T-S模糊神经网络模型训练样本构建及其在鸣翠湖水质评价中的应用

该文利用T-S模糊神经网络模型评价鸣翠湖水质。根据不同的训练样本数量和训练次数设置多种工况,基于T-S模糊神经网络探讨了训练样本的三种构成方法,利用MATLAB软件进行编程计算。结果表明:训练样本的构成方式和数量明显影响神经网络的训练效果;由标准样本或监测样本训练的T-S模糊神经网络模型认知能力和泛化能力不足,对检验样本评价的准确率在80%以内。当混合样本中有足够多的监测样本时,可训练神经网络模型完全准确评价检验样本。将混合样本训练的模型应用于银川鸣翠湖的水质评价,结果显示从2014年到2019年水质类别从Ⅳ类逐渐提高到Ⅲ类,评价结果与当地实际情况相符。说明采用混合样本进行水质预测评价是合理的,以混合样本作为训练样本是一种简单有效的数据处理方法。     

人工神经网络模型在黄河水质预测中的应用

采用画匠营子断面2004-2009年逐周水质指标资料作为神经网络模型的训练样本,对BP神经网络进行训练,分别建立了pH值、溶解氧、氨氮、高锰酸盐指数的预测模型.为了验证模型的正确性,利用训练好的神经网络模型,采用调整后的权值和阈值,将2010年的数据作为独立样本进行预测检验.结果表明:基于BP神经网络的水质指标预测模型收敛速度快,对训练样本具有很好的拟合能力,且对检验样本的预测精度较高.     

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。     

几种神经网络模型在湖库富营养化程度评价中的应用

基于我国湖库富营养化评价标准和RBF、GRNN、BP、Elman神经网络算法原理,分别构建RBF等4种神经网络湖库富营养化等级评价模型,采用内插法构造网络训练样本,把我国湖库富营养化评价等级临界值作为评价样本进行“预测”,将“预测”结果作为湖库富营养化程度评价等级的划分依据,对全国24个主要湖库富营养化程度进行评价。结果表明：RBF、GRNN、BP、Elman神经网络模型对全国24个主要湖库富营养化程度评价结果基本相同,表明研究建立的RBF等4种神经网络湖库富营养化程度评价模型和评价方法均是合理可行的,其评价精度高,可为湖库富营养化程度评价提供新的途径和方法。同BP和Elman网络算法相比,RBF与GRNN神经网络模型不仅对湖库富营养化程度评价结果完全相同,且模型具有收敛速度快、预测精度高、调整参数少(只有SPREAD参数),不易陷入局部极小值等优点,可以更快地预测评价网络,具有较大的计算优势。     

自适应变步长BP神经网络在水质评价中的应用

为克服传统的BP网络的不足，采用自适应变步长算法（ABPM）来训练前馈人工神经网络。根据黄河流域的大汶河水系的水质监测的数据，建立了一个对地面水质进行判别的多层前馈网络数学模型。以地面水质七项污染指标为训练样本，对网络进行训练，并将训练好的网络用于水质进行评价，将计算结果与BP网络评价结果、单因子评价结果进行了比较分析。结果表明，ABPM神经网络方法收敛速度较快，预测精度很高，为水质评价提供了一种新方法。     

基于T-S模糊神经网络模型的钦州市主要河流水质评价

为客观评价河流水质,基于钦州市6条主要河流水质监测数据,将T-S模糊神经网络模型用于钦州市主要河流水质评价。结果表明:通过训练的T-S模糊神经网络模型具有很强的泛化能力,训练样本最大误差绝对值小于0.05;检验样本最大误差绝对值仅为0.092 4,能满足水质综合评价要求;钦州市内主要河流水质相对较好,处于Ⅱ~Ⅲ类,其中大风江、张黄江水质较好,马江较差。     

BP神经网络在岩爆预测中的应用

综合考虑围岩产生岩爆的内外在因素,采用地应力大小、岩石抗压和抗拉强度、岩石弹性能量指数等参数作为指标,建立了BP人工神经网络岩爆预测模型.将国内外具有代表性的工程实例作为样本,以提高网络的泛化能力;采用Levenberg-Marquardt算法来训练BP神经网络,以提高效率.实例表明,采用本文所给出的BP神经网络模型预测结果与实际情况相符,说明了此模型的有效性.     

