一种混合优化BP神经网络的湖泊水质预测模型构建方法_CN109740286A

BP神经网络在水质参数预测中的应用张昕;许伟明;邓春龙【期刊名称】《微计算机信息》【年(卷),期】2012(000)004【摘要】In this paper, the well nonlinear mapping characteristics of BP neural network was used in the establishment of water quality prediction model. Different neural network with different training algorithms were established to predict ammonia, and Neural Network Toolbox in MATLAB was used to program. Largeamm ounts of data was choosed to be trained repeatedly to select a prediction neural network with a good fit of the model, small precision error and a good generalization performance,as a result of compari- son. To be based on the test samples, tests and analysis could be found,and the L-M BP Neural Network was selected as the ammonia content of neural network prediction program.%本文利用BP神经网络良好的非线性映射特性，建立了水质预测模型，分别建立三种不同训练算法的氨氮预测神经网络，利用MATLAB神经网络工具箱编程实现。

基于神经网络的水质污染预测模型建立随着工业化程度的不断提高，水质污染问题日益突出，给我们的生态环境和人民的身体健康带来了严重威胁。

为了对水质进行有效监测和管理，建立一套准确的水质预测模型是很必要的。

在过去的年代里，人们运用统计学、机器学习等方法建立模型，但是由于数据量庞大、特征多、细节繁琐等问题，传统的方法无法令人满意。

近年来，运用神经网络模型来解决复杂的问题已经成为一种流行的趋势。

我们可以通过建立基于神经网络的水质污染预测模型，来有效实现水质污染的预测和管理。

一、神经网络简介神经网络是一种模仿生物神经系统特意进行储存和处理信息的计算模型。

通常，神经网络由多个神经元（或者称作节点）组成，并被连接起来，形成复杂的计算单元。

在神经网络中，每个神经元会对信号进行处理，从而产生输出。

不同的神经元之间通过连接进行交流，连接可以是有权值、有方向性的，这些连接的权重和状态可以通过无数次反向传播、优化算法来进行调整，以建立正确的模型，来实现数据的处理和学习。

二、数据收集和预处理要建立基于神经网络的水质污染预测模型，首先要进行数据收集和预处理。

数据收集：需要搜集和准备符合我们需要的数据文件，包括丰富的时间序列、不同地域的水质监测数据、水源补给源、污染源和气象数据等。

比如，我们可以从搜集水质监测数据、河流流量和污染物发生的地点、时间信息等方面的数据进行收集。

但是，由于建立模型的质量取决于数据集的品质和规模，所以我们必须根据专家的建议和业界的规范来进行数据采集。

预处理：数据预处理是指对原始数据进行处理，使之符合建模的要求。

在神经网络中，数据预处理包含数据标准化、特征选择和样本分割等步骤。

通过数据标准化，我们可以将样本数据中的每个数据系数转化为数值范围在0和1的机率，从而避免了不同变量的存在导致的评估权重的具体影响；通过特征选择，我们可以提取对最后结果关键作用的变量，而将低价值的变量丢掉，可以获得更好的预测结果；通过样本分割，则可以将数据集合划分成训练集和测试集，对于需要监督学习的神经网络而言，它是很重要的。

基于BP神经网络的水质预测方法的研究
莫慧芳;谷爱昱;张新政;张敬春
【期刊名称】《控制工程》
【年(卷),期】2004(0)S1
【摘要】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。

【总页数】3页(P9-10)
【关键词】水质预测;BP算法;神经网络
【作者】莫慧芳;谷爱昱;张新政;张敬春
【作者单位】广东工业大学自动化学院
【正文语种】中文
【中图分类】TP183
【相关文献】
1.基于BP神经网络的黄河水质预测研究 [J], 琚振闯;王晓;弓艳霞
2.基于BP神经网络的五大连池重碳酸矿泉水水质预测研究 [J], 曾颖;杨臣;王希英;方振兴
3.基于GA-BP神经网络的施工区域水质预测及预警模型研究 [J], 李鑫鑫;郑丹;杨
建喜;蔡昊男;曾维成;岳锐强
4.基于BP神经网络的盐龙湖饮用水源水质预测 [J], 孙唯;孙佳欣;任晓;王启烁;李林
5.基于改进的BP神经网络模型的营口地区河流水质预测分析 [J], 戚卫伟
因版权原因，仅展示原文概要，查看原文内容请购买。

