水质时间序列的遗传神经网络预测.pdfVIP

第6期 广东水利水 电 NO．6 2010年6月 GUANGDONGWATER RES0URCESAND HYDROP0W ER Jun．2010 水质时问序列的遗传神经网络预测 袁从贵，张新政，徐淑琼 (广东_T-业大学，广东广州 510090) 摘 要：采用遗传算法结合神经网络的方法构建 了水质时间序列的遗传神经网络预测模型，并以耗氧量为例，将该模型与 自回归滑动平均模型、标准BP神经网络模型做了预测对比。研究结果表明该方法可以减小水质时间序列的预测误差，提 高预测结果的稳定性 。 关键词：水质时间序列；遗传算法；神经网络；预测 中图分类号：X824 文献标识码 ：B 文章编号：1008一O112(2010)06—0013—03 引言 用到了空气污染预测、动态流量软测量或期权价格预测 水质的变化受诸多因素的影响而造成 巨大的时空变 等方面，用于优化神经网络结构或初始网络参数 …。 异性，使得水质既表现出时延性、结构关联性、不确定性、 本文将遗传算法引入到神经网络水质时间序列预测模 非线性等特征，又表现出一定的趋势性 。近30年来，国 型，基于BP神经网络提出水质时间序列预测的遗传神 内外以水环境智能控制为目标研究了多种可用于水质预 经网络 (GANN)模型，并仿真对比分析其预测性能。 测的理论和方法。MaiHR、DandyGC采用人工神经网 1 水质时间序列遗传神经网络模型 络预测水质参数_1；Baffant等建立 了模糊集水质预测模 1．1 水质时问序列BP神经网络预测模型 型 ；MohamedBouamar等比较了RBF神经网络和支持 理论上早已证明，具有偏差和至少一个 s型隐含层 向量机饮用水质预测性能 ；肖胜中等研究了利用小波 加上一个线性输 出层的网络，能够逼近任何有理函数。 神经网络对流域水环境进行预测控制 ；张智等采用 增加 BP网络层数可以进一步降低误差、提高精度 ，但 QUAL2E模型模拟了长江重庆段水质 ；石为人、刘玉敬 同时也使网络复杂化，增加网络训练时间。而通过调整 等将灰色系统理论、神经网络应用到水质预测领域 。 隐含层中神经元数 目同样提高预测精度 ，而且其训练效 在诸多水质预测算法中，由于人工神经网络具有高维 、并 果 比增加层数更容易观察和调整。故此，本文选用单隐 行处理、自适应、自组织、自学习等优 良特性，对于关联、 层结构的BP神经网络水质预测模型。设历史水质时 不确定、非线性复杂问题具有很好的适用性，已经成为水 间序列为 { …， }。考虑根据历史水质检测 质预测普遍采用的一种方法。 数据预测次 日水质参数问题(即T+1预测)，网络输出 神经网络局部精确搜索能力强，但存在易陷入局部 取单输出神经元，隐层神经元个数采用试错法得到。先 极小值及网络收敛速度慢等缺陷。而遗传算法是基于 根据网络结构用滑动时间窗把时间序列转换成一系列 生物 自身演变进化机理的概率搜索算法，优化计算不依 水质检测事件序列： 赖传统的梯度下降信息，它更适合用于高度非线性复杂 {[( ， ，…，。)，+]， [(2，b，…，，+)， 问题的求解 ，许多实践已经证明遗传算法是进行全局搜 +： ]，[( ， ，…，。+：)，+，]，…} 索的有效工具。遗传算法搜索过程不易陷入局部最优， Z为网络输入神经元个数。事件序列中的每个子序列 但缺乏局部优化能力和容易出现早熟收敛等缺点。采 的前z个数据作为神经网络模型输入 ，第z+1个