基于人工神經網絡（ANN）的水質評價與水質模擬研究.pdf

1、人工神經網絡(ANN)是復雜非線性科學和人工智能科學的前沿，其在水污染控制規(guī)劃領域的應用研究在國內外尚處于初創(chuàng)階段。本文在較全面分析評述了水質評價與水質模擬研究現(xiàn)狀，及在分析闡述了ANN基本原理、算法和各類模式特征的基礎上，在國內首次將ANN方法引入水污染控制規(guī)劃領域，主要在水質評價和水質模擬的人工神經網絡建模方法以及模型算法方面進行了一些創(chuàng)新性的工作，為提高水質評價和水質模擬的智能化水平做出了努力。 本文根據(jù)水質綜合評價的特

2、點及Hopfield網絡優(yōu)良的模式識別性能，通過對Liapunov能量函數(shù)構造的合理設計，提出了水質綜合評價Hopfield網絡模型，并從數(shù)學上嚴格推證了水質評價Hopfield網絡的樣本分類性能。實例研究表明：Hopfield模型在相當多評價指標的情況下，仍可很快地給出評價結果，且可達到相當高的精度，同時模型可表述定量和定性的評價指標，增強了評價方法的通用性和適用性。針對水質信息的模糊性特征，本文將模糊數(shù)學與神經網絡相結合，首次提出了

3、水質評價隸屬度BP模型。通過對隸屬度BP模型、模糊綜合指數(shù)法和灰色聚類法實例評價結果的比較，本文提出的隸屬度BP模型融合了ANN方法和模糊評價方法的優(yōu)點，有效地克服了模糊綜合指數(shù)法評價結果偏重和灰色聚類法評價結果偏輕的缺陷，提高了評價結果的準確性和可靠性；該模型可方便地對模糊規(guī)則進行增加或刪減，比傳統(tǒng)的綜合指數(shù)類評價方法更具靈活性，程序的通用性好，應用方便；隸屬度BP模型考慮了環(huán)境水質類別變化的連續(xù)性，使評價方法更接近客觀實際。

4、 本文根據(jù)對污染物在河流中遷移過程分段傳遞特征的分析，首次提出了模擬污染物在河流中遷移規(guī)律的串聯(lián)ANN模型，該模型是對ANN模型結構的一種改造。根據(jù)這一建模思路，建立了BOD-DO耦合BP網絡水質模擬模型，以及學習速率采用DBD自適應技術的一維水質綜合模擬BP網絡模型。實例研究表明：ANN模型對水質模擬的結果比一維水質模型模擬的結果精度更高，驗證了本文提出的串聯(lián)ANN模型結構的有效性和正確性。本論文在第8章提出了優(yōu)化構造算法的一維水質

5、綜合模擬RBF網絡模型，為克服BP網絡在最小值附近容易產生振蕩的不足，以及利用訓練樣本解決網絡結構的自適應優(yōu)化等問題進行了有益的探索。實例研究表明：該RBF模型具有更高的水質綜合模擬泛化能力，提高了ANN水質綜合模擬的預測精度，展示了ANN水質模擬模型具有良好的應用前景。 根據(jù)二維水質數(shù)學模型數(shù)值解法的思路，本文開創(chuàng)性地提出了進行二維水質模擬的廣義網絡法。該方法根據(jù)二維水質擴散三個不同方面問題的特征，采用前饋網絡的拓樸結構形式

6、，以河段特征參數(shù)神經元直接表達、橫向擴散系數(shù)三層BP網絡表達、縱向擴散系數(shù)經驗公式表達等構造了不同表達方式的輸入層神經元，進而依不同表達方式的輸入神經元構造了廣義網絡。通過實例研究驗證了該ANN二維水質模擬方法的準確性與適用性。 本文研究表明：用ANN模型來進行水質評價和水質模擬或預測在理論上可行，在實踐上有繼續(xù)深入研究開發(fā)的價值，具有良好的應用前景。本研究為水質模擬研究提供了一種新方法，開辟了一條較好的新途徑，也為ANN的應