双隐层BP神经网络模型在区域水安全评价中的应用

基于BP神经网络的基本原理和方法,构建双隐层BP神经网络水安全评价模型.以相关文献资料进行模型评价效果验证.验证表明:所建立的双隐层BP评价模型和评价方法是合理可行的,是一种可以运用的区域水安全评价方法.基于此模型,结合丰水地区区域实际,利用层次分析法构建了符合丰水地区水安全评价的指标体系和标准,以文山州区域水安全评价为例进行分析.结果表明:文山州各评价区域不同规划水平年水安全评价等级为Ⅳ～Ⅱ级,即处于不安全与安全之间,客观反映了文山州现状及中、长期水安全状况,符合区域实际,评价结果可作为研究区域水安全评价的参考依据.     

基于AHP-BP模型的文山州水资源可持续利用评价分析

基于层次分析法和BP神经网络的基本原理和方法,结合区域实际,利用层次分析法构建了符合丰水地区水资源可持续利用指标体系和评价标准,从水资源条件、水资源开发利用效率、生态环境状况、水资源合理配置和水资源管理能力五个方面提出50个评价指标,运用双隐层BP神经网络,建立AHP-BP水资源可持续利用评价模型,对文山州不同规划水平年水资源可持续利用进行综合评价。结果表明:①不同规划水平年各评价区域水资源可持续利用评价为2～3级,即处于可持续与基本可持续之间,反映了文山州现状及中、长期水资源可持续利用状况,符合区域发展实际。②AHP-BP评价模型克服了层次分析法判断矩阵构造主观性强和一致性不易检验等缺点,满足客观评价要求,且双隐层BP神经网络具有比单隐层网络学习时间短,参数收敛迅速,自适应能力强等优点。     

基于BP神经网络的文山州水资源承载能力评价分析

基于人工神经网络模式识别理论和方法,依据水资源承载能力评价指标体系和标准,构建BP神经网络水资源承载能力评价模型,对区域不同规划水平年不同保证率情景下的水资源承载能力进行评价分析。结果表明：①文山州及各县级行政区域的水资源承载能力在不同水平年不同保证率情景下均未达到Ⅰ级标准,表明各评价区域水资源仍有一定的开发利用潜力。②BP神经网络模型的评价结果符合区域实际,且评价网络稳定,结果直观明了,是一种可以运用的区域水资源承载能力综合评价方法。     

岩溶地区生态环境脆弱性与水资源承载力评价方法研究——以云南省西畴县为例

构建岩溶地区生态环境脆弱性与水资源承载力评价的指标体系和分级标准,建立基于GRNN与RBF神经网络算法原理的生态环境脆弱性以及水资源承载力评价模型,采用内插法构造网络训练样本,对典型岩溶地区西畴县不同规划水平年生态环境脆弱性与水资源承载力进行评价分析。结果表明:①西畴县不同规划水平年生态环境脆弱性处于中度脆弱与强度脆弱之间,水资源承载力处于基本可承载与可承载之间,评价结果符合西畴县现状,可为岩溶地区生态环境治理和水资源开发利用提供参考。②GRNN与RBF网络模型对西畴县各水平年生态环境脆弱性与水资源承载力评价结果相同,表明研究建立的生态环境脆弱性与水资源承载力评价模型和评价方法均是合理可行的,同BP等网络算法相比,GRNN与RBF神经网络模型具有收敛速度快、预测精度高、调整参数少,不易陷入局部极小值等优点。     

SSO-BP模型在水资源可再生能力评价中的应用

为评价区域水资源可再生能力,提出了水资源可再生能力评价指标体系和分级标准,构建了基于BP神经网络的评价模型,并以云南省文山州水资源可再生能力评价为例进行实例研究。首先,遴选出单位面积水资源量等10个指标,构建水资源可再生能力评价指标体系和分级标准;其次,针对BP神经网络初始权值和阈值难以确定的不足,利用一种全新的仿生群体智能算法--群居蜘蛛优化（SSO）算法优化BP神经网络初始参数,提出了SSO-BP评价模型,并通过6个高维复杂函数对SSO算法进行验证,且与粒子群优化（PSO）算法进行对比;最后,利用SSO-BP模型对实例进行水资源可再生能力评价。结果表明：① SSO算法具有较好的收敛精度和全局寻优能力,可有效提高BP神经网络模型的预测精度和泛化能力。② 文山州各评价区域2014年水资源可再生能力处于最强与中等之间,符合区域现状。     

