改进的PSO-RBF模型在土壤水入渗参数非线性预测中的应用研究
基于PSO-BP神经网络的隧道绿色建造污水处理预测模型
基于PSO-BP神经网络的隧道绿色建造污水处理预测模型基于PSO-BP神经网络的隧道绿色建造污水处理预测模型隧道建设是现代社会中的重要基础设施之一，尤其在城市交通建设中扮演着重要角色。
然而，隧道建设过程中产生的大量污水对环境造成了一定的负面影响。
因此，如何预测和有效处理隧道建设过程中的污水成为了一个亟待解决的问题。
针对这一问题，本文提出了一种基于PSO-BP神经网络的隧道绿色建造污水处理预测模型。
首先，介绍PSO算法。
粒子群优化算法（Particle Swarm Optimization, PSO）是一种模拟鸟群觅食行为的随机数学优化算法。
它的基本思想是通过模拟鸟群中个体的觅食过程，实现群体协作寻找最优解。
PSO算法中每个个体都有自己的位置和速度，并通过与周围个体的协作和学习，不断更新自身的位置和速度，最终找到全局最优解。
其次，介绍BP神经网络。
BP神经网络（Back Propagation, BP）是一种常见的人工神经网络模型，能够用于解决分类、回归和优化问题。
BP神经网络由输入层、隐藏层和输出层组成，通过不断调整连接权值和阈值来实现输入输出之间的映射关系。
随后，详细描述基于PSO-BP神经网络的隧道绿色建造污水处理预测模型。
首先，收集各种与隧道建造过程中污水处理相关的数据，包括建设环境、材料、工艺等方面的信息。
然后，利用PSO算法对数据进行优化处理，得到相应的权重和阈值。
接着，将优化后的数据输入到BP神经网络中进行训练和预测，得到隧道建造过程中的污水处理效果。
最后，通过实际案例验证了基于PSO-BP神经网络的隧道绿色建造污水处理预测模型的有效性。
通过对比预测结果和实际结果，验证了该模型在预测隧道绿色建造污水处理方面的准确性和可靠性。
该模型不仅能够提前预测污水处理效果，还能够为隧道绿色建造提供参考和指导。
总结起来，本文提出了一种基于PSO-BP神经网络的隧道绿色建造污水处理预测模型。
该模型通过PSO算法进行数据优化处理，并利用BP神经网络实现预测和训练，能够准确预测隧道建设过程中的污水处理效果。
基于PSO和RBF神经网络的水声信号建模与预测
［ ｙｗｏ ｄ ］ｃ ａｔ ｍｅｓｒ ｓｐ ａｅ ｐ ｃ ｃ ｎｔ ｃｉｎ Ｒａｉｌ ｓｓ ｕ ｃｉｎＲ ） ｅ ｒｌ ｅｗ ｒ； ｎ ｅｗ ｔｒ ｃｕ ｔ ｉｎｌ Ｋｅ ｒ ｓ ｈｏｉ ｔ ｅｉ ； ｈ ｓ ａｅ ｅｏ ｓ ｕｔ ； ｄａ Ｂａｉ Ｆ ｎ ｔ （ ＢＦ ｎｕａ ｎｔ ｏｋ ｕ ｄ ｒ ａｅ ｏ ｓｃｓ ａ ｃｉ ｅ ｓ ｒ ｒ ｏ ｏ ａ ｉ ｇ
ｌ 概述
在属于混沌 时间序列 的船舶辐射噪声 内部存在 着一 定的 规律性…，这种规律是非线性 的，表现 出时间序 列在 时延状 态空间中的相 关性 ，使系统有着某种记忆能力 ，同时又 难以
用解析 方法把这种规律表达 出来 。由 Ｆ ｒ ｒ ａｍｅ Ｄ等人提 出， Ｊ 并 由Ｔ ｋ ｎ ａｅ ｓ Ｆ用数学理论论证 的相空 间重构方法为时间序列
连接权重 。当基 函数 的中心 和基宽度 Ｐ以及 中心数 目Ｍ
确定后，输出层与隐层问的连接权参数｛ 是线性的，可采 １
ａ ｄ ｃ ｖ ｒ ｅ ｃ ａ ｅ ａ ｄ ａ ｓ ｕ ｐ ｒｓｔ ｅ ｍｏ ｅ ｉ ｇ ｐ ｅ ｉ ｔｏ ｎ ｙ ｍｉ ｎ ｌ ｓｓｏ ｎ ｒ ｔ ｒａ ｏ ｓｉ ｉ ｎ ｌ ． ｎ ｏｎ ｅ ｇ ｎ ｅｒ ｔ ， ｎ ｌ ｏ ｓ ｐ ｏ ｔ ｄ ｌ ， ｒ ｄ ｃｉ ｎ ａ ｄ ｄ ｎａ ｃａ ａ ｙ ｉ ｆｕ ｄｅ ｗａｅ ｃ ｕ ｔｃｓｇ ａ ｓ ｈ ｎ
中心 Ｕ 和基宽度 Ｐ以及 中心数 目 Ｍ ；（） ， ２输出层与隐层问的
的预 测提供 了一条新途径 ａｅ 明了可 以找到一个合 。。Ｔｋ ｎ证 适的嵌入 维数 ，即若延迟坐标维数 ≥２ ＋１ ｄ ，ｄ是动力
系统维数 ， 则在这个嵌入维空间里可把有规律的轨迹 （ 吸引子 ） 恢复出来 ， 从而为混沌 时间序列的预测奠定坚实的理论基础 。 根据 混沌动力 系统 的相空 问延迟坐标重构理论 ，用原系
RBF神经网络在地下水动态预报中的应用
APPlication of RBF NeuraI Network in the
P r d ic t io n of V妞 a t ion of G f u n d w a t e r L ev el e i r ) (
u L o j inming 刀 Guoc i Gu y QI K i 铂o a u a (Liao Ning T chnical University Huludao， e ， Liaoning l 25105)
Ma a 仿真， l t b 研究了训练样本集与检测样本集的构 建、原始数据的预处理、神经网络的构建、训练、
检测及结果评价等整个过程，径向基函 网络是一
成的三层前向网络(以单个输出神经元为例)，隐层 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 ( 图 1) 。隐层每个神经元与输入层相连 的权值矢量 wl ( 表示第 1 层第 1个神经元的权值 i 向量) 和输入矢量 为(表示第 q 个输入矢量，
Abstr c RBF net or ha a va 一 eous Prop r ies such a indep nd nce of t e out ut on init a a t w k s d n t g a e t s e e h P il weight va ue a d a aPt t on f r d t nnining t e const ction. Sim la ing in mada ， a Ply t e net or f r l n d ai o e e h U r u t b we P h w k o simulation a d Pr dict on of und r r und wat d na ics o one Pla e. And r a h a go d a hievem nt in n e i e go r e y m f c ec o c e studying com let y a whole Pr ess in t e const ct on 0f t aining sa P es a semble a d check ng sa Ples P i c o h U r i r ml s n i m s a semble， t at ent of or ginal d t ， a blishment， ining， e ct on a d r sult一 l ua ion of t e neural Pr r m ee i a a est a r t insp i n e eva t h
非饱和土渗透系数试验与模型预测及验证
第43卷第1期2021年3月南昌大学学报(工科版)Journal of Nanchang University(Engineering&Technology)Vol.43No.1Mar.2021文章编号：1006-0456（2021）01-0001-10非饱和土渗透系数试验与模型预测及验证刘小文，罗海林，陈嘉帅（南昌大学建筑工程学院，江西南昌330031）摘要:为探究不同方法的适用性，通过压力板仪对江西某地区红土进行土-水特征曲线试验，结合动态多步溢岀法、一维土柱试验的湿润锋前进法、CCG模型预测和VGM模型预测4种方法，获得土体在不同压实度下渗透系数与饱和度的关系。
利用有限元软件Geo-Studio对一维土柱试验进行仿真分析,将采用VG模型拟合的土-水特征曲线及4种不同方法计算得到的渗透系数函数作为边界条件，得到了相应条件下的浸润锋时程曲线。
分析模拟与试验结果发现:CCG模型预测的非饱和土渗透系数与动态多步溢岀法计算的结果较为接近且略小于实际渗流情况。
由于湿润锋前进法土柱试样较大，其渗透系数较动态多步溢岀法大10倍左右，且最接近于土柱试验实际渗流情况。
