水質(zhì)預(yù)測是保障供水安全性的一項重要工作,通過一定手段對水源地水質(zhì)未來一段時間的變化趨勢加以預(yù)測評估,可以較為清楚地掌握水質(zhì)可能的變化。特別是對于未來水質(zhì)可能受污染而變差的情況,通過預(yù)測分析后能夠提前采取相應(yīng)措施,使水質(zhì)變化對供水安全性的影響降到最低。由于水體環(huán)境非常復(fù)雜,各個水質(zhì)因素之間的影響關(guān)系不明確,因此以建模為主要特征的傳統(tǒng)水質(zhì)預(yù)測方式普遍存在著操作繁瑣、預(yù)測精度不高等問題。為了解決這些問題,本文提出了采用以智能計算為基礎(chǔ)的BP人工神經(jīng)網(wǎng)絡(luò)算法對水質(zhì)進行預(yù)測。依靠BP人工神經(jīng)網(wǎng)絡(luò)算法強大的非線性映射能力和自動學(xué)習(xí)、適應(yīng)能力來分析處理復(fù)雜的水質(zhì)關(guān)系。但在實際操作中,發(fā)現(xiàn)BP人工神經(jīng)網(wǎng)絡(luò)算法因為自身結(jié)構(gòu)的特點,在誤差反向傳遞過程中各連接層的權(quán)值閾值往往存在較大的調(diào)整幅度和次數(shù),這一缺點使算法在運行過程中容易陷入局部最優(yōu)解從而降低預(yù)測的精度。同時,在選擇BP人工神經(jīng)網(wǎng)絡(luò)算法的輸入層自變量時,因為水質(zhì)監(jiān)測指標(biāo)眾多,對于需選取指標(biāo)的種類和數(shù)量沒有明確的規(guī)定,選取的指標(biāo)越多,雖然越能反映水體的真實情況,但也增加了許多不必要的信息,容易使算法對這些無關(guān)信息也進行學(xué)習(xí),降低預(yù)測的精度,同時原始數(shù)...

【文章頁數(shù)】：88 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 論文背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)的水質(zhì)預(yù)測方法
        1.2.2 現(xiàn)代水質(zhì)預(yù)測方法
    1.3 人工神經(jīng)網(wǎng)絡(luò)簡介
        1.3.1 人工神經(jīng)網(wǎng)絡(luò)的概念和特點
        1.3.2 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程及未來趨勢
        1.3.3 人工神經(jīng)元模型
    1.4 研究內(nèi)容及技術(shù)路線
        1.4.1 研究內(nèi)容
        1.4.2 技術(shù)路線
2 水源水質(zhì)及水質(zhì)標(biāo)準(zhǔn)
    2.1 水源水質(zhì)
    2.2 不同原水水質(zhì)特點
    2.3 水質(zhì)標(biāo)準(zhǔn)
        2.3.1 地表水環(huán)境質(zhì)量標(biāo)準(zhǔn)
    2.4 水體環(huán)境系統(tǒng)的主要特點
    2.5 本章總結(jié)
3 BP人工神經(jīng)網(wǎng)絡(luò)算法
    3.1 概述
    3.2 BP人工神經(jīng)網(wǎng)絡(luò)算法的結(jié)構(gòu)
    3.3 BP人工神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練過程
    3.4 BP人工神經(jīng)網(wǎng)絡(luò)算法的缺陷及改進方式
        3.4.1 BP人工神經(jīng)網(wǎng)絡(luò)算法的缺陷
        3.4.2 BP人工神經(jīng)網(wǎng)絡(luò)算法的改進方式
    3.5 本章總結(jié)
4 遺傳算法概述
    4.1 遺傳算法的概念
        4.1.1 遺傳算法的定義
        4.1.2 基本思想
        4.1.3 遺傳算法的特點
    4.2 遺傳算法的基本要素
        4.2.1 遺傳算法的編碼機制
        4.2.2 初始種群的設(shè)定
        4.2.3 適應(yīng)度函數(shù)
        4.2.4 遺傳操作
        4.2.5 遺傳控制參數(shù)的選擇
        4.2.6 基本遺傳算法的步驟
    4.3 遺傳算法的應(yīng)用
    4.4 本章總結(jié)
5 改進的BP人工神經(jīng)網(wǎng)絡(luò)算法
    5.1 概述
    5.2 輸入層的優(yōu)化
        5.2.1 皮爾遜相關(guān)系數(shù)法
        5.2.2 信息指標(biāo)評價法
    5.3 連接層權(quán)值、閾值的優(yōu)化
        5.3.1 優(yōu)化的意義
        5.3.2 優(yōu)化流程
    5.4 本章總結(jié)
6 工程實例
    6.1 實驗工具及數(shù)據(jù)來源簡介
        6.1.1 MATLAB中的神經(jīng)網(wǎng)絡(luò)工具箱
        6.1.2 MATLAB下的遺傳算法工具箱
        6.1.3 工程實例數(shù)據(jù)來源
    6.2 傳統(tǒng)水質(zhì)預(yù)測方法設(shè)計
    6.3 傳統(tǒng)BP人工神經(jīng)網(wǎng)絡(luò)算法設(shè)計及仿真分析
        6.3.1 數(shù)據(jù)歸一化
        6.3.2 BP人工神經(jīng)網(wǎng)絡(luò)算法結(jié)構(gòu)設(shè)計
        6.3.3 初始參數(shù)的選取
        6.3.4 仿真實驗及結(jié)果分析
    6.4 改進的BP人工神經(jīng)網(wǎng)絡(luò)算法建模及仿真分析
        6.4.1 輸入層節(jié)點選擇的改進及BP人工神經(jīng)網(wǎng)絡(luò)算法結(jié)構(gòu)的建立
        6.4.2 遺傳算法優(yōu)化BP算法的建模及仿真
    6.5 結(jié)果分析
    6.6 本章總結(jié)
7 總結(jié)和展望
    7.1 總結(jié)
    7.2 展望
參考文獻
附錄
    A.學(xué)位論文數(shù)據(jù)集
致謝



本文編號：3754631