基于灰色—BP神经网络模型的淮河水污染预测

【摘要】： 水是生命的源泉,既是人类赖以生存和发展的最基本条件,也是自然生态系统中最重要的因素然而。自二十世纪八十年代以来,随着沿淮流域各省的社会经济的发展,水资源环境受到了严重的影响,已经成为社会经济可持续发展的重要制约因素。因此,合理利用淮河水资源,维护其可持续的生态环境,对经济社会可持续发展及人类的生存都具有十分重要的意义。 水质状况的好坏能够直接影响到社会经济的可持续发展,有必要建立一种有效地预测体系来对水污染的治理进行指导。酸碱度、溶解氧、化学需氧量以及氨氮是重要的水质指标,本文主要根据淮河流域阜南王家坝观测站点的这四个水质监测数据进行分析研究,先建立了基于GM(1,1)模型的淮河水质预测模型,通过与真实值进行模拟,表明了该方法具有可行性,且需要的样本数据较少,精确度也较高,但会随着时间的推移,其预测效果会逐渐变差。然后又建立了基于BP神经网络的淮河水质预测模型,虽然其预测效果也较为准确,但是却需要不断地对参数进行调整,才可能达到较高的精确度,同时该模型还需要有大量的样本数据。考虑到GM(1,1)模型能够弱化数据序列波动性以及BP神经网络所特有的非线性适应性信息处理的能力,于是提出了基于灰色-BP神经网络组合模型的淮河水质预测模型,即先利用GM(1,1)模型对真实值进行预测,然后再将真实值预测值之差即残差值作为BP神经网络模型的输入训练样本,并通过选择适当的BP神经网络结构以及相关参数等等,对样本进行训练,在能够达到预期目标的情况下,再把通过BP神经网络模型预测得出的残差值与GM(1,1)模型的预测值相加,从而得到最终的灰色-BP神经网络模型的预测值。 研究结果表明,灰色-BP神经网络模型具有所需样本数较少和预测精度较高的优点,能够在小样本、贫信息的条件下对水质状况做出更为准确的预测,从而取得较为满意的结果。通过三个预测模型与实际数据的对比,表明了灰色-BP神经网络模型是可行的,且较优于另外两个模型的预测效果,具有更大的应用前景和推广价值。