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.     

小波神经网络模型在滁河流域南京段洪水预报中的应用

滁河流域南京段小流域上游有洪水,下游有江潮,洪水预报精度常常偏低.神经网络在洪水预报领域应用广泛,因此采用BP神经网络模型和小波神经网络模型对滁河流域南京段进行洪水预报模拟.小波神经网络模型模拟指标显示总流量相对误差和洪峰流量相对误差均小于10％,峰现时间相对误差小于2 h,均方根误差小于100,相关系数大于0.90,...     

改进的BP神经网络模型在辽宁中部河流水质预测中的应用研究

本文采用改进的BP神经网络模型对辽宁中部某河流水质进行预测。结果表明:改进的BP神经网络模型引入横向和纵向伸缩修正系数对模型梯度函数进行改进,提高传统BP模型收敛和计算精度。在区域河流水质预测精度明显好于传统模型,预测的河流水质总氮指标值相对误差均值明显减少,月尺度过程相关系数有较大提高。     

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。     

结合灰色理论的人工神经网络方法 在水质预测中的应用

针对现阶段水质监测中存在的水质变化响应滞后问题,提出了采用灰色预测法、人工神经网络(BP神经网络、径向基神经网络、广义回归神经网络)以及两者组合的方法对水质动态预测进行研究。以太湖流域嘉兴斜路港监测断面为例,并依据后验差检验比值c及小概率精度p对模型预测效果进行了分析。结果表明,对年内预测,通过广义回归神经网络的动态预测值平均相对误差为0.61%,后验差检验比值小于0.65,小误差概率大于0.7;采用灰色结合广义回归神经网络的方法对水质pH值进行预测,平均相对误差仅有0.85%,后验差检验比值小于0.65,小误差概率等于1。研究结果还表明,对年际预测,灰色结合BP神经网络和灰色结合径向基函数神经网络的动态预测值平均相对误差分别为0.57%和0.80%,其后验差比值都小于0.5,小概率误差都为0.9,大于0.8。     

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。     

LM—BP神经网络在于桥水库水质预测中的应用

利用BP神经网络的改进算法（L-M）,通过对大量样本进行多次的训练学习,建立于桥水库水质预痢模型,用该模型对于桥水库高锰酸盐指数、五日生化需氧量、氨氮、溶解氧等污染指标进行了预测,预测结果表明,LM—BP神经网络模型用在于桥水库水质预测时是可行的,可以得到较为理想的的精度和可靠度。     

非点源污染河流水质的人工神经网络模拟

本文应用非点源污染河流水质的BP人工神经网络模型,模拟长乐江水体的总氮、总磷和溶解氧浓度的变化。通过模拟的水质参数相关性分析,协同非点源污染河流的机理性水质模型分析,确定适当的BP网络模型结构。采用实测的水质、水文逐月数据资料,对不同结构的BP网络模型进行了训练与验证。结果表明,相关性与机理性模型协同分析的方法,能较好地解决BP网络输入层参数的选择问题,所选择的参数较全面地表达了流域非点源污染发生的主要驱动因素和河流中污染物自净过程的主要影响因素。BP网络模型可以较精确地模拟非点源污染河流的水质变异,各水质参数模拟结果的平均相对误差在±10%以内。单隐含层结构的BP网络模型模拟结果比多隐含层结构模型结果更准确;单参数输出结构的网络模型模拟结果,优于多参数输出结构模型的模拟结果。     

改进的BP神经网络在双塔水库水质预测中的应用

疏勒河下游的瓜州绿洲水资源形成困难、水环境脆弱,属国家极端干旱荒漠自然保护区.研究利用加入动量项的BP神经网络并基于时间序列对1993年至2008年双塔水库水质指标年均值进行模拟和预测,确定模型参数为:输入节点数2,输出节点数1,隐含层数2,最小训练速率0.1,动态参数0.6,SIGMOID函数调整值0.9,允许误差0.0001,最大迭代次数10000.模型拟合相对误差值小于5％,预测检验误差小于10％.根据预测结果,水库在2009年至2013年属Ⅱ类水质,水质符合生活以及农业灌溉用水标准,但仍存在富营养化的风险.     

