CN104155423B - 一种变权组合的景观水水质预警方法 - Google Patents
一种变权组合的景观水水质预警方法 Download PDFInfo
- Publication number
- CN104155423B CN104155423B CN201410389438.3A CN201410389438A CN104155423B CN 104155423 B CN104155423 B CN 104155423B CN 201410389438 A CN201410389438 A CN 201410389438A CN 104155423 B CN104155423 B CN 104155423B
- Authority
- CN
- China
- Prior art keywords
- water quality
- water
- weight combination
- model
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 34
- 238000012544 monitoring process Methods 0.000 claims abstract description 23
- 238000012706 support-vector machine Methods 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims abstract description 4
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 42
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 42
- 229910052760 oxygen Inorganic materials 0.000 claims description 42
- 239000001301 oxygen Substances 0.000 claims description 42
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 21
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 21
- 229910052757 nitrogen Inorganic materials 0.000 claims description 21
- 229910052698 phosphorus Inorganic materials 0.000 claims description 21
- 239000011574 phosphorus Substances 0.000 claims description 21
- 239000000126 substance Substances 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000004064 recycling Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004457 water analysis Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 18
- 238000003911 water pollution Methods 0.000 description 3
- 235000019606 astringent taste Nutrition 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 235000019640 taste Nutrition 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种变权组合的景观水水质预警方法,包括:在线水质监测,采集景观水各个监测点的水样,并将监测数据传输到数据中心的服务器中进行存储与分析;进行水质变化的预测,包括:对数据中心的水质样本进行归一化处理,分别建立神经网络预测模型和建立支持向量机预测模型,建立变权组合预测模型,进行变权组合预测模型的区间估计;水质预警,即利用变权组合模型的区间估计值来进行水质预警,同时进行警情报告。本发明实现了景观水水质在线预警的功能。本发明首次将神经网络和支持向量机的变权组合方式引入景观水的水质预警系统中,是景观水水质领域中的创新。其对景观水体的水质保持与运行管理具有很好的实用价值。
Description
技术领域
本发明涉及一种景观水水质预警方法。特别是涉及一种基于神经网络和支持向量机的变权组合的景观水水质预警方法。
背景技术
随着社会经济的发展和人们生活水平的提高,景观河道、人造湖泊和人造景观湖等景观水体作为一种可以调节气候、美化环境与陶冶情操的“元素”,在越来越多的城市开始出现。然而景观水体大多数都是静止或者流动性很差的缓流水体,易污染,自净能力差,并容易成为居民生活污水、雨水和垃圾的受纳体。同时,不少景观水体的建设过于形式化,生搬硬套,后期又缺少维护和治理,使得景观水体在一段时间之后就会发黑发臭,出现严重的水污染现象。
