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。     

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.     

基于T-S模糊神经网络的水质评价方法及其在四水流域的应用

针对水质评价方法评价等级固化、评价方法整体性不强以及指标间差异较大等特点,引入了T-S模糊神经网络对水质进行评价。基于T-S模糊系统的数据处理能力和神经网络对数据间非线性关系的拟合能力,构造TS模糊神经网络。经过训练、检验发现该网络对生成数据的拟合程度较高,可以应用于水质评价。将该神经网络应用于湖南省四水干流的水质评价,发现四水代表水质站点的水质情况从2005—2015年期间基本符合地表水Ⅲ类水标准,同时,湘江湘潭站及长沙站存在一定的水质等级变优趋势。     

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BP神经网络的多因子洪水分类研究

采用BP神经网络模型实现洪水的在线分类,通过对模型进行训练和检验,可获得网络拓扑结构为6—3—1的多因子洪水分类模型,利用该模型将洪水划分成3类。以大伙房水库作为实例验证区域,研究表明:BP神经网络训练样本与检验样本的分类结果和实际结果完全吻合,说明此网络模型针对洪水分类的映射能力较高。     

基于AM-MCMC的BP神经网络在煤矿地下水评价中的应用

BP神经网络模型用于水质进行评价的研究已经很多,然而,传统的BP神经网络无法考虑相邻水质级别临界处的模型性,评价指标较多时运行速度慢,且训练样本少、代表性差,评价结果精度不高。为此,建立了基于AM-MCMC算法的BP模型。利用AM-MCMC算法模拟足够的代表性好的样本以为BP网络训练所需,用于灌区的水质评价。实例研究表明,与传统的BP网络相比,基于AM-MCMC的BP评价结果与实际水质比较更为客观、合理。基于AM-MCMC的BP模型能考虑相邻水质级别临界处的模糊性,克服训练样本少的缺点生成足够的代表性好的样本,快速有效地对灌区水质进行评价。此外,基于AM-MCMC的BP模型还可用于洪灾损失评价、地震灾害评价及其他评价问题,具有广泛的实用性。     

白城市地下水质量现状评价

根据吉林省白城市境内选取的9个测点地下水指标的实测数据,对白城市地下水质量现状进行评价。选取的评价指标分别为氨氮、铁、氟化物、铅、砷、高锰酸钾、矿化度、硬度。评价方法分别采用加附注评分法与人工神经网络法,其中人工神经网络法选用BP神经网络、T-S模糊神经网络2种方法。评价结果显示:2种人工神经网络法评价的水质类别均在Ⅰ～Ⅲ类之间,水质较好;加附注评分法评价出的水质类别中只有穆家店屯水质属于Ⅱ类,其他测点均为Ⅳ类。对比3种方法评价的结果可知,BP神经网络与模糊神经网络评价的水质类型之间的差异较小,加附注评分法比其他2种方法评价得出的水质类别大。     

基于模糊RBF神经网络的地表水环境质量评价

针对现有水质评价方法评价结论过保护、存在人为因素影响、表达模糊信息能力弱等问题,结合模糊评价和RBF神经网络的优点,构建了模糊RBF神经网络水质综合评价模型。模型应用于淮河安徽段,并与单因子评价法进行对比,以验证模型的合理性。评价结果表明,两种方法的评价结果基本一致,模型客观合理,淮河安徽段部分监测点水质Ⅴ类、劣Ⅴ类居多,总体水质状况较差,评价结果符合实际情况。     

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。     

人工神经网络理论在地下水水质评价中的应用

本文应用人工神经网络方法，在模拟人脑的思维方式下，建立了地下水水质模型，并对地下水水质污染程度进行评价。与运用综合指数法、模糊综合评判法和灰色聚类法等多种方法评价的结果相比较。结果表明，神经网络方法具有较强的处理相互矛盾样本的能力，尤其对非线性问题，其预测精度高     

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。     

基于神经网络的岩爆分级预测

为了检验神经网络在岩爆预测分级中的可行性,利用神经网络的模式识别特性,构建了岩爆分级预测的神经网络模型.以13组实测数据作为神经网络的训练样本、5组实测数据作为测试样本验证神经网络的工作性能.验证结果表明,神经网络的岩爆分级预测结果与实际结果完全一致,表明训练良好的神经网络可以用于工程实践中的岩爆分级预测.     

