论文部分内容阅读
近年来,我国的不断发展也伴随着污染的不断加重,三峡库区也出现了许多水质问题。据调查发现受长江富营养化水质的输入和周边人类活动产生的输入等原因的共同影响,有超过80%的三峡库区支流出现水体富营养化,爆发多次水华等水质问题。这些问题已经严重影响到三峡库区水环境的安全和当地人民的生活,成为了城市建设过程中的重大阻碍。为解决这些问题,本文对收集到的三峡典型支流—朱衣河的水质数据进行分析。这些因素在水体中发生物理和化学变化影响着水质,其背后潜藏着大量有价值的信息,而如何从这些数据中挖掘出这些有价值的信息,找出隐含的规律性信息,并据此来预测未来水质变化的趋势,已成为水污染综合治理的首要前提,更是库区水质安全管理中不可或缺的一部分。本文研究朱衣河水质数据,发现数据之间具有时间上关系的特性,应使用时间序列分析法对其水质数据进行分析与预测。这种分析方法不强制要求数据具有时序外的其他特性,只要序列中数据之间有时间上的依赖关系就可以使用。通过对本文研究的朱衣河水质数据进行分析,发现本文研究的水质数据是非线性且不平稳的时间序列。因此,使用了时间序列分析中针对非线性数据的ARIMA模型。但该模型在非线性数据预测上有一定的局限性。针对这一问题,本文提出一种基于RBF神经网络的水质预测模型。该预测模型采用用高斯函数作为隐含层基函数,通过正交最小二乘(OLS)中心选取法选取基函数的中心。进行仿真实验后发现,该模型预测精度良好,能够预测出数据未来的变化趋势。但该模型也存在陷入局部最优,错过最佳模型的问题。为此本文使用优化算法中的粒子群优化算法对RBF神经网络中的中心和宽度进行优化。本文研究ARIMA预测模型、RBF神经网络预测模型和基于粒子群优化算法改进的RBF神经网络预测模型,在朱衣河营养盐浓度预测中的适用性,并进行比较。根据历史数据对三种预测模型进行仿真,并通过平均误差和均方根误差的比较,发现基于粒子群优化算法改进的RBF神经网络预测模型,具有较强的预测精度和良好的推广能力,更适合水质时序数据的预测。该模型具有一定的推广价值,不仅为水质安全管理决策提供更有力的数据支持,对库区水环境保护和保障沿海地区的可持续发展也具有重要的理论和现实意义。