关键词:一维土柱试验;渗透系数;湿润锋前进法;多步溢岀法;土-水特征曲线中图分类号:TU443文献标志码:APermeability coefficient test and model prediction andverification of unsaturated soilLIU Xiaowen,LUO Hailin,CHEN Jiashuai(School of Civil Engineering and Architecture,Nanchang University,Nanchang330031,China) Abstract：In order to explore the applicability of different methods,a pressure plate instrument was used to test the soil-water characteristic curve of the red soil in a certain area of Jiangxi,combining the dynamic multi-step spillover method,wetting front advancing method of one-dimensional soil column test,CCG model prediction and VGM model prediction four commonly used methods,the relationship between permeability coefficient and saturation of soil under different compaction degrees was obtained.The finite element software Geo-Studio was used to simulate and analyze the one-dimensional soil column test.Taking the soil-water characteristic curve fitted by the VG model and the permeability coefficient function calculated by four different methods as boundary conditions,the time history curve of the infiltration front under the corresponding conditions was obtained.Analysis of simulation and test results found that the permeability coefficient of unsaturated soil predicted by the CCG model was close to the result calculated by the dynamic multi-step overflow method and slightly smaller than the actual seepage.Due to the large soil column sample of the wet peak advancing method,its permeability coefficient was about10times larger than that of the dynamic multi-step overflow method,and it was closest to the actual seepage condition of the soil column test.Key Words:one-dimensional soil column test;permeability coefficient;wetting front advancing method;multistep spillover method;soil water characteristic curve自然界中地表土体绝大多数处于非饱和状态,土体中包含着固、液、气三相,渗流可认为是液相在土体中动态迁移的过程，且不同于饱和土体，在多相的相互影响下，非饱和土的渗流过程十分复杂。
电厂废水中和过程的CPSO-RBF神经网络预测控制
电厂废水中和过程的CPSO-RBF神经网络预测控制任志玲;孙雪飞【摘要】针对电厂废水中和过程的非线性、时变性和滞后特性,为提高控制的响应速度和稳定性,提出一种基于混沌粒子群(CPSO)优化的RBF神经网络预测控制算法.以强酸当量(SAE)模型作为控制对象,设计RBF神经网络预测模型.引入灵敏度法(SA)修正网络隐层神经元,CPSO算法快速准确搜索粒子信息,实现RBF神经网络辨识模型的最优化.通过在电厂用水加药系统循环控制上的仿真测试,表明该控制策略相比PID控制和基于遗传算法优化的BP神经网络控制,在控制的平稳性和快速性上具有一定优势.【期刊名称】《计算机应用与软件》【年(卷),期】2018(035)010【总页数】6页(P74-79)【关键词】废水中和;RBF神经网络;强酸当量;预测控制【作者】任志玲;孙雪飞【作者单位】辽宁工程技术大学电气与控制工程学院辽宁葫芦岛 125105;辽宁工程技术大学电气与控制工程学院辽宁葫芦岛 125105【正文语种】中文【中图分类】TP2730 引言在现代300 MW以上火电厂中，水处理自动化系统的投入率以及使用效率很低。
主要是因为该控制过程具有强时滞性、强非线性和强时变性，系统增益变化尺度大，传统的PID控制器参数难以确定合理值，增益变化无法满足要求，控制响应速度慢、精度低，全局控制品质差，浪费中和剂剂量，设备损坏耗大。
因此迫切需要一种响应速度快、鲁棒性好、精确性高的控制算法来提高电厂废水中和的全局品质把握，实现用水的高效化、节能化、节约化。
由于神经网络能够任意精度逼近非线性函数以及优良的数据预测评估能力，目前已被大量学者运用在废水中和过程的辨识和控制中，文献[1]设计了一种神经网络与传统PID相结合的控制方式，一定程度上改善了PID控制的鲁棒性。
文献[2]则设计了一种将遗传算法(GA)结合BP神经网络实现优化的控制方法。
文献[3]构建了递归模糊神经网络(RFNN)模型，同时利用广义预测控制器(GPC)控制pH中和过程，精度理想。
基于PSO-BP的藻类膜系统处理己内酰胺模拟污水水质预测
基于PSO-BP的藻类膜系统处理己内酰胺模拟污水水质预测基于PSO-BP的藻类膜系统处理己内酰胺模拟污水水质预测一、引言随着工业化和城市化程度的提高，污水处理成为了人类社会中一项重要的任务。
污水中的有机物和氮、磷等营养物质的过量排放，会对水体环境造成严重污染，危害生态安全和人民健康。
因此，开发高效、环保的污水处理技术具有重要意义。
近年来，藻类膜系统作为一种新型的污水处理技术受到了广泛关注。
其主要原理是通过利用藻类对养分的吸收和生长来实现对废水中氮、磷等营养物质的去除，同时还能够产生藻类生物质和氧气。
然而，藻类膜系统的性能受到很多因素的影响，如溶解氧、浓度、温度等。
因此，为了实现对藻类膜系统的优化管理，需要建立一个能够准确预测其出水水质的模型。
近年来，粒子群优化-反向传播（PSO-BP）算法在预测模型的建立方面展示出了良好的性能。
PSO算法模拟了鸟群觅食行为，通过搜索最优解空间来寻找最佳解。
而BP神经网络是一种具有自适应学习能力的模型，它能够通过调整网络权重和阈值来实现自主学习和适应能力。
因此，将PSO算法与BP神经网络相结合，可以充分发挥两者的优势，提高模型的准确性和泛化能力。
二、方法与实验设计本研究基于PSO-BP模型，并以己内酰胺模拟污水作为研究对象，旨在建立一个能够对藻类膜系统处理己内酰胺模拟污水进行水质预测的模型。
1. 数据采集与预处理在实验中，首先收集了己内酰胺模拟污水的相关数据，包括溶解氧浓度、温度、养分浓度等。