BP神经网络在盘龙河水质综合评价中的应用

基于BP神经网络原理,建立人工神经网络水质综合评价模型,选取影响盘龙河水质类别的总磷、氨氮、高锰酸盐指数等7个指标作为评价因子,并参照GB3838—2002《地表水环境质量标准》,确定神经网络学习和训练样本,运用大型工程计算软件Matlab2010a工具箱中提供的函数进行计算,得到水质的综合评价结果,并将评价结果与单因子评价结果进行了比较。结果表明：BP神经网络模型的评价结果不仅令人满意,而且具有客观、可靠的优点,是一种科学、新型的水质综合评价方法。     

神经网络模型在预测BAF出水水质中的应用

采用BP神经网络模型对沈阳仙女河污水处理厂曝气生物滤池出水水质进行预测,将运行数据分为训练样本和测试样本,对神经网络模型的预测值和实测值进行t检验发现两者之间无显著差异,结果表明,神经网络模型可以对BAF处理系统的出水水质预测及运行管理提供参考。     

基于GA-BP与多隐层BP网络模型的水质预测及比较分析

采用循环算法确定最佳BP神经网络结构,建立BP神经网络水质模型进行预测.鉴于BP神经网络学习收敛速度慢、易陷入局部极值等缺点,在相同网络结构及期望误差等条件下,运用GA优化BP神经网络初始权值和阈值,构建GA-BP以及多隐层BP神经网络水质预测模型,以云南省某水库总氮预测为例进行预测与比较分析.结果表明:①GA-BP网络水质模型预测精度高于基本BP网络,表明遗传算法能有效优化BP网络初始权值和阈值.②增加BP神经网络隐层数能进一步提高网络预测精度,但训练时间也随着延长.③GA-BP及多隐层BP可作为提高网络预测精度的有效方法,二者均可用于水质预测预报,可为水质预测预报提供新的途径和方法.相对而言,GA-BP模型收敛速度快、预测精度高,具有一定的计算优势.     

基于SOFM和BP短期负荷预测方法

基于以自组织特征映射神经网络(Self-organizing feature map,SOFM)先聚类、神经网络再预测的模型以往多用在对疾病、天气方面的预测,由此提出了一种以SOFM与误差反向传播算法的神经网络(Back Propagation,BP)相组合应用为基本原理的短期电力负荷预测的组合模型。该模型主要基于SOFM网络的主要特性聚类,预先将训练样本集采取聚类分析,对其分为具有相似数据的若干子类,再根据每一子类构造一个BP网络模型。利用内蒙古自治区某市的实际日平均负荷数据进行仿真,证明了本文方法的有效性。     

基于SPA-BP的河流水质评价模型

将集对分析法(SPA)和BP神经网络结合起来建立基于SPA-BP的河流水质评价模型,直接由样本联系度矩阵得出评价结果,并给出评价样本与评价标准之间的各级隶属度值。模型应用表明,该模型评价河流水质具有客观性和实用性,评价结果较为直观、可靠。     

BP神经网络在盘龙河水质综合评价中的应用

基于BP神经网络原理,建立人工神经网络水质综合评价模型,选取影响盘龙河水质类别的总磷、氨氮、高锰酸盐指数等7个指标作为评价因子,并参照GB3838-2002<地表水环境质量标准>,确定神经网络学习和训练样本,运用大型工程计算软件Matlab2010a工具箱中提供的函数进行计算,得到水质的综合评价结果,并将评价结果与单因...     

