水库型饮用水水源地水质综合评价RDPSO-RF模型及应用

提出一种基于随机漂移粒子群(RDPSO)算法优化的随机森林(RF)水质综合评价方法,利用RDPSO算法优化RF决策树数量和分裂属性个数2个关键参数,构建RDPSO-RF评价模型,并与基于RDPSO算法优化的回归支持向量机(SVR)评价模型作对比,以红河州17个水库型饮用水水源地水质综合评价为例进行实例研究。通过评价因子各分级阈值构建样本对RDPSO-RF、RDPSO-SVR模型进行训练及测试,利用测试好的模型对实例水质进行综合评价。结果表明:RDPSO-RF模型对训练、测试样本模拟的平均相对误差绝对值分别为0.33%、0.90%,拟合-测试精度远优于RDPSO-SVR模型的1.12%、3.07%,具有较好的评价精度和泛化能力。RDPSO-RF、RDPSO-SVR模型对实例17个水源地水质评价结果基本相同,但有3个水源地水质评价结果存在差异。提出的RDPSO-RF模型及方法可为相关水质评价研究提供参考。     

基于RDPSO结构优化的三隐层BP神经网络水质预测模型及应用

提出基于随机漂移粒子群(RDPSO)算法结构优化的三隐层BP神经网络水质预测方法,利用RDPSO算法优化三隐层BP神经网络隐层节点数,构建三隐层RDPSO-BP水质预测模型,并与基于单隐层、双隐层节点优化的RDPSO-BP神经网络、基于网络权值阈值优化的RDPSO-BP神经网络预测模型作对比,以云南省五里冲水库总氮预测为例进行实例研究,利用实例60个月的总氮监测资料对此4种模型进行训练和预测。结果显示,三隐层RDPSO-BP神经网络模型对总氮预测的平均相对误差绝对值为6.98%,预测精度远高于其他3种模型,具有较好的预测精度和泛化能力。模型及方法可为相关水质预测研究提供参考。