| 【中文题名】 | 人工神经网络在水环境质量评价与预测上的应用 |
| 【英文题名】 | |
| 【学科专业】 | 计算机应用技术 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-7-12 |
| 【中关键词】 | 水环境质量,水质评价,水质预测,人工神经网络,改进的BP神经网络模型,Levenberg-Marguardt优化算法 |
| 【英关键词】 | Water Enviroment Quality,Water Quality Evaluation,Water Quality Forecasting,Artificial Neural Network （ANN）,Improved BP ANN Model,Levenberg-Marguardt Algorithm, |
| 【分类导航】 | 环境科学、安全科学>环境质量评价与环境监测>环境质量分析与评价>水质评价>> |
| 【论文摘要】 |
水不仅是生命资源，而且更是一个民族生存和发展的战略资源。水环境质量评价和预测是水资源可持续利用中的一个重要环节，关系到整个人类社会的生存和发展。传统的水环境质量评价和预测方法在处理水文要素的模糊性、随机型性和复杂性方面存在一定缺陷。
为了探索和改进水质量评价和预测方法，本论文主要针对传统水环境质量评价和预测方法的不足，并且基于水环境特点、水环境质量评价和预测方法理论，新兴的人工智能和神经网络原理等理论的基础上，构建了人工神经网络的水质评价和预测模型，并把该模型应用到水质评价和预测中，该研究是由首都师范大学和中国环境监测总站合作完成的。本论文所做的工作主要有：
一、为对水环境质量评价和预测方法有一个清楚的了解，我们对水环境质量评价和预测的最新理论和方法做了详细的介绍，并且比较分析了这些方法，然后对水环境质量评价和预测方法研究的发展趋势给出了我们自己的一些看法。
二、总结了人工神经网络的基本概念、原理、算法和主要应用等，在此基础上我们概括总结了其在水环境质量方面的一些应用。
三、论文详细介绍了BP，RBF和HopField三种神经网络的水环境质量评价模型，然后在此基础上构... |
| 【论文题纲】 |
|
摘要 |
4-5 |
|
ABSTRACT |
5-9 |
|
第一章 绪论 |
9-22 |
|
1.1 引言 |
9-10 |
|
1.2 课题的研究现状和意义 |
10-12 |
|
1.3 课题研究的方法和内容 |
12-13 |
|
1.4 水环境质量评价方法的研究 |
13-17 |
|
1.4.1 概述 |
13 |
|
1.4.2 几种不确定性水质评价方法 |
13-16 |
|
1.4.3 评价方法的综合比较和趋势分析 |
16-17 |
|
1.5 水环境质量预测方法的研究 |
17-22 |
|
1.5.1 概述 |
17 |
|
1.5.2 几种水质预测方法的研究 |
17-20 |
|
1.5.3 预测方法的综合比较和趋势分析 |
20-22 |
|
第二章 人工神经网络及其在水资源上的应用 |
22-31 |
|
2.1 引言 |
22 |
|
2.2 人工神经网络概述 |
22-28 |
|
2.2.1 人工神经网络的发展过程 |
23-25 |
|
2.2.2 人工神经网络的分类 |
25-26 |
|
2.2.3 人工神经网络的学习算法 |
26 |
|
2.2.4 人工神经网络主要优势 |
26-27 |
|
2.2.5 人工神经网络的应用领域 |
27-28 |
|
2.3 人工神经网络在水资源中的应用研究 |
28-31 |
|
2.3.1 水质综合评价 |
28-29 |
|
2.3.2 水质预测 |
29 |
|
2.3.3 湖泊富营养化决策 |
29 |
|
2.3.4 水处理过程中的优化与控制 |
29-31 |
|
第三章 神经网络在水质评价上的应用 |
31-49 |
|
3.1 概述 |
31-32 |
|
3.2 水环境质量评价的人工神经网络模型研究 |
32-42 |
|
3.2.1 水质评价 BP网络模型研究 |
32-35 |
|
3.2.1.1 BP神经网络简介 |
32-33 |
|
3.2.1.2 水质评价的BP神经网络模型 |
33-35 |
|
3.2.2 水质评价径向基函数网络模型研究 |
35-39 |
|
3.2.2.1 径向基函数人工神经网络(RBF-ANN)简介 |
35-37 |
|
3.2.2.2 水质评价的 RBF-ANN网络模型 |
37-39 |
|
3.2.3 水质评价 Hopfield 网络模型研究 |
39-41 |
|
3.2.3.1 Hopfield网络模型简介 |
39 |
|
3.2.3.2 水质评价的 Hopfield网络模型 |
39-41 |
|
3.2.4 几种评价模型的比较分析 |
41-42 |
|
3.3 构建水环境质量评价的 BP网络模型 |
42-46 |
|
3.3.1 水环境质量评价模型结构 |
42-43 |
|
3.3.2 预处理输入模式 |
43-44 |
|
3.3.3 输出介绍 |
44 |
|
3.3.4 算法及改进 |
44-46 |
|
3.4 水环境质量评价的 BP网络模型实现和应用 |
46-48 |
|
3.4.1 程序实现 |
46-47 |
|
3.4.2 学习过程 |
47 |
|
3.4.3 应用实例 |
47-48 |
|
3.5 总结 |
48-49 |
|
第四章 神经网络在水质预测上的应用 |
49-65 |
|
4.1 概述 |
49 |
|
4.2 水环境质量预测的人工神经网络模型研究 |
49-54 |
|
4.2.1 改进的 BP网络算法水质预测模型 |
49-51 |
|
4.2.2 Levenberg-Marguardt优化算法(简称 L-M优化算法)水质预测模型 |
51-53 |
|
4.2.3 RBF网络算法水质预测模型 |
53-54 |
|
4.2.4 几种预测算法模型的比较分析 |
54 |
|
4.3 构建水质预测的 LEVENBERG-MARQUARDT 优化算法模型 |
54-60 |
|
4.3.1 时间序列建模方法 |
54-55 |
|
4.3.2 预测模型算法 |
55-56 |
|
4.3.3 水质预测 L-M优化算法模型网络结构的确定 |
56-57 |
|
4.3.4 样本选取及网络训练方法 |
57-60 |
|
4.3.4.1 样本分析及数据预处理 |
57-60 |
|
4.3.4.2 交互检验训练法 |
60 |
|
4.4 预测结果与讨论 |
60-65 |
|
第五章 结论与展望 |
65-67 |
|
5.1 结论 |
65-66 |
|
5.1.1 关于人工神经网络在水质评价上应用研究的结论 |
65 |
|
5.1.2 关于人工神经网络在水质预测上应用研究的结论 |
65-66 |
|
5.2 展望 |
66-67 |
|
参考文献 |
67-71 |
|
攻读学位期间发表的论文 |
71 |
|
致谢 |
71 |
|
| 【DOI】 | LunWen.ID:2.2008.388595 |
