基于PSO优化BP神经网络的水质预测研究

为快速准确地预测河流水质,结合汾河监测数据,使用粒子群算法(PSO)优化BP神经网络模型(PSO-BP)进行水质预测.通过灰色关联度分析确定输入变量,利用PSO算法修正BP网络的初始权值、阈值,优化神经网络结构及算法全局收敛性.采用该模型对汾河主要污染物指标COD、BOD5、氨氮、挥发酚等进行预测和验证.结果表明,与传统的BP神经网络模型相比,PSO-BP模型使最大相对误差从15.43％减小到1.46％,其平均误差由4.00％减小到1.01％,预测均方根误差从5.956×10-3减小到1.605×10-4.因此,基于PSO-BP神经网络模型的预测更加精确,可用于水质预测.     

基于长短时记忆网络的水质预测模型研究

在当前水质数据急剧增加的背景下,为了挖掘水质时间序列中的更多信息,提升水质预测的精度,构建了基于缺失值填补算法和长短时记忆网络(LSTM)相结合的水质预测模型。通过缺失值填补算法进行水质数据的缺失值处理,利用LSTM网络分别构建不同水质参数的预测模型,以太湖水质监测数据为样本,对模型进行检验。结果表明,基于缺失值填补算法-LSTM的水质预测模型适应性强,相较传统SVM、BP神经网络、RNN、LSTM模型预测精度更高,对水环境保护具有重要意义。     

基于3次样条插值函数的曲线拟合方法及应用研究

为更好地控制水质预测精度,在灰色模型的基础上引入3次样条插值函数,在结合灰色模型中的参数信息覆盖和用非线性最小二乘法估计未知参数的基础上,提出了改进的曲线拟合模型.采用该模型拟合共产主义渠监测断面历年来的高锰酸盐指数.结果表明,在控制预测精度的情况下,该模型的拟合结果合理.改进的拟合曲线模型具有一定普遍性,可用于河流和湖泊等水环境因子预测.     

引滦入津工程黎河段机理与非机理水质预测模型对比分析

根据引滦入津工程黎河输水河道水文水质监测资料,分别建立河道机理水质模型和非机理水质模型,对2005年前毛庄断面的氯化物和氨氮进行了预测.两种水质模型建立的理论基础、求解方法、参数验证、模拟所需的数据种类和时段、适用状况、预测精度均不同.对两种河道水质模型预测结果精度进行了比较,结果表明,预测误差均小于20%,机理水质模型较非机理精度高.研究表明,机理水质模型适合于短时间内黎河河道水质变化的精细模拟,非机理模型适合于中长期水质变化趋势预测.     

GM(1,1)模型群在黄河水质预测中的应用研究

灰色预测对统计数据较少问题可以进行预测,一般3-4个数据就可以建模,由于建模序列长短不同,会得到不同的预测方程,即对实际问题发展趋势某种程度的把握.实际预测时若能将不同的预测结果综合考虑进去,效果更佳.介绍了GM(1,1)模型建立的方法与步骤,并依据黄河潼关断面过去10年(1996-2005年)水质状况,利用GM(1,1)模型群预测了未来7年(2006-2012年)的水质发展状况.     

基于EFDC水动力-水质模型的建立--以慈湖河为例

本文根据马鞍山市慈湖河流域水环境现状,结合当地政府对慈湖河的管理整治目标,选择EFDC水动力-水质模型作为慈湖河水环境模型。并根据慈湖河流域整体情况对时间空间进行概化。时间概化上,最终确定水动力学模拟时间步长为10s,水质模拟时间步长为20s;空间概化上,采用凸四边形网格概化,各网格之间为一维线性关系;通过CAD、GIS软件,将河道划分为106个网格,共计86行、24列,建立二维模型。通过研究参考文献及相似案例,最终确定本模型的参数和取值。将参数值输入程序中,对慈湖河流域2013年水质进行模拟计算。与马鞍山实际数据比对后发现,模型输出的水位、流速、水质结果在合理范围内。表明在慈湖河干流建立二维水质污染扩散模型,具有较高的拟合、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。此外该模型可与web应用系统集成,应用于水质预警,模拟不同污染负荷情形下水质变化,模拟污染事故发生后不同应急措施对污染情况的改善效果,为污染控制和水环境管理工作提供科学依据。     

水处理中线性回归和BPNN预测混凝投药量的比较

BP神经网络和线性回归模型是混凝投药前馈控制中2种不同的预测混凝投药量的方法.分别用这2种方法建立了混凝投药量前馈控制模型,并基于同一样本数据进行仿真比较.结果表明,该3层结构BP模型通过学习可以根据原水水质进行投药量的有效预测,优于传统的线性回归模型,具有较强的自适应性和实用性.但对某些水质的投药预测值还存在一定误差.     

基于北京市火灾统计数据的时间序列分析

采用Box-Jenkins法分析了城市火灾时间序列上的趋势性规律,通过数据预处理和模型的识别与诊断,最终建立了城市火灾预测模型。对北京市2000—2006年的火灾统计数据进行了平稳性处理,通过城市火灾预测模型的建模方法对北京市火灾发生次数的时间序列进行了ARIMA建模。根据得到的ARIMA(1,1,0)(1,1,1)12模型对北京市2007年的火灾发生次数进行了预测,并将该模型和BP神经网络模型的预测结果与实际情况进行对比分析。结果表明,ARIMA模型特别适用于随机性较大的火灾数据的趋势预测,并且方法简单,算法经济。     

GIS支持下基于非线性理论的煤与瓦斯突出综合预测模型

为弥补单一模型缺陷,提高预测的可靠性和准确性,提出了煤与瓦斯突出综合预测.根据煤与瓦斯突出的机理,选取模糊数学、灰色理论、物元分析模型、神经网络及支持向量机5种成熟的非线性方法作为综合预测的数学模型,应用灰色关联度模型确定预测指标,建立了基于非线性理论的煤与瓦斯突出综合预测模型.分析了GIS支持下基于非线性理论的煤与瓦斯突出综合预测系统的集成方法及关键技术,开发了快速综合预测系统并进行了应用.研究表明,该系统能够快速预测突出危险性.相比于单一模型,该方法综合了多种数学模型,预测结果具有较高的准确性及可信性.     

基于灰色预测理论的瓦斯传感器自校正技术

笔者提出了将灰色预测理论与单片机技术相结合 ,对瓦斯传感器的非线性进行自校正的新思路 ;采用了灰色预测理论中GM(1,1)模型和单片机技术相结合 ,将预测误差值对传感器的实测值进行分段补偿的方法 ,实现对瓦斯传感器的非线性自校正 ;该方法克服了灰色预测理论对波动较大的随机序列的预测精度低的缺陷。其研究结果表明 ,应用该方法得到的预测值与真值的拟合程度好 ,预测值与真值之间最大的差值为 0 .15 0 1% ,而该处校正前的差值为 0 .30 0 0 % ,提高了传感器的测量精度。