BP-RBF神经网络模型在城市景观水体富营养化评价中的应用

合集下载

地下水水质评价中BP人工神经网络模型的应用研究

２０１７年第１期
水土保持应用技术
１９
实用技术
地下水水质评价中ＢＰ人工神经网络模型的应用研究
邹涛
（新疆下坂地水利枢纽工程建设管理局，新疆喀什８４４０００）
中图分类号：Ｐ３３４．９２文献标志码：Ａｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１６７３—５３６６．２０１７．Ｏ１．０７
ＢＰ人工网络模型。对新疆某区域地下水水质情况进行采样分析评价，以此通过对样本数据进行人脑神经模拟计
算，从而对数据结果进行优化评价。以此提升水质评价结果的科学性。
关键词：地下水水质；ＢＰ人工神经网络模型；评价；应用
型，将信息运算结果通过反向传输到信息隐含层及输出层，系统模型沿网络结构连接通路，对系统相关采样数据进行逐层反向运算修正，以此科学输出各层连接权值。当各个训练模式都与预期运行要求一
和模型化处理，以此提升当地地下水水质评价结果的科学性。
致时，结束修正，再次输出数据运算结果。
２地下水水质评价中ＢＰ人工神经网１地下水水质评价中ＢＰ人工神经网络模型的实施流程络模型简介基于ＢＰ神经网络模型，对地下水水质进行分
在现阶段我国地下水水质评价过程中，经常采用的一种数据分析模型就是ＢＰ人工神经网络模

BP神经网络在东钱湖富营养化评价中的应用

Ｂ神经网络在东钱湖富营养化评价中的应用Ｐ
◎莫明辉胡玮
水质评价的方法有很多，简单评价因子之间的非线性关系，用于公式的来说分为单因子法和多因子法。单因子法即最差因子法，如果最差
评价湖泊的富营养化程度。人工神经网络是２世纪８年代００
岛（＋）（）七１＝七＋ ’
（）隐节点层（入节点到３输
库的富营养化评价，影响湖泊、水想是根据样本的希望输出与实际隐节点数）的修正公式，利用梯度下库的富营养化评价的因素很多，各输出的误差平方和Ｅ评价因子和富营养化等级之间的关降法，求使Ｅ达最小的网络权系Ｎ
一
个输出层和一个或多个隐含层组
中个本差否一，一样误。ｏ｝
其中Ｐ为样本数，ｎ为输出节点数。
３）误差公式：
：
只与湖泊（库）营养状态评价标成，每一层都包含若干个神经元，水
准有关，避免了人工选择权重的影神经元之间通过权重连接，但同层响，较为客观。水质评价的方法有很多，简单
等级。因此，富营养化评价的神经五、ＭＴＡ仿真设计ＡＬＢ
参考文献：
［］李奇珍等．１水质综合评价
Ｊ．０７９业规范规定，相应于Ｎ污染指标中的湖库营养状态评价标准，即可方法探讨［］人民黄河，２０，２项

BP神经网络在千岛湖水体富营养化变化预测中的应用

维普资讯
第２４卷第３期
２００８年５月
科技通报
ＢＵＬＬＥＴＩ０ＦＣＩＮＳＥＮＣＥＮＤＥＣＨＮ０Ｌ０ＧＹＡＴ
Ｖｏ．４Ｎｏ３１２．
Ｍａ０８ｙ２０
ＢＰ神经网络在千岛湖水体富营养化变化预测中的应用
ｅ
眦
ＺｅｉｎｎｖｒｉｙｈｊｇＵｉｅｓｔ，Ｈａｇｈｕ３０５ａｎｚｏ１０８，
ＡｂｔａｔＴｈｔｙｉｒｓｒｃ：ｅｓｕｄｎｔｏｄｕｅｈｒｉｉｉｌＮｅａｔｃｄｔｅＡｔｆｃａｕｒｌＮｅｗｏｒｏｌｉｏｐｒｄｉｔｎｇｔｅｃｎｇｕｔｏｐｃｔｏｎｏｆｋＭｄｅｎｔｅｃｉｈｈａｅｏｆｅｒｈｉａｉ
刘恒，力蛟严
（江大学生命科学学院生态规划与景观设计研究所，州３０５）浙杭１０８
摘要：人工神经网络模型引入水质预测中，据此建立了千岛湖水体富营养化预测的Ｂ将并Ｐ神经网络模型。该模型选取了Ｃｈａ为网络的输出变量，过主因子分析，到温度Ｔｗ、Ｈ、ｈａＳＴＮ５个ｌ作通得ｐＣｌ、Ｄ、水质因子作为网络的输入变量，建了５个网络模型。本研究表明，构以上周的Ｔｗ、Ｈ、ｈａＳｐＣｌ、Ｄ为输入变量，周Ｃｌ下ｈａ为输出变量的网络方案能够对千岛湖的水质变化进行很好的短期预测，而能够使管从理部门根据此模型掌握千岛湖水质变化趋势，其制定千岛湖水质管理方案提供理论依据。为关键词：体富营养化；Ｐ神经网络模型；岛湖水Ｂ千

