人工神经网络在水质模拟与水质评价中的应用研究

论文摘要

人工神经网络（ANN）是复杂非线性科学和人工智能科学的前沿,近年来,随着人工神经网络理论和应用技术的日益完善,慢慢地成为各个学科的研究热点。本文在较全面阐述了ANN基本原理、优化算法的基础上,提出将BP神经网络引入水质模拟和水质评价领域,主要以三峡水库为例,在人工神经网络建模方法及其在水质模拟及评价的应用方面做了些探索性的研究。研究的内容主要有:首先,对BP神经网络的基本原理及推导过程进行详细阐述,并以长江朱沱至黄谦段为研究区域,研究入河污染物（CODmn、DO和BOD5）在水质监测断面朱沱和黄谦上的水质响应。选用了改进的BP神经网络模型——Levenberg-Marquardt规则训练前向算法的BP神经网络,建立能够反映研究区域中,下游断面污染物各水质响应指标与影响它的上游断面各参量之间关系的水质模型,分析和验证该方法的适用性。研究结果表明:据此方法建立的模型在预测精度上具有较高的优越性。用弹性BP算法建立了湖泊富营养化评价神经网络,并且对三峡库区次级河流龙溪河下游长寿湖富营养化进行了评价。运用长江三峡水质2000年监测数据,采用单因子评价法方法对三峡库区长江干流及其次级河流水质污染现状进行全面的、系统的评价。应用多元统计方法,采用SPSS10.0软件,对三峡库区长江干流主要监测断面的主要污染物进行了因子分析,用来揭示了三峡库区水质指标之间的相互关系及联系。在此基础上研究了模糊系统和神经网络这两种人工智能方法的长处和短处,并将它们有机地结合在一起。将模糊神经网络应用于三峡水库水质评价中,取得了较好的效果,为水质评价提供了一个新的方法。最后,本文在分析灰色预测技术和人工神经网络预测技术的优缺点后,针对它们的互补性总结出五种基于灰色系统和人工神经网络的综合模型,并选择串联型综合模型,通过对嘉陵江的监测数据的计算证明这种模型能有效提高水质灰色预测的预测精度。本文研究表明:用神经网络模型来进行水质评价和水质模拟在理论上可行,在实践上有继续深入研究开发的价值,具有良好的应用前景。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 河流水流模型研究进展及存在问题
• 1.1.1 国内外水质模型发展阶段
• 1.1.2 现有水质模型存在的问题
• 1.1.3 水环境模拟中的不确定性
• 1.2 水质评价基本方法
• 1.2.1 指数评价法
• 1.2.2 基于模糊理论的水质评价
• 1.2.3 基于灰色系统理论的水质评价
• 1.3 神经网络与水质模拟及水质评价结合的优势
• 1.3.1 高速计算能力
• 1.3.2 大容量记忆能力
• 1.3.3 学习能力
• 1.3.4 容错能力
• 1.4 神经网络在水质模拟应用研究
• 1.5 神经网络在水质评价应用研究
• 1.5.1 人工神经网络用于地表水环境质量评价
• 1.5.2 神经网络的富营养化评价进展
• 1.6 本课题的意义及研究内容
• 2 人工神经网络模型的建立及模拟
• 2.1 ANN 模型的基本概念
• 2.1.1 模型的概述
• 2.1.2 人工神经网络生物学基础
• 2.1.3 网络的拓扑结构
• 2.2 ANN 模型的建模规则
• 2.2.1 模式的顺传播
• 2.2.2 误差逆传播
• 2.3 网络训练参数的选取方法
• 2.3.1 隐层数的选取
• 2.3.2 网络训练次数的确定
• 2.3.3 选择恰当的激活函数
• 2.3.4 目标误差的选取
• 2.4 模型的泛化能力及有效性分析
• 2.5 神经网络水质模拟实例研究
• 2.5.1 网络结构的确定
• 2.5.2 神经网络优化算法选择
• 2.5.3 神经网络模拟结果
• 2.6 本章小结
• 3 富营养化评价神经网络的建立
• 3.1 三峡库区水体富营养化的特征
• 3.2 建立富营养化评价神经网络的试验
• 3.2.1 训练样本的生成
• 3.2.2 网络结构的确定
• 3.3 实验结果分析
• 3.3.1 弹性BP 算法下各结构网络达标响应次数分析
• 3.3.2 LM 算法下各结构网络达标响应次数分析
• 3.3.3 网络结构对模拟结果辨识度的影响
• 3.3.4 网络结构和算法的确定
• 3.4 对龙溪河下游长寿湖的富营养化评价
• 3.5 本章小结
• 4 模糊神经网络在三峡水质评价中的应用
• 4.1 三峡水库水质的单因子评价分析
• 4.2 三峡水库主要污染物的因子分析
• 4.3 模糊神经网络评价模型的建立
• 4.3.1 模糊系统和神经网络结合的可能性
• 4.3.2 人工神经网络与模糊系统的相同之处
• 4.3.3 模糊系统与神经网络的融合
• 4.3.4 模糊人工神经网络识别水质评价程序
• 4.3.5 样本矩阵和标准指标矩阵的规范化
• 4.3.6 多层次多输出模糊人工神经网络识别模型的构建
• 4.3.7 水质评价训练样本的生成
• 4.3.8 水质评价训练样本的扩充
• 4.3.9 水质评价训练样本的学习及输出
• 4.4 模糊神经网络对长江干流主要监测断面水质评价
• 4.5 本章小结
• 5 水质的灰色神经网络短期预测
• 5.1 灰色理论概述概述
• 5.2 灰色神经网络
• 5.2.1 神经网络与灰色系统简单结合
• 5.2.2 串联型结合
• 5.2.3 用神经网络增强灰色系统
• 5.2.4 用灰色系统辅助构造神经网络
• 5.2.5 神经网络和灰色系统的完全融合
• 5.3 灰色神经网络串联模型的构建
• 5.3.1 灰色神经网络串联模型在水质短期预测中的应用
• 5.3.2 利用人工神经网络改进预测值
• 5.3.3 结果检验
• 5.4 本章小结
• 6 结论与展望
• 6.1 结论
• 6.2 展望
• 致谢
• 参考文献
• 附录
• 作者在攻读硕士学位期间发表的论文目录