基于遗传优化神经网络的市政管网水质模型研究

将遗传算法的全局搜索能力和BP神经网络的局部学习能力有机结合,得到一种快速高效的建立供水管网余氯的水质模型的新方法。验证结果表明,遗传算法优化后的神经网络模型所需要考虑的参数较少,应用方便,预测精度和效率较高,在城市给水系统水质模拟预测研究中有一定的参考应用价值。     

基于Elman神经网络的供水管网浊度预测研究

浊度作为反映供水管网水质变化的重要指标,建立水质模型对浊度进行预测有利于指导水质控制措施的实施.为了适应浊度监测数据的动态性,选用Elman神经网络构建浊度预测模型.对数据进行缺失值处理、异常值识别与处理、标准化和重采样后,构建浊度单指标、浊度-余氯多指标和浊度-压力多指标Elman神经网络对供水管网浊度进行预测和评价...     

基于GIS与RBF神经网络的水厂原水藻类预测

利用地理信息系统(GIS)对水厂原水水质信息进行管理,将水质信息与水厂的空间信息有机联系,可提高水厂水质管理水平。采用径向基函数(RBF)神经网络对杭州市的4座水厂原水中的藻类含量进行预测,建立藻类含量预测模型,结果表明,RBF神经网络藻类含量预测模型与常用的细胞计数法相结合,可提高藻类含量预测精度,同时采用GIS技术将藻类含量预测结果以空间图形形式显示和输出,更具可视性,可为水厂有效地控藻除藻提供支持。     

基于深度学习方法的沪铜期货价格预测研究

为了提高沪铜期货价格预测的准确性,本文运用深度学习方法中的门控循环单元网络(GRU)、长短期记忆神经网络(LSTM)、卷积神经网络(CNN)三种模型对沪铜期货进行不同频率输入数据的价格预测,结果表明:相比于LSTM神经网络和CNN神经网络,GRU神经网络的预测效果最好。相对于低频数据,高频数据的预测结果更加准确。     

基于遗传神经网络模型的水质综合评价

建立了用于水质综合评价的遗传神经网络模型.该模型运用遗传算法优化改进型BP神经网络的初始权值和阈值,具有快速学习网络权重和全局搜索的能力,有效解决了BP神经网络容易陷入局部极小点和训练结果不稳定的问题.采用苏帕河梯级电站的水质监测数据对该模型进行了测试,并与其他方法进行了比较.结果表明,该方法用于水质综合评价客观、合理、准确,有其独特的优越性.     

边坡位移预测的RBF神经网络方法

利用边坡实测位移序列来预测边坡未来时间的位移,可以有效地判断边坡的稳定性。由于神经网络可以通过对样本的反复学习来反映边坡复杂的非线性演化关系,其预测效果要优于传统的预测方法。RBF神经网络作为一种性能良好的前馈网络,具有更好的逼近能力和全局最优特性。以边坡位移时间序列为基础,采用RBF神经网络建立边坡位移预测模型,通过最近邻聚类学习算法实现边坡位移预测,具有结构简单、学习速度快、预测精度高的特点,网络的外推能力也较强。通过2个工程实例说明边坡位移预测的RBF神经网络方法的有效性。     

采用BP神经网络模型对东北地区水库水水质的预测研究

采用BP神经网络建立了东北地区某水库水的浊度预测模型,同时针对该水库的地域特点,重点研究了冰封期对水源水水质预测的影响。结果表明,以浊度为预测对象,将水库的水质数据按照是否进入冰封期进行划分后建模,预测效果比划分之前有较明显的提高。     

基于BP神经网络的盐龙湖饮用水源水质预测

本文选取了盐龙湖饮用水源2015-2019年两个监测点的温度、溶解氧、高锰酸盐指数、氨氮、总磷、总氮6项指标作为样本数据建立BP神经网络模型,调整参数构建训练模型并进行数据验证,结果显示,该BP神经网络模型预测模拟训练后的模型预测精准度高,可以运用盐龙湖饮用水源水质指标的预测预警系统中.     

