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。     

优化BP神经网络在地下水计算中的应用

采用动态惯性因子对粒子群算法进行改进,并将其应用到BP神经网络的优化中,依据滦河某观测站数据建立地下水动态预测网络模型.预测结果表明:在训练样本、预报因子和建模参数都相同的情况下,BP神经网络的收敛速度明显较慢;粒子群算法代替梯度下降法优化BP神经网络,有效地提高了计算精度、加快了收敛速度、改善了神经网络的稳定性;混合动态惯性因子的粒子群算法,收敛速度快速提高,计算误差大幅减小,精度及稳定性均较高.     

基于BP神经网络的水环境质量评价模型的研建

选择丹江口水库13个水质监测断面,应用了人工神经网络BP算法,构建了丹江口库区水环境质量评价模型。通过5个水质监测项目,氨氮、总氮、总磷、高锰酸盐指数、化学需氧量对丹江口水库库区水质进行了综合评价,并与单因子评价法的综合评价结果进行了比较,二者评价结果基本一致。应用结果表明,BP神经网络用于水环境质量评价具有客观性、通用性和实用性。     

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。     

BP网络在巢湖水质评价中应用

为了掌握巢湖的水质变化状况，根据忠庙、果湖闸、裕溪闸不同监测断面１９９１年－１９９５年的水质监测资料，初次应用ＢＰ网络技术对目前的巢湖水环境质量进行了评价。本文简介ＢＰ网络主人方法与成果。     

基于 MCMC 的 BP 网络在水质评价中的应用

一、水质评价方法水质评价方法总的来说可分为两大类：单因子评价法和综合评价法。单因子评价法计算简单,可直观反映哪些指标超标,但由于是对单个水质指标独立进行评价,因此得到的评价结果不能全面反映水质量的整体状况,可能会导致较大的偏差。综合评价法可同时评价多种指标对水质的影响,从整体上给水质一个客观全面的评价。当前研究较多的综合评价法包括综合指数法、灰色聚类法、灰色模式识别法、模糊综合评判法、模糊模式识别法和人工神经网络模型等。综合指数法通过多个指标并赋予各指标不同权重的综合来判断水质标准,它综合考虑了各指标对水质的影响,     

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.     

基于BP神经网络在白洋淀水质综合评价中的应用

选用2012年为现状年,应用BP神经网络建立白洋淀水质综合评价模型,用训练好的BP神经网络模型对白洋淀各监测断面的水质现状进行类别评价。结果显示,与单因素评价法相比,BP神经网络法是一种更加客观、有效和实用的环境质量评价方法。     

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。     

基于LM算法的BP神经网络在大坝变形监测数据处理中的应用

针对传统反向传播（BP）神经网络收敛速度慢、计算量大的缺点,引入一种结合LM（Leverberg Marquart）优化算法的BP神经网络,并应用在大坝的变形预报中。实验结果表明,新模型具有训练速度快、预测精度高的特点。     

基于灰关联和BP神经网络法评价黑河流域水质

为探明黑河流域的水质状况,于2013—2015年每年的4月、7月和12月对黑河流域中的八宝河、野牛沟、北大河、梨园河、红水河、山丹河、张掖湿地、中游干流、额济纳河、东居延海小流域水体进行采样,测定溶解氧(DO)、氨氮(NH3-N)、总氮(TN)、总磷(TP)、高锰酸盐指数(CODMn)作为评价因子,采用灰色关联法和BP神经网络法对黑河流域水质状况进行综合评价。结果表明:BP神经网络法的评价结果较为符合黑河流域实际,八宝河、野牛沟、红水河水质良好,以Ⅲ类为主;北大河、梨园河、山丹河、中游干流、额济纳河水质较差,以Ⅳ类为主;张掖湿地、东居延海水质较差,常年为Ⅴ类,主要原因是营养盐和污染物富集,超出水体自净能力,造成水质状况较差。     