基于BP神经网络的水质预测技术叶延亮;庄严【摘要】针对城市污水处理厂在生化处理污水过程中测量重要过程变量困难、无法及时检测的问题,提出了基于BP神经网络的预测技术.利用某化工污水处理厂的实际运行数据对提出的BP神经网络结构进行了训练和仿真.结果表明:通过合理选择辅助输入变量,可以实现对过程变量的在线预测.【期刊名称】《北华大学学报（自然科学版）》【年(卷),期】2012(013)004【总页数】4页(P493-496)【关键词】BP神经网络;COD;动量【作者】叶延亮;庄严【作者单位】北华大学电气信息工程学院,吉林吉林132021【正文语种】中文【中图分类】TP273随着我国经济的高速发展和城市化进程的不断加快，工业污水和生活污水的处理问题变得日趋严重，重大的污水排泄事件屡有发生，给人们的正常生活带来无法估量的损失.各国都将污水治理放到了重要位置，投入大量人力物力研究水污染治理问题.由于这类生化污水处理过程是典型的非线性、时变、不确定、大时滞的复杂系统，且不间断发生生化反应，对其建模、控制并非易事.要实现闭环控制，需要检测一些关键过程变量，然而系统的工作过程是建立在生化反应基础上的，关键指标需要经过实验室采样检测方可得到，文中预测的变量COD检测时间需要几小时，达不到闭环控制的要求.因此，如何在线测定水质的关键指标成为提高控制质量的关键.国外已经研制出一些在线检测仪，但其价格昂贵，维护量大，且易受干扰，以德国LAR公司的Elox-100型COD分析仪为例，维护需定期更新标准液，及时补充参比电极填充液，电极需保存更换，定期添加仪器所需除离子水等化学试剂，定期根据实际情况进行设置和校正[1].因此，我国大部分污水处理厂仍然依靠实验室检测值作为现场控制和数据上报的依据.针对这一问题，国内外研究机构研究利用辅助过程变量对难测的变量进行预测，取得很多成果.本研究利用BP神经网络进行系统建模，选取适当的输入变量对系统输出水质指标COD进行在线预测.1 污水处理工艺流程目前，我国在水污染处理上采用的工艺技术仍然以活性污泥处理工艺为主，如SBR、AB法、AO法和A2-O技术等等.这些工艺方法可以满足大多数污水治理的要求，然而一旦污水处理厂按照某一生产工艺进行建设，改造工艺方法将耗费巨资，影响巨大.图1 某化工污水处理厂污水处理工艺流程Fig.1 Sewage treatment flow of a sewage p lant本研究以某化工污水处理厂为研究对象，采用的生产工艺是常规AO法，使活性污泥不断在一沉池、曝气池、二沉池中循环，稳定系统中的微生物增殖体的含量.曝气池通过高压加氧增加水中溶解氧的含量以达到要求值，在此条件下，活性污泥与污水中的有机物充分接触，促进有机物的分解，达到污水处理的目的.图1为某化工污水处理厂污水处理工艺流程.图2 BP神经网络结构Fig.2 BP neural network structure混合污水通过进水闸井、格栅间阻隔掉体积大的漂浮物;系统中沉砂池的作用是分离大密度无机颗粒，初沉池起沉降悬浮固体的作用;曝气池的作用最为重要，污水中的有机物在池中分解，微生物在池中新陈代谢，完成系统的生化反应，故也称之为生化池;经过曝气池的污水进入二沉池进行二次沉淀.最后，经过检测，若出水水质达标，则直接排放.二沉池中的活性污泥一部分送回曝气池，而其余部分进入初沉池排到污泥处理车间处理.2 输入输出变量的选取污水处理厂处理的污水来源是上游生活污水和化工企业等工业对象排放的污水，各类排污对象的机理、工艺流程差异很大，所需检测的指标各不相同，如果将它们全部作为人工神经网络软测量仪的辅助输入量，模型十分复杂，且重要信息可能被弱化.因此，将检测点确定在污水处理厂污水混合入口处.处理厂日常水质检测分析报表中包括以下指标:COD，BOD5，pH，SS，NH3-N，NO2-N，NO3-N，DO，MLSS，T，Q 等数十种检测指标，通过机理分析，选取与出水水质直接相关的入水口COD，入水口BOD5与生化池中混合液污泥浓度MLSS、固体悬浮物浓度SS、pH 5个监测指标作为人工神经网络的辅助输入变量;选取出水口COD作为预测变量.BOD5(生化需氧量)是指微生物将有机物氧化成无机物的过程中所消耗的溶解氧量，反映水中可被微生物分解的有机物总量;COD(化学需氧量)是指在强酸加热条件下，用重铬酸钾作为氧化剂，将有机物氧化为CO2和H2O所消耗的氧量.COD能准确地反映出水中有机物的含量和水质受污染的程度，是最好的计量出水水质的方法.