基于BP神经网络的水质预测方法的研究

为了建立相应的水质预测和评价管理决策支持系统,在了解和分析一些常规水质模型的基础上,提出了用BP神经网络进行智能建模的方法,并结合东江自动监测站的实测水质数据进行了初步的探索,建立了东江水质预测的BP神经网络模型,并给出了仿真结果。结果表明,BP神经网络模型可以很好地对水质进行预测,解决系统中复杂的非线性关系,具有预测精度高,简便可靠等特点。     

基于灰色神经网络建模的水质参数预测

针对水质参数预测过程中样本数据少的特点,结合灰色新陈代谢GM(1,1)模型和BP神经网络模型,提出灰色新陈代谢BP神经网络组合模型。用灰色新陈代谢模型群的数据集作为BP神经网络的学习测试样本,解决了BP网络需要大量样本才能较好地逼近非线性函数的问题。实验表明,与普通BP网络、灰色新陈代谢模型比较,灰色新陈代谢BP神经网络组合模型的预测精度更高,能够应用于水质参数的预测。     

基于SVR-ARIMA组合模型的金泽水库氨氮预测研究

介绍了用于水质预测的Support Vector Regerssion(SVR)及Autoregressive Integrated Moving Average model(ARIMA)两种回归模型的优缺点,以金泽水库取水口水质氨氮为例,构建SVR-ARIMA组合模型,通过模型和实际数据验证了SVR-ARIMA模型的可预测性,预测效果优于单模型,短期的水质预测模型较准确的预测了金泽水库取水口的水质,可为水库取水水质提供支撑。     

K-Similarity降噪的LSTM神经网络水质多因子预测模型

针对水质预测问题,以地表水水质监测因子作为研究对象,提出了一种基于长短期记忆（LSTM）神经网络的水质多因子预测模型,同时利用提出的K-Similarity降噪法对模型的输入数据进行降噪,提高模型预测性能.通过与BP神经网络、RNN和传统的LSTM神经网络预测模型进行对比实验,证明了所提出的方法均方误差最小,预测结果更准确.     

基于神经网络的水厂水质预测研究

水质预测模型类型繁多,结构复杂,不同的模型有不同的特点,适用于不同的情况。针对中电建夹江青衣水厂取水口的实际情况,采用不同的神经网络模型和不同的特征选择方法对水质数据进行预测,经对比发现:对于该厂取水口的水质预测问题,采用单层LSTM网络预测效果最好,对同一网络模型不对数据进行特征降维而用尽可能多的特征进行预测效果更好。该工作为后续更准确地预测提供了依据和研究方向。     

神经网络在污水处理过程中的应用

针对活性污泥法在污水处理过程中,水量会发生巨大的变化,以及运行所带来的强耦合、非线性、大滞后性等影响了污水处理的控制过程;利用神经网络技术特点对污水处理厂进行模拟实验,建立BP神经网络模型的仿真,用试凑法确定隐含层节点的个数,为了避免建立的网络过大,在训练网络过程中,避免出现网络"过训练",建立合适的网络模型;通过对污水处理过程中输入数据的水质的变量参数,来预测未来某一时间输出某一水质变量参数;结果表明,BP神经网络可以应用于活性污泥法水处理过程中对水质参数进行模拟仿真和预测的效果。     

基于小波变换和支持向量机的水质预测

提出基于小波变换和支持向量机的水质预测模型。该模型运用小波变换得到水质时间序列在不同尺度下的变化特性,并用改进后的粒子群算法优化回归支持向量机的三个参数,提高了模型预测精度。运用该模型对王江泾自动监测站测得的溶解氧浓度进行了1步预测及2步预测,10组测试样本最高MAPE为4.54%,并用基于BP神经网络的预测结果进行了比较。结果表明,该模型性能良好、预测精度高、简便易行,比基于BP神经网络的模型具有更好的预测效果,为水质预测提供了一种有效的方法。     

结合灰色扩充的GA-BP神经网络模型在渭河水质遥感反演中的应用

以渭河陕西段水域为研究对象,用遗传算法改进的BP神经网络,结合灰色理论,建立了一种结合灰色扩充的GA-BP神经网络模型,对渭河水质中的主要污染指标CODmn(高锰酸盐指数)、COD(化学需氧量)、NH₃-N(氨氮)、DO(溶解氧)进行了遥感反演建模。实验证明：改进后的人工神经网络模型在预测精度上高于普通的BP神经网络模型和传统的多元线性回归模型,可用于渭河水质遥感反演建模。
     

