基于神经网络与灰色理论的水质参数预测建模研究-系统工程专业论文.docxVIP

中文摘要 中文摘要 I I 摘 要 经济的快速发展给水环境带来巨大压力，准确预测水质变化情况是保障水环 境安全的关键和基础。本文以三峡库区常态水质参数时序数据为研究对象，进行 水质参数预测建模研究。 由于三峡库区成库时间短、监测指标少、监测频率低、水质参数时序数据少 且成库前后呈现跳变，传统的统计学预测方法不适用于本文的研究对象。本文结 合灰色系统理论针对“贫信息”问题、BP 神经网络较强的非线性拟合特性、最小 二乘支持向量机（Least Squares Support Vector Machines, LS-SVM）专门解决小样 本预测的特点，对三峡库区水质参数时序数据进行预测研究，形成如下研究成果： ① 针对传统时间序列相空间重构嵌入维数计算复杂的问题，本文借鉴残差序 列相关熵定阶法的基本思想，通过改进的相关熵算法确定时间序列相空间重构嵌 入维数，并以 2005 年至 2008 年每月的水质参数平均浓度（非“贫信息”）为预测 对象，分别采用 BP 神经网络和模拟退火算法（Simulated Annealing, SA）优选参 数的 LS-SVM 模型进行预测。仿真结果表明，改进的相关熵算法确定时间序列的 嵌入维数是有效的，BP 神经网络的非线性拟合优势明显，对于波动范围较大的水 质时序数据表现出更优的性能；LS-SVM 模型在波动范围较小的水质时序数据短 期预测中更有优势。 ② 针对 1997 年至 2008 年丰水期水质参数时序数据存在小样本和跳变现象， 结合专门针对“贫信息”的灰色模型预测精度不高但计算速度快、BP 神经网络强 大的非线性拟合能力但需要大样本的特点，以及 LS-SVM 模型解决小样本预测问 题的优势，本文提出灰色新陈代谢 BP 神经网络预测模型和 ELS-SVM 预测模型。 灰色新代谢 BP 神经网络预测模型将灰色新陈代谢模型集群的输出作为 BP 神经网 络的输入，从而解决了 BP 神经网络需要大量样本才能较好地逼近非线性函数的 问题。ELS-SVM 模型通过对原始数据预处理改善其平滑特性，将预处理后的数 据作为 LS-SVM 的输入，并用 SA 算法优选 LS-SVM 参数。仿真结果表明，灰色 新陈代谢 BP 神经网络的预测精度较 BP 神经网络和灰色新陈代谢模型明显提高； ELS-SVM 模型的预测精度比 LS-SVM 模型高，与灰色新陈代谢 BP 神经网络相当， 是对小样本跳变时序数据预测方法的补充。 根据三峡库区水质参数时序数据的特点建立预测模型，不仅客观地反应了水 质发展趋势，为科学决策提供依据，更拓宽了时序预测技术的理论研究和应用领 域。 关键词：熵，灰色预测，BP 神经网络，最小二乘支持向量机 重庆大学硕士学位论文 重庆大学硕士学位论文 II II ABSTRACT Rapid economic development has brought enormous pressure on water environment, predicting changes of water quality exactly is critical and basal to protect the safety of water environment. This thesis studies on the prediction modeling method of water quality parameters based on normal time-series data in the background of the Three Gorges Reservoir. As the Three Gorges Reservoir started water storage for a short time, monitoring parameters are simple, monitoring frequency is low, the time series data of water quality parameters are characterized by small samples and sudden change of some sections in Three Gorges, traditional statistical forecasting methods are not fit for the application. According to the gray system theory for the “poor information” problem, BP neural network with strong nonlinear fitting capabil