神经网络模型在水质评价中的应用

摘要

水质评价作为水环境保护的一项重要措施，近年来不断有研究学者投身到这个科学领域，国内外对于水质评价的研究已提出了多种方法及模型。本文例举了一些常用的传统水质评价方法并分析了这几种方法不同程度上存在的局限性，并在前人研究的基础上利用了几种基于神经网络的地表水水质评价模型对水质进行评价。本文研究了利用BP神经网络、概率神经网络和遗传算法优化的神经网络建立的三种水质模型，对同一个样本数据进行分类评价。　　研究的主要内容有:针对吉林敦化新甸段的水质断面的地表水水质，选取了“COD、CODMn、BOD5、石油”四项指标组成的研究样本。为了取得良好的训练效果，针对这些指标的标准再结合地表水水质标准对样本数据用随机插值的方法进行了样本的扩充。本文首先阐述了BP神经网络、概率神经网络和遗传优化算法的基本概念、原理，分析了各个神经网络的特点以及存在的局限性。通过BP模型、PNN模型对水质样本模拟得出的结果说明了神经网络水质评价的可行性。由于BP神经网络在某些问题的处理上有一定的局限性，所以结合BP网络和遗传算法各自的特点，将全局搜索能力比较强的遗传算法与BP结合构建了一种稳定、收敛快速、鲁棒性高的水质评价模型。模型结合遗传算法的优点对BP的权重和阈值做出调整，从本文的每个实验的仿真结果可以看出改进后的BP网络不仅使迭代的次数减少，网络的收敛速度和准确率都有很明显的提升。　　本文的研究表明，神经网络对水质分类的评价方面在理论上是可行的，在实际应用中有待进一步的研发，本文的研究也为神经网络的发展做出了一些贡献。

目录

声明

摘要

第一章 绪论

1．1 研究背景

1．2 研究现状

1．2．1 国内研究现状

1．2．2 国外研究现状

1．3 研究意义

1．4 水质评价常用方法

1．5 研究主要技术及内容

第二章 神经网络简介

2．1 人工神经网络概念及原理

2．2 人工神经网络的结构

2．2．1 生物学的神经网络

2．2．2 人工神经元

2．2．3 人工神经网络的结构

2．2．4 人工神经网络的学习过程

2．3 人工神经网络在水质评价中的应用

2．3．1 评价标准

2．3．2 水质评价参数的选择

2．3．3 数据来源

第三章 构建BP神经网络水质模型

3．1 网络模型的结构

3．1．1 网络层数及节点数的选取

3．1．2 网络激活函数的选取

3．1．3 网络的权值选取及调整

3．2 神经网络对水质评价过程

3．2．1 BP网络算法训练过程及仿真结果

3．3 神经网络在水质评价中存在的缺陷

3．4 基本BP算法的改进

第四章 概率神经网络水质模型

4．1 PNN模式识别机理

4．1．1 贝叶斯分类

4．1．2 Parzen窗

4．1．3 PNN网络进行水质分类的原理

4．2 PNN水质模型的结构及算法实现

4．3 PNN水质模型仿真

4．4 PNN网络进行水质评价的特点

第五章 遗传算法优化的BP在水质评价中的应用及比较

5．1 遗传算法的特性

5．2 遗传算法的优化

5．2．1 编码方法和策略

5．2．2 避免遗传算法陷入局部极小

5．3 遗传神经网络水质评价模型的构建

5．3．1 遗传算法的理论依据

5．3．2 遗传算法水质模型要素的参数选择

5．3．3 遗传算法水质模型的拓扑结构

5．3．4 遗传算法的操作

5．3．5 初始化权重及阈值

5．4 遗传算法优化最终效果及迭代过程

第六章 结论

参考文献

致谢