然后进行数据预处理，包括数据清洗、特征选择、数据标准化等，以减少数据的噪声干扰和冗余信息，提高数据的质量和可用性。
2. PSO-BP模型建立PSO-BP模型由两部分组成：粒子群优化和反向传播神经网络。
首先，根据PSO算法的原理，设定粒子群规模、最大迭代次数和惯性权重等参数，通过多次迭代找到最佳组合。
然后，利用BP神经网络建立预测模型，将输入数据与期望输出数据进行训练，通过调整网络的权重和阈值，使得模型的输出结果尽可能接近期望值。
基于PTFs的土壤水力性质预测方法及其应用研究的开题报告
基于PTFs的土壤水力性质预测方法及其应用研究的开题报告一、选题背景和意义土壤水力性质是土壤水分运移的基础，对水文循环和生态环境具有重要影响。
为了有效地利用和保护土地资源，预测和评价土壤水力性质的方法成为了研究的热点问题。
传统的土壤水力性质测试方法需要耗费大量时间和费用，且样本数量有限，存在不确定性。
基于土壤物理特征和气候条件的数值模拟方法可以更加快速和准确地预测土壤水力性质，为土地管理和决策提供重要支持。
本研究将基于植被覆盖度、土壤质地、土壤体积含水量和降雨等因素构建土壤水力性质的预测模型，并利用该模型对不同类型土地的水力性质进行评价，为土地利用规划和水资源管理提供决策支持。
二、研究内容和方法研究目的：基于PTFs（predictive transfer functions）方法，预测土壤水力性质，并利用预测结果进行土地评价和水资源管理。
研究内容：1. 收集土壤水力性质、植被覆盖度、土壤质地、土壤体积含水量和降雨等因素的监测数据；2. 基于传输函数和统计学方法，建立预测土壤水力性质的模型；3. 对模型进行验证和调整，提高预测精度；4. 利用模型预测不同类型土地的水力性质，评价土地利用情况，并为水资源管理提供决策支持。
研究方法：1. 数据预处理：对收集到的监测数据进行处理和清洗，剔除异常值和缺失值。
对植被覆盖度、土壤质地、土壤体积含水量和降雨等因素进行分类和编码。
2. 模型建立：基于传输函数和统计学方法，构建预测土壤水力性质的模型，并利用离线数据训练模型。
3. 模型验证和调整：利用测试数据验证模型的预测精度，并根据验证结果对模型进行调整和优化。
4. 应用研究：利用模型对不同类型土地的水力性质进行预测和评价，并为土地利用规划和水资源管理提供决策支持。
三、研究计划1. 前期准备阶段（1个月）：收集土壤水力性质、植被覆盖度、土壤质地、土壤体积含水量和降雨等因素的监测数据，并进行数据清洗和处理，编写相关代码和文档。
基于PSO-RBF神经网络模型的原水水质评价方法及应用
基于PSO-RBF神经网络模型的原水水质评价方法及应用王冬生;李世华;周杏鹏【摘要】针对自来水生产过程的原水水质评价问题,提出了一种基于PSO-RBF神经网络模型的原水水质评价方法.首先,根据水厂生产经验和历史数据分析,制定面向自来水生产过程的原水水质评价标准.然后,采用粒子群优化(PSO)算法训练的RBF 神经网络模型,对苏州市相城水厂的进厂原水水质实施在线评价.最后,将进厂原水水质在线评价结果作为前馈量,增加相城水厂药剂(矾和臭氧)投加过程的前馈控制环节,使得药剂投加量能够根据原水水质的变化及时做出调整.实际应用效果表明,与改进前的反馈控制过程相比,过程出水水质更加平稳,提高了自来水生产过程应对原水水质变化的能力.%In consideration of the assessment problem of raw water quality oriented to drinking water treatment process, an assessment method of raw rater quality based on the PSO-RBF neural network model is proposed. First, on the basis of productive experiences and analysis of historical data in the waterworks, an assessment standard oriented to the process of drinking water treatment is established. Then, the radial basis function (RBF) neural network model trained by the particle swarm optimization ( PSO) algorithm is used for the on-line assessment of raw water quality in the Xiangcheng Waterworks of Suzhou city. Finally, feed-forward control elements are added to the pharmaceutical (alum and ozone) dosing control processes of Xiangcheng Waterworks, using the online assessment result as the feed-forward compensation. The results of the practical operation show that the produced water quality becomesmore stable, and the adaptation ability of drinking water treatment to the variation of raw water quality is improved.【期刊名称】《东南大学学报（自然科学版）》【年(卷),期】2011(041)005【总页数】5页(P1019-1023)【关键词】原水水质评价;RBF神经网络;粒子群优化算法;前馈控制【作者】王冬生;李世华;周杏鹏【作者单位】东南大学复杂工程系统测量与控制教育部重点实验室,南京,210096;东南大学复杂工程系统测量与控制教育部重点实验室,南京,210096;东南大学复杂工程系统测量与控制教育部重点实验室,南京,210096【正文语种】中文【中图分类】TP183;X824自来水生产过程是一个复杂的物理、化学反应过程，受原水水温、浊度和水质的影响明显.经调查，现有的原水水质评价还没有用于自来水生产的过程控制之中，一方面由于发达国家水源地水质较好，而我国在经济高速发展的同时不注重水资源环境的保护，导致水源地水体污染严重;另一方面现有的原水水质评价研究以判别水源地水质类别为目的，而自来水生产过程不仅与水质类别有关，还受浊度和水温的影响.此外，还与我国自来水处理技术及其自动化水平相对落后不无关系.因此，开展针对自来水生产过程的原水水质评价研究，并由此改进自来水生产过程的前馈控制水平，保障自来水供水安全，具有重要的现实意义.目前，研究应用较多的水质评价方法有多元统计分析法、模糊综合法和人工神经网络法等［1-3］.多元统计分析法可有效简化多指标数据，展示高维数据的内在规律和复杂系统的结构，是一种分析多指标数据的有力工具［1］.模糊综合法以隶属度来描述水质属于某级别的“亦此亦彼”的“中间过渡不分明性”即模糊性［2］.人工神经网络具有良好的非线性逼近能力、自学习能力和并行处理能力，Zhang等［3］用BP神经网络法实施水质评价.RBF神经网络具有比BP神经网络更快的收敛速度、更小的网络结构、更强的鲁棒性，以及不容易陷入局部极小的优点［4］.RBF神经网络参数训练方法的有效性直接关系到网络的性能，粒子群优化(PSO)算法是一种基于群体智能的全局优化技术，优越的记忆能力和群体协作能力使其在函数优化和模型参数训练中具有广泛的应用［5-6］.本文通过对水厂实际生产过程数据分析，制定了面向自来水生产过程的原水水质评价标准，采用粒子群优化算法训练的RBF神经网络评价模型，对苏州市相城水厂的进厂原水水质实施在线评价.