基于智能计算的影响河流水质的因素分析文献综述

《基于智能计算的影响河流水质的因素分析文献综述》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于智能计算的影响河流水质的因素分析文献综述随着经济的快速发展，水质污染问题口益严重。为了有效的防治水污染，最近年来在很多重要区域建立了水质自动监测站。但由于水质参数在线监测技术的限制，水质变化趋势的在线预测依旧难以实现。水质预测可用于随机性非点源污染的监控和防治,所以在建立水质自动监测站的同吋，增加水质预测系统，对保护水资源和水环境的安全具有十分重要的意义。1主成分分析法(PCA)陈建宏，刘浪等的《基于主成分分析与神经网络的采矿方法优选》llJ：主成分分析是利用降维的思想，在保证原冇数据信息损失最小的前提下，在各个原始指标相关

2、关系研究的基础上，把多个原始指标压缩为少数几个能反映原问题特征的综合变量指标⑴。同时综合指标Z间又彼此独立，避免了信息重叠，同时保留了原始指标的主要信息，比原始变量具有某些优越性质，使得在研究复杂问题时更加容易叫[1]刘德林，刘贤赵.主成分分析在河流水质综合评价中的应用.水土保持研究,2006,13(3)[2]陈建宏，刘浪等.基于主成分分析与神经网络的采矿方法优选.中南大学学报(自然科学版),2010,41⑸假定有n个水质样木，每个样木共有p个指标变量描述，这样就构成了一个nxp阶的水质数据矩阵。在实际应用中，各指标之间存在着量

3、纲、数量级不同等方面的问题。因此，在主成分分析前，耍对数据进行标准化，标准化后的水质数据矩阵为：通过主成分分析法，根据精度分析要求(一般特征值》•的累计贡献率达85—90%),p个原始指标变量综合成m个新指标乙,Z2,...,Zm注成分综合指标的得分矩阵为：_zllZ12•…乙皿Z=Z21■■■Z22••■…Z2,n••••••Z”2•••znm其计算公式为:m.Z严》的1=1其中，吋=l,2,...,m)为对应于特征值Zj的特征向量的分量，X,为标准化后的原指标变量值。计算出所需要个主成分值，形成新的综合指标样木集。PCA具体

4、计算步骤参考文献［3］。［3］陈小前，罗世彬,王振国，陶玉静.BP神经网络应用中的前后处理过程研究.系统工程理论与实践,2002,22(1)2BP神经网络根据所依据的理论基础不同，水质预测模式大致可以归纳为数理统计预测法、灰色系统理论预测法、神经网络模型预测法、水质模拟模型预测法以及混沌理论预测方法等5大类［4］。其屮的BP神经网络模型预测法具有高维性、并行分布处理性，以及自适应、自组织、自学习等优良特性，在水质预测等复杂问题的研究上貝有非常好的适用性。［4］李如忠.水质预测理论模式研究进展与趋势分析［J］.合肥工业大学学报:自

5、然科学版,2006,29(1):26-28.BP(BackPropagation)网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是口前应用最广泛的神经网络模型Z—。BP网络是一种具有3层或3层以上的阶层型神经网络，由输入层、一个或多个隐含层及输出层组成。输入层接受外界信息，输出层则对输入信息进行判别和决策，隐层用來储存知识。各层的神经元Z间实行全连接而同层各神经元Z间无连接，英连接程度用权值表示。对于如何确定BP网络的层数及每层屮的神经元数,常常需要经过反

6、复的尝试调整，最终以BP网络的全局误差小于预先给定的允许误差而确定它。BP网络的学习规则是，当一对学习参数提供给网络后，神经元的激活值从输入层经隐含层向输出层传播，在输出层获得网络的输出响应。再按减小希望输岀与实际输出误差的方向，从输出层经隐含层逐层修改各层神经元的权值和阈值，最后冋到输入层。随着这种对误差逆向修正的不断进行，网络对各层权值和阈值的正确率也不断上升，一直到网络的全局误差小于预先给定的允许误差为止。BP算法训练网络有两种方式［5］:一种是顺序方式，即每输入一个训练样木修一次权值；一种是批处理方式，即待组成一个训练周

7、期的全部样本都一次输入网络后，以总的平均误差能量为学习目标函数修正权值的训练方式。［5］高隽.人工神经网络原理及仿真实例［M］.2版.北京:机械工业出版社,2007.BP神经网络隐含层节点数的选取相对來说比较困难，隐含层节点数确定的恰当与否也是影响BP网络性能优劣的关键因素。对于隐含层节点数的确定问题,大多都是采用经验公式估算或是试算的方法来确定［6］。⑹袁曾任.人工神经元网络及其应用.北京:清华大学出版社,1999.隐层节点数根据公式Q二节点数+■岀节点数)+C,C二［1,10］。BP神经网络在学习收敛过程中存在收敛速度慢和会

8、出现“局部最小值”的问题。由于水质指标预测具冇复杂的输入、输出非线性隐性关系，所以通过大量的样本学习和训练去得到有用的模型是一种比较可行的方法。为了避免BP神经网络的缺点，采用高效率的优化算法来缩短学习吋间并提高网络的准确度是很有必要的。BP神经网络的训练方法L