梯级-关联算法在多泥沙河流含沙量预报中的应用

本文借助历史加成法处理样本数据，并分别利用梯级-关联算法(CC)和误差反馈传播算法(BP)建立模型对黄河下游夹河滩水文站汛期含沙量进行预报。传统BP网络需要预先设定网络结构，预报过程虽利用了神经网络的内插特性，但其样本的处理方式和网络构建方式使得运算效率较低；CC算法仅要求初始网络含有输入层和输出层，通过运算不断向网络增加隐含节点，从而最大限度的减少了在网络构建过程中的主观因素。本文比较了当预报的峰值超出训练样本取值范围时两种算法的表现，结果显示：当预报的峰值为训练样本峰值的2.45倍时，二者均能实现较为准确的预报，BP网络在预报精度上要略高于CC网络，但CC网络在运算速度上要明显快于BP网络。     

基于AM-MCMC算法的贝叶斯概率洪水预报模型

本文在贝叶斯预报系统的框架下,利用BP网络能描述非线性映射的特性建立了基于BP网络的先验密度和似然函数的模型,并采用基于自适应采样算法(Adaptive Metropolis algorithm,简称AM)的马尔可夫链蒙特卡罗模拟方法(Markov Chain Monte Carlo,简称MCMC)求解流量的后验密度,最后给出流量的概率预报。实例表明,基于AM-MCMC的BP贝叶斯概率水文预报的精度高,且能给出预报的方差,使得防洪决策可以考虑预报的不确定性。     

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。     

基于LM—BP算法的综合水质评价研究

人工神经网络(ANN)是复杂非线性科学和人工智能科学的前沿，其在水质评价方面的应用研究在国内外尚处于初创阶段。在详细分析LM算法的基础上，提出了基于LM算法的水质综合评价BP模型，并将该模型应用于实例进行效果检验。结果表明：LM—BP模型用于水质综合评价是可行的，与其它评价方法相比，评价结果更加客观、合理，而且网络训练速度最快，适合作为水质综合评价的通用模型。     

基于BP神经网络的区域地下水位动态预测

地下水系统是一个高度复杂系统，地下水位与其影响因素之间存在非线性映射关系，人工神经网络则是处理非线性问题的有效方法。把影响区域地下水位动态的5个主要因素作为网络输入向量，地下水位本身作为网络输出向量，采用快速BP算法构造地下水位动态预测的BP神经网络模型，最后将该模型应用于河套灌区义长灌域地下水位动态预测。结果表明，BP神经网络用于区域地下水位动态预测时有较高的精度。     

基于粒子群算法的BP模型在地下水位埋深预测研究中的应用

地下水水位埋深是影响河套灌区生态环境的主要因素,开展地下水位埋深预测研究对灌区远景发展规划与用水管理具有现实指导意义。本文采用基于粒子群算法的BP神经网络模型(PSO-BP),对河套灌区永济灌区地下水位埋深进行了预测模拟,相对于传统BP模型纳什效率系数NSE (0.791), PSO-BP模型NSE(0.887)提高了12%。表明, BP神经网络可以有效处理地下水位埋深与其影响因素之间的复杂非线性问题,同时粒子群算法可以提高模型的预测精度。     

基于改进的BP神经网络水源地水质安全预测

针对传统的BP神经网络未对影响因子进行筛选和筛选过程的主观性等问题,提出了改进的BP神经网络模型。选取山西省阳泉市地下水饮用水水源地的10个水质监测指标,进行Pearson相关分析得到相关系数;运用信息指标评价法对模拟因子进行筛选,得到最优的模拟因子,在明确BP神经网络的结构后,把最优模拟因子作为BP神经网络的输入样本,被模拟因子(水质状况综合指数)作为输出样本,建立水质预测模型。结果表明,预测的水质状况综合指数与实际值平均相对误差为3.80%,水质指数平均相对误差为0,较传统的BP神经网络模型精度高。