改进BP神经网络在地下水环境质量评价中的应用

以LM算法和步长自适应法对BP神经网络进行改进,并将输入数据采用压缩系数法进行处理, 用改进后的BP神经网络对黄河流域某地区地下水环境质量进行评价,并和内梅罗指数法、灰色聚类法评价结果相比较,结果表明改进后的BP神经网络计算速度快、评价精度高、结果客观准确。     

基于BP神经网络的模糊聚类法分析地下水质成因

将基于BP神经网络的模糊聚类分析法应用于糯扎渡水电站坝区地下水的水质成因分析表明，该方法在解决实际问题中具有应用前景。     

基于模糊综合评价法的地下水环境质量评价

为了确定某储煤基地地下水的污染区范围,运用模糊综合评价法,选择总硬度、溶解性固体、SO2-4、Cl-、氟化物、NO3--N、Fe、Mn、Cr6+为评价因素,对5个监测点进行水质分析,并通过Matlab编程,结合其强大的数据处理功能,对其地下水水质进行评价。分析结果表明,该储煤基地水质状况尚可,但是2号监测点附近水质属于严重污染。     

白城市地下水质量现状评价

根据吉林省白城市境内选取的9个测点地下水指标的实测数据,对白城市地下水质量现状进行评价。选取的评价指标分别为氨氮、铁、氟化物、铅、砷、高锰酸钾、矿化度、硬度。评价方法分别采用加附注评分法与人工神经网络法,其中人工神经网络法选用BP神经网络、T-S模糊神经网络2种方法。评价结果显示:2种人工神经网络法评价的水质类别均在Ⅰ～Ⅲ类之间,水质较好;加附注评分法评价出的水质类别中只有穆家店屯水质属于Ⅱ类,其他测点均为Ⅳ类。对比3种方法评价的结果可知,BP神经网络与模糊神经网络评价的水质类型之间的差异较小,加附注评分法比其他2种方法评价得出的水质类别大。     

清徐县地下水质量的模糊评价

地下水质量评价是地下水资源评价的一个重要组成部分。也是水环境质量评价的一个组成部分，本文运用模糊数学的方法探讨了清徐县平原区的地下水污染现状。对于查明地下水污染的原因，提出防治和保护地下水资源的措施提供了重要的依据。     

BP神经网络在地下水水质评价中的应用

地下水污染是当前较为严峻的现实问题,地下水水质评价是开发和保护地下水资源的前提,将BP神经网络应用到地下水水质评价中,解决了以往评价方法人为性较大和隶属函数构建不合理等问题。应用实例表明,BP神经网络法训练速度快、精度高,能如实地评价地下水质情况。     

基于模糊聚类分析的地表水环境变化趋势评价

介绍了模糊聚类分析理论用于地表水环境变化趋势评价的方法:利用极差法使原始数据标准化,用欧氏距离法构建模糊相似矩阵,用闭包法确定模糊相似矩阵并依此进行聚类分析.实例应用结果表明:模糊聚类分析法对水环境变化趋势的评价科学合理并符合实际,对掌握供水水源地水环境状况很有帮助.     

基于模糊神经网络的水电施工安全隐患评价

水电工程施工过程中存在的安全隐患多且动态变化,是造成水电工程事故多发的主要原因。为评价水电工程施工的安全隐患程度,基于模糊综合评价和BP神经网络建立了水电工程施工安全隐患评价模型,构建了一个具有多层次和多指标特性的水电工程施工安全隐患诊断指标体系,提出了重大、较大、一般、较小以及轻微的5个等级划分。结合实例,对某水电工程施工进行评价,确定其安全隐患等级,并对评价结果进行分析。结果表明:该水电站施工安全隐患等级为3级,符合其实际隐患排查情况。评价提出的模糊神经网络模型可操作性强,能有效分析水电工程施工安全隐患,对于水电工程施工过程的安全隐患排查具有一定参考意义。     

基于BP模糊神经网络的水轮发电机组故障诊断方法

运用模糊理论的故障征兆与故障原因之间的模糊关系,确定了BP神经网络的输入层和输出层,并结合水轮发电机组故障诊断具体实例建立神经网络的输入样本集,对神经网络进行训练,输入机组故障征兆向量,得出故障原因,从而验证了模糊神经网络的可行性与优越性.     

模糊聚类分析在地下水化学类型分类中的应用

地下水化学类型是水化学组成及其环境的表征,也是地下水质量评价的重要部分。利用某地区水文地质调查采集的检测数据,采用舒卡列夫分类法和阿列金分类法进行了地下水化学类型的分类,确定了研究区水化学类型以HCO3-Ca型为主;在此基础上选择模糊聚类分析法进行了水化学类型的分类和研究。结果表明:传统分类法可反映研究区地下水优势离子,确定地下水水化学类型,但无法解决归类特性所产生的分类不合理问题;模糊聚类分析法有效克服了传统分类法的弊端,可全面反映水样间的亲疏关系和相似程度,将研究区水化学类型细分为5类,更好地体现不同水化学类型间化学组分的含量特征。     

基于改进BP人工神经网络在地下水水质现状评价中的应用

利用改进BP人工神经网络模型对吉林市地下水水质进行现状评价,并与综合指数法评价结果进行对比,研究结果表明,改进BP人工神经网络应用于地下水水质评价简单实用,并得到与常规评价方法一致的结论,是一种快捷有效的评价方法.     