基于BP神经网络模型的城市自然生态型河流景观方案质量评价

ｍｅｔｒｌｔｎｅｅｎｔｅｌｄｃｐｕｔｎｕｎｉｇｆｃｏ，ｈｌｏａｎａｌｅｗｅｅｆｒｃｔｇｒｓｌａｄｔｅａｔａａｅｔｅｒｌ— ｉｅｏｒａｉｓｂｔｅｗｈａｓａｑ￣ｙａｄｉｅｃｎｔｒＳｔｅｅｒｓｓｉｂｔｅｎｔｅａｉｕｔｎｅｌｆｎａＴｗｈｏｓｎｅｃｕｌｖｕ，ｈａｎｈｌｅ
基Ｐ经络型城然态河景方质评于Ｂ神网模的市自生型流观案量价
乔丽芳，张毅川，安国，齐李新铮，连芳姚
（南科技学院园林学院。南新乡４３０）河河５０３
摘要：城市自然生态型河流的景观设计方案质量评价受多种因素的影响，这些因素之间存在着复杂的非线性关系，有些甚至是
ｍｉａｉｎｍｅｔｒｌｔｏ，ｏｖｎｗａｔｃａｔｃａｕｚａｄｉｓｅｙｄ￣ｃｌｏｅｐｅｓｔｅｉｔｎｉｌｔｏｅｗｅｎｔｅｕｉｇｔｅｔａｉｏａｓｇｌｎｅａｉｎｓｍｅｅｅｓｓｏｈｉｎｄｆｚｙ，ｔｓｓｎＷａｖｒｉｕｔｔｘｒｓｈｎｒｓｃｒａｎｂｔｅｈｍｓｎｒｄｔｎｌｉｅｉｓｈｉ
锄ｃａｄｉｎ．ｅｒｓｌｎｉａｅａｈｅｒｌｎｔｏｋｍｏｅａｅｇｅｔｎｎｉｅｒａｐｎ０ｏＴｈｅｕｔｉｄｃｔｄｔｔｔｅＢＰｎｕａｅｒｄｌｈｄｔｒａｏｌｎａｐｍ￣ｍａｏｂｉｔｃｕｄｒａｌｅｅｔｔｅｍｉａｉｎＳｈｗｈｉｔｎａｌｙ。ｏｌｌｒｆｃｓｌｇ — ｉｅｙｌｈ

径向基函数神经网络在水质评价中的应用

径向基函数神经网络在水质评价中的应用董曼玲 , 黄胜伟(山东农业大学 , 泰安 271018摘要 :采用径向基函数 (RBF 来构造多层前馈 BP 神经网络 , 根据某流域水系的水质监测数据 , 建立一个对地表水质进行判别的多层前馈网络数学模型。

以地表水质污染主要的七项指标为训练样本 , 利用该网络对水质进行评价 , 并将计算结果与其它方法进行比较分析。

结果表明 , 该方法收敛速度较快 , 预测精度较高 , 效果好。

关键词 :人工神经网络 ; BP 网络 ; RBF 网络 ; 水质评价中图分类号 :X824文献标识码 :A文章编号 :100326504(2003 0120023203由于影响水质因素较多 , 目前还很难用物理方法对水质进行客观的评价。

