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-MCMC 70
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