通过将原水水质在线评价结果作为药剂(矾和臭氧)投加控制过程的前馈量，提高了自来水生产过程应对原水水质变化的能力.1 原水水质评价分析1.1 原水水质评价标准目前原水水质的评价标准国际上还没有统一的规范准则，研究人员根据研究目的设定自己的评价标准，我国学者［2］大多数以《国家地表水环境质量标准》(GB 3838—2002)［7］作为原水水质评价标准，选取具有代表性的水质指标作为评价因子.但自来水生产过程，尤其是药剂(矾和臭氧)投加过程不仅与水质指标有关，还受水温和浊度的影响.根据苏州市相城水厂技术人员的生产经验，并对水厂数据库的进厂原水水质指标值和生产运行历史数据进行统计分析，选取对自来水生产过程影响明显的水温、浊度、溶解氧和氨氮4项水质指标作为原水水质评价因子，制定了如表1所示的进厂原水水质评价标准.其中，评价结果是根据满足出水水质要求的经验药剂(矾和臭氧)投加量确定的，对应的期望输出值为:0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9.表1 原水水质评价标准水质级别水温/℃ 浊度/NTU ρ(溶解氧)/(mg·L-1)ρ(氨氮)/(mg·L-1)期望输出值矾经验投加量/(mg·L-1)臭氧经验投加量/(mg·L-1)10 307 0.5 0.1 9 0.7Ⅱ10 80 6 1.0 0.2 11 0.8Ⅲ10 110 6 2.0 0.3 14 0.9Ⅳ20 30 6 0.5 0.4 8 0.8Ⅴ20 80 5 1.0 0.5 10 0.9Ⅵ20 110 5 1.5 0.6 13 1.0Ⅶ30 30 5 0.5 0.7 70.9Ⅷ30 80 4 1.0 0.8 9 1.0Ⅸ30 110 4 2.0Ⅰ0.9 12 1.21.2 原水水质评价方法设计原水水质评价方法设计，关键是原水水质评价模型的建立，本文采用基于粒子群优化算法训练的RBF神经网络方法建立原水水质评价模型.1.2.1 RBF 神经网络RBF神经网络是一种单隐层结构的前馈型神经网络，具有很强的分类和逼近任意非线性连续函数的能力［8］.RBF神经网络一般由输入层、隐含层和输出层组成.本文采用的RBF神经网络结构如图1所示，其输出可描述为式中，Χ={x1，x2，x3，x4}为输入向量，包括水温、浊度、溶解氧和氨氮;ωk为第k个隐含层神经元与输出层神经元的连接权值;φk为第k个隐含层神经元的输出，式中，μk为中心;σk为方差.隐含层神经元数一般根据问题的复杂程度来确定，虽然越多的神经元数会使网络的精度越高，但是过多的神经元数会使网络训练时间过长，以及产生过拟合问题，本文经过多次训练比较，最终选定隐含层神经元数为3个.图1 RBF神经网络结构1.2.2 采用粒子群优化算法训练RBF神经网络RBF神经网络参数(隐含层神经元函数中心值μk和方差值σk、隐含层与输出层的连接权值ωk)的训练方法对网络的性能有重要影响.常用的训练方法有:聚类法、梯度下降法、正交最小二乘学习算法、伪逆法和智能搜索算法(如遗传算法和模拟退火算法)等.粒子群优化算法是一种基于群体行为的智能搜索算法，该算法模拟鸟群觅食行为，通过个体之间的集体协作和竞争来实现全局搜索.PSO算法中，每个优化问题的解都是搜索空间中的一只鸟，称之为“粒子”.所有的粒子都有一个由被优化的函数决定的适应度(fitness value)，还有一个速度决定它们飞翔的方向和距离.PSO算法在每一次迭代过程中，粒子通过跟踪2个极值(个体极值pi和全局极值pg)来更新自己的速度和位置:式中，i=1，2，…，m，m为粒子总数为第i个粒子的当前速度;h(k)为迭代权重;c1，c2为加速常数;k为迭代次数;r1，r2为［0，1］之间的2 个随机数;为第i 个粒子的当前位置.迭代权重可由下式给出:式中，kmax为最大迭代次数;h1=0.9 和 h2=0.4 分别为初始迭代权重和最终迭代权重，这样可使粒子群在初始搜索阶段具有较好的全局搜索能力，而在后期具有较好的局部搜索能力.粒子的适应度函数定义为式中，N为训练样本数;Ri为参考输出;yt为实际输出.具体训练步骤如下:①初始化粒子群迭代权重 h、最大迭代次数kmax;②根据式(6)计算每个粒子的适应度;③将粒子的当前位置作为初始pi，从种群中找出适应度最小的粒子作为初始pg;④将当前适应度与pi的适应度进行比较，如果当前适应度更好，则更新pi;⑤ 对于每个粒子，将其pi适应度与pg适应度进行比较，如果更好，则更新pg;⑥依据式(3)、(4)修改粒子的速度和位置;⑦重复步骤④ ～⑥，直到满足结束条件;⑧ 将pg对应的粒子作为RBF神经网络的参数.1.3 原水水质评价测试及实施效果将苏州市相城水厂数据库2008年1—12月的原水水质数据以及满足出水水质要求的药剂投加数据分成2部分:训练样本和测试样本.由于在不同季节和天气条件下的水质具有不同的特点，因此每部分的挑选都要有代表性，应包含各时期的水质情况.根据该挑选原则，得到训练样本1 000组，测试样本1 000组.对于原水水质评价模型精度的评价通过均方根误差(RMSE)来体现:式中，yi为样本真实值;^yi为模型输出值;n为样本个数.将所采用的PSO训练方法与传统梯度下降训练方法的RBF神经网络训练结果和测试结果分别进行比较，以验证方法的有效性.由图2可看出，随着训练次数的增加，采用PSO训练方法所得到的训练结果的均方根误差更小，且PSO训练方法在训练230次后，均方根误差基本不变.由图3可看出，采用PSO算法训练RBF神经网络具有更高的评价精度.因此可认为，基于PSO-RBF神经网络方法建立的原水水质评价模型具有较好的评价效果，满足所需的精度要求.图2 2种训练方法的RBF神经网络训练结果图3 2种训练方法的RBF神经网络测试结果将训练好的原水水质评价模型在苏州市相城水厂的中央控制计算机上编程实现后，对进厂原水水质指标(水温、浊度、溶解氧和氨氮)实施在线评价.表2是苏州市相城水厂2009年3月某段时间的进厂原水水质在线评价情况，可见进厂原水水质指标会在短时间内发生较明显的变化，在线评价结果能够为药剂(矾和臭氧)投加过程控制提供及时、准确的参考投加剂量.经过分析，作者认为苏州市相城水厂进厂原水水质变化的原因主要有:①原水取水口位于太湖水源地的浅水水域，受风向和暴雨等天气因素的影响，容易引起湖底泥沙泛起使水体浊度升高，水中有机污染物含量增多;②太湖水体富营养化严重，夏季容易引起蓝藻大面积滋生，水中溶解氧含量降低，并造成藻毒素污染;③ 工农业排污和事故导致的有机污染和无机污染.表2 相城水厂某段时间进厂原水水质在线评价表水质级别10:00 17.7 66 6.0 0.70 0.48 9.6 0.88时间水温/℃ 浊度/NT U ρ(溶解氧)/(mg·L-1)ρ(氨氮)/(mg·L-1) 评价结果矾经验投加量/(mg·L-1)臭氧经验投加量/(mg·L-1)Ⅴ11:00 16.9 60 5.8 0.75 0.52 10.6 0.92 Ⅴ12:00 16.3 77 5.5 0.68 0.49 9.8 0.89 Ⅴ13:00 16.5 88 6.00.88 0.57 12.1 0.97 Ⅵ14:00 15.9 99 5.6 1.05 0.62 11.8 0.98 Ⅵ15:00 15.4 100 5.0 0.97 0.59 12.7 0.99 Ⅵ16:00 15.6 114 4.4 1.20 0.63 11.2 0.97 Ⅵ17:00 16.2 77 5.6 0.61 0.59 12.7 0.99Ⅵ2 水厂药剂投加过程控制苏州市相城水厂是采用常规+臭氧-生物活性炭深度处理工艺过程的大型自来水厂，一期供水能力为3×105m3/d，其生产工艺流程如图4所示.其中，沉淀池前的加矾过程和主臭氧接触池前的主臭氧投加过程是整个自来水生产工艺的主要环节，直接影响出水水质.准确投加所需的矾和臭氧剂量是获取较高出水水质的关键.图4 苏州市相城水厂自来水生产工艺流程2.1 水厂药剂投加过程前馈-反馈控制方法苏州市相城水厂原加矾控制过程和主臭氧投加控制过程与国内绝大多数水厂的控制过程一样，均采用流量比例投加的PID反馈控制方式.