论文部分内容阅读
本文以黄河中游渭河入黄口(潼关)至花园口段为研究区域,研究入河污染物(CODCr、氨氮)在三门峡、小浪底、花园口各水质监测断面上的水质响应。由于黄河干流的水文及排污条件具有随机性,导致了水质预测模型输出的不确定性。文中采用人工神经网络方法,建立能够反映研究区域中,下游污染物各水质响应指标与影响它的上游各参量之间关系的水质模型,揭示上、下游主要水质要素间的客观规律,分析和验证该方法的适用性。研究结果表明: (1) 由于黄河水环境系统的复杂性,实测数据中呈现出较大的非均一性,把这些数据强行组合在一起,进行单一构型模型的构建,对于异常复杂的黄河水质系统不适用。文中将研究区域划分为四个研究空间(即:龙门—潼关,潼关—三门峡坝下,三门峡坝下—小浪底坝下,小浪底坝下—花园口),在每个子空间上按不同的流量级别(可分为:Q≤500m3/s,500m3/s<Q<1000m3/s,Q≥1000m3/s),再分别建立针对性更强的多个较小的神经网络来替代唯一的单一构型的神经网络,从模型的稳定性和预测性能的对比分析中可知,据此方法建立的模型在预测精度上具有较高的优越性。 (2) 筛选出的影响下游监测断面该水质指标的主要因子,它们分别是:上游来流量Q、区间纳污量W、来沙量S、水库水位Z、上游断面污染物的本底浓度值C0。已经建立起来的训练模式为:模型选定为三层BP网络结构,隐层神经元数选为6个,BP模型的最佳输入模式为5-6-6-1。学习速率取默认值0.01。最大训练次数为2000~10000次。传递函数,隐层选用tansig函数,输出层选用purelin函数。训练误差目标取0.0001~0.001之间。数据处理,采用prestd函数进行前处理,用poststd进行后处理,选用trainlm函数训练和测试网络。 (3) 运用Matlab语言编写相应的训练程序和应用程序。在训练程序阶段,根据典型研究河段在12个年份内的统计资料,建立污染物输入响应模型,同时在程序中对测试集的相对误差进行了效果分析,用图形的形式直观地展示了训练成熟后的模型对部分测试集的拟合、预测效果;在应用程序阶段,根据训练稳定后的模型得到隐层至输出层的连接权值和阈值矩阵,可进行模型的预测计算。