基于前向神经网络的广义环境系统评价普适模型

为了建立由水环境、空气环境、生态环境、水资源环境、灾害环境、遥感环境、社会经济环境等不同环境系统组成的广义环境系统评价都能普适、通用的神经网络模型,针对BP神经网络因收敛速度慢、易于陷入局部极值而使实用性受限的缺陷,提出以双极性sigmoid函数作为网络隐层节点(神经元)的激活函数,而网络输出为所有隐层节点输出的线性求和的前向神经网络的广义环境系统评价模型.在设置广义环境系统指标参照值和指标值规范变换式,并对指标值进行规范变换的基础上,分别构建了适用于广义环境系统评价的任意2个指标规范值的前向神经网模型(NV-FNN(2)结构)和任意3个指标规范值的前向神经网模型(NV-FNN(3)结构).而对于指标较多的广义环境系统评价,只要将多指标分解为以上2个指标和3个指标的两种简单结构的前向神经网络的广义环境系统评价模型的组合表示即可.理论分析和实例检验结果表明:该模型对任意广义环境系统的规范指标值皆普适、通用,因而使不同环境系统的评价变得简洁、统一.规范变换和优化算法相结合的建模思想和方法对简化广义环境系统评价的多元回归、投影寻踪回归、回归支持向量机和径向基神经网络建模亦有借鉴和启迪作用.     

规范变换与误差修正结合的环境系统的前向网络和投影寻踪预测模型

为了建立适用于环境系统的结构简洁、形式统一、程序规范、应用普适的神经网络和投影寻踪回归预测模型,针对传统的神经网络和投影寻踪回归用于多因子、大样本预测建模,存在模型结构复杂、学习效率低的局限,提出设置环境系统预测量及其影响因子参照值和规范变换式的原则和方法,使规范变换后的影响因子皆"等效"于同一个规范影响因子,从而将多因子的的预测建模简化为等效规范因子的预测建模,使模型结构得到极大地简化,提高了学习效率;此外,为了提高预测模型的预测精度,还提出了对预测样本的模型输出值的误差修正公式.在对环境系统的预测量及其影响因子进行规范变换的基础上,将m个规范影响因子的每个建模样本组成m个"等效"训练样本,应用免疫进化算法优化模型参数,分别建立适用于环境系统的2个或3个规范影响因子的前向神经网络和投影寻踪回归两类预测模型;并依据误差理论,对误差修正公式修正后的模型预测精度的提高进行了严格的数学论证.将基于规范变换与相似样本误差修正相结合的两类预测模型,用于某市5个点位的SO_2浓度预测,并与6种传统预测模型和方法的预测结果进行了比较.结果表明:对同一个预测样本,同类模型的两种不同结构的的预测值及其相对误差都几乎完全相同或彼此相差甚小;此外,两种不同结构的两类预测模型用于5个样本预测,其相对误差绝对值的平均值分别为2.59%、2.67%;2.18%、2.62%,均远小于传统BP神经网络模型的25.72%、传统PPR模型的14.20%、传统SVR模型的22.13%、模糊识别模型的21.57%、组合算子模型的18.36%和多元回归模型的25.31%;而两类模型预测的最大的相对误差绝对值分别为4.11%和3.57%,更加远远小于传统的6种预测模型的37.18%、56.07%、27.40%、32.14%、38.38%和60.26%.实例分析结果证实了误差修正公式对提高模型预测精度具有切实可行性.基于规范变换与误差修正相结合的前向神经网络和投影寻踪回归两类预测模型不仅避免了"维数灾难",提高了学习效率和模型的预测精确度,而且具有简洁、普适、规范、统一和稳定的特点,对其他预测建模也有借鉴作用.     

基于集对分析的降水酸度及水质相似预测模型研究

应用集对分析法刻画历史样本之间的相似性,用多个最相似的历史样本的加权平均值作为当前样本预测值,建立了基于集对分析的降水酸度及水质相似预测模型(SFM-SPA),并运用该模型进行了降水酸度及水质预测的实例验证。结果表明,在主要影响因子选择适当、历史样本的代表性和相似性较好等限定条件下,利用模型进行环境预测是可行的,它较直观、计算简便,为环境污染预测提供了新的途径。     

基于规范变换与误差修正的回归支持向量机的环境系统预测

为了建立不同环境系统皆能规范、统一、简洁、实用的回归支持向量机预测模型,针对传统的回归支持向量机预测模型存在结构不能普适、规范和统一及用于大样本、多因子预测会出现学习效率低、求解精度差的局限,提出适用于环境系统预测量及其影响因子参照值和规范变换式的设计原则和方法,使规范变换后的影响因子皆"等效"于同一个规范影响因子;为提高样本的预测精度,还提出预测样本的模型输出的误差修正法.在对环境系统的预测量及其影响因子进行规范变换的基础上,由有m个规范影响因子的每个建模样本生成m个"等效"训练样本,从建模样本中,选择各影响因子的最大规范值组成训练样本集的"参考样本",计算核函数中每个训练样本相对于"参考样本"的范数;并应用优化算法优化模型参数,建立适用于预测量及其影响因子规范值的仅有2个或3个支持向量的两种简单结构的回归支持向量机预测模型.将基于规范变换的两种简单结构的回归支持向量机模型与相似样本误差修正法相结合,用于河津大桥监测断面6个样本的COD月平均值预测,并与多种传统预测模型和方法进行了比较.结果表明:对同一个预测样本,两种模型的预测值十分接近;此外,两种预测模型用于6个样本预测,其相对误差绝对值的平均值分别为2.09%、2.79%,均远小于传统的投影寻踪回归预测的41.63%、支持向量机预测的40.99%、灰色神经网络预测的25.94%和马尔可夫预测的10.16%;而两种预测模型对异常样本预测的最大的相对误差绝对值分别为5.85%、5.13%,更加远远小于传统的4种预测模型的169.07%、180.45%、68.44%、41.96%.两种基于规范变换的回归支持向量机预测模型简洁、普适、规范和统一,避免了"大样本数困难",提高了学习效率和模型的预测精确度,对其他预测建模法也有借鉴作用.