遗传神经网络在地表水水质评价中的应用研究

摘要

针对传统水质评价方法存在缺陷的问题,构建了一种基于数据挖掘方法的水质评价模型——遗传神经网络模型。在分析阐述BP神经网络和GA基本原理和特点的基础上,分析说明了单独的BP网络在理论和实践上的缺点,研究了基于GA优选BP神经网络权值和阈值模型的理论依据,为实现更为科学客观的水质评价方法奠定了坚实的理论基础。遗传算法适应度函数与BP网络误差的合理转换,实现了遗传算法与BP网络的有机结合,在J2EE平台上将此模型运用到实际的水质评价,证明了遗传算法优化后的神经网络相比于单独的BP网络方法在收敛速度以及收敛性能上得到了提高,将评价结果跟实际的水质结果以及模糊评价法、指数评价法的评价结果进行了比较,结果表明遗传神经网络模型适用于地表水水质评价。

目录

摘要

Abstract

1 绪论

1.1 课题研究背景

1.2 课题研究意义

1.3 国内外主要研究方法

1.4 本文主要研究内容

1.5 本文内容组织结构

2 遗传算法和神经网络基本理论

2.1 基本遗传算法

2.1.1 遗传算法概述

2.1.2 遗传算法的基本操作

2.1.3 遗传算法的编码方式

2.1.4 基本遗传算法的流程

2.2 遗传算法的改进

2.2.1 编码方法和编码策略

2.2.2 初始种群的建立

2.2.3 适应度函数

2.2.4 遗传操作改进

2.2.5 算法终止标准

2.3 人工神经网络

2.3.1 人工神经元模型

2.3.2 神经网络的参数

2.3.3 神经网络的学习方法

2.4 BP 神经网络

2.4.1 BP 学习算法推理

2.4.2 网络层数的设计

2.4.3 各层神经元个数的确定

2.4.4 层间转移函数的选取

2.4.5 网络学习速率的选择

2.4.6 网络训练

3 基于遗传神经网络的水质评价模型

3.1 遗传神经网络模型构建的理论依据

3.2 遗传算法优化BP 神经网络的基本思路

3.3 遗传算法参数的设定

3.4 BP 神经网络参数的设定

3.5 训练样本数据来源及预处理

4 遗传神经网络在地表水水质评价中的应用

4.1 模型在水质评价中的应用准备

4.2 模型仿真实现

4.2.1 遗传算法部分程序实现

4.2.2 BP 神经网络程序实现

4.3 BP 网络运行过程分析

4.4 GA-BP 运行结果分析比较

4.4.1 GA-BP 评价结果分析

4.4.2 GA-BP 法与模糊综合评价法（FCM）的比较

4.4.3 GA-BP 法与指数评价法（Index）的分析比较

结论

参考文献

作者简历

学位论文数据集