CAST工艺的BP和RBF人工神经网络仿真模型

将误差反向传播前馈(BP)神经网络模型和径向基函数(RBF)神经网络模型应用到CAST工艺中,并采用多输入、双输出神经网络模拟处理过程中各变量之间的关系和预测出水水质.误差分析结果表明,训练阶段RBF神经网络模型的拟合精度比BP神经网络模型的高,但两者的预测精度相差不大;测试阶段BP神经网络模型和RBF神经网络模型预测出水COD的平均相对误差分别为6.35%、6.80%,预测出水TN的平均相对误差分别为7.19%、5.49%,均在8%以下,这说明两种神经网络模型均可用于模拟CAST污水处理工艺各变量之间的关系和预测出水水质,为污水厂的运行管理提供了理论依据.     

基于时序神经网络的絮凝剂精准投加控制系统研究

自来水厂的混凝沉淀过程受水力条件、原水水质、絮凝剂投加量、水温、pH等多个因素影响，具有非线性、大时滞、多扰动等特点。传统的人工投加方式依赖主观经验，难以根据环境和水质变化动态准确地调整絮凝剂投加量，容易引发沉淀池出水水质不稳定或药物过量投加等问题。为此，研发了一种由分布式水下监测平台与时序神经网络预测模型结合PID控制算法构成的絮凝剂精准投加控制系统。首先，基于机器视觉的图像分割算法分析矾花颗粒面积占比和颗粒形态学特征，通过多维度综合研判絮凝反应效果，并对絮凝效果偏差的情况提供预警功能；其次，基于数据库中长期的监测数据，迭代训练时序神经网络预测模型，对出水浊度进行多步超前预测，突破了絮凝沉淀过程的大时滞响应与多因素扰动对自动控制算法带来的挑战。结果表明，采用精准投加控制系统后，出水浊度的波动幅度降低了62%，絮凝剂投加量减少了25%，在保证出水水质稳定的前提下，可以实现大幅降低药剂投加量的目标。     

Artificial Neural Networks for Forecasting of Fuzzy Time Series

Abstract: In this article, an artificial neural network for modeling and forecasting of fuzzy time series is presented. Modeling fuzzy time series with fuzzy data as random realizations of an underlying fuzzy random process enables forecasting of future fuzzy data following the observed time series. Analysis and forecasting of time series with fuzzy data may be carried out with the aid of artificial neural networks. A significant advantage is the fact that neural networks do not require a predetermined process model to simulate and forecast time series possessing fuzzy random characteristics. Artificial neural networks have the ability to learn the characteristics of an existing fuzzy time series, to represent the underlying fuzzy random process, and to forecast future fuzzy data following the time series observed. The algorithms developed are demonstrated using a numerical example.     

混沌局域法与神经网络组合供水量预测

城市供水量是非线性、非平稳时间序列,组合预测模型能获得更高精度预测结果。通过深入分析混沌局域法与神经网络预测模型特点,提出了一种新的组合预测模型。首先,应用混沌局域法对城市日供水量进行初预测,然后,应用神经网络对预测结果进行修正。由于所提出的组合模型利用了混沌局域法及神经网络进行优势互补,能同时提高预测精度与计算效率。为验证所提出组合预测模型的可行性,采用某市7a实测供水量数据,对混沌局域法、BPNN、RBF及GRNN神经网络4种单一预测模型及相应的3种组合模型预测精度进行定量分析,结果表明,组合预测模型精度都高于对应单一预测模型,混沌局域法与GRNN神经网络组合模型预测精度最高,且运算时间远低于单一神经网络模型运算时间。     

A new method of ozone forecasting using fuzzy expert and neural network systems

This study describes the method of forecasting daily maximum ozone concentrations at four monitoring sites in Seoul, Korea. The forecasting tools developed are fuzzy expert and neural network systems. The hourly data for air pollutants and meteorological variables, obtained both at the surface and at the high elevation (500 hPa) stations of Seoul City for the period of 1989-1999, were analyzed. Two types of forecast models are developed. The first model, Part I, uses a fuzzy expert system and forecasts the possibility of high ozone levels (equal to or above 80 ppb) occurring on the next day. The second model, Part II, uses a neural network system to forecast the daily maximum concentration of ozone on the following day. The forecasting system includes a correction function so that the existing model can be updated whenever a new ozone episode appears. The accuracy of the forecasting system has been improved continuously through verification and augmentation.     

