收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于神经网络与灰色理论的水质参数预测建模研究

王燕霞  
【摘要】: 经济的快速发展给水环境带来巨大压力,准确预测水质变化情况是保障水环境安全的关键和基础。本文以三峡库区常态水质参数时序数据为研究对象,进行水质参数预测建模研究。 由于三峡库区成库时间短、监测指标少、监测频率低、水质参数时序数据少且成库前后呈现跳变,传统的统计学预测方法不适用于本文的研究对象。本文结合灰色系统理论针对“贫信息”问题、BP神经网络较强的非线性拟合特性、最小二乘支持向量机(Least Squares Support Vector Machines, LS-SVM)专门解决小样本预测的特点,对三峡库区水质参数时序数据进行预测研究,形成如下研究成果: ①针对传统时间序列相空间重构嵌入维数计算复杂的问题,本文借鉴残差序列相关熵定阶法的基本思想,通过改进的相关熵算法确定时间序列相空间重构嵌入维数,并以2005年至2008年每月的水质参数平均浓度(非“贫信息”)为预测对象,分别采用BP神经网络和模拟退火算法(Simulated Annealing, SA)优选参数的LS-SVM模型进行预测。仿真结果表明,改进的相关熵算法确定时间序列的嵌入维数是有效的,BP神经网络的非线性拟合优势明显,对于波动范围较大的水质时序数据表现出更优的性能;LS-SVM模型在波动范围较小的水质时序数据短期预测中更有优势。 ②针对1997年至2008年丰水期水质参数时序数据存在小样本和跳变现象,结合专门针对“贫信息”的灰色模型预测精度不高但计算速度快、BP神经网络强大的非线性拟合能力但需要大样本的特点,以及LS-SVM模型解决小样本预测问题的优势,本文提出灰色新陈代谢BP神经网络预测模型和ELS-SVM预测模型。灰色新代谢BP神经网络预测模型将灰色新陈代谢模型集群的输出作为BP神经网络的输入,从而解决了BP神经网络需要大量样本才能较好地逼近非线性函数的问题。ELS-SVM模型通过对原始数据预处理改善其平滑特性,将预处理后的数据作为LS-SVM的输入,并用SA算法优选LS-SVM参数。仿真结果表明,灰色新陈代谢BP神经网络的预测精度较BP神经网络和灰色新陈代谢模型明显提高;ELS-SVM模型的预测精度比LS-SVM模型高,与灰色新陈代谢BP神经网络相当,是对小样本跳变时序数据预测方法的补充。 根据三峡库区水质参数时序数据的特点建立预测模型,不仅客观地反应了水质发展趋势,为科学决策提供依据,更拓宽了时序预测技术的理论研究和应用领域。


知网文化
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978