径向基函数网络在湖泊富营养化程度评价中的应用

本文建立了一个ＲＢＦ人工神经网络，并探索用于湖泊富营养化程度评价的可行性，同时 一种简便，快速的训练ＲＢＦ网络的最小二乘算法（ＲＢＦ－ＬＳ算法）在１２个湖泊富营养化程度评价中应用成果表明，本文提出了ＲＢＦ网络及其算法是合理，可行，能用的。     

集对分析法在湖泊水质富营养化评价中的应用

在集对分析原理的基础上,结合水质富营养化评价特点,提出了基于5元联系度的集对分析方法.将集对分析理论中的3元联系度拓展到5元联系度,综合考虑事物的确定和不确定因素,在对水质富营养化进行综合评价时,分别把水质富营养化的分类等级和水样质量指标作为集对,求得与各个水样的联系度,实现对水样水质的等级评价和水样质量排序.研究结果表明:该方法简便、通用,计算结果较为客观和稳定,可为水质富营养化综合评价提供新的有效方法.     

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。     

人工鱼群算法在湖泊富营养化综合评价中的应用

提出了一种对多项指标都能普遍适用的湖泊水质富营养化评价的逻辑斯谛模型,将人工鱼群算法应用于逻辑斯谛曲线模型中的参数优化,并用优化后的逻辑斯谛曲线模型对湖泊富营养进行综合评价。对我国5个湖泊富营养化实测数据进行评价实例研究,并与其他多种评价方法进行比较,结果表明该模型具有实用性和可行性。     

光合细菌在湖泊富营养化防治中的应用研究进展

对湖泊富营养化的危害及其防治方法进行了总结和分析，论述削减内源性污染的技术途径主要有营养盐控制、物理除藻、化学杀藻、生物抑藻等措施，并在此基础上对光合细菌在湖泊富营养化防治中的作用机理及成功应用的案例进行了评述，对其应用前景作了展望。     

基于属性识别模型的湖泊富营养化评价

为合理地确定湖泊的富营养化状态,从属性识别理论出发,建立了湖泊富营养化评价的属性识别模型,并结合熵权法确定的权重系数对东昌湖的富营养化状态进行评价。评价结果为各湖区全年均属于富营养化级别,并且7月份的富营养化程度最高,12月份次之,4月份最低,这与集对分析法和模糊识别方法评价的结果一致。表明该模型的评价结果是合理的;同时该模型简便、易懂,可作为湖泊富营养化评价的一种可行方法。     

基于可变模糊模式识别模型的湖泊富营养化评价

针对湖泊富营养化评价中存在模糊性的特征,应用可变模糊模式识别模型对湖泊富营养化进行评价。通过对传统模糊数学得到的结果进行比较,表明可变模糊模式识别模型考虑到各指标值优劣方面对评价结果的影响,避免了最大隶属原则评价可能出现的偏差。     

基于MATLAB下BP网络在河流污染物浓度预报中的应用

文中简介了MATLAB语言和BP神经网络，并运用于河流污染物浓度的预报中，取得了良好的效果，说明运用BP神经网络进行河流污染物浓度预报是可行的．人工神经网络用于解决河流污染物传播扩散的复杂非线性问题，具有其独特优势．运用MATLAB神经网络工具箱，免去了繁琐的编程工作，值得进一步的研究和实践。     

富营养化湖泊生态恢复关键技术

湖泊富营养化已经成为一个日趋严重的全球性环境问题,引起了社会各界的广泛关注与重视。目前,富营养化湖泊生态系统恢复采用的技术主要有：底泥疏浚、引流冲污、人工曝气复氧、微生物修复技术、水生植被修复技术、生物操纵修复技术等。其中生物治理技术将在富营养化湖泊生态系统恢复中发挥重要的作用。     

Application of artificial neural networks for classifying lake eutrophication status

Several artificial neural network architectures were ‘trained’ on data from the Eastern Lake Survey – Phase I of the Environmental Protection Agency's National Surface Water Survey in order to investigate which physical–chemical parameters are possibly of greatest importance in determining the eutrophication status of lakes. From the 110 available lake parameters in the Survey, 60 were chosen as input to the neural networks. The traditional eutrophication classification scheme of Vollenweider was used for comparative purposes. The various artificial neural network simulations showed that, in addition to total phosphorus and inorganic nitrogen, turbidity, specific conductance, lake elevation and hydrogen ion concentration were identified as the most significant parameters affecting the classification of lakes in regard to their eutrophication status. These results suggest a conceivable association between these parameters and lake eutrophication, thereby indicating a need for further study on these relationships. A model simulation utilizing an unsupervised neural network did not provide much insight into the lake eutrophication status, but did show that the available physical–chemical lake data could be categorized according to physical region, thereby providing an indication that the lake data used in this study were region‐dependent.     

基于MATLAB的Elman神经网络在大坝位移预测中的应用

根据MATLAB的Elman神经网络模型能够逼近任意非线性函数的特点和具有反映系统动态特性的能力,提出了一种利用：Elman神经网络建立大坝位移预报模型的方法。通过实例比较Elman模型与BP模型的预测效果,结果表明,所建立Elman神经网络模型不仅收敛速度快,且其预测精度高于BP网络模型。利用MATLAB神经网络工具箱能使工作者从繁琐的编程中解脱出来,有效的提高工作效率。     

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。     

乌梁素海水质富营养化评价及其年季动态变化特征

运用均匀随机数以富营养化等级评价标准产生建模样本和验证样本，利用实码加速遗传算法(RAGA)优化Sheperd水质评价模型中的参数，建立了Sheperd-RAGA富营养化等级评价模型，据此计算了乌梁素海1996-2003年夏初、仲夏、秋末3个时点的富营养化等级，在此基础上分析了乌梁素海富营养化等级的年季动态变化特征以及与富营养化主控因子之间的影响关系。     

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。     

基于小波分析的NARX神经网络在水位预测中的应用

高精度的水位预测能为防洪决策、水资源管理等提供重要的调度依据,减少洪旱灾害损失。为提高预报精度,提出一种基于小波分析的NARX神经网络模型(DWT-NARX),综合考虑洪泽湖入湖流量、出湖流量、周边用水、前期水位等因素,对洪泽湖日水位进行预报,并与BP神经网络、NARX神经网络模型进行比较。结果表明,三种模型在短历时预报中均取得了较好的模拟预测效果。当预见期为1或2天时,Nash-Sutcliffe效率系数均大于0.9,合格率大于85%;当预见期超过3d,NARX模型在水位变幅较大的时段预测结果变差,BP模型出现严重的震荡现象,NARX和DWT-NARX模型结果均优于BP神经网络,DWT-NARX在整体上结果最优。研究成果可为洪泽湖的水位预报提供一定的参考价值。     

基于BP神经网络的大坝沉降预测模型

以某大坝沉降监测数据为例,利用Matlab软件的BP神经网络工具箱进行建模分析和预测。结果表明,滚动BP神经网络算法能较好地应用于大坝沉降数据的预测,具有良好的应用前景。