逐步回归和BP神经网络模型的枯季月径流预测

枯季径流是工农业用水的重要来源,分析和预报流域枯季来水情况,可为科学制定用水方案、合理调配水资源提供依据。运用逐步回归模型和BP神经网络模型分别对盘龙河流域枯季月径流进行拟合和预报分析,并采用相关系数、相对误差、合格率对两个模型预测精度进行比较。结果表明BP神经网络模型预测精度更高,预测结果精度满足规范要求,更适用于盘龙河流域枯期月径流的预测。     

秦淮河流域东山站水位预报研究

为提高秦淮河流域东山站水位预报的精度,基于BP神经网络算法建立经验预报模型,分别根据降雨历时、起涨水位两种模式对水位涨幅进行预报。分析了两种模式预报结果,选出最优的预报模式,并用混合线性回归模型作为预报精度的参考验证。结果显示,BP神经网络模型的预报精度高于混合线性回归模型,而且BP神经网络模型两种预报模式的结果都达到了乙级标准以上,根据起涨水位的预报模式效果更好。     

基于灰色马尔科夫模型的南四湖水质预测

针对传统GM(1,1)模型存在灰色偏差和抗干扰能力弱的问题,建立一种等维新息灰色马尔科夫模型.该模型采用灰色马尔科夫模型改进传统GM(1,1)模型,再利用等维新息思想更新建模所需数据序列.运用该模型对南四湖2019-2021年的水质状况和水质演变趋势进行预测,结果表明:灰色马尔科夫模型的相对误差小、精度高、预测结果合理...     

基于主成分分析的GA-BP模型在城市需水预测中的应用研究

针对城市需水预测模型中需水量影响因子多、影响因子之间普遍存在多重共线问题,以及BP神经网络收敛速度慢、易陷入局部最优等缺点,提出一种由主成分分析、遗传算法及BP神经网络三者相结合的改进预测模型。以泰州市为实例,建立以主成分分析筛选需水量主要影响因子,遗传算法优化BP网络连接权值和阈值的需水预测模型,预测结果与BP神经网络预测模型预测结果做对比。结果表明:改进预测模型对泰州市2003-2014年需水量预测的平均相对误差为0.564%,最大相对误差为1.681%,精度优于BP神经网络预测模型;改进预测模型预测值与实际泰州市需水量吻合良好且训练速度更快、预测精度更高,可作为需水预测的一种有效方法。     

证据理论融合蚁群神经网络的水质预测方法

为了提高水质指标预测的精度,提出了证据理论和蚁群神经网络相结合的组合预测方法。用蚁群神经网络作为单一模型对水质指标进行预测,再由BP、RBF网络对预测误差进行分析建模,获取每个模型的可信度。利用证据理论获取单一模型的权值,实现水质指标的组合预测。该方法克服了常规BP算法收敛速度慢、易陷入局部极值的缺陷,能有效提高预测精度。     

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。     

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。     

灰色关联—集对聚类预测模型在吉林省用水量预测中的应用

对地区未来用水量进行预测对于实现水资源的合理规划与调度有着重要意义。为了对吉林省未用水量进行合理预测,建立了吉林省短期用水量预测的灰关联-集对聚类预测模型,并用吉林省实际用水量数据对模型进行了交叉精度检验。结果发现:该模型对吉林省2015用水量预测结果与实际数据的相对误差为2.00%,预测精度好于灰色预测模型和BP神经网络模型。20年数据检验平均误差为2.675%,预测效果较好,可用于区域未来用水量预测。根据此模型以及吉林省发展规划,2020年吉林省用水量将达到138.74×10~8m~3。     

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。     

改进BP神经网络集成模型在径流预测中的应用

为提高径流预测预报的精度和泛化能力,建立了基于3种基本改进算法的BP神经网络集成预测模型。利用ADF单位根检验方法、自相关分析方法确定径流时间序列的平稳性和模型的输入向量。针对BP神经网络标准算法收敛速度慢、易陷入局部极值的缺陷,采用自适应动量梯度法、共轭梯度法和Levenberg-Marquardt法分别改进BP神经网络标准算法,依次构建基于3种改进算法的BP神经网络模型对文山州南利河董湖水文站年径流进行预测,并构建GA-BP预测模型作为对比模型;采用加权平均方法对各单一模型预测结果进行综合集成。结果表明:集成模型对南利河2001-2005年径流预测平均相对误差绝对值为4.67%,最大相对误差绝对值为7.11%,精度和泛化能力均优于各单一模型和GA-BP模型。集成模型克服了单一模型预测精度不高和误差不稳定的缺点,具有较好的预测精度和泛化能力,是提高径流预测预报精度的有效方法。