1.一种基于经验小波消噪和神经网络融合的中长期径流预报方法，其特征在于，包括以下步骤：步骤一：获取水文站点的历史实测径流数据，建立中长期径流时间序列，并将样本数据分为训练期和检验期；

步骤二：采用EWT将径流时间序列分解为几个独立的经验模态，去除分解经验模态中频率最高的模态，并对剩余的经验模态进行线性求和，得到重构径流时间序列以消除原始径流时间序列的冗余噪声；

步骤三：对经EWT处理后的径流时间序列进行相空间重构，构造相空间矩阵作为基预报模型的输入因子，建立ANN基预报模型的输入、输出矩阵；

步骤四：采用步骤三确定的训练期输入、输出矩阵分别对RBF、ELM和Elman三种神经网络模型进行训练；

步骤五：将三种基预报模型的输出作为GRNN模型的预报因子，再次建立输入、输出矩阵，对GRNN模型进行训练，并将检验样本代入训练好的GRNN模型，得到检验期的预测值；

步骤六：采用四种评价指标包括均方根误差RMSE、平均绝对误差MAE、平均绝对百分误差MAPE和相关系数R评价对预报结果进行评价。

2.根据权利要求1所述的基于经验小波消噪和神经网络融合的中长期径流预报方法，其特征在于，在所述步骤二中，对于原始径流时间序列x(t)，EWT的分解过程如下：(1)根据快速傅立叶变换算法(FFT)计算原始径流时间序列x(t)的傅立叶频谱F(ω)；

(2)将傅立叶频谱F(ω)的频域[0,π]自适应的分割为K个带宽不等的频带，[0,ω1],[ω1,ω2],...,[ωK‑1,π]，其中，小波滤波器的边界ωn,n＝1,2,...,N‑1选取为两个连续局部极大值之间的中间频率；

(3)根据Meyer小波构造经验小波，确定经验小波函数ψk(ω)和经验尺度函数

4 2 3

式中， β(x)＝x(35‑84x+70x‑20x)；

(4)重构原始径流时间序列得到不同的经验模态。

3.根据权利要求2所述的基于经验小波消噪和神经网络融合的中长期径流预报方法，其特征在于，在所述(4)中，原始径流时间序列通过下式进行重构：式中，*为卷积运算，Wx(0,t)为近似系数，Wx(k,t)为细节系数，近似系数和细节系数分别通过下式给出：式中，ψk(t)和ψk(t)分别表示经验小波函数和经验尺度函数， 和 分别‑1

表示ψk(τ‑t)和 的复共轭，F (·)表示傅里叶逆变换， 和 分别表示ψ(ω)和 的傅里叶变换；

则经验模态uk(t)的定义如下：

4.根据权利要求1至3中任一项所述的基于经验小波消噪和神经网络融合的中长期径流预报方法，其特征在于，在所述步骤四中，RBF神经网络的隐含层使用高斯传递函数作为激活函数，高斯激活函数定义为：T T

式中，x＝[x1,x2,...,xn] 为n维的输入向量，ci＝[ci1,ci2,...,cin]为第i个隐含层神经元的中心，qi表示高斯函数的宽度，||·||为欧氏范数；则输出层第j个结点的响应为：式中，wij为第i个隐含层结点与第j个输出层结点之间的连接权重，h和m分别表示隐含层和输出层结点个数；

极限学习机是一种单隐层前馈神经网络，给定K个训练样本{xk,yk},k＝1,2,...,K，其T M T N中X＝[x1,x2,...,xK]∈R 为输入向量，Y＝[y1,y2,...,yK]∈R 为输出向量；则第k个训练样本的第j个隐含层神经元的输出表示为 其中，J表示隐含层神经元数目，g(·)表示激活函数，βj和aj分别表示输入层和隐含层之间想连接权重和偏置；

ELM模型第k个训练样本的输出表示为：

式中，wj表示隐含层和输出层之间的权重；

隐含层核映射矩阵表示如下：

ELM网络的输出表示为：

T

式中，w＝[w1,w2,...,wJ]；

ELM模型的目标是找到最合适的w，使得网络输出值 和实测值Y之间的误差最小，通过求解以下优化问题得到隐含层与输出层之间的关联权重：方程(12)的解根据Moore Penrose(MP)广义逆求得：式中， 是矩阵D的广义逆矩阵；

则ELM模型第k个训练样本的输出表示为：

Elman神经网络是一种动态递归神经网络，除了输入层、隐含层和输出层外，Elman神经网络还包括一个特殊的递归层，用于记忆隐含层神经元以前时刻的输出信息，然后将该信息用作隐藏层的输入。

5.根据权利要求1至3中任一项所述的基于经验小波消噪和神经网络融合的中长期径流预报方法，在所述步骤五中，假设已知随机向量x，y和联合概率密度函数p(x,y)，若x的观测值为X，则y关于x的回归表示为：式中，E[y|X]为给定输入X下输出Y的预测值，密度函数p(X,y)未知，由Parzen非参数估计进行估算：j j

式中， X 和Y 分别表示第j个样本的实测输入值和实测输出值，N是样本集的个数，d是x的维数，σ是平滑参数；

根据式(15)和(16)，GRNN模型的输出 表示如下：

6.根据权利要求1至3中任一项所述的基于经验小波消噪和神经网络融合的中长期径流预报方法，其特征在于，在所述步骤六中，RMSE，MAE，MAPE及R的计算公式如下：式中，qp(i)为预测值；qo(i)为实测值； 和 分别表示为实测值和预测值的均值；N是样本集的个数。