Elman与GRNN神经网络模型在水环境承载力评价中的应用——以文山州区域水环境承载力评价为例

利用层次分析法构建符合区域水环境承载力的评价指标体系和分级标准,基于Elman神经网络与广义回归神经网络(GRNN)算法原理,提出Elman与GRNN神经网络水环境承载力评价模型,采用内插法构造网络训练样本,将水环境承载力分级评价标准阈值样本进行评价,将结果作为区域水环境承载力等级评价的划分依据,对文山州不同规划水平年水环境承载力进行评价。结果表明:文山州不同规划水平年水环境承载力处于绝对可承载与基本可承载之间,客观反映了区域水环境现状及规划期望效果,可为区域水环境承载力评价和研究提供参考。Elman与GRNN神经网络模型评价结果基本相同,表明研究建立的区域水环境承载力评价模型和评价方法均是合理可行的,二者均可作为区域水环境承载力评价的选用模型。     

盘锦市水资源可持续利用评价分析

以盘锦市水资源可持续利用为例,运用AHP层次分析法分别从水资源管理能力、合理配置、生态环境、开发利用效率以及水资源条件5个方面选择50项代表性指标并构建评价体系与分级标准,然后根据BP网络与AHP层次分析原理构建建立评价模型,综合评价了盘锦市可持续利用状况。研究表明:盘锦市各分区水资源利用在不同规划水平年整体位于2-3级区间,评价结果能够较好的反映该区域中长期水资源利用状况;模型有效避免了判断矩阵一致性不易检验与主观性较强的不足,相对于单隐层网络双隐层BP网络具有自适应能力强、参数收敛速度快以及学习时间短等优点。     

基于GRNN模型的区域水资源可持续利用评价

利用层次分析法构建了符合丰水地区水资源可持续利用指标体系和评价标准,从水资源条件、水资源开发利用效率、生态环境状况、水资源合理配置和水资源管理能力5个方面提出50个评价指标,并运用GRNN神经网络水资源可持续利用评价模型,对文山州不同规划水平年水资源可持续利用进行了综合评价。结果表明：① 不同规划水平年各评价区域水资源可持续利用评价为2~3级,反映出文山州现状及中、长期水资源处于可持续与基本可持续之间的状况,亦表明所建立的GRNN评价模型和评价方法是合理可行的;② GRNN网络评价模型具有收敛速度快、预测精度高、参数调整少、不易陷入局部极小值等优点,可以更快地预测评价网络,能够满足客观评价区域水资源可持续利用状况的要求。     

基于极限学习机的长江流域水资源开发利用综合评价

为能客观、准确地对长江流域水资源开发利用进行综合评价,利用层次分析法构建了符合长江流域水资源开发利用现状的综合评价指标体系和分级标准,基于极限学习机(ELM)算法原理,构建了ELM水资源开发利用综合评价模型对长江流域及主要水系水资源开发利用进行综合评价,并构建RBF、BP神经网络模型作为对比评价模型。采用随机内插的方法在各评价分级标准阈值间生成训练样本和检验样本,在达到预期评价精度后将模型运用于长江流域水资源开发利用综合评价中。结果表明:ELM水资源开发利用综合评价模型对长江流域及主要水系水资源开发利用综合评价等级为4～8级,处于有潜力至失衡之间,与长江流域各主要水系水资源开发利用现状相符;该模型的评价精度和泛化能力均优于RBF及BP神经网络评价模型,是合理可行和有效的,可应用于长江流域水资源开发利用综合评价,具有参数选择简便、评价精度高、泛化能力强等优点。     

基于灰色三角白化权SPA模型在水资源脆弱性评价中的应用

文章从外部压力驱动和内部自然承载两方面探讨了水资源脆弱性评价中存在的不确定性要素,在此基础上建立了综合评价指标体系,分析灰色聚类法理论和SPA模型对联系度分量采用灰色聚类系数进行替代;针对等级标准中的不确定性信息利用灰色三角白化权函数进行处理和分析,依据各评价指标的主客观影响因素进行指标权重的求解并构建评价模型,以浑河流域为例利用所建立的模型进行水资源脆弱性综合评价分析。研究表明:浑河流域2016年水资源脆弱性为不脆弱标准等级,评价结果与该流域实际状况保持良好的一致性,优化后的评价模型可针对等级标准中存在的不确定性信息进行更好的处理;文章的研究成果可为提高浑河流域水资源利用效率并制定科学有效的管理机制提供一定的参考。     

水质综合评价的LM-BP神经网络通用模型应用

分析BP神经网络应用于水质评价中存在的问题和目前水质评价中的不足,基于地表水环境质量分级标准和L-M算法原理,提出LM-BP神经网络水质综合评价通用模型。利用随机内插方法在地表水环境质量分级标准阈值间生成训练样本和检验样本,采用顺序和随机两种方法选取训练样本和检验样本进行随机模拟;利用平均相对误差、最大相对误差等统计指标评价LM-BP模型性能,并构建传统BP、RBF模型作为对比模型;以某水质评价实例进行模型验证,并与灰色关联分析法、模糊综合评判法和TOPSIS法评价结果进行比较。结果表明：LM-BP通用模型具有评价精度高、泛化能力强、收敛速度快、算法稳定和通用性能好等优点,可应用于任意水质评价。在实际应用中仅需对通用模型的评价因子、输入维数和隐含层神经元数进行删减即可满足评价要求。     

