水质分析_神经网络[精选].pptVIP

基于智能计算的影响河流水质的因素分析——神经网络部分 早期用于水质评价的方法 早期用于水质评价的方法主要有生物学评定方法和专家评价。 进入20世纪60年代，随着对水质评价的研究深入，逐步提出用数学模型来进行水质评价 此后，随着数学理论与方法本身的发展，以及计算机技术的发展，各种各样的新的水质评价方法蓬勃发展，不断涌现。 成果特色及创新点 目前，常用的水质评价方法主要有简单指数法、分级加权平均法、综合污染指数法、模糊数学法、普通概率统计法等。 近年来，智能优化算法的研究与应用越来越受到人们的重视 ，特别是神经网络优化算法、遗传算法以及相应的混合算法和支持向量机等已在水质识别问题方面得到了一定的应用。这些新方法可以克服传统方法的缺点，提高求解效率，将会得到越来越广泛的应用。 我们项目组采用将主成分分析法与分类预测相结合，神经网络和遗传算法智能计算结合的方法来进行研究的，效果也是很理想的。 BP网络模型及MATLAB BP神经网络是一种多层前馈型神经网络。构成神经网络的的基本三要素是神经元、网络结构和学习算法。 MATILAB中的神经网络工具箱以神经网络为基础，利用MATLAB脚本语言构造出典型的神经网络激活函数，使设计者对所选网络的计算变成对激活函数的调用，为用户提供了极大方便。 MATLAB实现 原始数据的预处理。将数据分为两部分：训练数据和预测数据（2:1），可以采用随机抽取数据的方法收集数据。 数据归一化。通过premnmx 函数进行归一化处理，其数据分布在[-1～1]之间。 BP网络模型的建立。MATLAB的神经网络工具箱提供了最多3层商前网络，隐层棒经元传递函数多为S型函数，这种非线性传递函数神经元可以学习输入输出之闻的线性和非线性关系 BP神经网络的训练。在训练之前必须对极值秘阚值的初始化，采用MATILAB中newff函数可自动完成这一过程。 水质预测BP网络模型及其训练 输入神经元数目为168，隐层数为l层，隐层节点数为7，输出节点数为l 训练函数：net=newff(minmax(P),[7,1],{logsig,logsig},trainrp) 最大训练次数epoch=1000 训练要求精度goal=1e-5 神经网络预测渗透率误差收敛曲线 渗透率仿真结果线性回归分析 预测率结果（蓝色为正确部分） BP神经网络水质预测数据表(部分数据) 测试结果 归一化结果 实际值 1.0000 1.0000 1.0000 0.0000 0 0 1.0000 1.0000 1.0000 0.1490 0 0 0.0000 0 0 0.0000 0 0 0.0000 0 0 0.0000 0 0 0.0000 0 0 0.9853 1.0000 1.0000 0.0000 0 0 0.0000 0 0 0.0000 0 0 0.0000 0 0 0.9906 1.0000