早期的综合评判法、灰色集类法、模糊综合评判法等 [1], 多数需要设计各评价指标对各级标准的隶属函数及各指标的权重 , 因此 ,结果受评价者主观因素影响较大行了水质评价 [2], 算,点 [3]。

BP , 为此许多学者对 BP , 提出了不少改进方案。

本文尝试用径向基函数 (RBF 来构造多层前馈 BP 神经网络。

根据某流域水系的水质监测数据 , 建立一个对地表水质进行判别的多层前馈网络数学模型。

以地表水质污染的主要七项指标为训练样本 , 利用该网络对水质进行评价 , 并将计算结果与其它方法进行比较分析。

1径向基函数神经网络模型径向基函数 (RBF 神经网络是近几年来应用较多的一种前馈人工神经网络模型。

与 BP 神经网络一样 , 也能以任意精度逼近任一连续函数。

在用 RBF 网络求解一给定问题时 , 通常是凭经验确定隐层节点的中心和正规化参数 , 再用线性优化方法确定权参数。

由于在两个阶段均存在快速算法 , 从而使得 RBF 网络具有较快的学习速度。

RBF 网络的结构如图 1所示。

图 1一般 RBF 网络结构图作者简介 :董曼玲 (1963- , 女 , 实验师 , 主要从事水质化验与分析研究。

隶属度-BP网络在水环境质量评价中的应用

生塾缆莹
离锰酸盐指数
化举需氧量
输人层隐舍层输出层
图１隶属度一ＢＰ神经网络结构
ＬＢ编程实现ＢＡＰ网络训练，输人实测值得到输出结果，并代人隶属度函数计算隶属度 ” ：
・
将地表水环境质量标准（Ｂ８８２０）Ｇ３３－０２的分级标准值作
文献标识码：Ａｄｉ１．９９ｊｉｎ１０ —３９２１．００８ｏ：０３６／．ｓ．００１７．００１．２ｓ中图分类号：Ｔ２３Ｖ１
水环境质量评价是开发、利用和保护水资源的基础。水环境系统具有复杂性和多变性特点。虽然目前内外水环境质量评价的方法较多，如综合指数法、模糊模式识别法、糊数模学评判法、灰色聚类法、灰色模式识别法等
考虑到水环境质量级别的划分、环境质戢标准的确定等都具水
１。）
有模糊性，笔者将隶属度概念引入ＢＰ网络，立７— 建３—１结构的隶属度一ＢＰ网络，对石头口门水库水环境质量进行了
评价。
量塑．
隶属度汁算
为样本输入，没定各水环境质缋级别的目标输出值（表并见
】。对网络进行学习训练，ｊ结束后就确定了连接权值和阂）学＝『值。训练选取学习效率ｒ／＝０７动量系数＝．，过３２０．，０５经０
（Ｏ））Ｃ１和化学需氧量（Ｏ）组分污染分担率累计达７．ＣＤ７项８３，此将其作为石头口门水库水环境质餐的主要评价因子。％

用BP神经网络模型评价养殖区水域的富营养化——以湖州地区为例

输出层
２２训练拟合精度、泛化和预测能力指标．
训练时，取学习参数：学习率：０１．，冲量
图１ＢＰ人工神经网络结构
ｒＯ（／．系统缺省值）为了确保训练后神经网络模＝３．
型的泛化能力和预测能力，应在满足精度要求的前提下取尽可能紧凑的网络结构，一般采用３层结构，即１个输入层、１个隐层和１个输出层．本文合理的隐层节点数为２，隐层采用Ｓｇｏ转化函数，ｉｉｍｄ输出层采用线性转换函数．５０经０次训练后，对０
３ｌ
ｇｒｈ）Ｂ算法的多层前馈（ｌｐａｅＰｏｏｉｍ的ＰｔＭｕｉｅｙｒｒ－ｔｌＬ
ｐｔｎａｉ，ＭＬ）ｏＰ神经网络，简称ＢＰ神经网络是应用最广（占８％～９％）约００、通用性最好（用于分类、能模式识别和函数逼近）的神经网络模型，它是一种模拟人脑信息处理方法的大规模并行处理的自学习、自组织、自适应的非线性模拟系统，网络结其
区养殖区外荡水域富营养化程度比较严重，处于富营养化和重富营养化状态．关键词：工神经网络；Ｂ人Ｐ算法；富营养化评价；外荡水域
中图分类号：Ｘ５４２文献标识码：Ａ ’
、
目，前水产养殖方式已从传统的粗放型转移到精养或半精养，广大养殖户为了最大限度实现经济
此，价参数值在此范围内的水域均处于同一富营评
输入层
养化等级，通过在每一等级规定的范围内进行随机取值，就能生成足够多的样本．本文共生成３４个０８

