RBF神经网络在河流营养盐预测中的应用.docxVIP

RBF神经网络在河流营养盐预测中的应用 随着大数据分析技术的不断成熟，人们发现时间序列预测方法应用性极强，它不涉及数据产生的背景，任何可用时间序列表示的信息，均可用时间序列分析理论进行预测。因此，有学者将时间序列预测方法中ARIMA预测模型（自回归积分滑动平均模型）应用到水质预测中，发现该模型既考虑了水质数据的随机波动的干扰性，又考虑了数据在时间序列上的依存性。由于ARIMA预测模型通常适用于存在线性关系的数据，而河流营养盐浓度数据虽然有着时间上的依存性，但却是一种非线性时序数据。因此，ARIMA预测模型得到的预测结果并不理想。 为克服该缺陷，进一步提高预测精度，有学者发现将可以逼近任意非线性函数的人工神经网络技术与时间序列进行结合的预测模型，可以达到较高的预测精度;而且人工神经网络对任意函数具有自组织、自学习的能力，同时隐含层神经元采用了激活函数，使其具有非线性映射功能，可以逼近任意非线性函数。其中，径向基函数（RBF）神经网络除具有极强的非线性映射能力，还有良好的泛化能力，网络结构简单，学习速度比一般网络快等优势，在其他领域也得到了广泛的应用[6?9]。故本文采用基于RBF神经网络的时间序列预测模型，对影响朱衣河水质的磷酸盐浓度数据进行预测，以期得到精确度较高的预测结果，为水质管理决策提供数据依据。 1 RBF神经网络 1.1 RBF网络