发明内容
本发明所要解决的技术问题是,提供一种在掌握景观水体的水质变化规律,及早对水质污染进行预警预报,并及时采取相应的措施来防止水质污染事故,避免造成严重损失的变权组合的景观水水质预警方法。
本发明所采用的技术方案是:一种变权组合的景观水水质预警方法,包括如下步骤:
1)在线水质监测,利用若干个遥测远传终端,用于采集景观水各个监测点的监测水样数据,并将数据传输到本地的数据中心并储存,形成水质样本序列,以便于进行水质分析与水质预警;
2)进行水质变化的预测,是利用神经网络、支持向量机、变权组合和区间估计的方法对水质样本进行分析处理,得到景观水体未来的水质预测区间,具体包括:
(1)对数据中心的水质样本进行归一化处理,归一化公式为:
式中:xmin为原始监测值的最小值;
xmax为原始监测值的最大值;
xi为第i个原始监测值;
Xi为归一化处理之后的第i个监测值;
(2)分别建立神经网络预测模型和建立支持向量机预测模型;
(3)建立变权组合预测模型,是基于神经网络预测模型和支持向量机预测模型的变权组合预测模型,即将神经网络预测模型和支持向量机预测模型这2个单一预测模型的预测值进行变权重组合,从而得到更加准确的预测值;
(4)进行变权组合预测模型的区间估计,是通过预测误差的正态分布特点和统计学知识,得到并确定最终变权组合预测模型的区间估计值,从而得到景观水水质未来的变化区间;
3)水质预警,即利用变权组合模型的区间估计值来进行水质预警,将变权组合模型的区间估计值的整个预测范围中超过《地表水环境质量标准》V类水质指标限值的量作为预警强度划分的依据,依次为无警、轻警、中警、重警和巨警。
步骤1)中所述的在线水质监测包括测定水样的溶解氧、pH、化学需氧量、总氮、氨氮和总磷六项水质指标。
步骤2)中第(2)步所述的建立神经网络预测模型,是将归一化处理后的水质样本中的溶解氧、pH、化学需氧量、总氮、氨氮和总磷六项水质指标作为神经网络的输入量,输出量为溶解氧、pH、化学需氧量、总氮、氨氮和总磷六项水质指标的预测值,隐含层的神经元采用Sigmoid型变换函数,输出层则采用线性变换函数,而对于神经网络结构中的各个参数确定则利用L-M算法,经过训练与拟合,得到景观水体的神经网络预测模型。
步骤2)中的第(2)步所述的建立支持向量机预测模型,是将归一化处理后的水质样本中的溶解氧、pH、化学需氧量、总氮、氨氮和总磷六项水质指标作为神经网络的输入量,输出量为溶解氧、pH、化学需氧量、总氮、氨氮和总磷六项水质指标的预测值,同时,采用高斯径向基核作为支持向量机模型的核函数,并用十字交叉法来寻找最优损失函数的参数和高斯径向积核函数的参数,经过训练与拟合,得到景观水体的支持向量机预测模型。
步骤2)中的第(3)步所述的建立变权组合预测模型,具体是:
设g1(t)为神经网络预测模型在t时刻的权重,g2(t)为支持向量机预测模型在t时刻的权重,满足:
同时,假设gi(t)为t的连续函数,则gi(t)用p次多项式来表示:
gi(t)=gi0·0+gi1·t+gi2·t2+...+gip·tp(3)
将每次的水质监测数据作为一个t时刻,取P=3,对于gi(t)中的系数gi0,gi1,gi2和gi3利用广义逆矩阵的迭代法来求解,这样就可以得到变权重函数g(t),再利用公式(4),便得到变权组合预测模型F(t),公式(4)如下:
式中:fi(t)为第i个模型在t时刻的预测值,t=1,2,3,…。
步骤2)中的第(4)步所述的变权组合预测模型的区间估计,是设前n个时刻变权组合预测模型预测的溶解氧、pH、化学需氧量、总氮、氨氮和总磷六项水质指标的集合为predict=(P1,P2,…,Pn),实际水质样本中前n个时刻的溶解氧、pH、化学需氧量、总氮、氨氮和总磷六项水质指标的集合为true=(Y1,Y2,…,Yn),则预测误差为e=predict-true,误差集合为E=(e1,e2,…,en),而对于下一个时刻的样本Yn+1,也存在预测值Pn+1,此时的预测误差为en+1=Pn+1-Yn+1,设误差集合E与en+1满足正态分布,则根据统计学定理:满足t(n-1)分布,s为误差集合E的方差,为误差集合E的平均值,设显著水平为α,则Yn+1的预测区间为:
这样,便得到变权组合预测模型的预测值在一定显著水平下的预测区间,即得到变权组合模型的区间估计值。
步骤3)中所述的超过《地表水环境质量标准》V类水质指标限值的量△的计算公式如下:
(1)若变权组合模型的区间估计值的上限值小于等于相应的指标限值,则:△=0;
(2)若变权组合模型的区间估计值的上限值大于相应的指标限值,而变权组合模型的区间估计值的下限值小于指标限值,则:
其中,l1和l2分别为模型区间估计的上下限值,l为V类水的指标限值;
(3)若变权组合模型的区间估计值的下限值大于相应的指标限值,则:△=100%。
本发明的一种变权组合的景观水水质预警方法,实现了景观水水质在线预警的功能。第一步通过水质在线自动监测系统对景观水水质进行测定,并将监测数据传输到数据中心的服务器中进行存储与分析;第二步通过对水质监测数据进行各项水质指标的预测,然后利用变权组合充分利用各个单一模型的优点、克服各个单一模型的缺点的特性,来进行预测和区间估计;第三步对水质指标进行预警,同时进行警情报告。该发明首次将神经网络和支持向量机的变权组合方式引入景观水的水质预警系统中,是景观水水质领域中的创新。其对景观水体的水质保持与运行管理具有很好的实用价值。