加矾过程和臭氧投加过程都是复杂的物理、化学反应过程，具有非线性、纯时滞的特点，受到配水流量、原水水质、加矾量、加臭氧量等诸多因素的影响，单纯采用流量比例投加的PID反馈控制方式很难实现出水水质的稳定.采用前文所述的进厂原水水质在线评价结果作为前馈量，分别增加加矾控制过程和主臭氧投加控制过程的前馈控制环节，如图5和图6所示.图5 加矾前馈-反馈控制系统结构图6 主臭氧投加前馈-反馈控制系统结构2.2 水厂药剂投加过程前馈-反馈控制应用效果苏州市相城水厂从2009-11-01开始对加矾过程和主臭氧投加过程实施基于前馈-反馈结构的控制方案.由于自来水生产工艺过程的复杂性，尤其是水泵启停以及滤池反冲洗会对沉淀池和主臭氧接触池的进水流量产生冲击，从而对过程出水水质产生影响.为了体现在线评价结果作为药剂投加过程前馈量的实施效果，分别在反馈和前馈-反馈控制方式下，以10 s为周期截取工况较为稳定的连续9 h共3 240组数据，其曲线对比如图7和图8所示.图7 反馈控制方式过程出水水质曲线图8 前馈-反馈控制方式过程出水水质曲线可见，由于将原水水质在线评价结果作为药剂投加过程控制的前馈量，使得药剂投加过程可以根据原水水质的变化及时调整药剂投加量，使出水浊度和水中余臭氧波动更小.3 结语根据苏州市相城水厂原水水质对药剂(矾和臭氧)投加过程影响的分析结果，采用一种粒子群优化算法训练的RBF神经网络模型对进厂原水水质实施在线评价，将其在线评价结果作为前馈量，增加了相城水厂药剂(矾和臭氧)投加控制过程的前馈控制环节.实际应用效果表明，该方法改善了过程出水水质，提高了水厂药剂投加过程的前馈控制水平，具有良好的应用推广价值.参考文献(References)［1］Simeonov V，Stratis J A，Samara C，et al.Assessment of the surface water quality in Northern Greece［J］.Water Research，2003，37(17):4119-4124.［2］Liu L，Zhou J Z，An X L，et ing fuzzy theory and information entropy for water quality assessment in Three Gorges region，China ［J］.Expert Systems with Applications，2010，37(3):2517-2521.［3］Zhang Y Z，Pulliainen J，Koponen S，et al.Application of an empirical neural network to surface water quality estimation in the Gulf of Finland using combined optical data and microwave data［J］.Remote Sensing of Environment，2002，81(2):327-336.［4］Leandro D S C，André A P S.A RBF neural network model with GARCH errors:application to electricity price forecasting ［J］.Electric Power Systems Research，2011，81(1):74-83.［5］Lu W Z，Fan H Y，Leung A Y T，et al.Analysis of pollutant levels in central Hong Kong applying neural network method with particle swarm optimization［J］.Environmental Monitoring and Assessment，2002，79(3):217-230.［6］Lian G Y，Huang K L，Chen J H，et al.Training algorithm for radial basis function neural network based on quantum-behaved particle swarm optimization［J］.International Journal of Computer Mathematics，2010，87(3):629-641.［7］国家环境保护局.GB 3838—2002国家地表水环境质量标准［S］.北京:中国标准出版社，2002.［8］Zhang A S，Zhang L.RBF neural networks for the prediction ofbuilding interference effects［J］.Computers and Structures，2004，82(27):2333-2339.。
重塑弱膨胀土土-水特征曲线及非饱和渗透特性试验研究
重塑弱膨胀土土-水特征曲线及非饱和渗透特性试验研究重塑弱膨胀土土-水特征曲线及非饱和渗透特性试验研究引言：弱膨胀土是土工工程中常见的一类土层，其含水性对土体的力学性质及水分迁移起着重要的影响。
因此，了解弱膨胀土的土-水特征曲线及非饱和渗透特性对土工工程的设计与施工具有重要的意义。
本文旨在通过实验研究，对弱膨胀土的土-水特征曲线及非饱和渗透特性进行全面认识。
1. 实验材料及方法1.1 实验材料本次试验选用的弱膨胀土为某市地区常见的黄土。
其粒径分布范围在0.075mm至2mm之间，含水率较高。
1.2 实验方法试验采用室内模拟实验的方法进行，包括土-水特征曲线试验及非饱和渗透特性试验两个方面。
2. 土-水特征曲线试验土-水特征曲线是表征土壤粒间水分吸附-排斥特性的重要指标。
试验中，对不同含水率的弱膨胀土进行质量分析，然后在高温环境下进行烤干处理，最后再加水重现湿化过程。
通过记录土壤质量变化及含水率变化，得出土-水特征曲线。
实验结果表明，在不同含水率下，弱膨胀土的等效含水量与毛细吸力之间存在一定的关系。
随着毛细吸力的增加，等效含水量逐渐减小。
同时，弱膨胀土在干燥时的含水率较难恢复到原状含水率，表现出明显的吸附-排斥特性。
3. 非饱和渗透特性试验非饱和渗透特性试验旨在研究弱膨胀土在非饱和状态下的渗透性能。
试验中，选择饱和状态下的土样，通过施加不同水头压力，观察土体的渗透性。
实验结果表明，弱膨胀土的渗透性在非饱和状态下受到水头压力的显著影响。
随着水头压力的增大，渗透速率逐渐增加。
由于土壤孔隙度较大，水分移动自由度较高，使得渗透性较强。
此外，弱膨胀土的非饱和状态下渗透系数与土体的含水率、毛细吸力等参数有一定关系，但具体的关系需要进一步研究探索。
4. 结论通过对弱膨胀土的土-水特征曲线及非饱和渗透特性试验的研究，得出以下结论：- 弱膨胀土的土-水特征曲线表现出明显的吸附-排斥特性，湿化过程的含水率较难恢复到原状含水率。
PSORBF神经网络在供水管网节能上的应用
PSORBF神经网络在供水管网节能上的应用
水是人类生存的必需品，一方面，越来越多的城市人群需要供水，另一方面，供水管网的建设和运维成本高昂，而且水资源的保护和使用效率也成为环保和可持续发展的重要问题。
在这种背景下，节能技术在供水管网系统中显得尤为重要。
本文主要介绍了基于PSORBF神经网络的供水管网节能应用。
PSORBF（Particle Swarm Optimization Radial Basis Function）神经网络是一种基于粒子群优化算法的人工神经网络。
它具有优秀的非线性逼近能力和全局优化能力。
在供水管网的节能应用中，可以通过监控和分析数据，将供水管网的工况参数、水质参数等信息输入到神经网络中进行训练和预测，以达到节能优化的目的。
1.供水管网优化控制。
PSORBF神经网络可以对供水管网的水质、压力等参数进行实时监测和预测，并根据预测结果进行管网控制调整，达到节能优化的效果。
3.供水管网泄漏检测。
PSORBF神经网络可以对供水管网的泄漏情况进行实时监测和预警，及时修复漏损并减少能源浪费。
总之，PSORBF神经网络在供水管网节能应用中具有非常广泛的应用前景，不但可以提高供水管网系统的节能效率，还可以减少污染和损失，保障水资源的可持续发展。