Multilayer Feed Forward Models in Groundwater Level Forecasting Using Meteorological Data in Public Management

Managing the groundwater resources is very vital for human life. This research proposes a methodology for predicting the groundwater levels which can be very valuable in water resources management. This study investigates the application of multilayer feed forward network models for forecasting the groundwater values in the region of Montgomery country in Pennsylvania. Multiple training algorithms and network structures were investigated to develop the best model in order to forecast the groundwater levels. Several multilayer feed forward models were created in order to be tested for their performance by changing the network topology parameters so as to find the optimal prediction model. The forecasting models were developed by applying different structures regarding the number of the neurons in every hidden layer and the number of the hidden network layers. The final results have shown a very good forecasting accuracy of the predicted groundwater levels. This research can be very valuable in water resources and environmental management.     

双隐含层BP神经网络模型在老哈河水质预测中的应用

为了快速准确预测老哈河水质,采用老哈河2011-2015年水质监测数据,运用拉格朗日插值法补充缺失值,分别对化学需氧量、生化需氧量、高锰酸盐指数和总磷浓度建立Levenberg-Marquardt优化的双隐含层BP神经网络模型,利用2011-2014的数据建立训练网络,以2015年的数据进行验证与测试。结果表明:五日生化需氧量预测模型,第一隐含层节点数为4,第二隐含层节点数为12时,决定系数0.751 6(P=0.000 3),平均相对误差25.73%;化学需氧量预测模型,第一隐含层节点数为12,第二隐含层节点数为10时,决定系数0.887 5(P0.000 1),平均相对误差27.69%;高锰酸盐预测模型,第一隐含层节点数为6,第二隐含层节点数为3时,决定系数0.854 7(P0.000 1),平均相对误差28.90%;总磷预测模型,第一隐含层节点数为12,第二隐含层节点数为12时,决定系数0.889 2(P0.000 1),平均相对误差17.94%。应用拉格朗日插值法对缺失数据进行补充后建立的双隐含层BP神经网络模型相对误差均小于28.90%,模型的预测效果较好,其中总磷浓度预测效果最好。通过拉格朗日插值,可以建立老哈河赤峰段甸子点位污染指标的双隐含层人工神经网络模型进行水质预测。     

河流健康评价的回归支持向量机模型及应用

建立河流健康评价指标体系、分级标准及回归支持向量机（ SVR ）河流健康评价模型,并以云南省文山州清水河健康评价为例进行研究。首先,利用层次分析法（ AHP ）从水文水资源、物理结构、水质、水生生物和社会服务功能5个方面遴选出13个评价指标,构建3个层次的河流健康评价指标体系和5个等级的分级标准;其次,基于SVR原理,利用随机生成和随机选取的方法,在等级标准阈值间构造5种不同容量大小的训练样本和检验样本,提出5种不同容量方案的SVR河流健康评价模型,设计合理的输出模式,并构建具有良好性能的RBF（radial basis function neural network ）回归模型作为对比模型,利用模型随机5次运行的平均相对误差绝对值、最大相对误差绝对值和运行时间对各方案模型性能进行评价;最后,利用达到期望精度的SVR模型对实例进行评价分析。结果表明：①无论是训练样本还是检验样本,5种方案的SVR模型的预测精度和泛化能力均优于 RBF模型。在相同参数设置条件下,SVR模型随着样本容量的增加其精度和泛化能力变化不大;而RBF模型随着样本容量的增加其精度和泛化能力均有提高。表明SVR模型具有较高的精度和泛化能力,可以用于河流健康评价,尤其在小样本情况下,SVR模型的精度和泛化能力是RBF模型不可比拟的。②5种方案的SVR模型对清水河2011-2012年3次调查的评价结果均为健康,但已接近于亚健康。     

Cascade Correlation Artificial Neural Networks for Estimating Missing Monthly Values of Water Quality Parameters in Rivers

Three layer cascade correlation artificial neural network (CCANN) models have been developed for the prediction of monthly values of some water quality parameters in rivers by using monthly values of other existing water quality parameters as input variables. The monthly data of some water quality parameters and discharge, for the time period 1980–1994, of Axios river, at a station near the Greek – FYROM borders and for the time period 1980–1990, of Strymon river, at a station near the Greek – Bulgarian borders, were selected for this study. The training of CCANN models was achieved by the cascade correlation algorithm which is a feed-forward and supervised algorithm. Kalman's learning rule was used to modify the artificial neural network weights. The choice of the input variables introduced to the input layer was based on the stepwise approach. The number of nodes in the hidden layer was determined based on the maximum value of the correlation coefficient. The final network arhitecture and geometry were tested to avoid over-fitting. The selected CCANN models gave very good results for both rivers and seem promising to be applicable for the estimation of missing monthly values of water quality parameters in rivers.