附图说明
图1是本发明变权组合的景观水水质预警方法的流程图。
具体实施方式
下面结合实施例和附图对本发明的一种变权组合的景观水水质预警方法做出详细说明。
本发明的一种变权组合的景观水水质预警方法,如图1所示,包括如下步骤:
1)在线水质监测,利用若干个遥测远传终端(RemoteTerminalUnit,即RTU),用于采集景观水各个监测点的监测水样数据,并将数据传输到本地的数据中心并储存,形成水质样本序列,以便于进行水质分析与水质预警,所述的在线水质监测包括测定水样的溶解氧DO、pH、化学需氧量COD、总氮TN、氨氮NH3-N和总磷TP六项水质指标;
2)进行水质变化的预测,是利用神经网络、支持向量机、变权组合和区间估计的方法对水质样本进行分析处理,得到景观水体未来的水质预测区间,具体包括:
(1)在模型数据输入之前,需要对数据中心的水质样本进行归一化处理,归一化公式为:
式中:xmin为原始监测值的最小值;
xmax为原始监测值的最大值;
xi为第i个原始监测值;
Xi为归一化处理之后的第i个监测值;
(2)分别建立神经网络预测模型和建立支持向量机预测模型;
所述的建立神经网络预测模型,是将归一化处理后的水质样本中的溶解氧DO、pH、化学需氧量COD、总氮TN、氨氮NH3-N和总磷TP六项水质指标作为神经网络的输入量,输出量为溶解氧DO、pH、化学需氧量COD、总氮TN、氨氮NH3-N和总磷TP六项水质指标的预测值,隐含层的神经元采用Sigmoid型变换函数,输出层则采用线性变换函数,而对于神经网络结构中的各个参数确定则利用学习时间较短、精度与收敛性较好的L-M算法,经过训练与拟合,得到景观水体的神经网络预测模型。
所述的建立支持向量机预测模型,是将归一化处理后的水质样本中的溶解氧DO、pH、化学需氧量COD、总氮TN、氨氮NH3-N和总磷TP六项水质指标作为神经网络的输入量,输出量为溶解氧DO、pH、化学需氧量COD、总氮TN、氨氮NH3-N和总磷TP六项水质指标的预测值,同时,采用高斯径向基核作为支持向量机模型的核函数,并用十字交叉法来寻找最优损失函数的参数和高斯径向积核函数的参数,经过训练与拟合,得到景观水体的支持向量机预测模型。
(3)建立变权组合预测模型,是基于神经网络预测模型和支持向量机预测模型的变权组合预测模型,即将神经网络预测模型和支持向量机预测模型这2个单一预测模型的预测值进行变权重组合,从而得到更加准确的预测值;
所述的建立变权组合预测模型,具体是:
设g1(t)为神经网络预测模型在t时刻的权重,g2(t)为支持向量机预测模型在t时刻的权重,满足:
同时,假设gi(t)为t的连续函数,则gi(t)用p次多项式来表示:
gi(t)=gi0·0+gi1·t+gi2·t2+...+gip·tp(3)
将每次的水质监测数据作为一个t时刻,取P=3,对于gi(t)中的系数gi0,gi1,gi2和gi3利用广义逆矩阵的迭代法来求解,这样就可以得到变权重函数g(t),再利用公式(4),便得到变权组合预测模型F(t),公式(4)如下:
式中:fi(t)为第i个模型在t时刻的预测值,t=1,2,3,…。
(4)进行变权组合预测模型的区间估计,是通过预测误差的正态分布特点和统计学知识,得到并确定最终变权组合预测模型的区间估计值,从而得到景观水水质未来的变化区间;
所述的变权组合预测模型的区间估计,是设前n个时刻变权组合预测模型预测的溶解氧DO、pH、化学需氧量COD、总氮TN、氨氮NH3-N和总磷TP六项水质指标的集合为predict=(P1,P2,…,Pn),实际水质样本中前n个时刻的溶解氧DO、pH、化学需氧量COD、总氮TN、氨氮NH3-N和总磷TP六项水质指标的集合为true=(Y1,Y2,…,Yn),则预测误差为e=predict-true,误差集合为E=(e1,e2,…,en),而对于下一个时刻的样本Yn+1,也存在预测值Pn+1,此时的预测误差为en+1=Pn+1-Yn+1,设误差集合E与en+1满足正态分布,则根据统计学定理:满足t(n-1)分布,s为误差集合E的方差,为误差集合E的平均值,设显著水平为α,则Yn+1的预测区间为:
这样,便得到变权组合预测模型的预测值在一定显著水平下的预测区间,即得到变权组合模型的区间估计值。
3)水质预警,即利用变权组合模型的区间估计值来进行水质预警,由《地表水环境质量标准》(GB3838-2002)可知,为了满足景观水体的观赏功能和生态服务功能,要求景观水体的水质能够满足V类水质的标准,以《地表水环境质量标准》(GB3838-2002)的V类水质指标限值为依据,将变权组合模型的区间估计值的整个预测范围中超过《地表水环境质量标准》V类水质指标限值的量作为预警强度划分的依据,依次为无警、轻警、中警、重警和巨警,这样水质管理决策者就可以根据不同的预警强度做出不同的应对方案,以维持景观水体良好的水环境。
所述的超过《地表水环境质量标准》V类水质指标限值的量△的计算公式如下:
(1)若变权组合模型的区间估计值的上限值小于等于相应的指标限值,则:△=0;
(2)若变权组合模型的区间估计值的上限值大于相应的指标限值,而变权组合模型的区间估计值的下限值小于指标限值,则:
