基于AGA的RBF神经网络在电厂水质评价中的研究

论文摘要

水质评价是根据评价标准,通过所建立的数学模型,对水体的水质等级进行综合评判。在工业用水中,对水质的要求是很高的,所以要对水源进行水质评价,更好地满足用水要求。径向基函数神经网络是一种新颖有效的前馈式神经网络,它具有最佳逼近的性能和全局最优的特性,并且结构简单,训练速度快。遗传算法是一种全局并行的随机搜索方法,具有强鲁棒性,并具有收敛到全局最优的能力。RBF网络的设计问题就是关于网络隐节点数和隐层节点RBF函数中心、宽度和隐层到输出层的权值的性能指标的最小化问题。遗传算法与RBF神经网络的结合为解决这些问题提供了一条有效的途径。本文是对金山电厂的水源进行水质评价。由于地下水中杂质含量的变化规律复杂,呈高度非线性,存在着大量的不确定性因素,很难用精确的数学模型加以描述,因此本文建立了基于AGA(加速遗传算法)的RBF神经网络水质评价模型,并通过仿真实验证明,网络具有较好的逼近能力和泛化能力。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题研究背景及意义
• 1.2 水质评价的研究现状
• 1.3 神经网络在水质评价中的应用
• 1.4 本文的研究工作
• 2 水质评价模型简介
• 2.1 水质评价的模型
• 2.1.1 水质评价的指数平滑模型
• 2.1.2 水质评价的灰色系统模型
• 2.1.3 水质评价的神经网络预测模型
• 2.2 几种水质评价模型分析
• 2.2.1 指数平滑模型
• 2.2.2 灰色系统模型
• 2.2.3 神经网络预测模型
• 2.3 当前水质评价中存在的问题
• 3 径向基（RBF）神经网络和遗传算法
• 3.1 RBF神经网络
• 3.1.1 RBF神经网络的原理及基本思想
• 3.1.2 RBF神经网络的学习算法
• 3.1.2.1 中心和宽度的学习算法
• 3.1.2.2 权值的确定方法
• 3.2 BP神经网络和RBF神经网络的比较
• 3.3 遗传算法
• 3.3.1 遗传算法的基本要素
• 3.3.2 遗传算法的基本流程
• 3.4 加速遗传算法
• 3.4.1 加速遗传算法的计算原理
• 3.4.2 加速遗传算法的基本流程
• 4 基于AGA的RBF神经网络优化算法
• 4.1 遗传算法与神经网络的融合
• 4.2 主成分分析（PCA）方法在数据预处理中的应用
• 4.2.1 主成分分析的提出
• 4.2.2 主成分分析的原理
• 4.3 AGA-RBF神经网络优化算法设计
• 4.3.1 遗传算法要素的选择
• 4.3.2 基于AGA优化的RBF神经网络算法的实现
• 5 金山电厂水源水质评价在AGA-RBF网络中的仿真研究
• 5.1 金山电厂水质评价模型建立
• 5.1.1 网络输入输出变量选择
• 5.1.2 数据的预处理
• 5.1.3 评价模型的流程
• 5.2 金山电厂水质评价模型仿真分析
• 5.2.1 仿真过程
• 5.2.2 仿真结果
• 5.2.3 结果分析
• 结论
• 参考文献
• 致谢
• 攻读学位期间已发表的学术论文及科研成果