“十一五”期间我国已将COD值列为水质检测总量控制指标[2];SS(悬浮物)是反映废水中固体物质含量的一个常用的重要水质指标;pH是一个重要的水质参数，微生物的生长、繁殖与环境中的pH关系密切;MLSS(混合液悬浮固体)是曝气池混合液中所含悬浮固体质量，近似表示池内活性微生物浓度.上述指标均为水质监测重要指标，其中，BOD5，COD是判断出水水质是否合格的最直接的指标，用传统的实验室检测方法检测最少也需要几小时的时间.3 BP神经网络模型的建立标准BP算法是一种基于梯度下降的最优化算法，以误差反向传播算法进行神经网络的学习和训练，通过调节连接权值，以期使网络的实际输出值与期望输出值的误差均方值最小化.设计的污水水质COD预测BP神经网络结构如图2所示[3]，为典型的三层前馈式网络，输入层选择5个辅助变量COD，BOD5，pH，SS，MLSS作为输入变量，输出层选取出口COD作为输出变量，隐含层神经元个数根据实验中的效果定为15个，隐含层的激励函数为Sigmoid函数，输出层的激励函数为线性函数.4 训练和仿真结果利用某化工污水处理厂2007年3、4月的845组生产历史数据作为样本，其中700组数据作为训练样本，145组数据作为校验样本，用MATLAB作为平台对BP神经网络进行训练和仿真.训练结果见图3，COD训练效果见图4.图3 标准BP算法训练跟踪Fig.3 Standard BP algorithm training trace图4 COD训练效果Fig.4 COD training effect由图4可知:标准BP算法预测出水水质参数COD值效果不是很好，由于非线性隐层单元的存在，导致网络存在多个最小点，所以学习过程不一定能保证达到全局最小，使得实际输出和理想输出之间有一定的偏差.5 改进算法标准BP算法的隐含层节点权系数的变化量[4-5]为式中:η为学习效率;δ为反传误差信号;O为节点输出;脚标i，j分别代表输入层、输出层.改进算法的实质是增加了一个附加动量，附加动量的作用是传递网络层中权值变化的趋势.附加动量调整的幅度通过设置其中的动量因子来实现.改进后的算法为动量梯度下降反向传播算法，目的是使系统摆脱误差局部最小的影响，其权值调节公式为式中:n为训练数量;α 为动量因子，0＜α ＜1，一般取0.7＜α ＜0.9.在改进算法中动量因了记为α'，取式中:E为误差值.自适应调整学习速率的公式为初始学习速率的选取范围定为0.01～0.8.6 仿真结果改进算法预测仿真结果见图5.该算法的特点是更新权值时，同时考虑当前的和前一时刻的梯度方向，以达到抑制系统陷入误差局部最小的目的.图5 改进算法的预测COD效果Fig.5 COD prediction effect of im proved algorithm7 结论针对高度非线性、工作机理不是很清楚的污水处理过程，采用标准BP算法和改进算法对出口COD值进行预测，结果说明通过人工智能方法在线预测出水水质监督指标是可行的.实现准确预测可为下一步的闭环自动控制提供基础条件，如根据在线检测出口COD值可实现对供氧量的闭环控制，而优化DO(供氧量)的给定值可大幅节能降耗[6]，对节能减排具有重要意义.参考文献:【相关文献】[1]王铁山，商国强.ElOX-100分析仪在污水处理中的应用[J].石油化工自动化，2001(5):58-60.[2]马文秀，邢志华，陈翠霞.廊坊市污水处理厂COD在线监测系统的应用研究[J].北方环境，2010，22(3):85-87.[3]杨文娟.神经网络和主元分析-神经网络软测量技术在污水处理系统中的应用[J].地球科学与环境学报，2008，30(1):101-106.[4]尹朝庆.人工智能方法与应用[M].武汉:华中科技大学出版社，2007.[5]甄博然，韩红桂，乔俊飞.基于增长型神经网络的污水处理过程溶解氧控制[J].中南大学学报:自然科学版，2009，40(1):74-79.[6]朱学峰，李艳，黄道平.污水处理过程的控制与优化综述[J].自动化与信息工程，2009(3):7-13.。