Assessment of water quality by firefly algorithm based on BP neural network model

Assessment of water quality by firefly algorithm based on BP neural network model ( FA-BP model) is built. In this model, the ev aluation index function is constructed by BP Artificial Neural Network Algorithm ( BP model) , and Firefly Algorithm ( FA model) is intr oduced to optimize weight values and thresholds to find the optimal solution. Fuzzy Comprehensive Evaluation method, Grey Incidence Analysis Algorithm and FA-BP model will be applied to evaluate the water quality of the five main rivers in Liany ungang City including Longwei, Yudai, Dapu, Paidan, and Dong yan River. The results show that the Fuzzy Comprehensive Evaluation method is difficult to use for slight pollution rivers with several slightly over standard indexes. It will be easy to ignore the impact of ex treme indexes by Grey Incidence Analysis Algorithm. FA-BP model solves the shortcomings of the two methods. The evaluation results pr ovide an important reference for the formulation of reasonable measures. It is a relatively comprehensive evaluation method and has agood a pplication prospect in water qualit yevaluation.     

基于主成分分析与BP神经网络模型的大坝渗流监测资料分析

大坝渗流观测资料分析中,各因子间常存在不同程度的相关性,这种相关性有时会对分析效果产生较大的影响,另外,通常的回归模型为线性模型,难以精确反映一般为非线性函数的因变量的变化规律。针对上述问题,本文将主成分分析和神经网络相结合,建立大坝渗流观测数据的主成分神经网络模型,经实例计算,该模型的预报精度较高。     

BP神经网络在渭北旱塬区地下水埋深预测中的应用

地下水埋深变化是地下水动态变化的主要特征之一。本文选取了渭北旱塬区两个具有典型性的观测井点,利用已有的2000年-2010年埋深数据以BP神经网络的方法对地下水埋深进行模拟和预测。结果表明:预测值与实测值拟合较好。故该方法可应用于地下水动态的预测。     

基于BP神经网络的温榆河水质参数反演模型研究

为进一步提高内陆水体水质参数遥感反演的准确性,北京市温榆河被选为研究对象,研究选取ETM＋数据和准同步实测水质指标（浊度、BOD;）数据,建立了多个隐含层数目为1的BP神经网络模型,并选出分别针对浊度和BOD5的最佳神经网络模型,利用ETM＋影像的波段组合值反演了浊度和BOD,浓度值。最后将其反演结果与常规多元线性回归模型的反演结果进行精度比较。结果表明：温榆河的水质参数遥感反演为非线性问题,使用BP神经网络方法进行浊度与BOD,两种水质参数反演的结果优于线性回归方法的反演结果。     

BP神经网络预测河流月径流量

河流的月径流量是随机变化的，影响因素很多，如人类活动、降雨、下垫面的土壤、植被覆盖情况。利用人工神经网络理论建立BP（Back-Propagation，反向传播方法）网络预测模型，用该模型对河流的月径流量进行预测，BP神经网络模型计算快速，占用内存小，还有很好的容错性，可以得到比较理想的结果，精度高，可靠性好。模型建立之后，将其用于实例，通过对大量样本进行很多次的训练学习，得到训练好的BP网络模型，最后进行预测，得到令人比较满意的结果。     

基于BP神经网络的潇河流域水质预测

针对传统水质预测方法存在预测精度不理想以及对实测数据要求较高的问题,建立基于BP神经网络的水质预测模型,以掌握研究流域未来一定时段的水环境质量情况.模型以潇河流域6个水质监测断面2017年1月-2020年5月的重铬酸盐指数和高锰酸盐指数的浓度作为训练集,以2020年6月-2020年8月的水质数据作为验证集进行模拟与预测...     

基于 BP 神经网络的场次洪水河道沙量预报

针对日益严重的河流泥沙问题,掌握河流泥沙的影响因素和泥沙的变化过程是泥沙治理的关键。以神经网络模型为基础,建立场次洪水沙量预报模型,对多沙河流的洪水挟沙量进行预报,并取得较好的预报效果。选择辽西北多沙河流大凌河作为研究实例,首先将1984年-1998年间的29场历史实测洪水资料进行分析,得到影响下游沙量的主要因素;然后,通过神经网络模型建立上游影响因素与下游沙量之间的关系;最后,选取其中6场洪水资料进行验证。模型计算结果表明,计算结果与实测结果误差在合理范围之内,精度符合要求,可以用于下游沙量的预报。