神经网络在水环境影响评价方面的应用

神经网络在水环境影响评价方面的应用摘要：水环境是一个多元、多相、在时间和空间上不断变化的复合开放巨系统，这就决定了水环境保护的复杂性和多变性。

水环境系统内部涉及到相当多的状态变量，很多变量很难精确确定或根本无法确定；各状态变量之间和子系统之间的关系较为复杂，很难定量描述。

将神经网络应用于水环境影响评价，采用改进的BP算法进行水质模拟（该方法较之原有的水质数学模型，结果更加精确，适用范围更广。

关键词：神经网络；水环境；影响评价方面；应用1、前言据环境监测结果统计分析，各项污染物排放总量很大，污染程度仍处于相当高的水平，我国水环境面临的严重问题依然是水体污染和水资源短缺，主要河流有机污染普遍，长期以来，环境信息的管理效率较低，汇总评价困难，迫切需要采用先进的方法来加大预测力度，提高管理水平。

2、人工神经网络在水质预测和评价中的应用现状人工神经网络（ANN）是模拟生物神经网络的人工智能系统，用非线性处理单元模拟生物神经元，用处理单元之间的可变连接强度来模拟突触行为，大量单元依一定形式连接而成的网络[3]。

它不需要任何先验公式，就能从已有数据中自动地归纳规则，获得这些数据的内在规律，具有自学习性、自组织性、自适应性和很强的非线性映射能力，特别适合于因果关系复杂的非确定性推理、判断、识别和分类等问题。

人工神经网络模型共有几十种（如BP、RBF、Cohonen和PNN/GRNN模型等），这里重点介绍BP网络和RBF网络。

近年来，人工神经网络在水质预测和评价中的应用越来越广泛，并取得良好效果。

研究者不断将人工神经网络模型的计算结果与其他方法的结果对比，证实人工神经网络法具有通用性、实用性和客观性。

如研究者应用人工神经网络BP算法，构建了丹江口库区水环境质量评价模型，并与单因子评价法的综合评价结果进行了比较，二者评价结果基本一致。

针对实际水质评价问题，建立了渭河地面水环境质量综合评价的BP神经网络模型，并与单因子法、主成分分析法进行了分析比较，表明BP神经网络可以较好地实现水质综合评价。

RBF神经网络及其在水质评价中的应用

ｆｎｔｎＴｏｅｗａｅｒａｎｔｅｈｅｔｎｏｅａｇｉｎｉｅｓｔｅｅａｌ，ｋｎｓｆＢＦｎｔｏｋｔｕｃｉ．ｏｋｔｔｒｅｓｉｏｈａｈＷｕｕｓｃｉｆｈｎｊｇＲｖｒｘｍｐｅｍａｉｇｕｅｏｅｗｒｏｔＣｈａａｈＲｏ
Ｏ引言
前向式多层网络是应用极为广泛的人工神经网络（向式
（．ｐ．ｆＥｌｃｒｃｌｇｎｅｉｇＡｎｕｉｅｓｔｆＳｉｎｅ＆Ｔｃｎｌｇ。ｕｕ２０，ｉａ１Ｄｅｔｏｅｔｉａｉｅｒｎ，ｈｉＵｎｖｒｉｙｏｃｅｃＥｎｅｈｏｏｙＷｈ４１０Ｃｈｎ；０２ＳｈｏｆｃａｉａｎｉｅｒｇＳａｇａｉｏｏｇＵｉｅｓｔ，ｈｎｈｉ０００Ｃｉａ．ｃｏｌｈｎｃｌｇｎｅｉ，ｈｎｈｉａｔｎｎｖｒｉＳａｇａ２０３，ｈｎ）ｏｍｅｅｎＪｙＡｂｔａｔｓｒｃ：ＲａｉｌＢａｉＦｕｃｉｎ（ｄａｓｓｎｔｏＲＢＦｅｒｌｎｔｒｓｐｒｏｍｅｈｏｇｉｅｒｃｍｂｎｔｏｆｎｎｉｅｒｂｓｓ）ｎｕａｅｗｏｋｉｅｆｒｄｔｒｕｈｌａｏｉａｉｎｏｏｌａａｉｎｎ
ｒｓｌｉｒｃｉａ，ｎｔＳｅｆｃｉｅｅｕｔｓｐａｔｌａｄｉ’ ｆｅｔｖ．ｃ
Ｋｅｗｏｄ：ａｉｌａｉｆｎｔｎＮｅｒｌｅｗｏｋＷａｅｕｌｙｅａｕｔｎＴｅｈｃｉｎｏｅＣａｇｉｎｉｅｙｒｓＲｄａｂｓｕｃｉ；ｕａｎｔｒ；ｔｒａｉｖｌａｉ；ｈｕｓｔｆｈｈｎｊａｇＲｖｒｓｏｑｔｏＷｕｅｏｔ