基于秩相关系数的区间数型水质量评价模型及其应用

针对区域阶段性水质综合评价中的模糊不确定性问题,提出一种基于Spearman秩相关系数的区间数型水质综合评价模型,将多时段水质监测样本的等级隶属问题转化为区间数型多属性决策方案的相关性计算问题。模型通过将水环境质量标准和待评价水质实测值构成决策矩阵,借鉴灰色理论的思想确定相对最佳方案,通过决策方案与相对最佳方案的Spearman秩相关系数,进而由相对海明距离确定研究区的水质等级。应用于浑河沈阳东陵大桥监测段进行实例检验,其评价结果与区间数集对分析法和区间数贴近度法评价相近,表明本模型能有效处理区间型水质评价问题,同其他区间数型水质评价方法比较,在评价过程中具有逻辑清晰,计算便捷,易与其他方法结合等优点。     

河流健康评价的回归支持向量机模型及应用

建立河流健康评价指标体系、分级标准及回归支持向量机（ SVR ）河流健康评价模型,并以云南省文山州清水河健康评价为例进行研究。首先,利用层次分析法（ AHP ）从水文水资源、物理结构、水质、水生生物和社会服务功能5个方面遴选出13个评价指标,构建3个层次的河流健康评价指标体系和5个等级的分级标准;其次,基于SVR原理,利用随机生成和随机选取的方法,在等级标准阈值间构造5种不同容量大小的训练样本和检验样本,提出5种不同容量方案的SVR河流健康评价模型,设计合理的输出模式,并构建具有良好性能的RBF（radial basis function neural network ）回归模型作为对比模型,利用模型随机5次运行的平均相对误差绝对值、最大相对误差绝对值和运行时间对各方案模型性能进行评价;最后,利用达到期望精度的SVR模型对实例进行评价分析。结果表明：①无论是训练样本还是检验样本,5种方案的SVR模型的预测精度和泛化能力均优于 RBF模型。在相同参数设置条件下,SVR模型随着样本容量的增加其精度和泛化能力变化不大;而RBF模型随着样本容量的增加其精度和泛化能力均有提高。表明SVR模型具有较高的精度和泛化能力,可以用于河流健康评价,尤其在小样本情况下,SVR模型的精度和泛化能力是RBF模型不可比拟的。②5种方案的SVR模型对清水河2011-2012年3次调查的评价结果均为健康,但已接近于亚健康。     

可拓神经网络在水质评价中的应用

可拓神经网络是可拓学与人工神经网络的有机结合,能够更好地模拟人脑神经系统思维等智能行为。讨论了神经网络物元模型、神经网络的物元可拓性及基本物元变换,并利用可拓学的扩缩变换,通过在输出空间中用一个区域来代替BP神经网络的训练停止区域,极大地提高了神经网络的训练速度。以几个主要指标作为衡量水质优劣的标准并作为神经网络的输入样本,建立可拓神经网络训练水质的模型,并与普通BP神经网络进行训练速度和训练效果比较,实验表明,用可拓神经网络对水质的评价效果更为明显。     

预防过拟合现象的 人工神经网络训练策略及其应用

针对人工神经网络技术在水文研究中出现的过拟合现象,从训练样本的构成入手,提出了两种新的训练策略,即择优检验和加权检验。前者通过计算比较,选择最优的训练样本;后者对不同训练样本的评定结果进行加权,以得到最终的结果。应用实例表明,此两种方法能有效地减轻神经网络中过拟合的缺点。     

河流水环境质量评价分析

随着社会经济的快速发展,水环境出现了严重污染问题。运用模糊综合评价法从水体水质方面对桑干河水环境质量进行评价,建立适合于桑干河的模糊综合评价模型,根据污染物对水质的影响程度大小来确定权重,在评价中利用复合运算对桑干河4个监测断面的水质评价结果进行分析,得出东榆林水库属Ⅱ类水质和固定桥、堡子湾和艾庄均属Ⅴ类水质的结论。     

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。     

混合智能算法在引水冲污方案优选中的应用

考虑水质、经济和生态环境影响等因素,建立佛山水道的引水规划优化模型。利用河网水环境数学模型模拟多组引水冲污方案的水质,将输入输出数据作为样本用于人工训练神经网络;将训练好的网络嵌入遗传算法,形成混合智能算法,求解引水规划优化模型。结果表明,混合智能算法能够自动求出不同引水流量下的最优方案,精度较高,无需人工试算,运算速度快,不必对遗传算法与河网模型进行接口处理,具有普遍适用性,为求解耦合复杂模拟模型的优化问题提供了一种理想的工具。     

基于减法聚类的ANFIS在水资源利用状况评价中的应用

水资源利用动态变化研究是以水资源利用状况评价为基础,通过水资源利用指数的时空变化来反映的科学。因此评价实体、目标、指标体系有所不同,评价模式(方法)也存在差异。由于涉及多个评价指标,所以属于高维数据处理问题。针对上述情况提出基于减法聚类的自适应模糊神经网络模型,通过减法聚类完成高维数据向低维空间的转换,即将每个样本的多个评价指标综合成一个综合指标,用自适应模糊神经网络建立水资源利用综合评价模型,从而实现对水资源利用状况的评价。