其中,l1和l2分别为模型区间估计的上下限值,l为V类水的指标限值;
(3)若变权组合模型的区间估计值的下限值大于相应的指标限值,则:△=100%。
所以,预警依据和预警强度的对照表如下表1:
表1景观水体水质预警依据与预警强度对照表
针对不同的预警强度,水质管理决策者就应该采取相应的处理措施。例如,对于预警强度为无警,这说明景观水的水质能够满足V类水体的标准;对于轻警,可以对景观水进行日常的监测,但需要引起注意;对于中警,就需要对景观水体加强监测,并引起较大的注意;对于重警,就说明很一定可能景观水体已经无法满足水质标准,需要进行一定的处理治理;对于巨警,有很大可能景观水体已经无法满足水质标准,需要进行更为严格和迅速的水质治理。
按照本发明的一种变权组合的景观水水质预警方法,水质管理决策者就可以根据不同的预警强度做出不同的应对方案,以维持景观水体良好的水环境。
Claims (7)
1.一种变权组合的景观水水质预警方法,其特征在于,包括如下步骤:
1)在线水质监测,利用若干个遥测远传终端,用于采集景观水各个监测点的监测水样数据,并将数据传输到本地的数据中心并储存,形成水质样本序列,以便于进行水质分析与水质预警;
2)进行水质变化的预测,是利用神经网络、支持向量机、变权组合和区间估计的方法对水质样本进行分析处理,得到景观水体未来的水质预测区间,具体包括:
(1)对数据中心的水质样本进行归一化处理,归一化公式为:
式中:xmin为原始监测值的最小值;
xmax为原始监测值的最大值;
xi为第i个原始监测值;
Xi为归一化处理之后的第i个监测值;
(2)分别建立神经网络预测模型和建立支持向量机预测模型;
(3)建立变权组合预测模型,是基于神经网络预测模型和支持向量机预测模型的变权组合预测模型,即将神经网络预测模型和支持向量机预测模型这2个单一预测模型的预测值进行变权重组合,从而得到更加准确的预测值;
(4)进行变权组合预测模型的区间估计,是通过预测误差的正态分布特点和统计学知识,得到并确定最终变权组合预测模型的区间估计值,从而得到景观水水质未来的变化区间;
3)水质预警,即利用变权组合模型的区间估计值来进行水质预警,将变权组合模型的区间估计值的整个预测范围中超过《地表水环境质量标准》V类水质指标限值的量作为预警强度划分的依据,依次为无警、轻警、中警、重警和巨警。
2.根据权利要求1所述的一种变权组合的景观水水质预警方法,其特征在于,步骤1)中所述的在线水质监测包括测定水样的溶解氧、pH、化学需氧量、总氮、氨氮和总磷六项水质指标。
3.根据权利要求1所述的一种变权组合的景观水水质预警方法,其特征在于,步骤2)中第(2)步所述的建立神经网络预测模型,是将归一化处理后的水质样本中的溶解氧、pH、化学需氧量、总氮、氨氮和总磷六项水质指标作为神经网络的输入量,输出量为溶解氧、pH、化学需氧量、总氮、氨氮和总磷六项水质指标的预测值,隐含层的神经元采用Sigmoid型变换函数,输出层则采用线性变换函数,而对于神经网络结构中的各个参数确定则利用L-M算法,经过训练与拟合,得到景观水体的神经网络预测模型。
4.根据权利要求1所述的一种变权组合的景观水水质预警方法,其特征在于,步骤2)中的第(2)步所述的建立支持向量机预测模型,是将归一化处理后的水质样本中的溶解氧、pH、化学需氧量、总氮、氨氮和总磷六项水质指标作为神经网络的输入量,输出量为溶解氧、pH、化学需氧量、总氮、氨氮和总磷六项水质指标的预测值,同时,采用高斯径向基核作为支持向量机模型的核函数,并用十字交叉法来寻找最优损失函数的参数和高斯径向积核函数的参数,经过训练与拟合,得到景观水体的支持向量机预测模型。
5.根据权利要求1所述的一种变权组合的景观水水质预警方法,其特征在于,步骤2)中的第(3)步所述的建立变权组合预测模型,具体是:
设g1(t)为神经网络预测模型在t时刻的权重,g2(t)为支持向量机预测模型在t时刻的权重,满足:
同时,假设gi(t)为t的连续函数,则gi(t)用p次多项式来表示:
gi(t)=gi0·0+gi1·t+gi2·t2+...+gip·tp(3)
将每次的水质监测数据作为一个t时刻,取P=3,对于gi(t)中的系数gi0,gi1,gi2和gi3利用广义逆矩阵的迭代法来求解,这样就可以得到变权重函数g(t),再利用公式(4),便得到变权组合预测模型F(t),公式(4)如下:
式中:fi(t)为第i个模型在t时刻的预测值,t=1,2,3,…。
6.根据权利要求1所述的一种变权组合的景观水水质预警方法,其特征在于,步骤2)中的第(4)步所述的变权组合预测模型的区间估计,是设前n个时刻变权组合预测模型预测的溶解氧、pH、化学需氧量、总氮、氨氮和总磷六项水质指标的集合为predict=(P1,P2,…,Pn),实际水质样本中前n个时刻的溶解氧、pH、化学需氧量、总氮、氨氮和总磷六项水质指标的集合为true=(Y1,Y2,…,Yn),则预测误差为e=predict-true,误差集合为E=(e1,e2,…,en),而对于下一个时刻的样本Yn+1,也存在预测值Pn+1,此时的预测误差为en+1=Pn+1-Yn+1,设误差集合E与en+1满足正态分布,则根据统计学定理:满足t(n-1)分布,s为误差集合E的方差,为误差集合E的平均值,设显著水平为α,则Yn+1的预测区间为:
这样,便得到变权组合预测模型的预测值在一定显著水平下的预测区间,即得到变权组合模型的区间估计值。