基于BP神经网络的水体富营养化评价的研究

子作为建立评价模型的主要参数指标．用Ｔ选Ｐ和Ｔ是因为Ｔ、Ｎ是引起水体富营养化的首要因素；ＮＰＴ而高锰酸盐指数常被称为水体受还原性有机物质污染程度的综合指标；绿素是植物光合作用中的重要光合叶色素，能反映水体的初级生产力状况；明度则直接反映了水体的污染情况．用这５指标作为模型建立透选个的主要参数指标能最大限度的反映出水体的现状，对于预测水体的富营养化起到最直接的作用．并２２２数据的整理和处理．．本文采用来源于泉州市环境监测站２００４年一２００６年山美水库的共计２组监１
体富营养化的研究是一件有意义的研究工作．Ｐ神经网络由于操作简便易行，以白组织、Ｂ可自学习、白适应并具有容错和抗干扰能力等特点，已成为水体富营养化评价的一个热门．章应用Ｂ文Ｐ神经网络对泉州市山美水库的水体营养状况进行评价，与综合营养指数法进行了比较，出了富营养化的防治对策．并提关键词：体富营养化；Ｐ神经网络；价水Ｂ评
年来，库的富营养化情况日趋严重．水山美水库从入库、区至出库，层水体的ＤＣＤｎＢ５度呈库表Ｏ、ＯＭ和ＯＤ浓递减趋势，库前后浓度降低尤其显著；ＴＮＨ一Ｎ和Ｔ入而Ｎ、。Ｐ浓度除入库前后有所降低外，他均呈递增其趋势，中Ｔ增加明显．库区各站垂直水体中，Ｏ和ＢＤ浓度呈现随深度的增加而明显递减；反地，其Ｎ在ＤＯ５相

水质评价的RBF神经网络应用

水质评价的R B F 神经网络应用1常欢，刘志斌，童英伟辽宁工程技术大学，资源与环境工程学院，辽宁阜新（123000）E-mail ：changhuan0416@摘要：针对传统水质评价方法在权值选取上存在人为因素，本文主要应用R B F 神经网络对辽河流域阜新支流的柳河、绕阳河、养息牧河三条主要河流进行评价。

并在结果中采用隶属度概念使其更客观、准确。

该网络克服了人为因素，评价结果与实际相符。

关键词： R B F 神经网络；河流水质；质量评价1 概述在实践不断发展过程中还有一种前馈网络也能够象BP 网络一样进行模式识别和以任意精度逼近任意连续函数，这就是径向基函数即RBF 神经网络。

它也是具有单隐层的三层前馈神经网络。

两者的主要差别在于使用不同的作用函数，BP 网络中的隐层单元数目使函数值在输入空间中无限大的范围内为非零值，而RBF 神经网络的作用函数则是局部的。

RBF 神经网络不仅有具有良好的推广能力，而且避免了向反向传播那样烦琐、冗长的计算，克服了计算时容易陷入局部极小值的问题，其学习速度也是传统BP 网络无法比拟的。