基于NW型小世界人工神经网络的污水出水水质预测

为了预测污水处理出水水质,针对污水处理过程具有多变量、非线性、时变性、严重滞后的特点,提出了基于NW型小世界人工神经网络的污水处理出水水质预测模型;首先根据污水处理系统确定模型输入输出变量个数,然后建立了多层前向小世界神经网络模型,并对网络模型的隐层结构进行了优化研究;借助污水处理过程的历史数据进行了仿真研究,结果表明:和同规模的多层前向人工神经网络相比,小世界神经网络对污水出水水质预测具有较高精度和收敛速度,为污水出水水质的实时预测提供了一种有效的新方法。     

模糊粗集理论在污水参数软测量中的应用

出水水质的建模与预测是污水处理过程先进控制的基础,针对污水生化处理过程的非线性、大滞后等特点,提出一种基于模糊粗糙集和RBF神经网络的出水水质预测方法.先用模糊粗糙集理论约简属性消除冗余信息后,建立基于RBF神经网络软测量模型,并应用该模型对实际污水厂的出水氨氯预测进行仿真.结果表明了该软测量模型的可靠性和有效性.     

基于Bagging算法的水库水沙联合智能调度

水库水沙调度是一项非常复杂的综合性问题,存在大量的非线性关系。传统的调度方法往往难以达到满意的效果。该文提出了一种基于Bagging算法的水库调度方法。用神经网络建立水库调度预测函数,在此基础上,利用Bagging算法构造了基于神经网络的预测函数序列进行预测,预测的平均值用于水库调度。实验结果表明,符合实际情况,且具有明显的经济安全效益。     

基于EFDC模型的乌东德水库水质模拟推演系统

为实现对乌东德水库蓄水后水质演变过程的定量预测,研发乌东德水库水质模拟推演系统。采用半紧密式集成方式集成功能强大、源代码开放的EFDC模型,通过Java编程语言编制模型和推演系统之间的接口,将水质模拟推演核心计算模型和信息系统串连起来,实现乌东德水库水质模型的联机在线运算。模拟推演系统对EFDC模型输入参数进行抽象,简化输入条件,用户通过修改输入边界条件,可模拟平水、丰水、枯水期,乌东德水库化学需氧量、总磷、总氮等水质因子的沿程变化,在水质模拟推演结果的表达上以地图为主,采用地图加图表的方式展示,形象直观。研发成果实现专业模型软件的业务化运行,方便管理人员和决策者使用。     

基于Adaboost算法的水质组合预测方法研究

水质预测是水环境污染防治的重要内容,针对传统水质预测方法精度低、收敛速度慢等问题,研究首先选取Symlets和Daubechies小波系作为小波函数,对原始数据进行去噪处理并对比,再结合RBF、Elman神经网络以及支持向量机各自优点,通过不同算法优化三种预测模型,提出基于Adaboost算法将优化后的RBF、Elman神经网络以及支持向量机相结合的组合预测方法。以北海为对象进行仿真实验,验证基于Adaboost的溶解氧组合预测方法的有效性,并分别与单一模型的预测结果进行对比,结果表明该方法相比于传统的单一模型预测精度得到了提高,为水质精准预测提供了一种新思路。     

基于遗传算法的BOD神经网络软测量

针对污水处理过程中关键水质参数无法在线监测的问题,提出基于遗传算法和BP神经网络相结合的污水水质软测量方法,该方法采用遗传算法优化神经网络结构和权、阈值分布,再用BP算法对神经网络进行训练,得到最优的建模网络.仿真结果表明该方法可以避免单独使用BP网络容易陷入局部最小的问题,并能加快全局收敛速度,对水质参数BOD(生化需氧量)预测实时性好、稳定性高、精度高,可用于污水水质的在线预测.     

改进的QGA-BP模型在复杂水质预测中的应用

水质预测是实现非线性水系统的柔性管理、防治水污染的前提工作.机理性水质预测模型的构建往往较复杂并且需要大量运算与数据,预测效果有时不够精确,其进一步推广应用也受到限制.文中以淮河复杂水环境非机理性水质预测为目的,构建改进的量子遗传算法优化BP神经网络模型,采用动态改进策略和灾变策略作为进化操作准则来优化BP模型的权值和阈值,用历史观测数据作为学习范例训练模型.对比实验结果发现,模型改进以后,进化代数、收敛速度和预测结果的准确率有较大提高.该模型用于水质预测的黑箱问题是可行的,拓展水环境管理的思路.     