7.根据权利要求1所述的一种变权组合的景观水水质预警方法,其特征在于,步骤3)中所述的超过《地表水环境质量标准》V类水质指标限值的量△的计算公式如下:
(1)若变权组合模型的区间估计值的上限值小于等于相应的指标限值,则:△=0;
(2)若变权组合模型的区间估计值的上限值大于相应的指标限值,而变权组合模型的区间估计值的下限值小于指标限值,则:
其中,I1和I2分别为模型区间估计的上下限值,I为V类水的指标限值;
(3)若变权组合模型的区间估计值的下限值大于相应的指标限值,则:△=100%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410389438.3A CN104155423B (zh) | 2014-08-08 | 2014-08-08 | 一种变权组合的景观水水质预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410389438.3A CN104155423B (zh) | 2014-08-08 | 2014-08-08 | 一种变权组合的景观水水质预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104155423A CN104155423A (zh) | 2014-11-19 |
CN104155423B true CN104155423B (zh) | 2015-12-02 |
Family
ID=51880978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410389438.3A Expired - Fee Related CN104155423B (zh) | 2014-08-08 | 2014-08-08 | 一种变权组合的景观水水质预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104155423B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104897870A (zh) * | 2015-06-18 | 2015-09-09 | 中国矿业大学 | 一种给水管网水质实时预警的水质评价方法 |
CN105023071A (zh) * | 2015-08-14 | 2015-11-04 | 中国科学院重庆绿色智能技术研究院 | 一种基于高斯云变换和模糊时间序列的水质预测方法 |
CN105486828B (zh) * | 2015-11-28 | 2018-09-21 | 汪翔 | 养殖水产品的死亡监测方法 |
CN106295121B (zh) * | 2016-07-21 | 2019-01-18 | 天津大学 | 景观湖泊贝叶斯水质风险预测方法 |
CN106354940B (zh) * | 2016-08-30 | 2019-06-25 | 天津大学 | 基于wasp水质模型不确定性输入的景观水水质模拟与预警方法 |
CN106596889B (zh) * | 2016-12-22 | 2019-08-27 | 杭州盗火者科技有限公司 | 一种水质的预测方法 |
CN107300855B (zh) * | 2017-06-27 | 2018-10-12 | 重庆科技学院 | 一种共享直饮水机水质保障管理控制方法及系统 |
CN108152468A (zh) * | 2018-01-26 | 2018-06-12 | 中冶华天工程技术有限公司 | 一种基于大数据的水质健康评估方法和装置 |
CN108894308B (zh) * | 2018-07-04 | 2020-09-11 | 台州市湛迪精密模具配件有限公司 | 一种蓄水池及其水质监测方法 |
CN110057761A (zh) * | 2019-03-01 | 2019-07-26 | 江苏中车环保设备有限公司 | 一种全光谱结合快速易测指标的水质在线监测系统与方法 |
CN110850049A (zh) * | 2019-08-15 | 2020-02-28 | 清华大学 | 一种水体质量监测及水体感官愉悦度评价方法 |
CN111042143B (zh) * | 2019-12-03 | 2021-04-27 | 上海交通大学 | 一种基于大量监测数据分析的基坑工程预警方法和系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923083B (zh) * | 2009-06-17 | 2013-04-10 | 复旦大学 | 基于支持向量机和神经网络的污水化学需氧量软测量方法 |
CN102184453A (zh) * | 2011-05-16 | 2011-09-14 | 上海电气集团股份有限公司 | 基于模糊神经网络和支持向量机的风电功率组合预测方法 |
-
2014
- 2014-08-08 CN CN201410389438.3A patent/CN104155423B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN104155423A (zh) | 2014-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104155423B (zh) | 一种变权组合的景观水水质预警方法 | |
