ANN在海州露天矿区地下水水质评价与预测中的应用

摘要

本文主要应用RBF神经网络方法与Elman神经网络方法分别对阜新海洲露天矿矿区地下水水质进行了评价与预测。在评价方面:首先构建了网络模型,以归一化后的标准矩阵为训练样本,利用matlab软件辅助确定模型的最佳隐层神经元数及目标误差,然后进行网络训练,最后把实测数据作为测试样本输入,得出评价结果。由结果可知,该矿区地下水的污染较为严重,总体为Ⅳ~Ⅴ类水质,主要污染因子为无机盐类。在预测方面:选取9＃监测点近10年的监测数据为输入样本,其中前6组为训练样本,后4组为测试样本,通过建模、训练、结构确证和测试,得到客观可行的预测模型。预测结果表明,随着年限的增加,该区地下水的污染情况会越来越重。15年后,除了Fe3+浓度没有出现超标情况外,其余六种因子均有不同程度的超标情况。并且为了防止污染的进一步加剧,必须实施有效的防护措施。

目录

致谢

摘要

Abstract

1 绪论

1.1 研究背景

1.2 国内外研究现状

1.2.1 国内研究现状

1.2.2 国外研究现状

1.3 论文研究的内容、方法和技术路线

1.3.1 研究方法和内容

1.3.2 技术路线

2 海州露天矿基本情况

2.1 海州矿基本情况

2.2 海州露天矿对水环境的影响

3 人工神经网络基础知识简介

3.1 人工神经网络的基本模型及其功能

3.1.1 生物神经元模型

3.1.2 神经网络模型

3.1.3 激活函数的类型

3.2 人工神经网络的特性及功能

3.3 神经网络的分类

3.3.1 神经网络的分类

3.3.2 神经网络的典型结构

3.4 BP 神经网络与RBF 神经网络的比较

4 人工神经网络评价阜新海州露天矿区地下水水质

4.1 RBF 网络模型设计及应用

4.1.1 RBF 网络的结构

4.1.2 样本的输入与输出

4.1.3 水质评价的径向基网络应用

4.2 水质评价Elman 网络模型设计及应用

4.2.1 Elman 人工神经网络简介

4.2.2 Elman 人工神经网络学习算法

4.2.3 样本的输入与输出

4.2.4 水质评价网络结构的确定

4.2.5 目标误差的选取

4.2.6 Elman 网络测试与水质评价

4.3 RBF 与Elman 网络方法评价结果的对比分析

5 人工神经网络预测海州露天矿区地下水水质

5.1 RBF 神经网络的预测模型的建立

5.1.1 样本设计

5.1.2 输入样本与输出样本的选择

5.1.3 网络的设计与训练

5.1.4 网络性能的测试与结果分析

5.2 Elman 神经网络的预测模型的建立

5.2.1 网络的设计与训练

5.2.2 网络性能的测试

5.3 RBF 网络模型与Elman 网络模型预测结果比较分析

5.4 应用RBF 模型预测海州矿区地下水第11～15 年的水质情况

6 结论

参考文献

作者简历

学位论文数据集