2 径向基网络的结构及原理径向基网络的神经元模型结构[1]如图1所示。

由图可见，径向基网络传递函数radbas 是以权值向量和阈值向量之间的距离‖dis t ‖作为变量的，其中，‖dis t ‖是通过输入向量和加权矩阵的行向量的乘积得到的。

图1 径向基神经元模型结构径向基网络传递函数的原型函数为：2)(n en radbas −= （1）当输入自变量为0时，传递函数最大值为1。

随着权值和输入向量之间距离的减小，网络的输出是增加的。

所以，径向基神经元可以作为一个探测器，当输入向量和加权向量一致时，神经元输出为1。

图中的b 为阈值，用于调整神经元的灵敏度。

径向基函数网络是由输入层、隐含层和输出层构成的三层前向网络[2]（以单个输出神经元为例），隐含层采用径向基函数作为激励函数，该径向基函数一般为高斯函数，如图2所示。

BP和RBF神经网络的地下水位预测结果比较

BP和RBF神经网络的地下水位预测结果比较【摘要】地下水位的变化是一个复杂的非线性过程，并且地下水位与其影响因素之间存在着复杂的非线性关系。

对于处理这类问题神经网络是一种合适的方法。

本文对BP和RBF神经网络在地下水位预测中的应用进行比较和研究。

通过仿真实例结果显示，BP神经网络和RBF神经网络都能很好的对地下水位进行预测，但是RBF神经网络比BP神经网络的训练速度更快，精度更高，充分体现了RBF神经网络中在地下水位预测中的优越性。

【关键词】地下水位;BP神经网络;RBF神经网络;MATLAB1.引言随着我国国民经济的快速发展，对地下水资源的开发利用日益增加。

通过对地下水位动态变化规律的预测研究，以此来制定科学的开发利用策略，具有重要的现实意义[1]。

地下水位受许多因素的影响，由于问题的高度复杂性地下水位预测还有许多问题未解决。

近几年，许多学者将神经网络用于地下水位的预测并且取得了不少有价值的成果。

2.BP神经网络BP算法的基本原理是利用输出后的误差来估计输出层的直接前导层的误差，再利用这个误差估计更前一层的误差，如此一层一层的反传下去，就获得了所有其他各层的误差估计[5]。

BP神经网络结构图，如图1所示。

BP网络学习的过程是神经网络在外界输入样本的刺激下不断改变网络的连接权值，以使网络的输出不断地接近期望输出。

BP网络的学习本质是对各连接权值的动态调整，其学习规则是权值调整规则，即在学习过程中网络中各神经元的连接权变化所依据的一定的调整规则。

3.RBF神经网络RBF网络的基本思想是用RBF作为隐单元的“基”构成隐含层空间，将输入矢量直接（即不需要通过权连接）映射到隐空间;当RBF的中心点确定后，映射关系也就确定;隐含层空间到输出空间的映射是线性的[7]。

RBF神经网络结构图，如图2所示。

4.数据样本的采集及预处理利用神经网络进行地下水位预测，首先应该提取有关地下水位预测重要指标，确定网络结构。

遗传算法优化BP神经网络在水质评价中的应用

7
0.09
0.02
1.6
1.8
0.14
8.1
10
玛曲
小川
10
新城桥
14
民和
2.3
0.15
0.03
0.15
2.1
0.05
0.54
2.3
2.0
0.14
2.1
2.4
标准训练样本的生成
0.13
0.16
2.6
0.30
7.7
7.9
6.9
组训练样本，很显然网络训练样本太少不具有说服
水质评价的本质是模式识别，也就是把评价指
第 40 卷
甘肃科技
第1期
Vol. 40
Gansu Science and Technology
2024 年 1 月
No. 1
Jan. 2024
DOI：10.20156/ki.2097-2490.2024.01.008
遗传算法优化 BP 神经网络在水质评价中的应用
宋
洁，
冯青
（黄河水利委员会上游水文水资源局，甘肃兰州 730030）
1 BP 神经网络
见的水质评价方法有：单项指数法、综合指数法、灰
色关联分析法、模糊综合评价法、人工神经网络法
等，其中绝大部分水质评价方法都是线性模型，相
1.1
BP 神经网络原理和模型结构
BP 神经网络主要是利用梯度下降算法让误差
对简单快捷，但评价结果会有失偏颇，而人工神经
函数最小，过程分为信号的正向传播和误差的反向
一层的神经元两两之间是没有任何连接的[4]。
于水环境质量评价的人工神经网络多为 BP 神经网
络，
它是一种前馈型网络[1]。