WO2021238505A1 (zh) | 基于联邦学习的区域光伏功率概率预测方法及协同调控系统 | |
Tian et al. | Short-term wind speed prediction based on improved PSO algorithm optimized EM-ELM | |
Fu et al. | Using LSTM and GRU neural network methods for traffic flow prediction | |
CN102183621B (zh) | 水产养殖溶解氧浓度在线预测方法及系统 | |
Kisi et al. | Precipitation forecasting using wavelet-genetic programming and wavelet-neuro-fuzzy conjunction models | |
CN108898215B (zh) | 一种基于二型模糊神经网络的污泥膨胀智能辨识方法 | |
CN114091359A (zh) | 一种水库水沙预测模型训练、水库水沙预测方法及装置 | |
Zhang et al. | Turbidity prediction of lake-type raw water using random forest model based on meteorological data: A case study of Tai lake, China | |
CN104217258B (zh) | 一种电力负荷条件密度预测方法 | |
Li et al. | A novel combined prediction model for monthly mean precipitation with error correction strategy | |
CN109740286A (zh) | 一种混合优化bp神经网络的湖泊水质预测模型构建方法 | |
CN103942461A (zh) | 基于在线贯序极限学习机的水质参数预测方法 | |
CN104463356A (zh) | 一种基于多维信息人工神经网络算法的光伏发电功率预测方法 | |
CN111652425A (zh) | 一种基于粗糙集和长短期记忆网络的河流水质预测方法 | |
Zhang et al. | Evaluation and early warning of water environment carrying capacity in Liaoning province based on control unit: A case study in Zhaosutai river Tieling city control unit | |
Wang et al. | A full-view management method based on artificial neural networks for energy and material-savings in wastewater treatment plants | |
Wang et al. | An approach of recursive timing deep belief network for algal bloom forecasting | |
Li et al. | A method of rainfall runoff forecasting based on deep convolution neural networks | |
CN108053066A (zh) | 工业生产用户能源管理系统中可调电力负荷的预测方法 | |
Zhu et al. | Performance evaluation of the ISMLR package for predicting the next day's influent wastewater flowrate at Kirie WRP | |
Yan et al. | Real-time localization of pollution source for urban water supply network in emergencies | |
Zhao et al. | Short-term microgrid load probability density forecasting method based on k-means-deep learning quantile regression | |
Guo et al. | A combined model based on sparrow search optimized BP neural network and Markov chain for precipitation prediction in Zhengzhou City, China | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20151202 |