论文部分内容阅读
人工神经网络(ANN)是复杂非线性科学和人工智能科学的前沿,在水污染控制领域的应用在国内外尚处于起步阶段。本文在全面分析评述水质评价和水质预测的研究现状,分析阐述了人工神经网络基本原理、算法和模糊数学基本理论的后,将模糊神经网络(FNN)和径向基神经网络(RBFNN)引入水污染控制领域,主要在水质评价和水质预测方面进行了一些探索性的研究工作,为提高水质评价和水质预测的智能化水平做出了努力。本文介绍了FNN的原理、算法和模式特征。FNN不再是一黑箱,其所有节点与参数都具有物理意义,并克服了ANN结构的选择缺乏充分理论分析的缺点。FNN模型既能直接表达人们惯用的逻辑含义,又兼具ANN的自适应学习功能和非纯属表述能力等优点。将FNN应用于水质评价是本文的初探,通过实例研究证明,学习五类水质标准后的FNN能够正确评价其它的水质样本,具有较好的客观性、可靠性和可解释性。在充分研究RBFNN机理的基础上,将RBFNN应用到水质预测中,并以深圳河在线监测数据为训练样本,构建了RBFNN水质预测模型。应用该模型对深圳河2006年11月19日至2006年11月29日10天的水质进行预测,并以该时间段的真实监测数据验证预测结果的准确性,验证结果表明该模型预测结果误差较小、拟合性好。为了比较RBFNN与BPNN(反向传播神经网络)的预测性能,本文还以相同的监测数据建立了BPNN水质预测模型,将其预测结果与RBFNN水质预测模型的预测结果相比较,比较结果表明,RBFNN的预测结果明显优于BPNN。而且在两个模型建模的过程中,RBFNN无论在收敛速度,还是输出结果的稳定性,均好于BP神经网络。本文研究表明:用FNN和RBFNN进行水质评价和水质预测在理论上可行,在实践上有继续深入研究开发的价值,具有良好的应用前景。