基于BP神经网络的钱塘江水质指标的预测.pdfVIP

第! 卷第# 期 浙 江 大 学 学 报（工学版） =(- ! ?( # #$$% 年# 月 ’()*+,- (. /0123,+4 5+361*7389（:+43+11*3+4 ;31+1 ） @1A #$$% 基于! 神经网络的钱塘江水质指标的预测 # 王晓萍 ，孙继洋 ，金 鑫 （ 浙江大学 光电信息工程学系，浙江 杭州D$$#% ；# 浙江省环境监测中心，浙江 杭州D$$# ） 摘 要：为掌握钱塘江水质未来的变化情况以及预防污染事件的发生，建立了一个水质指标预测模型 利用钱塘江某 行政交界断面的水质指标实测数据作为学习样本，选取了总磷、总氮、化学需氧量等C 项指标作为预测参数，运用P16K 1+A1*4KQ,*4),*G8 优化算法对学习样本进行优化，建立了反向传播（RS ）神经网络模型，并运用该模型对钱塘江水质指 标进行了预测 结果表明，RS 神经网络模型的预测精度较高，预测速度快，对大部分水质指标能够得到较好的预测值， 相对误差的绝对值小于IT 此RS 神经网络能够有效地应用于水质指标的预测和水质趋势的预警预报系统中 关键词：钱塘江；水质指标；RS 神经网络；P161+A1*4KQ,*4),*G8 算法 中图分类号： UVD$ D 文献标识码：W 文章编号：$$V C%DU（#$$% ）$# $DI $! #$%’()* )+ ,-($# ./-0(1 *%$2 * 3-*(-*4 56$# 7-8$% )* ! *$/#-0 *$(,)#9 :)%$0 # XW?Y U3,(KN3+4 ，;5? ’3K9,+4 ，’Z? U3+ （! #$ %’(#)’ *+ ,$ ’-.%/ 0)1-)##-)1 %)2 3)+ *(%’-*) 4.-#).# ，56#7 -%)1 8)-9#:-’; ，%)1=6* D$$#% ，?6-)% ； #! 56#7 -%)1 @*9-).# 0)9-*)(#)’%/ A*)-’*-)1 ?#)’# ，%)1=6* D$$# ，?6-)% ） ;78(#-’( ：W N*1G38361 L(G1- E,7 718 )N 8( (A8,3+ -1,* [+(E-1G41 (. 801 N*(7N18361 0,+43+4 (+G383(+7 (. E,81* \),-389 3+ ]3,+8,+4 ^361* ,+G N*161+8 .)*801* N(--)83(+ _01 0378(*3,- 83L1 71*317 (. E,81* \),-389 3+G1M17 3+ G378*38 A(*G1* *1,017 (. ]3,+8,+4 ^361* E1*1 8,[1+ ,7 3+78*)8361 7,LN-17，,+G +3+1 3+G1M17 E1*1 8,[1+ ,7 N*1G381G 3+G1K M17 ，7)0 ,7 8(8,- N0(7N0(* ，8(8,- +38*(41+ ，01L3,- (M941+ G1L,+G _01 7,LN-17 E1*1 L(G1-1G ,+G (N83L3F1G E380 P161+A1*4KQ,*4),*G8 ,-4(*380L (. A,[ N*(N,4,83(+ （RS ）+1)*,- +18E(*[ _01 N*1G381G *17)-87 3+G3,81G 80,8 801 N*1G383(+ (. E,81* \),-389 E,7 N*1371 ,+G .,78 ，,+G