人工神经网络在辽河流域阜新支流水质评价与预测中的应用

论文摘要

BP人工神经网络方法不但可以克服传统评价方法在权值选取及隶属（白化）函数构造方面的一些人为因素,而且自身良好的容错能力和非线性逼近映射能力可以使评价和预测结果更加客观准确。本文主要应用BP人工神经网络方法对辽河流域阜新支流水质进行了评价与预测。在评价方面:构建了BP网络模型,通过matlab试验确定了最佳隐层结点、训练函数以及目标误差,使网络达到相对最佳性能,然后对建立好的网络进行了训练,最后把实测数据作为测试样本得出评价结果。在预测方面:通过插值、模型训练、确证与测试,得到了一个可行客观的BP预测模型。预测结果表明:该模型具有较好的泛化能力,可以很好地预测出柳河-长坨子断面BOD5的短期浓度变化。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 国内外研究现状
• 1.2 论文研究的方法、内容、目标
• 1.2.1 研究方法和内容
• 1.2.2 研究目标
• 1.2.3 技术路线
• 2 传统方法评价辽河流域阜新支流水质
• 2.1 辽河流域阜新支流水环境基本状况调查
• 2.2 模糊综合指数评价法
• 2.2.1 模糊综合指数数学模型的建立
• * 的计算'>2.2.2 模糊综合指数 B^*的计算
• 2.2.3 模糊综合指数评价辽河流域阜新支流水质
• 2.3 灰色聚类方法
• 2.3.1 灰色聚类分析的基本原理
• 2.3.2 灰色聚类法评价辽河流域阜新支流水质
• 2.4 评价结果对比分析
• 3 人工神经网络基础知识简介
• 3.1 人工神经网络发展历史概述
• 3.2 人工神经网络的基本模型及其功能
• 3.2.1 人工神经元的模型
• 3.2.2 人工神经网络的特性及功能
• 3.3 人工神经网络的基本要素
• 3.3.1 神经元功能函数
• 3.3.2 神经元之间的连接形式
• 4 人工神经网络评价辽河流域阜新支流水质
• 4.1 BP 网络理论
• 4.1.1 BP 网络结构
• 4.1.2 BP 算法原理
• 4.1.3 改进的 BP 网络算法
• 4.1.4 Levenberg-Marguardt 数值优化算法（简称 L-M 优化算法）
• 4.2 水质评价 BP 网络模型设计及应用
• 4.2.1 样本的输入与输出
• 4.2.2 水质评价网络结构的确定
• 4.2.3 训练函数的选取
• 4.2.4 目标误差的选取
• 4.2.5 BP 网络测试与水质评价
• 4.3 径向基网络模型设计及应用
• 4.3.1 径向基网络的结构
• 4.3.2 水质评价的径向基网络应用
• 4.4 BP 和 RBF 网络方法与传统方法评价结果的对比分析
• 5 人工神经网络预测辽河流域阜新支流水质
• 5.1 BP 神经网络的构建
• 5.1.1 输入样本与输出样本的选择
• 5.1.2 网络方案的确定
• 5.2 网络性能的测试
• 5.2.1 插值产生样本对
• 5.2.2 网络测试与结果分析
• 5.3 季节性 Kendall 检验法及应用
• 5.4 本章小结
• 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