实例表明,基于AM-MCMC的BP贝叶斯概率水文预报的精度高,且能给出预报的方差,使得防洪决策可以考虑预报的不确定性。

引用

页码：1500 / 1506

页数：7

共 8 条

[1] 基于BP神经网络的贝叶斯概率水文预报模型
李向阳
程春田
林剑艺
[J]. 水利学报, 2006, (03) : 354 - 359
[2] 淮河息县站流量概率预报模型研究
钱名开
徐时进
王善序
王嘉涛
[J]. 水文, 2004, (02) : 23 - 25
[3] 遗传算法与BP模型的改进及其在水资源工程中的应用[D]. 邢贞相.东北农业大学 2004
[4] Hydrologic uncertainty processor for probabilistic stage transition forecasting[J] . Roman Krzysztofowicz,Coire J. Maranzano.Journal of Hydrology . 2004 (1)
[5] Bayesian system for probabilistic river stage forecasting[J] . Roman Krzysztofowicz.Journal of Hydrology . 2002 (1)
[6] Hydrologic uncertainty processor for probabilistic river stage forecasting: precipitation-dependent model[J] . Roman Krzysztofowicz,Henry D Herr.Journal of Hydrology . 2001 (1)
[7] An adaptive Metropolis algorithm
Haario, H
Saksman, E
Tamminen, J
[J]. BERNOULLI, 2001, 7 (02) : 223 - 242
[8] Inference from Iterative Simulation Using Multiple Sequences[J] . Andrew Gelman,Donald B. Rubin.Statistical Science . 1992 (4)

← 1 →