基于遗传算法的BOD神经网络软测量

针对污水处理过程中关键水质参数无法在线监测的问题,提出基于遗传算法和BP神经网络相结合的污水水质软测量方法,该方法采用遗传算法优化神经网络结构和权、阈值分布,再用BP算法对神经网络进行训练,得到最优的建模网络.仿真结果表明该方法可以避免单独使用BP网络容易陷入局部最小的问题,并能加快全局收敛速度,对水质参数BOD(生化需氧量)预测实时性好、稳定性高、精度高,可用于污水水质的在线预测.     

神经网络在污水处理过程中的应用

针对活性污泥法在污水处理过程中,水量会发生巨大的变化,以及运行所带来的强耦合、非线性、大滞后性等影响了污水处理的控制过程;利用神经网络技术特点对污水处理厂进行模拟实验,建立BP神经网络模型的仿真,用试凑法确定隐含层节点的个数,为了避免建立的网络过大,在训练网络过程中,避免出现网络"过训练",建立合适的网络模型;通过对污水处理过程中输入数据的水质的变量参数,来预测未来某一时间输出某一水质变量参数;结果表明,BP神经网络可以应用于活性污泥法水处理过程中对水质参数进行模拟仿真和预测的效果。     

基于灰色神经网络建模的水质参数预测

针对水质参数预测过程中样本数据少的特点,结合灰色新陈代谢GM(1,1)模型和BP神经网络模型,提出灰色新陈代谢BP神经网络组合模型。用灰色新陈代谢模型群的数据集作为BP神经网络的学习测试样本,解决了BP网络需要大量样本才能较好地逼近非线性函数的问题。实验表明,与普通BP网络、灰色新陈代谢模型比较,灰色新陈代谢BP神经网络组合模型的预测精度更高,能够应用于水质参数的预测。     

基于MEC-BP神经网络在水产养殖水质预测中的应用

溶解氧作为水产养殖中最为重要且最容易控制的水质参数,其关系到养殖的成败,如果能精确掌握溶解氧的变化规律,可大大降低养殖风险,增加养殖成功率。本文综合考虑相关水质参数,建立BP神经网络水质预测模型,并在此基础上,构建基于思维进化算法(Mind Evolutionary Computation,MEC)的BP神经网络水质预测模型,通过对广西茅尾海海域的水质历史数据进行仿真实验,结果表明,思维进化BP神经网络预测值的精确度和准确度要高于BP神经网络。因此,将该算法应用于水产养殖水质预测是可行的。     

基于ABC-BP模型的丹江水源地水质监测系统设计

为促进秦岭地区生态环境保护,确保"一江清水送京津",设计了基于ABC-BP模型的丹江水源地水质监测系统;该系统通过ZigBee和4G无线网络对pH值、DO、导电率、水温等水质数据进行采集和传输,并基于BP神经网络建立了水质参数预测模型,为减小预测误差,采用人工蜂群算法(ABC算法,artificial bee colony algorithm)对BP神经网络预测模型的权值和阈值进行优化,建立了ABC-BP水质参数预测模型;试验结果表明,该算法与BP神经网络算法相比误差减少了45.8％,系统实现了pH值、DO、导电率、水温等水质参数的实时显示和预测功能,能更好地对水源地水质进行智能监测.     

M-TAEDA:多变量水质参数时序数据异常事件检测算法

在供水管网中部署传感器网络实时获取多个水质参数时间序列数据,当供水管网发生污染时,高效准确地检测水质异常是一个重要问题。提出多变量水质参数时间异常事件检测算法（M-TAEDA）,利用BP模型分析多变量水质参数的时序数据,确定可能离群点;结合贝叶斯序贯分析独立更新每个参数的事件概率,预测单个传感器节点检测的异常概率;将单变量的事件概率融合为统一多变量事件概率,融合判断异常事件。实验结果表明：BP模型模拟多变量水质参数进行预测可以达到90%精确度;与单变量参数时间异常事件检测算法（S-TAEDA）相比,M-TAEDA可以提高异常检出率约40%,降低误报率约45%。     

基于BP神经网络的水质预测方法的研究

为了建立相应的水质预测和评价管理决策支持系统,在了解和分析一些常规水质模型的基础上,提出了用BP神经网络进行智能建模的方法,并结合东江自动监测站的实测水质数据进行了初步的探索,建立了东江水质预测的BP神经网络模型,并给出了仿真结果。结果表明,BP神经网络模型可以很好地对水质进行预测,解决系统中复杂的非线性关系,具有预测精度高,简便可靠等特点。     

基于小波变换和支持向量机的水质预测

提出基于小波变换和支持向量机的水质预测模型。该模型运用小波变换得到水质时间序列在不同尺度下的变化特性,并用改进后的粒子群算法优化回归支持向量机的三个参数,提高了模型预测精度。运用该模型对王江泾自动监测站测得的溶解氧浓度进行了1步预测及2步预测,10组测试样本最高MAPE为4.54%,并用基于BP神经网络的预测结果进行了比较。结果表明,该模型性能良好、预测精度高、简便易行,比基于BP神经网络的模型具有更好的预测效果,为水质预测提供了一种有效的方法。     

