论文部分内容阅读
目前，我国的水资源缺乏和水环境污染已到了亟需解决的地步，研究一个能较准确地预测水质情况的预测模型、科学地对湖泊水质进行预测管理，对探寻水质变化规律、正确认识湖泊的功能、实现水环境的改善与水资源的可持续利用等具有非常重要的意义。 近年来，随着人工智能算法的兴起，人工神经网络(Artificial Neural Network，ANN)得到快速应用。它是处理模糊的非线性关系的有力工具，具有预测精度高、参数修正自动化等优良特性，对于水质预测等复杂问题研究，具有很好的适用性。人工神经网络的模型众多，在若干神经网络模型的应用中，又首推BP(Back Propagation)神经网络，它是一种较为成熟的非线性函数逼近方法，并体现了人工神经网络精华部分。 本论文为掌握水质未来的变化情况以及预防污染事件的发生，以洪湖为研究区，建立水质指标预测模型。利用洪湖1990年～2015年的水质指标实测数据作为学习样本，选取了pH值、溶解氧(DO)、铵态氮(NH4+-N)、硝态氮(NO3--N)、总氮(TN)和总磷(TP)六项指标作为预测参数，将1990年～2013年的数据作为训练样本，2014年和2015年的数据作为测试样本，建立了BP神经网络模型。运用该模型对洪湖水质指标进行了预测，同时将传统的一元线性回归预测模型与GM(1，1)灰色预测模型与BP神经网络模型进行对比。由于人工智能的另一学科遗传算法(Genetic Algorithm，GA)是一种非常好的全局优化算法，它与神经网络结合用来优化神经网络，能够得到更优的精度。因此，本文引入遗传算法对BP神经网络的权值及阈值进行优化，建立了GA-BP神经网络模型。探讨了不同模型应用于洪湖水质指标预测的精度结果，以期对洪湖水质状况的预测预警与改善提供一定的参考价值。 研究结果表明，BP神经网络模型预测的各水质指标的相关性系数都在0.999以上，2014年、2015年的大部分水质指标能够得到较好的预测值，相对误差在10％以内。2014年除了硝态氮和铵态氮存在小幅度的低估，其他指标的相对误差均低于8％; 2015年除了对硝态氮存在小幅度的低估，其他指标的相对误差均低于9％。从各项水质指标的预测值和误差来看，BP神经网络预测模型的结果基本符合实际情况，具有预测精度较高、速度较快的特点，能够较好地捕捉水质指标的非线性变化规律。 两个传统预测模型对所有水质指标的预测趋势基本符合实际情况。一元线性回归预测模型对pH值和DO的预测误差较小，但对于2014年的硝态氮和总氮与2015年的硝态氮的相对误差均高于40％，对其他指标的预测误差在可接受的范围内，两年的平均相对误差分别为41.055％和26.464％。GM(1，1)灰色预测模型对pH值和DO的预测相对误差均较小，但由于对硝态氮和总氮的大幅低估或高估，使其预测平均相对误差高达57.258％和47.06％。由此表明，一元线性回归模型和GM(1，1)灰色预测模型在某些指标的预测上有明显的优势，但在个别指标的预测上存在着明显的高估或低估，其预测结果不稳定，预测能力不够理想，精度有待进一步提高。 GA-BP神经网络模型的预测结果表明，对于训练样本而言，无论是平均相对误差还是均方误差，GA-BP神经网络都明显小于BP神经网络，这说明，使用了遗传算法优化BP神经网络后，网络的容错性能得到了明显的提高，且更容易实现网络的全局寻优。对于两年水质指标预测结果的平均相对误差而言，GA-BP模型均小于BP模型，精度分别提高了1.676％和2.607％。很显然，遗传算法优化BP神经网络的权值和阈值后较好地表现出了其优越性，弥补了BP神经网络模型的缺点，预测结果的精度有显著提高。 本研究表明，BP神经网络模型对大部分水质指标能够得到较好的预测值，且预测精度较高，明显优于一元线性回归模型和灰色预测模型;优化后的GA-BP模型较BP神经网络模型而言，更好地表现出了其优越性，能更好地应用于水质指标预测。因此，洪湖水质预测模型的研究不仅对了解洪湖水质变化规律有积极意义，对洪湖综合整治工程和制定洪湖水环境治理方案和水资源合理利用与开发有一定的科学指导意义，同时也对其他类似湖泊的水环境研究及保护具有重要的参考借鉴价值。