| 【中文题名】 | 神经网络在巢湖水质评价预测中的应用 |
| 【英文题名】 | The Application of Artificial Neural Network on Water Quality Evaluation and Prediction in Chao Lake |
| 【学科专业】 | 环境工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-8-3 |
| 【中关键词】 | 巢湖,人工神经网络,评价,预测,, |
| 【英关键词】 | Chao Lake,neural network,evaluation,prediction, |
| 【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】 |
本文主要研究了神经网络在巢湖水质评价预测中的应用。
在水质评价方面，根据巢湖营养状况评价的实际需要，选取TP、TN、COD_(Mn)和温度作为巢湖营养状态评价的指标，确定了巢湖营养状况评价的标准，建立了人工神经网络模型和神经网络—隶属度组合模型，利用评价模型对巢湖六个点位2000年春到2002年冬的水质营养状况进行了评价，得到六个点位三年内每一个季节的营养状况，从中我们可以得出这样的结论：从整体上看，巢湖西半湖属富营养类型，东半湖属中富营养类型，全湖为中富营养到富营养化过渡状况。
在水质预测方面，确立了叶绿素a与富营养化程度之间的关系，选取水温和叶绿素a为影响因子，通过神经网络预测了巢湖富营养化状况(叶绿素a的浓度)的下一个月的变化趋势，并通过神经网络插值的方法生成足够的样本，预测了巢湖富营养化状况(叶绿素a的浓度)的下一周的变化趋势。结果表明，水温和叶绿素a是影响叶绿素a短时间内变化的最主要因素，以这两者作为输入变量建立的网络简单快捷，说明人工神经网络模型能有效合理的预测巢湖富营养化短时期内的变化趋势。
最后，文章还建立了一种GM(1，1)—神经网络组合模型，并通过对巢湖的... |
| 【论文题纲】 |
|
摘要 |
5-6 |
|
Abstract |
6-7 |
|
致谢 |
7-10 |
|
插图清单 |
10-11 |
|
表格清单 |
11-12 |
|
前言 |
12-13 |
|
第一章 绪论 |
13-21 |
|
1.1 湖泊富营养化概述 |
13-14 |
|
1.2 人工神经网络概述 |
14-16 |
|
1.3 本文的研究背景 |
16-17 |
|
1.4 国内外研究现状 |
17-20 |
|
1.5 本文的研究意义和研究内容 |
20-21 |
|
第二章 巢湖流域概况 |
21-27 |
|
2.1 巢湖流域概述 |
21-22 |
|
2.1.1 自然地理特征 |
21-22 |
|
2.1.2 社会环境特征 |
22 |
|
2.2 巢湖流域地表水资源 |
22-24 |
|
2.2.1 水系概况 |
22-24 |
|
2.2.2 地表水资源及其分布 |
24 |
|
2.3 巢湖的富营养化成因 |
24-27 |
|
2.3.1 富营养化发生的内因 |
24-25 |
|
2.3.2 富营养化发生的外因 |
25-27 |
|
第三章 巢湖营养状况的神经网络评价 |
27-44 |
|
3.1 BP网络法水质评价的特点 |
27-30 |
|
3.1.1 BP网络概述 |
27-29 |
|
3.1.2 BP网络法水质评价的特点 |
29-30 |
|
3.2 评价对象和评价标准的选取 |
30-31 |
|
3.2.1 评价对象的选取 |
30 |
|
3.2.2 评价因子的确定 |
30-31 |
|
3.2.3 评价标准的确定 |
31 |
|
3.3 巢湖营养状况评价神经网络构建 |
31-33 |
|
3.3.1 输入层神经元数和输入模式向量 |
31 |
|
3.3.2 隐层和隐层神经元数 |
31-32 |
|
3.3.3 输出层神经元个数与期望输出 |
32 |
|
3.3.4 BP网络结构 |
32-33 |
|
3.4 网络的MATLAB实现 |
33-34 |
|
3.5 巢湖营养状况评价结果 |
34-37 |
|
3.6 水质评价的BP网络—隶属度串联模型 |
37-42 |
|
3.6.1 BP网络—隶属度串联模型原理 |
38 |
|
3.6.2 利用BP网络—隶属度串联模型评价巢湖水质 |
38-42 |
|
3.7 小结 |
42-44 |
|
第四章 湖泊富营养化的神经网络短期预测 |
44-56 |
|
4.1 神经网络与湖泊富营养化预测 |
44 |
|
4.2 衡量湖泊富营养化的因子与标准的确定 |
44-46 |
|
4.2.1 衡量富营养化的因子的确定 |
44-45 |
|
4.2.2 衡量标准的确定 |
45-46 |
|
4.3 预测点位和预测步骤的确定 |
46-47 |
|
4.3.1 预测点位的选择 |
46 |
|
4.3.2 预测步骤的确定 |
46-47 |
|
4.4 神经网络对于叶绿素a的月值预测 |
47-50 |
|
4.4.1 选取研究对象 |
47-48 |
|
4.4.2 南淝河入湖口叶绿素a的神经网络月值预测 |
48-50 |
|
4.4.3 东、西半湖湖心点叶绿素a的神经网络月值预测 |
50 |
|
4.5 神经网络对于叶绿素a的周值预测 |
50-53 |
|
4.5.1 插值 |
51 |
|
4.5.2 叶绿素a的周值预测 |
51-53 |
|
4.6 小结 |
53-56 |
|
第五章 湖泊水质的灰色神经网络预测 |
56-62 |
|
5.1 灰色神经网络概述 |
56-57 |
|
5.1.1 灰色理论概述 |
56 |
|
5.1.2 灰色神经网络 |
56-57 |
|
5.2 GM(1.1)—神经网络串联模型的构建 |
57-58 |
|
5.3 GM(1,1)—神经网络串联模型在巢湖水质预测中的应用 |
58-60 |
|
5.3.1 构建GM(1,1)预测模型 |
59 |
|
5.3.2 利用人工神经网络改进预测值 |
59-60 |
|
5.3.3 结果检验 |
60 |
|
5.4 小结 |
60-62 |
|
第六章 结论与展望 |
62-64 |
|
参考文献 |
64-67 |
|
| 【DOI】 | LunWen.ID:2.2008.388797 |