一种基于BP神经网络的河流富营养化程度预测方法
万翔;柳炳祥
【期刊名称】《信息通信》
【年(卷),期】2015(000)011
【摘要】文章利用《中国湖泊富营养化评价标准》，采用MATLAB工具箱实现BP神经网络模型，对2003年10月图们江的十个水库富营养化程度进行评价，并与文献[1]中的实测评价结果进行比较。

实验结果表明，基于BP神经网络的河流富营养化程度预测方法是可行的，模型简单易行，精度较高，为预测河流富营养化程度提供了一种分析方法。

【总页数】2页(P21-22)
【作者】万翔;柳炳祥
【作者单位】景德镇陶瓷学院信息工程学院，江西景德镇333403;景德镇陶瓷学院信息工程学院，江西景德镇333403
【正文语种】中文
【中图分类】X524
【相关文献】
1.一种基于BP神经网络的空气质量预测方法 [J], 张天;毛艳艳;王井阳;王会勇;任朋朋
2.一种基于Python和BP神经网络的股票预测方法 [J], 曾武序;钱文彬;王映龙;杨文姬;柳军
3.一种基于BP神经网络的地区用电量预测方法研究 [J], 章熙; 郭翔; 万会江; 吴佩
泽; 陈鹏; 陈佳捷
4.一种基于BP神经网络的电网负荷预测方法的设计 [J], 王开林; 胡昊; 陈靖; 郭阳; 王水英; 袁辉
5.一种基于BP神经网络算法的旅游人数预测方法 [J], 张峰; 柳炳祥; 张月
因版权原因，仅展示原文概要，查看原文内容请购买。