《非充分供水土壤水分入渗规律的试验研究与过程模拟》范文
《非充分供水土壤水分入渗规律的试验研究与过程模拟》篇一一、引言随着全球气候变化和人类活动的不断增加，水资源问题日益突出，非充分供水条件下的农业灌溉成为了一个重要的研究课题。
为了更准确地理解土壤水分的运动规律和预测水分入渗的动态变化，本研究针对非充分供水条件下土壤水分的入渗规律进行了实验研究和过程模拟。
通过此研究，可以更有效地进行农田水分管理，优化水资源利用。
二、试验方法与材料1. 试验区域选择本实验选取了不同土质、地形和气候条件的农田作为试验区域，以全面了解非充分供水条件下土壤水分的入渗规律。
2. 试验材料试验所需材料包括土壤样品、水分计、入渗仪等设备。
其中，土壤样品根据不同的土质类型进行采集，水分计用于测量土壤含水量，入渗仪用于模拟水分入渗过程。
三、实验过程与结果分析1. 实验过程（1）土壤样品采集与处理：根据试验区域的不同土质类型，采集土壤样品并进行处理，以获得均匀的土壤样本。
（2）设置实验条件：根据非充分供水的条件，设置不同的灌溉水量和灌溉频率。
（3）水分入渗实验：使用入渗仪进行水分入渗实验，记录不同时间点的入渗量。
（4）数据收集与分析：收集实验数据，分析非充分供水条件下土壤水分的入渗规律。
2. 结果分析（1）不同土质类型对水分入渗的影响：实验结果显示，不同土质类型的土壤对水分的入渗能力存在显著差异。
粘土的入渗能力较低，而沙土的入渗能力较高。
（2）灌溉水量与频率对水分入渗的影响：在非充分供水条件下，增加灌溉水量和频率可以提高土壤的含水量和入渗能力。
然而，过量的灌溉可能导致水分在土壤表层积累，降低入渗速度。
（3）土壤水分入渗的动态变化：通过分析实验数据，发现非充分供水条件下土壤水分的入渗过程呈现一定的动态变化。
在初期，水分迅速入渗到土壤中；随着入渗深度的增加，入渗速度逐渐减慢。
四、过程模拟为了更好地理解非充分供水条件下土壤水分的入渗规律，我们建立了土壤水分入渗的过程模拟模型。
该模型基于实验数据和已有的土壤水分运动理论，通过计算机模拟来预测非充分供水条件下土壤水分的动态变化。
PSORBF神经网络在供水管网节能上的应用
PSORBF神经网络在供水管网节能上的应用供水管网是城市基础设施中的重要组成部分，其运行状态直接影响着居民的生活质量和城市的可持续发展。
供水管网的运行通常需要大量的电能消耗，其中包括泵站的能耗、管网跟踪控制的能耗等。
如何通过有效的控制策略来降低供水管网的能耗，减少能源浪费，已成为当前供水管网管理的重要课题之一。
在供水管网节能中，PSORBF（Particle Swarm Optimized RBF Neural Network）神经网络是一种较为有效的应用方法。
PSORBF神经网络结合了粒子群优化算法（PSO）和径向基函数神经网络（RBFNN），能够通过精确的建模和优化来实现管网的节能控制。
PSORBF神经网络首先通过收集供水管网的历史数据，包括管网结构、水流数据、泵站运行数据等等，建立起管网的数学模型。
然后，利用粒子群优化算法对模型进行参数优化，寻找到最优的管网节能策略。
将优化后的策略应用于实际的管网运行控制中，实现供水管网的节能目标。
PSORBF神经网络能够准确地建模管网的运行特性。
通过对历史数据的收集和分析，PSORBF神经网络可以建立起准确的管网模型，了解到每个节点的水压情况、流量大小等等，从而为后续的优化提供准确的基础。
PSORBF神经网络能够有效地优化管网的控制策略。
通过粒子群优化算法的应用，PSORBF神经网络能够在众多的参数组合中寻找到最优的供水管网控制策略，从而实现管网运行的最佳节能效果。
这种优化能力可以大大降低供水管网的能耗，减少能源的浪费。
PSORBF神经网络还具有较高的应用灵活性和实时性。
管网环境和运行状态可能会随时发生变化，而PSORBF神经网络能够对这些变化进行快速的响应和调整，及时更新管网模型和优化策略，从而保证管网的节能效果。
在实际的供水管网管理中，PSORBF神经网络已经得到了广泛的应用。
通过对多个城市的实际案例进行研究和实验，PSORBF神经网络在供水管网节能方面取得了显著的成果，减少了电能消耗、提高了管网的运行效率，为城市的可持续发展提供了有效支撑。
土壤水入渗参数非线性预测模型改进及应用研究
土壤水入渗参数非线性预测模型改进及应用研究
马兴涛
【期刊名称】《水利技术监督》
【年(卷),期】2024()4
【摘要】针对传统土壤水入渗模型不能考虑纵向土壤水分布变化,引入非线性模型对传统模预测模型进行改进,并结合土壤水观测试验对改进前后模型的预测精度进行比对。
结果表明:改进模型可综合考虑纵向土壤水分布变化,相比于改进前,土壤水含水量预测精度得到明显提升,相对误差平均降低%。
研究成果对于土壤水入渗量非线性预测方法具有重要参考价值。
【总页数】5页(P238-242)
【作者】马兴涛
【作者单位】辽宁省沈阳水文局
【正文语种】中文
【中图分类】S157
【相关文献】
1.备耕头水地土壤水分入渗参数非线性预报模型
2.改进的PSO-RBF模型在土壤水入渗参数非线性预测中的应用研究
3.双参数冻融入渗模型在辽西冬季冻土期土壤水非线性预测的适用性分析
4.不同土壤入渗模型参数多元非线性预测模型的精度对比分析
5.土壤水分入渗参数的非线性预报模型
因版权原因，仅展示原文概要，查看原文内容请购买。
基于PSO-RBF神经网络的力学参数反演分析应用
基于PSO-RBF神经网络的力学参数反演分析应用
任怡桦
【期刊名称】《新材料·新装饰》
【年(卷),期】2024(6)6
【摘要】岩土力学参数的合理确定是数值模拟分析的关键,然而参数的确定一直是工程界中的难题。
为了合理地获取力学参数值,文章采用径向基神经网络对力学参数进行反演,结合工程条件,采用均匀试验法设计参数样本组,利用有限元分析计算结果构造反演样本库,通过与网络模型的预测输出进行对比,发现径向基神经网络对样本个数的要求较低,且在计算输出精度上和稳定性上更具有优势;后结合粒子群算法,以实际监测位移与计算位移的误差为目标函数进行力学参数反演,并将结果代入数值模型中进行正分析,且与监测位移进行比对,结果表明反演的力学参数精度较高,满足工程要求,成果可供类似工程参考。
【总页数】4页(P1-4)
【作者】任怡桦
【作者单位】重庆三峡学院土木工程学院
【正文语种】中文
【中图分类】TU50
【相关文献】
1.基于 BP神经网络的土体细观力学参数反演分析
2.基于BP神经网络的阿拉套山隧道围岩物理力学参数反演分析
3.基于GA-BP神经网络的软岩隧道围岩力学参数反演分析
4.基于BP神经网络的岩体力学参数反演及边坡整体稳定分析
因版权原因，仅展示原文概要，查看原文内容请购买。
基于PSO—RBF油井地面计量含水率预测模型研究
基于PSO—RBF油井地面计量含水率预测模型研究【摘要】原油含水率是油井地面产量计量中的重要数据，是研究油田发展前景中不可缺少的参数。
在油田测井开采，储运过程中，提供高精度测量的原油含水率数据，可以优化生产参数，提高采油率。
通过基于同轴线相位法含水率计的新型井口在线计量装置测得相关数据，在分析原油含水率预测的影响因素基础上，建立粒子群优化RBF神经网络的油井地面计量含水率预测模型。
仿真与实验结果表明：PSO-RBF网络可以取得更好的拟合精度和预测效果。
【关键词】地面计量；含水率；RBF；预测模型0.引言在石油开采中，需要计量每口井的油、气、水三相的含水率和流量，工程人员根据采集的数据进行油井观测，检测油井的性能，评估油田的储量、配产，及时对油层定位和控制，进而优化油田的开发。
而原油含水率的准确测量是至关重要的。
如今已有多种地面计量含水率的仪表。
但由于传感器技术和工艺水平，在测量精度、稳定性、重复性和可靠性方面的问题，使得原油含水率的测量受到诸多影响，给地面井口产量准确计量工作造成很大困难。
本文通过采用同轴线相位法传感技术测量原油含水率，设计了“GLCC旋流分离器+流量计+同轴线相位法含水率计”的地面井口多相流计量系统，对油井进行在线测量。