BP神经网络算法在年电力负荷预测中的应用

本文主要研究电力负荷预测方法，依照神经网络系统理论，建立神经网络模型，并通过实例计算，介绍了BP神经网络算法在年电力负荷预测中的应用。     

基于BP神经网络和模糊聚类分析的露天煤矿地下水质量评价

针对阜新新邱露天煤矿排土场淋溶水对附近于家沟地区地下水环境质量的影响所存在的问题,对研究区内的17眼水井分别采样,进行水质分析,采用模糊聚类分析方法对影响区地下水质量进行了评价,再利用BP神经网络对数据进行训练的和预测,研究了隐层节点对预测精度的影响,根据研究结论可确定出该区域地下水污染范围,具有一定的工程应用参考价值.     

基于峰值识别理论的BP神经网络模型及应用

针对神经网络模型在进行河道洪水预报中,由于大流量样本少而使洪峰模拟精度不高的问题,在自适应BP模型的基础上,引入一种峰值识别理论,即对峰值样本的网络误差加入合理的误差修正系数,建立一种BPPR算法模型.并将两种算法(BP,BPPR)模型进行了对比,通过实例计算,加入误差修正因子的BPPR算法模型比没有加入误差修正因子的BP算法模型对洪峰峰值的预报精度明显提高,而且总的模型的预报精度也有所提高,这对河道洪水预报在延长其预见期和提高其预报精度方面提供一种新的思路.     

改进BP神经网络在水环境质量评价中的应用

针对传统水环境评价方法的不足,建立了改进的BP神经网络水环境质量评价模型.采用遗传算法对BP神经网络参数进行优化改进,并给出了该模型建模的一般步骤.以抚河流域进行实例应用,将其评价结果与投影寻踪评价结果进行比较,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,在水环境评价中具有较好的应用价值.     

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。     

基于遗传学习算法和BP算法的神经网络在矿坑涌水量计算中的应用

本文采用遗传学习算法和误差反向传播算法(BP)相结合的混合算法来训练前馈人工神经网络(BPN)，即先用遗传学习算法进行全局训练，再用BP算法进行精确训练，使网络收敛速度加快和避免局部极小。作为实例，本文将该方法运用于多维时序问题。根据山东省黑旺铁矿的矿坑充水条件建立了一个网络，以矿坑充水的各种控制因素相关资料作为样本，对网络进行训练并用训练好的网络预测矿坑涌水量。网络的训练速度及预测结果表明，该算法收敛速度较快，预测精度很高，为矿坑涌水量预报提供了一种新思路和新方法。     

投影寻踪和BP网络在农村饮用水水质评价中的应用

日渐严重的农村饮用水水源污染问题已经影响到人们的日常生活,对水质变化情况的及时了解并针对其综合状况进行合理评价十分必要。根据农村饮用水水源地特点,选取了粪大肠杆菌、氨氮、总磷、高锰酸盐指数、溶解氧5个主要污染物作为评价指标,建立投影寻踪等级评价模型,计算水质标准等级与水质样本投影值,通过比较投影值得出样本等级。然后用BP神经网络对样本及投影值进行学习并预测,验证计算结果的合理性。以安徽省定远县的11个地表水水源地丰水期和枯水期水质进行实际评价。计算结果表明:与常用评价方法相比,模型准确有效,可为水质综合评价提供新方法。     

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.     

BP神经网络在鱼洞河滑坡稳定性评价中的应用

 以边坡高度、边坡角度、岩土重度、粘聚力、内摩擦角等作为输入模式变量，建立BP人工神经网络训练样本集以之用作滑坡稳定性评价。通过对网络学习参数的优化，如学习速率为0.9，学习步长为0.7，在迭代12 589次网络训练后样本收敛。以此为基础，建立BP神经网络各隐含层的连接权重和阈值，进行模式识别，完成了鱼洞河边坡状态和稳定系数的计算。计算结果表明，鱼洞河边坡处于破坏（不稳定）状态，稳定系数为1.100 5