基于RBF神经网络的水体富营养化预测

基于RBF神经网络的水体富营养化预测张艳1，杨斌21.青岛黄海职业学院，山东青岛（266427）2.北京工商大学，北京（100037）摘要：采用RBF神经网络建模，对西湖水体富营养化状况进行预测。

结果表明，RBF神经网路具有较好的泛化能力，预测精度高，相比于其它神经网络的设计则要简单实用，对水体的富营养化状况可以进行准确的预测。

关键词：RBF神经网络；富营养化；叶绿素a；西湖；预测湖泊水库等水体的富营养化是指湖泊水库等水体接纳过量的氮、磷等营养物质，使藻类和其它水生生物大量繁殖，水体透明度和溶解氧发生变化，造成水体水质恶化，加速湖泊水库等水体的老化，从而使水体的生态系统和水功能受到损害，严重的会发生水华。

水体中氮氧含量、温度、微生物种类、光照条件以及风和风浪强度均可以影响水体的营养状况，涉及到很多因子，由于内部机理复杂，人们对其认识还不深入，难以做到较为准确的预测，使得防治工作很盲目。

所以，解决水体营养状况的预测问题就成为当务之急。

1.人工神经网络在水体富营养化研究中的概况目前，我国对于水体富营养状况进行评价中所采用的主要方法包括营养状态指数法、主成分分析营养度法等。

由于水体富营养化内部机理的复杂性，生态系统各影响因子之间表现出高度的非线性和不确定性，而传统的方法过多依赖其生理、生态学机理，使得传统预测方法真正有效的并不多见。

人工神经网络理论在处理非线性模式识别方面已表现出了很好的特性，它具有独特的信息处理和解算能力，适用于机制尚不清楚的高维非线性系统，在生态系统模拟、生态数据处理以及遥感生态参数的提取等方面已经得到广泛应用。

近些年，国内对采用人工神经网络方法进行水体富营养化评价和预测逐渐得到人们的认同，成为一个研究热点。

在神经网络算法的选择上，不尽相同，楼文高采用BP网络建模[1]、曾光明等人提出运用小波神经网络[2]、吴利斌等人利用模糊神经网络技术[3]，目的都是根据评价标准对湖泊富营养状况进行预测，在各自的应用中都取得了比传统方法好的效果。

混合BP神经网络在城市污水量预报中的应用

的速度为：ｆ－（ｔ，，．．．，屹）．粒子ｆ在迭代次
数ｉｔｅｒ内获得的最优值，由＝（ｔ，，．．．，ｔ）表示；所有粒子在迭代次数ｉｔｅｒ内获得的最优值，由（。，，．．．，ｐ）表示．实际操作中粒子的 “ 好坏 ”程度通过由优化问题所决定的适应度值（ｆｉｔｎｅｓｓｖａｌｕｅ）来评价．每个粒子都通过上述两个
摘要：对城市污水处理厂污水量的科学预测是污水处理机组协调和优化调度的基础和关键。针对传统ＢＰ神经网络在污水处理厂污水量的预测中存在收敛速度慢、预报精度低等缺陷。本文提出采用改进的粒子
协调和优化调度的基础和关键。可为污水处理厂
了该混合ＢＰ神经网络在城市污水量预报中的有效性和精确性，对污水处理厂各机组的优化运行和节能降耗提供了依据。
２．混合ＢＰ神经网络算法２．１改进粒子群优化算法
因素之间的特性。因此，如何对包含上述影响
ＰＳＯ算法是最先由Ｂａｒｎｈａｒｔ博士和Ｋｅｎｎｅｄｙ博士于１９９５年提出的一种源于对鸟群捕食行为的研究而发明的进化计算技术［７】．在鸟群捕食的过程中，每只鸟可以看作一个粒子，每只鸟根据两个因素决定其捕食路径，一个是本身之前走过的最