通过对多个传感器检测到的流量和含水率数据进行深入分析和研究，基于RBF神经网络，并且采用PSO算法优化RBF网络结构参数，建立了原油含水率预测模型，并与传统的BP网络仿真结果进行对比。
1.地面井口计量系统1.1 同轴线相位法含水率计测量原理混合流体的介电特性主要由混合流体的含水率来决定。
当具有不同介电特性的油、水混合流体从同轴线内、外导体之间流过时，会引起在同轴线内传播的电磁波不同的相位变化，因此可以通过测量在同轴线内传播的电磁波的相位特性来测量含水率[1-2]。
电磁波在同轴线内以TEM波形式传播，将采集的电压信号转换为频率信号，再经过信号放大电路和A/D转换器，得到所需的频率响应数据。
基于PSO算法优化的RBF神经网络水厂混凝投药控制
基于PSO算法优化的RBF神经网络水厂混凝投药控制
庹婧艺;徐冰峰;徐悦;喻岚;王雪颖;郭露遥
【期刊名称】《工业安全与环保》
【年(卷),期】2022(48)9
【摘要】在PSO算法优化后的RBF神经网络的基础上,建立了误差反向传播的非
线性高维映射水厂投药量动态模型。
优化后的RBF模型,平均相对误差降低
25.04%,最大相对误差降低1.101,相较于原始模型具有更快的迭代收敛速度,对丰
水期和枯水期的源水水质都有较高的模拟精度,减少了水厂在每个处理单元的机理
模拟,直接得出投药与源水水质的映射关系,对不同工艺的水厂也具有较好的适应性。
【总页数】4页(P83-86)
【作者】庹婧艺;徐冰峰;徐悦;喻岚;王雪颖;郭露遥
【作者单位】昆明理工大学建筑工程学院
【正文语种】中文
【中图分类】TU9
【相关文献】
1.BP神经网络在水厂预测混凝投药量中的应用研究
2.基于人工神经网络算法的水
厂混凝投药控制系统研究与开发3.前馈神经网络在水厂混凝投药中的应用4.运用
人工神经网络预测净水厂混凝投药的研究5.运用人工神经网络预测净水厂混凝投
药的研究
因版权原因，仅展示原文概要，查看原文内容请购买。
基于PSO优化RBF神经网络的溶解氧预测算法研究
基于PSO优化RBF神经网络的溶解氧预测算法研究魏小敏;张宝峰;朱均超;赵岩【期刊名称】《自动化与仪表》【年(卷),期】2018(33)5【摘要】The concentration of dissolved oxygen is an important index for the safety of fishery water quality,and it is also a key factor affecting the health of aquaculture products,and it is of great significance to monitor and predict the water quality in real time.Affected by the environment parameters such as pH value,dissolved oxygen is adopted in this paper on the changes of dissolved oxygen MI_PSO_RBF(mutual information_particle swarm_RBF neural network) algorithm to predict the dissolved oxygen content in the fishery breeding environment,first using MI reduce the statistical correlation between two random variables,and then using RBF neural network algorithm for fishery breeding dissolved oxygen in water environment to predict the change trend.Finally,PSO was used to optimize the model parameters of RBF neural network,and the model was used to predict the change trend of the dissolved oxygen in fishery.The experimental results show that the stability of multi-parameter remote monitoring system is good,and the prediction algorithm based onMI_PSO_RBF is good,which provides a good reference value for fishery cultivation.%溶解氧浓度是渔业养殖水质安全的重要指标,也是影响养殖水产品健康的关键因素,对其进行实时监测和预测具有重要意义.溶解氧受环境中pH值等参数影响,针对溶解氧的变化情况该文采用MI_PSO_RBF(互信息_粒子群_RBF神经网络)算法对渔业养殖环境溶解氧含量进行预测,首先采用互信息理论MI降低两个随机变量统计的相关性;然后采用径向基函数RBF神经网络算法对渔业养殖水环境中溶解氧变化趋势进行预测;最后采用粒子群算法PSO对RBF神经网络的模型参数进行优化,并利用该模型对渔业养殖溶解氧变化趋势进行预测.经实验验证表明,多参数远程监测系统稳定性好,基于MI_PSO_RBF的溶解氧预测算法预测效果良好,为渔业养殖提供了良好的参考价值.【总页数】4页(P57-60)【作者】魏小敏;张宝峰;朱均超;赵岩【作者单位】天津理工大学电气电子工程学院天津市复杂控制理论与应用重点实验室,天津300384;天津理工大学电气电子工程学院天津市复杂控制理论与应用重点实验室,天津300384;天津理工大学电气电子工程学院天津市复杂控制理论与应用重点实验室,天津300384;天津理工大学电气电子工程学院天津市复杂控制理论与应用重点实验室,天津300384【正文语种】中文【中图分类】TP273【相关文献】1.基于PSO-RBF神经网络的雾霾车牌识别算法研究 [J], 毛晓波;张群;梁静;刘艳红2.基于PSO算法优化RBF神经网络的基金净值预测研究 [J], 崔琳3.基于改进PSO优化RBF神经网络的温室温度预测研究 [J], 王媛媛4.基于改进PSO优化的RBF神经网络的特高压线损预测 [J], 杨建华;肖达强;张伟;余明琼;易本顺5.基于PSO-RBF神经网络的刀具寿命预测 [J], 李建伟;刘成波;郭宏;吕娜因版权原因，仅展示原文概要，查看原文内容请购买。
基于PSO优化的RBF神经网络在地震测井联合反演中的应用
基于PSO优化的RBF神经网络在地震测井联合反演中的应用
基于PSO优化的RBF神经网络在地震测井联合反演中的应用
目前,钻井地质特征参数的获得主要依赖于地震、测井资料,对待钻井而言,则只有地震信息.而若缺乏详细的地质信息,利用地震信息很难精确地推算各种地质参数.可首先利用已钻井地震信息和测井信息的映射关系,结合待钻井的地震信息,来预测待钻井的测井信息.采用PSO优化的RBF神经网络算法进行地震测井反演,并将该算法应用于准噶尔盆地永字号井.该算法与最小二乘RBF神经网络算法和梯度下降RBF神经网络算法相比,在平均绝对误差、平均相对误差、最大误差、相关系数、数据方差以及收敛速度等方面都是最优的.
作者：马海王延江魏茂安胡睿 MA Hai WANG Yan-jiang WEI Mao-an HU Rui 作者单位：马海,王延江,MA Hai,WANG Yan-jiang(中国石油大学信息与控制工程学院,山东,东营,257061) 魏茂安,胡睿,WEI Mao-an,HU Rui(胜利油田有限公司钻井工艺研究院,山东,东营,257017)
刊名：石油天然气学报 PKU英文刊名：JOURNAL OF OIL AND GAS TECHNOLOGY 年，卷(期)：2008 30(1) 分类号：P631.44 关键词：地震信息测井信息粒子群优化(PSO) 径向基函数(RBF) 地震测井联合反演。
