大学毕业设计论文-长江水质的评价和预测论文.docVIP

长江水质的评价和预测 摘要： 本文根据长江沿线17个观测站（地区）近两年多主要水质指标的检测数据、干流上７个观测站近一年多的基本数据对长江水质进行了定量的研究，通过研究和分析，我们发现：如果不及时对长江进行整治，长江将会在不久的将来濒临崩溃。 在问题一中，我们利用BP神经网络模型和距离模型分别对大批量数据进行了学习训练，通过比较，得到了BP神经网络模型能更准确地反映实际情况，从而利用神经网络进一步地对长江及各地区近两年的水质污染情况作出了定量的综合评价。 在问题二中，我们把长江污染这个问题归结为一维河流水质模型，利用偏微分方程考虑污染物在河流中的变化情况，以此确定了主要污染物的污染源主要分布在湖北宜昌南津关湖南岳阳城陵矶安徽安庆皖河口江苏南京林山地表水环境质量标准项目标准限值：河流流入和流出的纵向流量。单位：。 ：一侧向输入和底部渗出流量。单位：。 ：单位水面的降水量与蒸发量。单位：。 ：时间内微元河段中水质量的增量。单位：。 ：河床断面。单位：。 ：河面宽。单位：。 ：单位时间、单位长度上侧向和底部的源。 ：单位时间、单位表面积上的源。 ：单位时间、单位体积内的源。 :水的密度。单位：。 ：每一段中的平均流速。单位：。 ：降解速率。单位：。 ：废水浓度。 ：干流评价河长。 ：支流评价河长。 ：长江总流量。 ：废水排放总量。 ：干流中第类水质所占干流总容量的比例。 ：支流中第类水质所占支流总容量的比例。 ：第类水质中含有废物的浓度。 ：某一年干流第类水质的总量。 ：第类水质处理为第类水质所需要的费用。（） ：第类水质处理为第类水质的数量。（） 三、模型建立及求解： 问题一： 在问题一中由于影响河流水质的因素较多，且各因素与水质好坏之间的关系是复杂的、非线性的，要做到线性拟和是不实际的也是不可行的。而人工神经网络力图模拟人脑的一些基本特性，如自适应性、自组织性和容错性等，可以比较好的解决非线性的问题。因此我们采用了基于误差反向传播算法的BP神经网络模型对长江干流及支流共17个观测站近两年来的大批量数据进行了学习训练，从而进一步地对长江及各地区近两年的水质污染情况作出了定量的综合评价。与此同时，我们也根据《地表水环境质量标准》，采用了距离判别模型对长江水质定量的综合评价。通过两个向量之间的距离（我们采用欧氏距离和绝对值距离）来衡量两个向量之间的接近度，从而来确定河流水的分类。 1.1 模型1：B-P神经网络模型 1.1.1 人工神经网络B-P模型的结构与算法 B-P算法的人工神经网络，是一种由非线性变换单元组成的前馈型网络，一般由输入层、输出层和一个或多个隐含层组成，每一层由若干个神经元组成， 结构如图。 图1：B-P网络结构 B-P网络中的信息是单向传递的，其连接程度用权值表示， B-P网络的学习过程分为两个阶段，第一阶段从输入层输入信息，经隐含层单元处理后送到输出层，并经其处理后产生一个输出模式，即正向传播。如果实际输出与给定的期望输出模式有较大误差而不满足要求，此时进入第二阶段，即从输出层向输入层进行信息传播误差修正的计算，再将误差按原路返回，通过修改各层的神经元的阈值与权值来减少误差，直到误差值小于给定的临界值结束。此时可得到具有确定权值与阈值的收敛的网络模型，利用该网络可以完成实际模式的识别。 1.1.2 B-P神经网络用于水质评价模型的建立 用B-P神经网络处理数据分两个阶段进行，第一阶段是监督学习，网络通过已知输入模式进行训练:将影响水质等级评定的四个主要监测项目分别作为四维输入单元，将水质的等级类别作为输出单元，在本模型中，我们采用4-10-1层结构，即输入层神经单元数为4，输出层神经单元数为1，其中隐含层神经单元数目运用Matlab软件通过“试错法”，循环运算，确定隐含层神经单元数目为10效果较好，收敛速度快。 在进行训练前对样本数据进行规范化处理，即将输入数据归一化到[0，1]区间，传递函数采用sigmoid型函数: 其中常数，; 由于从输出层输出的水质等级分为六类，即输出的数值为1—6，所以从隐含层到输出层的函数就不能再采用sigmoid型函数，这里我们采用线性激活函数purelin。利用Levenberg-Marquardt训练网络，学习函数同样采用Levenberg -Marquardt规则，学习速率lr=0.05，精度取为0.001，最大训练次数epochs =2000。由于本题中的数据量庞大，且所测得的数据是在不同时段和不同地点中，具有空间和时间动态变化的性质，因此在众多数据中选取训练样本时应特别注意:训练样本应尽量选取在不同时段和不同地区的测量值，使样本不单一，否则会引起很大的误差。因为所要拟和的评定函数是与各个月份各个观测站的测