水体污染物含量建模与预测方法研究

摘要

我国水资源虽然总量比较丰富，但是由于人口众多，人均水资源占有量却很低。同时，由于水资源在时间和空间上分布的不均匀，导致季节性和地域性的水资源紧张。随着社会、经济的发展，有限的水资源受到污染的程度越来越严重。因此，为了经济的可持续发展和人民生活质量的提高，对水体污染物的预测变得非常重要。本论文研究采用神经网络和支持向量机进行水体污染物含量建模与预测方法研究。将水体污染物含量构成的样本点，分别利用BP神经网络、RBF神经网络和支持向量回归来进行建模预测。
　　 实验研究以京杭大运河扬州段的高锰酸盐指数(CODMn)和生物耗氧量(BOD)为研究对象。具体地，1986-2008年，各观测点一年12月的平均值作为当年的CODMn值所组成的样本集为BP神经网络、RBF神经网络的建模研究对象；2004-2008年每年1、3、5、7、9，11月份，各观测点的平均BOD值组成的样本集为支持向量机建模研究对象。
　　 实验研究结果表明，在样本数目有限的情况下，BP神经网络、RBF神经网络和支持向量回归的网络输出与水体污染物实际值之间的误差在可以接受的范围，取得了较为满意的结果。可以进一步应用于实际水体污染的检测。
　　 为进一步提高水体污染建模与预测水平和资源共享，采用Microsoft VisualStudio2005和Microsoft SQL Server2005开发了用于相关专家之间进行交流的论坛系统。系统共包括17个功能子模块，采用B/S结构体系。系统基于游客、注册用户，版主和管理员四种身份进行设计。当以不同身份登录系统时，系统为其分配了不同的操作权限。

目录

文摘

英文文摘

声明

第一章绪论

1.1我国水资源概述

1.2我国水污染情况

1.3本文研究主要内容和研究意义

1.4国内外研究现状

第二章人工神经网络水体污染物含量建模预测研究

2.1神经网络发展历程

2.2神经网络的理论基础

2.2.1神经元结构模型

2.2.2神经网络的互联模式

2.2.3神经网络的学习方式

2.2.4神经网络的学习规则

2.3基于BP神经网络水体污染物含量建模预测研究

2.3.1 BP神经网络模型

2.3.2水体污染和水体污染物的概念

2.3.3耗氧污染物和化学耗氧量的概念

2.3.4生物耗氧量的概念

2.3.5 BP神经网络水体污染物含量建模预测研究

2.4基于RBF神经网络水体污染物含量建模预测研究

2.4.1 RBF神经网络模型

2.4.2 RBF神经网络水体污染物含量建模预测研究

第三章支持向量机水体污染物含量建模预测研究

3.1支持向量机的理论基础

3.1.1统计学习理论的基本思想

3.1.2 VC维

3.1.3泛化误差界

3.1.4结构风险最小化原则

3.2支持向量机的产生

3.3支持向量机

3.3.1基本概念

3.3.2线性支持向量机

3.3.3非线性支持向量机

3.3.4支持向量回归

3.4支持向量机的研究现状

3.5支持向量机回归预测方法

3.6支持向量机水体污染物含量建模预测研究

3.6.1实验研究平台

3.6.2实验研究内容与过程

第四章建模理论网络论坛系统的设计与实现

4.1建模理论网络论坛系统描述

4.2建模理论网络论坛系统体系结构分析

4.2.1传统的C／S模式的体系结构

4.2.2 B／S模式的体系结构

4.3建模理论网络论坛系统开发平台

4.3.1 C#(.NET)概述

4.3.2 Microsoft SQL Server 2005数据库概述

4.4建模理论网络论坛系统总体设计

4.5建模理论网络论坛系统流程分析

4.6建模理论网络数据库设计

4.6.1数据表的设计

4.6.2数据库存储过程设计

4.6.3数据库视图设计

4.7建模理论网络论坛系统的实现

第五章结束语

参考文献

附录

致谢