基于智能计算的影响河流水质的因素分析文献综述.docxVIP

基于智能计算的影响河流水质的因素分析文献综述 随着经济的快速发展，水质污染问题口益严重。为了有效的防治水污染，最 近年来在很多重要区域建立了水质自动监测站。但由于水质参数在线监测技术的 限制，水质变化趋势的在线预测依旧难以实现。水质预测可用于随机性非点源污 染的监控和防治,所以在建立水质自动监测站的同吋，增加水质预测系统，对保护 水资源和水环境的安全具有十分重要的意义。 1主成分分析法(PCA) 陈建宏，刘浪等的《基于主成分分析与神经网络的采矿方法优选》llJ：主成分 分析是利用降维的思想，在保证原冇数据信息损失最小的前提下，在各个原始指 标相关关系研究的基础上，把多个原始指标压缩为少数几个能反映原问题特征的 综合变量指标⑴。同时综合指标Z间又彼此独立，避免了信息重叠，同时保留了 原始指标的主要信息，比原始变量具有某些优越性质，使得在研究复杂问题时更 加容易叫 刘德林，刘贤赵.主成分分析在河流水质综合评价中的应用.水土保持研究, 2006,13(3) 陈建宏，刘浪等.基于主成分分析与神经网络的采矿方法优选.中南大学学报 (自然科学版),2010,41⑸ 假定有n个水质样木，每个样木共有p个指标变量描述，这样就构成了一个 nxp阶的水质数据矩阵。在实际应用中，各指标之间存在着量纲、数量级不同等 方面的问题。因此，在主成分分析前，耍对数据进行标准化，标准化后的水质数 据矩阵为： 通过主成分分析法，根据精度分析要求(一般特征值》?的累计贡献率达 85—90%), p个原始指标变量综合成m个新指标乙,Z2,...,Zm注成分综合指标的 得分矩阵为： _zll Z12 ?…乙皿 Z = Z21 ■ ■ ■ Z22 ? ? ■ …Z2,n ? ? ? ? ? ? Z”2 ? ? ? z nm 其计算公式为: m. Z严》的 1=1 其中，吋=l,2,...,m)为对应于特征值Zj的特征向量的分量，X,为标准化后的原指 标变量值。计算出所需要个主成分值，形成新的综合指标样木集。PCA具体计 算步骤参考文献［3］。 ［3］陈小前，罗世彬,王振国，陶玉静.BP神经网络应用中的前后处理过程研究. 系统工程理论与实践,2002,22(1) 2 BP神经网络 根据所依据的理论基础不同，水质预测模式大致可以归纳为数理统计预测 法、灰色系统理论预测法、神经网络模型预测法、水质模拟模型预测法以及混沌 理论预测方法等5大类［4］。其屮的BP神经网络模型预测法具有高维性、并行分布 处理性，以及自适应、自组织、自学习等优良特性，在水质预测等复杂问题的研 究上貝有非常好的适用性。 ［4］李如忠.水质预测理论模式研究进展与趋势分析［J］.合肥工业大学学报:自然科 学版,2006,29(1):26-28. BP (Back Propagation)网络是 1986年由Rumelhart和McCelland为首的科学 家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是口前应用最广泛 的神经网络模型Z—。 BP网络是一种具有3层或3层以上的阶层型神经网络，由输入层、一个或多个 隐含层及输出层组成。输入层接受外界信息，输出层则对输入信息进行判别和决 策，隐层用來储存知识。各层的神经元Z间实行全连接而同层各神经元Z间无连 接，英连接程度用权值表示。对于如何确定BP网络的层数及每层屮的神经元数, 常常需要经过反复的尝试调整，最终以BP网络的全局误差小于预先给定的允许 误差而确定它。 BP网络的学习规则是，当一对学习参数提供给网络后，神经元的激活值从 输入层经隐含层向输出层传播，在输出层获得网络的输出响应。再按减小希望输 岀与实际输出误差的方向，从输出层经隐含层逐层修改各层神经元的权值和阈 值，最后冋到输入层。随着这种对误差逆向修正的不断进行，网络对各层权值和 阈值的正确率也不断上升，一直到网络的全局误差小于预先给定的允许误差为 止。 BP算法训练网络有两种方式［5］: 一种是顺序方式，即每输入一个训练样 木修一次权值；一种是批处理方式，即待组成一个训练周期的全部样本都一次 输入网络后，以总的平均误差能量为学习目标函数修正权值的训练方式。 ［5］高隽.人工神经网络原理及仿真实例［M］.2版.北京:机械工业出版社,2007. BP神经网络隐含层节点数的选取相对來说比较困难，隐含层节点数确定的 恰当与否也是影响BP网络性能优劣的关键因素。对于隐含层节点数的确定问题, 大多都是采用经验公式估算或是试算的方法来确定［6］。 ⑹袁曾任.人工神经元网络及其应用.北京:清华大学出版社,1999. 隐层节点数根据公式Q二节点数+ ■岀节点数)+C, C二［1,10］。 BP神经网络在学习收敛过程中存在收敛速度慢和会出现“局部最小值”的问 题。由于水质指标预测具冇复杂的输入、输出非线性隐性