湖泊管理服务中的湖泊水质模型和预测湖泊作为重要的水资源与生态系统，并且与人类的生活息息相关，其水质管理是保护生态环境和人民健康的重要任务。

为了有效地管理湖泊水质，科学家和环境管理者采用了湖泊水质模型和预测技术。

本文将探讨湖泊水质模型的原理、应用以及在湖泊管理服务中的潜力。

湖泊水质模型是指使用数学模型和计算机模拟工具来描述和预测湖泊水质变化的方法。

这些模型基于对湖泊生态系统和水文过程的理解，结合水质观测数据和其他环境参数，模拟湖泊中各种物质（如溶解氧、氨氮、营养物质等）的传输和转化过程。

通过模拟和预测湖泊水质变化，可以帮助管理者及时制定和实施保护湖泊水质的措施，从而保护湖泊的生态系统，维护人民的健康和生活品质。

湖泊水质模型主要包括物理模型、化学模型和生态模型。

物理模型描述湖泊中的水流运动、湖泊水体混合、湖泊水位和温度变化等物理过程。

化学模型则模拟湖泊中各种物质的迁移和反应过程，如营养物质的来源、转化和去除情况。

生态模型则关注湖泊生态系统的组成、湖泊中生物的生长和死亡、生物之间的相互作用等。

湖泊水质模型可以应用于各种湖泊管理服务中。

首先，湖泊水质模型可以帮助预测湖泊中各种物质的浓度变化趋势。

通过模拟湖泊中的物质运移过程，可以预测未来水质状况，及时发现和解决潜在的水质问题。

其次，湖泊水质模型还可以用于评估局部或整个流域对湖泊水质的影响。

通过模拟不同污染源的负荷、不同管理措施的影响等，可以评估不同情景下湖泊水质的变化，为制定科学的管理策略提供决策支持。

此外，湖泊水质模型还可以用于解释湖泊水质变化的原因。

通过模拟和对比观测数据，可以帮助科学家和管理者理解湖泊水质变化的机制，从而更好地指导湖泊管理工作。

湖泊水质模型有着许多潜在的应用价值和局限性。

首先，湖泊水质模型能够提供及时的预测和警示，帮助管理者采取措施防止水质问题扩大。

其次，湖泊水质模型能够辅助管理者制定科学合理的管理策略，提高管理效率。

然而，湖泊水质模型的预测能力受到多种因素的限制，包括模型结构、参数选择、观测数据质量等。

基于BP神经网络的湖泊水体富营养化的短期预测
侯君;姚志红
【期刊名称】《实验室研究与探索》
【年(卷),期】2008(027)006
【摘要】选用含三层网络结构的BP神经网络来模拟湖泊水体的富营养化状况,通过软件MATLAB编写了BP神经网络训练和测试程序,测试结果表明此方法成功预测水体中叶绿素a的含量的短期变化趋势.
【总页数】3页(P38-40)
【作者】侯君;姚志红
【作者单位】上海交通大学,电子信息与电气工程学院,上海,200240;上海交通大学,电子信息与电气工程学院,上海,200240
【正文语种】中文
【中图分类】TP183
【相关文献】
1.BP神经网络优化模型在水体富营养化预测的国内进展 [J], 张育;张祖群
2.基于进化算法的湖泊富营养化投影寻踪回归预测模型 [J], 李祚泳;汪嘉杨;金相灿;储昭升
3.基于BP神经网络的水体富营养化评价的研究 [J], 孙境蔚
4.基于时间序列模型与BP神经网络的深圳近岸海域富营养化预测 [J], 陈芸;周连宁;唐俊逸;赵振业
5.BP神经网络在千岛湖水体富营养化变化预测中的应用 [J], 刘恒;严力蛟
因版权原因，仅展示原文概要，查看原文内容请购买。

基于改进BP网络模型的水质预测模型的研究
邱靖;杨毅;张亚静;叶轩
【期刊名称】《云南农业大学学报》
【年(卷),期】2007(022)003
【摘要】运用人工神经网络理论和方法,建立了基于三层BP网络的预测模型,并对BP算法进行了改进.并就长江流域丰水期全流域的水质情况进行模拟比较,确定了该模型的隐含节点数以及实用范围,并能较精确地预测今后5年的发展趋势,且预测结果客观.证明了该预测模型具有较强泛化能力,是一种行之有效的预测非线性类问题的模型.
【总页数】6页(P417-422)
【作者】邱靖;杨毅;张亚静;叶轩
【作者单位】云南农业大学工程技术学院,云南,昆明,650201;云南农业大学基础与信息工程学院,云南,昆明,650201;云南农业大学工程技术学院,云南,昆明,650201;云南农业大学工程技术学院,云南,昆明,650201
【正文语种】中文
【中图分类】TP183
【相关文献】
1.基于改进BP网络模型的洪水预报研究 [J], 张海亮;何东健;吴建华
2.基于BP网络模型的青弋江水质预测研究 [J], 李峻;孙世群
3.改进粒子群算法优化SVR水质预测模型研究 [J], 孟滔
4.基于降水量改进的PSO—RBF神经网络水质预测模型及应用研究 [J], 王晔
5.改进的径流—水质非点源污染预测模型研究 [J], 沈雪娇;杨侃;常蒲婷;王涛;朱大伟
因版权原因，仅展示原文概要，查看原文内容请购买。