基于PCA-GABP神经网络的BOD软测量方法

针对污水处理过程中关键水质参数无法在线监测的问题．提出基于PCA-GABP神经网络的污水水质软测量方法。该方法由两部分组成：主元分析PCA和GABP神经网络。其中,GABP算法采用局部改进遗传算法优化神经网络权值。并采用自适应学习速率动量梯度下降算法对神经网络进行训练,建立软测量模型。仿真结果表明该软测量模型稳定性好、精度高,可用于污水处理厂对BOD进行在线预测。     

基于变尺度混沌QPSO-LSSVM的水质溶氧预测建模

在水产养殖业中,水质对水中生物体的生长具有重要的影响,影响水质的因素主要包括:养殖水体的温度、pH值、氨氮含量、水中的溶解氧含量等等。根据统计资料显示,直接或者间接的遭受缺氧致死的鱼类,大约占到养殖鱼类死亡总数的60%,因此对水质溶氧含量进行预测对水产养殖业具有很大的意义。在预测方面,传统神经网络容易陷入局部最优,模型的推广能力不够强,支持向量机模型能够克服神经网络的这个缺点,具有很好的推广能力。本文运用变尺度混沌量子粒子群优化算法优化最小二乘支持向量机,选取国家罗非鱼产业技术研发中心无锡养殖基地的实际测量数据作为训练和测试样本数据,对水质溶氧情况进行预测。针对粒子群优化算法和量子粒子群优化算法容易陷入早熟的缺点,提出变尺度混沌量子粒子群优化算法来对最小二乘支持向量机进行参数寻优,并将这种建模方法运用于水质溶氧预测中。将传统神经网络模型以及基于量子粒子群优化算法优化的最小二乘支持向量机模型的预测结果与本文所建立的模型的预测结果相比较,证明了本文算法具有优越性,同时该模型较好的预测了水质溶氧趋势,为渔业的养殖提供了良好的参考价值。     

基于小波降噪和LSTM的海参养殖氨氮预测

海参具有极高的营养价值和药用价值,水质环境对其产量有一定的影响。为了更好地调控水质,尽可能使海参生长在最佳状态,采用改进的小波降噪方法处理数据,建立长短期记忆(LSTM)神经网络模型对海参养殖环境中的氨氮浓度进行预测。实验分别采用多影响因素作为模型的输入,氨氮浓度作为输出,建立氨氮浓度与各水质因子之间的关系模型,实现氨氮浓度预测。实验结果表明,改进的小波降噪方法有效减少了噪声,LSTM神经网络模型在海参养殖水质预测中效果显著。所提方法为海参养殖下一步水质调控提供了参考数据,进而可提高海参养殖的质量和产量。     

基于灰色新陈代谢神经网络的管网末梢水质预测模型研究

针对管网末梢水质环境存在信息不确定、非线性的情况,本文结合灰色预测＂贫信息＂及BP神经网络非线性拟合强的优点,提出了灰色新陈代谢神经网络预测模型。该模型采用灰色新陈代谢GM（1,1）模型对BP网络的输入样本进行预处理,解决了BP网络需要大量学习样本的局限。仿真结果表明,与灰色新陈代谢、BP神经网络相比,灰色新陈代谢神经网络预测精度更高。     

基于ABC-BP模型的丹江水源地水质监测系统设计

为促进秦岭地区生态环境保护,确保"一江清水送京津",设计了基于ABC-BP模型的丹江水源地水质监测系统;该系统通过ZigBee和4G无线网络对pH值、DO、导电率、水温等水质数据进行采集和传输,并基于BP神经网络建立了水质参数预测模型,为减小预测误差,采用人工蜂群算法(ABC算法,artificial bee colony algorithm)对BP神经网络预测模型的权值和阈值进行优化,建立了ABC-BP水质参数预测模型;试验结果表明,该算法与BP神经网络算法相比误差减少了45.8％,系统实现了pH值、DO、导电率、水温等水质参数的实时显示和预测功能,能更好地对水源地水质进行智能监测.