改进的QGA-BP模型在弥苴河总氮量预测中的应用

水质预测对水环境规划、评价和管理十分重要。构建一种改进的量子遗传算法（QGA）优化BP神经网络的模型,即在量子遗传算法中引入了旋转角的动态改进策略和遗传算法的交叉变异操作,并以改进的QGA作为进化操作准则优化BP模型的权值和阈值。以弥苴河复杂水环境水质预测为实例,选取一组历史观测数据作为训练样本,对其进行分析。将结果与BP模型、QGA-BP模型仿真结果进行了对比,改进后的QGA-BP模型在进化代数、收敛速度和预测结果的准确率有较大提高。对弥苴河水质的预测结果表明,将改进QGA-BP模型用于水质预测是可行、有效的预测方法。     

基于奇异谱分析—遗传算法反向传播神经网络模型的湘江新港断面水质预测

运用奇异谱分析(SSA)对湘江新港断面557周的pH、DO、高锰酸盐指数和氨氮数据进行了预处理,再运用遗传算法优化反向传播神经网络模型进行拟合与预测。结果表明:SSA有较好的降噪能力,遗传算法反向传播(GABP)神经网络模型相比BP神经网络模型均方根误差(RMSE)平均缩小了6.96%,具有良好的预测精度;预测期内新港断面的pH、DO、高锰酸盐指数、氨氮均能满足《地表水环境质量标准》(GB 3838—2002)Ⅲ类标准,但氨氮在预测期内呈上升趋势,需警惕氨氮浓度过高引发的水污染问题。     

基于遗传神经网络模型的空气能见度预测

由于雾霾导致的空气能见度降低,给人们的出行带来很多不便。针对这一现象,构建基于遗传神经网络算法的空气能见度预测模型。将与空气能见度相关的7种气象因子和6种污染物浓度因子经过主成份分析后作为输入数据,输出8:00能见度和14:00能见度。该模型能够克服BP神经网络易陷入平坦区域和局部最优解的问题。以西安市2013-1-1—8-16的数据训练遗传神经网络,通过使用灰色模型获得预测时间段8-17—23的输入数据,可以得到这段时间能见度的预测值。通过与BP神经网络模型的比较,发现遗传神经网络预测模型在预测结果的相关性和绝对误差方面均优于BP神经网络模型,因此,可以更准确地预测空气能见度。     

基于BP网络的水质综合评价模型及其应用

讨论了BP网络模型存在的不足及建模条件,提出了建立合理的BP网络模型的基本原则和步骤.针对水质评价问题,通过在各类水质污染指标浓度区间内生成随机分布样本的方法,组成足够多用于BP网络训练、检验和测试用的样本,建立了辽河水质综合评价的BP网络模型;给出了区分不同类别水质的模型分界值样本和模型输出分界值.     

基于分段线性表示k最近邻的水质预测方法

随着自动监测、网络通讯等技术的迅速发展,水质数据采集方式从原来的人工采集发展到现在的自动采集,技术上得到很大的进步,同时获得的水质数据也急剧增加。因此面对大量的水质数据,迫切需要一种能够处理大规模水质数据的预测方法。针对这一问题,基于k最近邻算法和分段线性表示算法,提出了分段线性表示k最近邻算法用于水质预测。为了验证所提出算法的有效性,利用该算法对2个水库进行水质浑浊度预测实验。实验结果表明,分段线性表示k最近邻算法处理大规模水质数据时可以有效减少计算量和运行时间,且预测效果令人满意。     

基于BP网络的水质综合评价模型及其应用

讨论了BP网络模型存在的不足及建模条件，提出了建立合理的BP网络模型的基本原则和步骤。针对水质评价问题，通过在各类水质污染指标浓度区间内生成随机分布样本的方法，组成足够多用于BP网络训练、检验和测试用的样本，建立了辽河水质综合评价的BP网络模型；给出了区分不同类别水质的模型分界值样本和模型输出分界值。     

基于灰色模型和模糊神经网络的综合水质预测模型研究

水质状态变化趋势预测研究对水资源管理和维护具有重要的现实意义。提出了一种将灰色模型和模糊神经网络相结合的水质预测模型。首先基于改进的灰色模型预测出水体中各理化因子在未来一段时间内的指标变化,然后采用T-S模糊神经网络对各单因子的预测值进行数据融合,构建水质变化综合趋势预测模型,预测出下一时间段的水质整体状态指标。实验表明,这种方式用来预测湖泊水质变化趋势具有可行性;与BP网络模型相比,基于T-S模糊神经网络系统的模型具有预测精度高、模型系统稳定等优越性。     

基于GA-BP算法的含油污泥处理 工艺参数优化

在含油污泥进行资源化处理过程中,针对处理目标受多个因素影响的实际,为了解决工艺之间的耦合问题,采用正交实验的方法来解决,并把主要参数作为优化对象,把含油污泥的脱水率作为评价目标,通过采用GA-BP算法对含油污泥耦合工艺正交实验参数进行了线性与非线性分析.在采用遗传算法优化神经网络的权值和阈值的基础上,用优化后的权值和阈值对测试样本和训练样本进行了预测.预测结果表明,预测误差都有明显减小,分别由0.34211减少到0.031549和0.15476减少到0.040682,可见耦合参数趋向于非线性优化.     

