確定性水文模型的貝葉斯機率預報 : 理論與方法

內容簡介

本書在系統闡述貝葉斯預報系統的理論框架前提下，採用BP神經網路和改進的蒙特卡羅數值算法研究了貝葉斯預報系統的先驗密度、似然函式的表達方法及後驗密度獲取技術，構建了流域機率降雨預測模型和機率洪水預報系統。

圖書目錄

封面

確定性水文模型的貝葉斯機率預報:理論與方法

內容簡介

作者簡介

前言

緒論

0.1 人類面臨的水問題

0.2 機率水文預報的必要性

0.3 機率水文預報的特點

0.4 水文不確定性的來源

0.5 水文不確定性研究概況

0.6 機率水文預報的研究進展

參考文獻

第1章貝葉斯機率預報的基本理論框架

1.1 機率水文預報的特點

1.2 貝葉斯機率水文預報的原理

1.3 輸入不確定性處理

1.4 水文不確定性處理

1.4.1 水文不確定性處理簡介

1.4.2 貝葉斯理論在水文不確定性分析中套用

1.5 先驗分布的確定方法

1.5.1 利用先驗信息確定先驗分布

1.5.2 利用邊緣分布m(x) 確定先驗分布

1.5.3 無信息先驗分布

1.5.4 共軛先驗分布

1.5.5 多層先驗

1.5.6 主觀機率

1.6 似然函式的確定方法

參考文獻

第2章遺傳算法

2.1 遺傳算法簡介

2.2 遺傳算法可行的改進措施

2.2.1 控制參數的設定

2.2.2 編碼方式的改進

2.2.3 選擇運算元的改進

2.2.4 雜交運算元的改進

2.2.5 算法終止條件的改進

2.2.6 改進父代替換方式

2.3 基於實數編碼的加速遺傳算法的改進

2.3.1 算法的計算原理

2.3.2 算法的測試

2.3.3 RAGA在水資源工程中的套用

參考文獻

第3章馬爾可夫鏈蒙特卡羅算法

3.1 馬爾可夫鏈蒙特卡羅算法

3.1.1 馬爾可夫鏈蒙特卡羅算法的基本原理

3.1.2 馬爾可夫鏈蒙特卡羅期望值目標函式

3.1.3 馬爾可夫鏈蒙特卡羅處理機會約束

3.2 Adaptive Metropolis算法

3.3 MCMC的抽樣方法

3.3.1 AM-MCMC

3.3.2 Metropolis算法

3.3.3 Metropolis-Hastings算法

3.3.4 Gibbs採樣

3.4 AM算法的改進

3.4.1 基於貝葉斯理論的接受機率

3.4.2 初始樣本及協方差選擇的最佳化

確定性水文模型的貝葉斯機率預報 : 理論與方法

基本介紹

內容簡介

圖書目錄

相關詞條

熱門詞條