基于神经网络与灰色理论的水质参数预测建模研究

摘要

经济的快速发展给水环境带来巨大压力，准确预测水质变化情况是保障水环境安全的关键和基础。本文以三峡库区常态水质参数时序数据为研究对象，进行水质参数预测建模研究。
　　 由于三峡库区成库时间短、监测指标少、监测频率低、水质参数时序数据少且成库前后呈现跳变，传统的统计学预测方法不适用于本文的研究对象。本文结合灰色系统理论针对“贫信息”问题、BP 神经网络较强的非线性拟合特性、最小二乘支持向量机（Least Squares Support Vector Machines，LS-SVM）专门解决小样本预测的特点，对三峡库区水质参数时序数据进行预测研究，形成如下研究成果：
　　 ①针对传统时间序列相空间重构嵌入维数计算复杂的问题，本文借鉴残差序列相关熵定阶法的基本思想，通过改进的相关熵算法确定时间序列相空间重构嵌入维数，并以2005年至2008年每月的水质参数平均浓度（非“贫信息”）为预测对象，分别采用BP 神经网络和模拟退火算法（Simulated Annealing，SA）优选参数的LS-SVM模型进行预测。仿真结果表明，改进的相关熵算法确定时间序列的嵌入维数是有效的，BP 神经网络的非线性拟合优势明显，对于波动范围较大的水质时序数据表现出更优的性能；LS-SVM模型在波动范围较小的水质时序数据短期预测中更有优势。
　　 ②针对1997年至2008年丰水期水质参数时序数据存在小样本和跳变现象，结合专门针对“贫信息”的灰色模型预测精度不高但计算速度快、BP 神经网络强大的非线性拟合能力但需要大样本的特点，以及LS-SVM模型解决小样本预测问题的优势，本文提出灰色新陈代谢BP 神经网络预测模型和ELS-SVM 预测模型。
　　 灰色新代谢BP 神经网络预测模型将灰色新陈代谢模型集群的输出作为BP 神经网络的输入，从而解决了BP 神经网络需要大量样本才能较好地逼近非线性函数的问题。ELS-SVM模型通过对原始数据预处理改善其平滑特性，将预处理后的数据作为LS-SVM的输入，并用SA 算法优选LS-SVM 参数。仿真结果表明，灰色新陈代谢BP 神经网络的预测精度较BP 神经网络和灰色新陈代谢模型明显提高；
　　 ELS-SVM模型的预测精度比LS-SVM模型高，与灰色新陈代谢BP 神经网络相当，是对小样本跳变时序数据预测方法的补充。
　　 根据三峡库区水质参数时序数据的特点建立预测模型，不仅客观地反应了水质发展趋势，为科学决策提供依据，更拓宽了时序预测技术的理论研究和应用领域。

目录

文摘

英文文摘

1 绪论

2 预测方法概述

3 改进的相关熵及其在水质参数时序预测中的应用

4 小样本水质参数时序数据预测方法研究

5 结论与展望

致 谢

参考文献

附 录