基于偏最小二乘回归和SVM的水质预测

针对传统水质预测方法中水质因子的多重相关性造成预测精度低的问题,提出了一种将偏最小二乘法和支持向量机相耦合的水质预测方法。利用偏最小二乘法提取对水质因子影响强的成分,从而克服了信息冗余问题,并降低了支持向量的维数。利用支持向量机建模可以较好地解决高维非线性小样本问题。同时利用改进的PSO算法优化SVM参数,减小参数搜索的盲目性。研究结果表明,本耦合模型的预测精度和运行效率明显优于常用的BP人工神经网络和传统的支持向量机,可以更好地应用于水质预测。     

基于QPSO-GRNN的水质氨氮预测建模

BP(Back Propagation)网络在用于水质预测时,存在运算速度慢和易陷入局部最优的缺点,与传统的BP网络相比,广义回归神经网络(General Regression Neural Network,GRNN)的计算速度快,预测精度较高。光滑因子σ是广义回归神经网络的唯一待确定参数,它对网络的预测性能影响很大,本文采用量子粒子群算法(quantum particle swarm algorithm,QP SO)优化算法对光滑因子进行估算,并通过GRNN构建水质预测模型。实验表明:该模型能较好地预测氨氮变化趋势,为科学管理水质提供必要依据。     

基于灰色BP网络的城市建设用地预测模型

城市建设用地的准确预测是城市合理规划,持续发展的重要保证,建立一种灰色BP网络预测模型,把灰色预测与BP神经网络组合起来,通过历史数据预测城市建设用地量,该模型既考虑了城市建设用地的时序特性,又考虑了它的非线性特性。通过具体的实例研究,对比了单独灰色预测模型与组合预测模型的预测结果,结果显示组合预测的结果与实际有较高的拟合度。     

基于BP-GA混合学习算法的神经网络短期负荷预测

本文提出了修正的遗传算法和BP算法相结合的短期负荷预测方法，与传统神经网络方 法相比，该方法可以加快网络学习速度和提高学习精度．我们用遗传算法来训练网络参数， 直到误差趋于一稳定值，然后用优化的权值进行BP算法，实现短期负荷预测．在构建网络模 型时，我们考虑了气候因素的影响，并把它作为网络的一组输入点．实验结果表明基于这一 方法的负荷预测系统较高的精度和实时性．     

基于SPSS与BP网络的锌产量预测模型

金属锌对人们的生活具有非常重要的意义,为了使锌产量最大化,有必要对密闭鼓风炉铅锌熔炼操作参数进行优化,提出了基于SPSS与BP网络的密闭鼓风炉熔炼锌产量的预测模型;先对DCS系统上获得的在线数据建立初步的参变量与锌产量之间的因果关系,再利用SPSS统计分析软件中的主成分分析法对各参变量进行分析,最后将得到的与锌产量最相关的少数几个因素用BP网络建立预测模型,仿真结果表明,该方法减少了网络的训练时间,改善了学习效率,具有较高的预测精度,是可行的、有效的。     

基于BP神经网络的压缩空气用能预测模型研究

文中根据BP神经网络对复杂问题所具有的预测能力,选取某企业压缩空气用能数据作为预测评判指标,建立了用于压缩空气用能预测的BP神经网络模型,并应用于实际问题预测。然而,最初预测结果在几个时刻点出现异常,在此文中针对记录数据可能出现问题的各种原因,再次利用局部预测对原始数据做出修正,最后预测结果已基本符合。实例表明：用BP神经网络模型进行压缩空气用能预测是可行和有效的。     

BP神经网络用于水体中N综合污染评价

为解决环境质量评价的模式识别问题，采用BP算法的人工神经网络建立水质评价模型，对长江上游某一监测区间的对照断面水体的N元素污染情况进行综合评价。通过实例探讨，这种新的BP网络既适用于定量指标的水质参数的评价又适用于定性指标的水质参数的评价，可以用于环境评价体系的建立。     

基于改进粒子群优化BP网络的城市用水量预测

对城市用水量的科学预测是城市供水管网规划与设计基础,可以给供水系统安排生产与优化调度提供科学依据。由于传统BP神经网络应用于城市用水量预测存在训练收敛速度过慢、预测精度较低等缺陷,本文提出基于改进粒子群优化BP神经网络的城市用水量预测方法。实验结果表明,该方法的训练收敛速度、预测精度明显优于传统BP神经网络、粒子群优化BP网络的方法,可以满足供水系统生产与调度的实际需要。     

基于COBP模型的城市短期需水量预测研究

针对城市需水量预测中时间序列的非线性特性及传统BP网络预测收敛速度慢易陷入局部极小值等问题,将Chaos理论和BP神经网络理论相结合,提出了一种基于Chaos-BP理论的城市短期需水量COBP(ChaosBackPropagtion)预测模型。利用重构相空间的嵌入维数确定COBP网络的结构,通过混沌优化搜索,找到BP神经网络权值的全局最优值,并对其输出的“尖点”预测值进行混沌参数控制,实现城市短期需水量的预测。仿真分析表明,与传统预测模型相比,COBP预测模型所需训练数据样本少,收敛速度快、易达到全局最小值,预测结果整体误差的指标良好,呈现良好的综合预测性能。     

基于BP神经网络的矿山地下水位预测研究

采用BP神经网络技术,将矿区的降雨量、排水量及前期水位三个因素作为输入层,矿山地下水位作为输出层,建立矿山地下水位预测模型.文章详细介绍了BP神经网络实现矿山地下水位预测的基本算法,将研究区矿山的长期观测孔实测水位作为实验数据并作出误差分析.最终成果能够达到矿山地下水位预测目的,并为分析地下水降落漏斗趋势提供有力依据.