PHILIP入渗模型参数预报模型研究与应用的开题报告
PHILIP入渗模型参数预报模型研究与应用的开题报告一、研究背景PHILIP（ParFlow Integrated Groundwater model coupled with Land surface hydrology and Distributed Hydrology）模型是一种基于有限元法数值模拟地下水流动和土壤水分迁移的数学模拟工具，是目前国际上公认的土壤水分和地下水流动两级耦合的综合模拟软件之一。
PHILIP模型的优点是能够较为准确地模拟土壤水分和地下水的运动规律，并能够考虑到土壤水分平衡和水文过程间的相互影响。
PHILIP模型是一个使用多种参数来描述各种土壤、植被和地形特征的模型，这些参数的合理性和准确性对模型的精度和可靠性至关重要。
模型参数的准确性和优化是 PHILIP模型的关键问题，模型效果的好坏甚至取决于参数的合理性，因此，研究 PHILIP模型参数预报模型是很有必要的。
二、研究意义PHILIP模型是目前国际上公认的土壤水分和地下水流动两级耦合的综合模拟软件之一，对于分析水资源分布及生态环境保护等方面具有重要的作用。
但是，模型参数的准确性和合理性是模型精度和可靠性的关键，因此研究模型参数预测模型对于模型的优化、准确性和可靠性至关重要。
三、研究内容1.对PHILIP模型的数学方程进行分析，并确定 PHILIP模型参数;2.建立PHILIP模型参数预报模型;3.利用PHILIP模型实际案例数据进行预测，并验证预测结果的准确性;4.对PHILIP模型参数预报模型进行评价和实际应用；5.对研究结果进行分析总结，并指出下一步研究方向。
四、研究方法和技术路线1.对PHILIP模型的数学方程进行分析，确定 PHILIP模型参数；2.对PHILIP模型的参数进行处理，并利用诸如BP神经网络、遗传算法、模糊综合评价等手段，建立PHILIP模型参数预报模型;3.通过利用实际案例进行预测，并验证预测结果的准确性；4.对PHILIP模型参数预报模型进行评价和实际应用；5.总结分析研究结果，并指出下一步研究方向。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
，
ｔ ｊ ］ 为高斯 函数 的计算 中心值 。
改进 的 Ｐ Ｓ Ｏ ． Ｒ Ｂ Ｆ模 型采 用 高斯 函 数 来 进 行 其 基 础 函数 ，计 算 的方程 为 ： Ｄ（ ， ｔ ｊ ）＝ｅ ｘ ｐ ［ 一 ｌ ｌ 一ｔ ｊ ／ （ ２ ０ － ） ］＝
Ｍ
法 对 模 型基 函数 初 值 进 行 优 化 调 整 ，在 实 际预 测 中提 高 了模 型 的 收 敛 精 度 和 计 算 效 率 。但 改 进 的 Ｐ Ｓ Ｏ． Ｒ Ｂ Ｆ模 型 在土 壤 水 入 渗 模 型 参 数 非 线 性 预测 中还 未得 到具 体应 用 。为 此 本 文 引 入 改 进 的 Ｐ Ｓ Ｏ ．
工 程 实 践
ＤＯＩ ：１ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ ８ — １ ３ ０ ５ ． ２ ０ １ ７ ． ０ ２ ． ０ ３ ８
水利技术监督 ２ ０ ｌFra bibliotek７年第 ２期
改进 的 Ｐ Ｓ Ｏ． Ｒ Ｂ Ｆ模 型 在 土 壤 水 入 渗 参数 非线 性 预 测 中的应 用研 究
孙 碉 ，关 明皓
（ １ ．辽 宁 省 水 文 局 ，辽 宁 沈 阳 １ １ ０ ０ ０ ３ ；２ ．辽 宁省 沈 阳水 文局 ，辽 宁 沈 阳 １ １ ０ ０ ４ ３ ）
摘 要 ：引入 改进 的 Ｐ Ｓ Ｏ — Ｒ Ｂ Ｆ模 型 ，并 结 合辽 宁 中部 土壤 水观 测 试验 区的 试 验 数 据 ，对 Ｇ ｒ ｅ ｎ ｎ — Ａ ｍ ｐ ｔ 土壤 水 入 渗 模 型 参 数进 行 非 线 性预 测 研 究 。 结果 表 明 ：改 进 的 Ｐ Ｓ Ｏ — Ｒ Ｂ Ｆ模 型 对 土壤 入 渗 参 数 非 线性 预 测 精 度 高 于传 统 Ｐ Ｓ Ｏ — Ｒ Ｂ Ｆ模 型 ，各 参 数 预 测值 和 试 验观 测值 误 差 分 别提 高 １ ７ ． ４ ％和 １ １ ． １ ％ ；改 进 的 Ｐ Ｓ Ｏ — Ｒ Ｂ Ｆ模 型 预 测 的各 土壤 水入 渗 参 数 和 土 壤 物理 参 数 间 的相 关 系数 均达 到 ０ ． ６以 上 。研 究 成 果对 于土壤 入 渗 模 型 参数 非 线 性预 测 方 法提 供 参 考 价值 。
程为 ：
Ｊ
ｙ （ ）＝∑ Ｄ （ ， ）
Ｊ＝ １
（ １ ）
但 是 土壤 水 人 渗 模 型 的 参 数 变 化 时非 线 性 的 ，线
性 模 型不 能对 土 壤 水 人 渗 模 型 的参 数 变 化 进 行 较 为准 确 的评 估 。近些 年 来 ，有 许 多 学 者 应 用 Ｐ Ｓ Ｏ ．
关性 。
为模 型基 础 函数计算 的中心值 ，并 定义 各个 方差 取
值 相 同 ，得 到可 以 满 足方 程 误 差 的输 出矩 阵变 量 ，
模 型误 差计算 方程 为 ：
Ｉ ｌ ，一 ， 。 ｌ ｌ ＜ （ ３ ）
Ｗ ｏ ＝Ｏ（ ， 。 ） Ｉ 厂 ＝Ｉ ； ｆ
（ ４ ）
关 键 词 ：改 进 的 Ｐ Ｓ Ｏ — Ｒ Ｂ Ｆ模 型 ；传 统 Ｐ Ｓ Ｏ — Ｒ Ｂ Ｆ模 型 ；Ｇ ｒ ｅ ｎ ｎ － Ａ ｍ ｐ ｔ 土壤 水 入 渗模 型 中 图分 类 号 ：Ｓ １ ５ ２ ． ７ 文 献 标 识 码 ：Ｂ 文 章 编 号 ：１ ０ ０ ８ — １ ３ ０ ５ （ ２ ０ １ ７ ） ０ ２ 一 Ｏ １ １ ８ — ０ ４
１ 概 述
土 壤水 人 渗 参 数 的准 确 评估 对 于农 业 灌 溉 系 统 规 划 和设 计 至关 重 要 ，为此 国 内许 多 学 者 应 用
不 同模 型对 土 壤水 人 渗 模 型 参 数 的线 性 预 测 。 。 ，
函数 ，再 通过非 线性 函数将 模型 隐含 层 的节 点进 行 映射 ，模 型采用 多输 出变 量 ，构 建 的基 函数 计算 方
模 型 参数 进 行 非 线 性 预 测 ，并 结 合 辽 宁 中部 土 壤 水 观 测试 验 区 土壤 水 入 渗 试 验 资 料 ，对 比分 析 改 进前后的 Ｐ Ｓ Ｏ － Ｒ Ｂ Ｆ模 型在 土 壤水 入 渗 模 型参 数 非 线 性 预测 的精 度 ，并 分 析 改 进 的 Ｐ Ｓ Ｏ． Ｒ Ｂ Ｆ模 型 预 测 的土 壤 水 入 渗 参 数 和 土 壤 物 理 参 数 之 间 的 相
…
Ｒ Ｂ Ｆ模 型 对 区域 土 壤 水 入 渗 模 型 的 参 数 进 行 非 线 性 预 测 ，但 是 传 统 Ｐ Ｓ Ｏ ． Ｒ Ｂ Ｆ模 型 存 在 基 函数 初 值 设 置 复 杂 ，计 算 效 率 和 精 度 较 差 的 局 限 ，有
学者 对传 统 Ｐ Ｓ Ｏ ． Ｒ Ｂ Ｆ模 型 引 入梯 度 优 化 下 降 调 整
式 中，Ｘ＝［ 。 ， ， ． ． ． ． ｒ 为改进 的 Ｐ Ｓ Ｏ — Ｒ Ｂ Ｆ
模 型的输 入 样 本 集 合 ；ｙ 为模 型 的输 出变 量 ；Ｗ ｊ 为模 型节 点 隐含层 和输 出层之 间的 突变 变量 的权 重 值 ；Ｄ（ Ｘ ， ， ） 为 模 型 的基 础 函数 ，其 中 ， ＝［ ｔ ｊ ，
Ｒ Ｂ Ｆ模 型 ，应该 改模 型对 Ｇ ｒ ｅ ｎ ｎ — Ａ ｍ ｐ ｔ 土 壤 水 入渗
ｅ ｘ Ｐ ｛ ＿ ［ ∑（ 一 ） ］ ｝ ／ （ ２ － ０ ｊ ） ） （ ２ ）
式 中， ， 为高 斯 基 础 函 数 计 算 的方 差 值 ，其 他 变
量含 义 同方程 （ １ ） 中所述变 量 的含义 。 改进的 Ｐ Ｓ Ｏ ． Ｒ Ｂ Ｆ模 型 首 先 将 输 入 系 列 样 本 作
２ 改进 的 Ｐ Ｓ ｏ－ ＲＢ Ｆ模 型 原 理
收 稿 日期 ：２ ０ １ ６ — ０ ５ ． １ ８
改进的 Ｐ Ｓ Ｏ — Ｒ Ｂ Ｆ模 型 沿 中心 点 构 建 模 型 的基