基于小波神经网络的重庆市某主城区饮用水源水水质参数预测模型研究

摘要

目的：探讨小波神经网络方法预测饮用水源水水质参数的可行性，为饮用水源水水质参数预测及控制、以及饮用水总体水质变化趋势的评价提供方法学参考。 方法：1.本文首先分析了小波分析、人工神经网路、以及小波神经网络的基本原理。2.以重庆市渝中区2001年--2005年饮用水源水水质参数高猛酸盐指数月平均浓度为研究数据，引入BP神经网络、小波神经网络，建立相应的神经网络预测模型。3.采用相关统计量指标对各模型的预测效果进行评价。 结果：采用均方根误差（RMSE）和平均绝对百分比误差（MAPE）来评价各模型预测效果。研究实例表明，小波神经网络预测模型对研究数据具有较高的逼近能力及预测精度，其预测精度高于BP神经网络预测模型。 结论：1.研究数据经小波分析知含有较高的随机成分，传统神经网络方法对其预测难度较大，预测效果不十分理想，表现为泛化能力较弱。2.小波神经网络预测模型对研究数据具有较好的逼近能力和泛化能力，预测效果较好，适合于研究资料的预测。3.本文为小波神经网络方法在饮用水源水水质参数的预测及控制上进行了一次有益的方法学探索。

目录

文摘

英文文摘

论文说明：英汉缩略语名词对照

声明

前 言

1小波分析

1.1小波函数的定义

1.2小波变换

1.3基于多分辨率思想的小波分解与重构过程

1.4本章小结

2人工神经网络

2.1人工神经网络基础

2.2人工神经网络的基本原理和特点

2.3 BP神经网络

2.4本章小结

3小波神经网络

3.1小波神经网络基础

3.2小波分析与神经网络的耦合关系

3.3小波神经网络的学习训练方法

3.4小波神经网络模型的建立

3.5本章小结

4基于小波神经网络的饮用水源水水质参数预测模型的建立及分析研究

4.1研究数据及相关特征量

4.2水质数据样本组织思路

4.3模型预测程序实现平台MATLAB

4.4预测效果评价指标

4.5基于BP神经网络的高猛酸盐指数月平均浓度的预测模型(模型Ⅰ)

4.6基于辅助式小波神经网络的高猛酸盐指数月平均浓度的预测模型(模型Ⅱ)

4.7基于辅助式与嵌套式结合的小波神经网络对高猛酸盐指数月平均浓度的预测模型(模型Ⅲ)

4.8饮用水水质参数高猛酸盐月平均浓度预测结果比较

4.9各模型预测效果的评价

4.10本章小结

5讨论

5.1小波神经网络的优点

5.2小波神经网络的缺点

结论

展望

参考文献

文献综述 水质预测模型及其应用

致谢

攻读学位期间发表的学术论文