基于RBF-BP神经网络的人居环境自然适宜性评价

基于RBF-BP神经网络的人居环境自然适宜性评价
彭义春;张捷;卢伟杰;陈佐瓒
【期刊名称】《智能计算机与应用》
【年(卷),期】2022(12)1
【摘要】为了有效解决人居环境自然适宜性评价中,评价指标权重难以科学确定、评价结果精度低等问题。

以东莞市为例,构建了地形、气候、水文和植被等4要素11个指标的人居环境自然适宜性评价体系;综合利用BP算法良好的泛化性能和RBF算法学习收敛速度快,以及克服局部极小值问题等优点,建立RBF-BP神经网络模型,用以求出评价单元各因子间的相关性,将训练结果进一步分析和处理求出评价指标的权重;最后将权重应用于人居环境指数(HEI)评价模型,完成了东莞市人居环境适宜性评价,并将适宜性划分了六个等级。

结果表明,评价结果与其实际人居状况大致吻合;同时也说明了此模型收率速度高、学习速度快、拟合精度较高和泛化能力更强,能较准确、科学地评价人居环境自然适宜性。

【总页数】8页(P28-34)
【作者】彭义春;张捷;卢伟杰;陈佐瓒
【作者单位】玉林师范学院计算机科学与工程学院
【正文语种】中文
【中图分类】TP183;TU98
【相关文献】
1.基于GIS技术的湖北省人居环境自然适宜性评价
2.基于GIS的广东省人居环境自然适宜性评价
3.基于RS和GIS的吉林省人居环境自然适宜性评价
4.基于GIS 的青藏高原人居环境自然适宜性评价
5.基于地理信息系统的黄山市乡镇人居环境自然适宜性评价
因版权原因，仅展示原文概要，查看原文内容请购买。

基于BP神经网络的城镇污水厂深度净化及其仿真研究的开题报告

基于BP神经网络的城镇污水厂深度净化及其仿真研究的开题报告题目：基于BP神经网络的城镇污水厂深度净化及其仿真研究一、研究背景和意义随着城市化的加速发展，城镇污水日益增多，对环境带来的压力越来越大。

如何有效地净化城镇污水成为一个重要的问题。

传统的污水处理技术存在一些缺陷，如投资大、占地面积大、运行成本高等问题，因此需要新的技术手段来解决这些问题。

近年来，神经网络技术已经在城镇污水处理中得到了广泛的应用，BP神经网络成为了最常用的神经网络算法之一。

BP神经网络通过学习和训练来提高自己的准确性和适应性，能够对城镇污水的深度净化过程进行模拟和预测。

基于BP神经网络的城镇污水厂深度净化及其仿真研究，可以为城镇污水净化提供新的思路和方法，优化城镇污水厂的运行模式，提高净化效果和运行效率，降低处理成本和资源消耗，有着非常重要的现实意义和社会价值。

二、研究内容和方法本项目旨在通过BP神经网络模拟和预测城镇污水深度净化过程，探究其在实际应用中的效果和可行性，并进行仿真实验验证。

研究内容包括以下几个方面：1. 市场调研和前期准备，收集和整理相关文献资料，了解城镇污水净化的现状和发展趋势。

2. 分析和设计BP神经网络模型，包括输入层、隐藏层、输出层的结构和参数等，选择合适的激活函数和误差函数，进行网络训练和优化。

3. 建立城镇污水深度净化的实验系统，采集实验数据，并通过BP神经网络进行模拟和预测。

4. 进行仿真实验验证，对比模拟结果和实验数据，评估BP神经网络在城镇污水深度净化中的优缺点和适用性。

研究方法包括文献调研、数据采集、BP神经网络模拟和预测、仿真实验验证等，结合理论和实践相结合的方法，全面深入地探究BP神经网络在城镇污水深度净化中的应用和效果。

三、研究进度计划本项目计划分为如下阶段完成：1. 第一阶段（1个月，10月1日至10月31日）：市场调研和文献综述，建立BP神经网络模型。

2. 第二阶段（2个月，11月1日至12月31日）：实验系统建立和数据采集，网络训练和优化。