遗传算法优化BP神经网络在水质评价中的应用
宋洁;冯青
【期刊名称】《甘肃科技》
【年(卷),期】2024(40)1
【摘要】通过对常规BP神经网络和遗传算法深入研究后,提出将二者结合起来,取长补短,并采用黄金分割算法确定神经网络模型隐含层节点数,借助MATLAB软件建立了遗传算法优化后的BP神经网络水质评价模型,解决了初始权值、阈值确定难,易陷入局部极值以及网络收敛慢等问题,同时结合2021年黄河上游部分断面地表水环境质量评价进行了实例仿真实验,验证了该模型的可行性和准确性。

遗传算法优化后的BP神经网络不仅能从全局考虑污染因子对评价结果的影响,而且解决了常规BP神经网络易陷入局部极值的问题,提高了网络的识别精度,评价结果更准确,更符合实际水体情况,在一定程度上改善了传统评价方法的片面性和主观性,对现有的水环境质量评价方法的改进起到了积极作用。

【总页数】9页(P33-41)
【作者】宋洁;冯青
【作者单位】黄河水利委员会上游水文水资源局
【正文语种】中文
【中图分类】X824;TP183
【相关文献】
1.遗传算法改进BP神经网络在地下水水质评价中的应用
2.基于遗传算法的改进BP神经网络模型在水质评价中的应用
3.基于粒子群算法优化的BP神经网络在海水水质评价中的应用
4.基于遗传算法优化的BP神经网络在考研结果预测中的应用
5.遗传算法优化BP神经网络在滑坡稳定性预测中的应用
因版权原因，仅展示原文概要，查看原文内容请购买。

水资源管理中的水质预测模型构建方法在当今社会，水资源的管理和保护变得愈发重要。

水质预测模型通过分析水体中的各种参数和指标，可以帮助管理者及时了解到水质状况，以便采取相应的措施保护水资源。

本文将介绍水质预测模型的构建方法，以及其在水资源管理中的重要作用。

一、水质预测模型构建的基本步骤1. 数据收集：首先，需要收集大量的水质监测数据，包括水体的温度、PH值、溶解氧、浊度、氨氮、总磷等指标数据。

这些数据可以通过水质监测站、实验室测试或者遥感技术等手段获取。

2. 数据预处理：在使用数据构建模型之前，需要对数据进行预处理，以保证数据的准确性和合理性。

预处理的步骤包括数据清洗、异常值处理、缺失值填充等。

此外，还需要对数据进行归一化或者标准化处理，使得数据在相同的尺度范围内。

3. 特征选择：在构建水质预测模型时，需要对特征进行选择，即选择哪些指标对水质预测起到关键作用。

特征选择可以通过相关系数分析、主成分分析、信息增益等方法进行。

4. 模型构建：选择适合的模型来进行水质预测。

常用的模型包括线性回归模型、支持向量机、人工神经网络、决策树等。

针对不同的问题和数据特点，选择适合的模型进行建模。

5. 模型训练与评估：将已经收集好的数据集分为训练集和测试集。

使用训练集对模型进行训练，调整模型的参数，找到最佳的模型。

然后使用测试集对模型进行评估，计算预测结果与实际结果之间的误差，并评估模型的准确性和稳定性。

6. 模型应用与优化：根据模型的训练和评估结果，对模型进行改进和优化。

有时候需要调整模型的参数，或者选择其他模型来提高模型的预测精度和稳定性。

二、水质预测模型的应用与意义1. 污染溯源：水质预测模型可以帮助确定污染源头，并追踪污染物的扩散路径。

通过对水质参数的分析和预测，可以及时发现污染源并采取相应的措施，保护水源地的安全和水质的优良。

2. 水资源管理：水质预测模型可以帮助管理者及时了解水体的水质状况，指导水资源的科学利用和合理开发。