基于PNN神经网络的地下水水质评价及应用

概率神经网络是一种训练速度快、网络稳定、应用相当广泛的人工神经网络方法,它通过利用线性学习算法来解决非线性问题,在模式识别的分类问题中得到了广泛的应用。本文在阐述概率神经网络(PNN)原理的基础上,以我国地下水环境质量标准(GB/T14848-93)为训练样本,建立概率神经网络(PNN)模型,并将该网络模型运用于地下水水质评价。通过与灰色聚类法、模糊评判法和指标分类法比较,验证了该模型更为准确、可靠。     

基于灰色RBF组合模型的城市用水量预测

为解决城市用水量预测中单一方法预测精度不高的问题,建立了灰色径向基（RBF）神经网络组合模型。对比实验结果表明,灰色GM（1,1）模型、RBF神经网络模型和灰色RBF神经网络组合模型的平均相对误差分别为2．1222％,1．2562％和0．6821％。与灰色GM（1,1）模型和RBF神经网络相比,灰色RBF神经网络组合模型充分发挥了灰色系统的贫乏数据建模和RBF神经网络的高度非线性映射能力的双重优势,具有较高的预测精度,更适合用于城市用水量预测。     

基于时空序列模型的RBF神经网络在河流水位预测中的应用

河流水位预测一直以来都是水文预报中研究的热点。河流水位变化不定,具有时间上和空间上的变化性、多维性、动态性和不确定性等,给水位预测带来了挑战。本文综合考虑河流水位时空信息,建立基于时空序列的RBF神经网络预测模型来预测河流水位。实验中预测了金沙江下游向家坝水文站的水位信息,并将实验结果与其他多种水位预测方法比较,实验结果显示基于时空序列的RBF神经网络模型在河流水位预测中具有较高精度,证明了方法的可行性。     

Large metropolitan water demand forecasting using DAN2, FTDNN,and KNN models: A case study of the city of Tehran,Iran

Efficient operation of urban water systems necessitates accurate water demand forecasting. We present daily, weekly, and monthly water demand forecasting using dynamic artificial neural network (DAN2), focused time-delay neural network (FTDNN), and K-nearest neighbor (KNN) models for the city of Tehran. The daily model investigates whether partitioning weekdays into weekends and non-weekends can improve forecast results; it did not. The weekly model yielded good results by using the summation of the daily forecast values into their corresponding weeks. The monthly results showed that partitioning the year into high and low seasons can improve forecast accuracy. All three models offer very good results for water demand forecasting. DAN2, the best model, yielded forecasting accuracies of 96%, 99%, and 98%, for daily, weekly, and monthly models respectively.     

城市用水量的混沌特性与预测

采用混沌理论对城市用水量时间序列的混沌特性进行了判定。基于最大Lyapunov指数法,提出了城市用水量短期预测的模型以及多步预测的步骤。实例研究表明,基于最大Lya-punov指数法的预测结果明显好于BP神经网络法,在计算得出的最大可预测时间尺度内预测精度较高,而在最大可预测时间尺度外的预测精度大为下降。     

混凝土氯离子扩散系数的RBF神经网络预测模型

提出了一种基于RBF神经网络的氯离子扩散系数预测模型,将RBF网络模型预测的结果与另外三种不同输入的RBF模型、BP网络模型的预测结果以及实测结果进行了对比分析,结果表明,RBF神经网络模型相对其他输入指标体系模型的预测精度有所提高,且能满足工程的需要,可以作为氯离子扩散系数预测的一种新的有效的方法。