基于Matlab的神经网络在工业用水量.docVIP

附件2 基于Matlab的神经网络在工业用水量 预测方面的探讨 学生姓名：谭 春 指导教师：高 湘 （环境与市政工程学院 给水排水专业） 【摘　要】: 工业用水量预测对工业企业的规划、运行具有非常重要的作用。本文利用陕西某纺织企业10年的工业用水量时间序列记录资料作为训练样本，基于Matlab6.1 NNTool中的 Bayesian正则化法建立陕西地区纺织企业工业用水量预测模型。结果表明，由Bayesian法建立的 BP网络能较好地反映了纺织企业用水量规律。 【关键词】:工业用水量；Bayesian正则化；BP网络；时间序列 【Abstract】: The predictive amount of water is very important to the program and option of the industrial enterprise. This reference concentrate of the indexes of time series for the amount of water as studying sample，which is in textile business enterprise in Shanxi province. Based on the Bayesian regularization algorithm from Matlab6.1 NNTool，it establish the model the amount of water in textile business enterprise in Shanxi province. The result shows, the network of BP which is set up by Bayesian algorithm greatly reflects the regulation amount of water for the textile business enterprise . 【Key words】: The amount of water for the industrial enterprise,Bayesian regularization algorithm,BP network,Time sequence 1 引　言 城市工业用水量在城市总用水量中占有较大比例，其预测的准确度对城市规划中的重大工业项目选址、工业结构调整及城市工业政策制定等具有重要影响。同时，企业掌握未来用水量的需求，对水污染的防御和控制有方向性的指导作用，有助于企业开展节约用水工作，为优化改建提供最必要的资料。 由于影响工业企业用水量的因素很多，各因素与用水量之间呈现复杂的非线性关系，因而要将各种因素归于同一回归方程是相当困难的，而且样本序列不可避免的含有噪声。传统的统计模式加经验指标的数据处理方法已不能较好的解决这一问题。近几年来，人工神经网络(Artificial Neural Network，以下简称ＡＮＮ) 广泛应用于目前的水资源研究，涉及的具体领域包括气候影响分析、水质分析、水文预测与预报、地下水管理和水库优化调度等。 “误差逆传播网络” ( Error Back-Propagation Network) 简称BP人工神经网络，是目前水科学领域应用最广的人工神经网络。许多学者对经典BP网络存在的稳定性差等缺陷进行了研究,提出了不少改进方案,这些方案有的能够提高网络的收敛速度,有的则有助于脱离局部极小,提高网络的收敛精度。本文采用陕西某纺织企业10年的工业用水量时间序列记录资料作为训练样本,基于Matlab（Matrix laboratory）6.1软件中的神经网络工具箱（Neural Network Toolbox简称NNTool）优化网络参数和样本划分,建立网络模型,并用于纺织企业工业用水量预测。 1.1 建模思路 工业用水量为一维的时间序列数据,可设为Q1，Q2，…，Qn，其中n为用水量随时间推移的实测值，预测模型可表示为： Qt=f(Qn) （1） 工业用水量时间序列预测模型的建立就是寻找f(·)的过程。根据Robert Hecht-Nielson理论，一个三层的BP网络可以以任意精度完成n维到m维的映射。因此，只要选取合理的神经网络结构和参数，使用BP网络即可较精确的反映出函数f(·)。从这个意义上来说，建立预测模型主要应用的是神经网络的函数逼近功能。与传统的数据拟合方式不同的是，所逼近的函数f(·)的描述方式是隐含的。将预处理的用水量时间