基于小波变换的ARIMA模型在水质预测中的应用研究

近年来,黑龙江黑河流域的水质状况逐年恶化,而溶解氧（DO）是研究水体自净能力和污染程度的一个重要指标。通过收集该地区2010年48周的DO浓度数据,经由小波变换对数据进行高频和低频的分离,再分别建立ARIMA模型,由此预测未来5期的DO浓度值的变化。结果表明,该模型较好地反映了DO浓度值的变化趋势,预测精度更高,同时,反映出DO浓度值随季节的变化规律,以期为该地区的水质分析预测和水体保护工作提供参考。     

一维有限段模型在小清河河口水质预测中的应用

本文建立了小清河-维河口有限段水质模型,并运用该水质模型预测了拟建的东营乙烯工程对小清河感潮段的水质影响,所获得的预测结论为有关部门确定东营乙烯工程废水的排污去向提供了重要的科学依据。     

基于人工蜂群算法与BP神经网络的水质评价模型

针对BP网络水质评价模型的不足,引入人工蜂群(ABC)算法,将求解BP神经网络各层权值、阀值的过程转化为蜜蜂寻找最佳蜜源的过程,提出了一种新的结合人工蜂群算法的BP网络水质评价方法(ABC-BP)。并以2000—2006年渭河监测断面的10组实测数据作为测试样本对其水质进行了评价,实验结果表明该方法得到的水质评价结果准确,并具有很强的稳定性和鲁棒性。     

BP神经网络对蚯蚓滤池处理COD的模拟预测

基于蚯蚓滤池处理去除污染物的非线性特点,利用BP神经网络建立了蚯蚓滤池处理COD的基本模型结构。同时对实验数据进行了验证和预测,通过权值贡献率分析确定了各种输入因素对COD出水浓度的影响。结果表明:COD的出水模型预测值与实际值平均误差较小,模型稳定,预测效果好。输入神经元为4,隐含神经元为8,输出神经元为1,学习速率为0.1,动量为0.1,训练次数为10 000的BP神经网络模型,预测的COD出水值最接近真实值。COD进水浓度对COD出水影响最大,符合理论研究结果。BP神经网络模型建立的成功为后续生活污水智能化控制的研究提供了相应的理论基础。     

基于改进混合遗传-支持向量机的CMF产水预测研究

将模拟退火思想和加速遗传特性相结合,改进选择策略和遗传算子,建立加速遗传模拟退火算法（AGSA）;基于支持向量机（SVM）的非线性回归和改进混合遗传算法的因子筛选,构造了支持向量机模型参数的自适应优化算法,提出连续微滤系统（CMF）产水预测模型;通过实测中试规模连续微滤系统产水量变化对模型进行验证,结果表明：该模型较好...     

基于无人机高光谱和BP神经网络的城市水体污染监测

我国大多数流域存在不同程度的水体污染,城市水体污染防治与监测是一项艰巨而漫长的任务,而传统水质监测和卫星遥感方法在水体面积较大、水流运动不稳定、周边地形复杂的河流或城市湖泊的水质监测表现为适用性差、准确度低。基于无人机的高光谱遥感技术具有覆盖范围广、数据获取快速等特点,对城市水体污染监测具有一定的应用价值。以珠海市城市水域为研究对象、无人机高光谱数据为数据源,利用线性回归模型和BP (Back Propagation) 神经网络模型方法,分别建立了波段组合反射率与水体叶绿素a、氨氮和磷酸盐3种水质指标之间的最优反演模型,并通过实际样品验证了该模型在城市水体中的适用性。该研究结果不仅为大数据驱动的水质分析提供了重要的技术支持,也为无人机技术应用于城市水体污染程度评价和动态监测提供新方法。     

基于不同水厂水质调查的消毒副产物生成趋势及模型预测

以南方某市具有代表性的7个自来水厂为研究对象,对不同季节和不同处理工艺下的原水、出厂水和管网水的9个常规水质参数和2类含碳消毒副产物进行了检测,考察了水质指标随季节的变化规律和处理工艺对不同水质指标的影响,分析了常规水质参数与消毒副产物生成量之间的关系。结果表明：7个自来水厂出厂水均检出三卤甲烷(trihalomethanes,THMs)和卤乙酸(haloacetic acids,HAAs);THMs平均质量浓度为8.70~29.35 μg·L⁻¹,HAAs平均质量浓度为13.22~39.06 μg·L⁻¹;管网水中2类消毒副产物浓度水平较出厂水略有增加;THMs的季节变化规律为冬季>春季≈秋季>夏季,HAAs的季节变化性不强。利用IBM SPSS Statistics 20进行了Spearman秩相关系数分析,并分别以原水和出厂水水质参数来建立出厂水THMs或HAAs生成量的回归方程。结果表明：THMs质量浓度预测效果良好,可用于自来水厂水质的化学安全性预警;但对于HAAs质量浓度预测,无论采用原水还是出厂水水质参数所建立的预测方程,预测结果均不理想。