CN106021884A - 一种基于神经网络原理的潜流湿地出水浓度的预测方法 - Google Patents
一种基于神经网络原理的潜流湿地出水浓度的预测方法 Download PDFInfo
- Publication number
- CN106021884A CN106021884A CN201610313261.8A CN201610313261A CN106021884A CN 106021884 A CN106021884 A CN 106021884A CN 201610313261 A CN201610313261 A CN 201610313261A CN 106021884 A CN106021884 A CN 106021884A
- Authority
- CN
- China
- Prior art keywords
- wetland
- forecast model
- current wetland
- prediction
- data
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2219/00—Indexing scheme relating to application aspects of data processing equipment or methods
- G06F2219/10—Environmental application, e.g. waste reduction, pollution control, compliance with environmental legislation
Abstract
本发明公开了一种基于神经网络原理的潜流湿地出水浓度的预测方法，包括以下步骤：S1、获取采集到的用于构建预测模型的多维数据，包括潜流湿地的孔隙率、水力负荷、污染负荷、污染物组分特性及水质理化特征；S2、根据神经网络原理构建预测模型，设置多维数据为输入层，设置率定的神经元数为隐含层，得到的输出层为模拟的多项污染物浓度；S3、获取多组实际数据对构建的预测模型进行可靠性评估和反馈调试；S4、根据验证后的预测模型，模拟出湿地出水浓度，对潜流湿地出水浓度进行长期持续预测。本发明为长期性持续性监测潜流湿地出水浓度提供一种便捷有效的方法，且建立的预测模型可靠性高，预测结果精确。
Description
技术领域
本发明涉及潜流湿地净化效率预测领域，尤其涉及一种基于神经网络原理的潜流湿地出水浓度的预测方法。
背景技术
随着我国工农业生产的发展，人口的不断增加，由之带来的水污染问题日趋严峻，基本呈现出北方水源性缺水、南方水质性缺水。水污染已成为限制国民经济发展的重要因子之一。水环境治理刻不容缓。
人工湿地具有建造及运行费用低、维护简单、处理效果好、适用面广、对负荷变化的适应能力强等优点，因此被广泛应用于各种废水的处理。人工湿地净化污水的机理主要依赖于湿地内部的基质、植物及微生物的协同作用。影响湿地净化效能的因素很多，可以概括为三大类：构筑因素(如基质/植物类型、流态、尺寸等)、运行工况(水力负荷、污染负荷、强化措施等)及环境条件(降雨、气温、光照等)。人工湿地的净化过程涉及水化学、生物动力、微生物、气象等诸多内容，其中某些变化原理目前尚不清楚。因此很多学者将人工湿地的净化过程视为“黑箱”。
人工神经网络是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统，是一个高度复杂的非线性动力学习系统。人工神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。因此它也比较适用于处理人工湿地的“黑箱”问题。
近年来大量研究表明，人工湿地的净化效能不仅取决于构筑方式、运行工况，还与人工湿地进/出水的理化特征密切相关。因此，可以利用这些影响因素来模拟人工湿地的净化效能。然而人工湿地的净化效能与影响因素间并非单纯的线性关系，通常具有明显的非线性，很难有直观的规律可循。因此，利用人工神经网络可以很好地实现人工湿地净化效能与影响因素之间的映射关系。它为模拟人工湿地出水浓度提供了一种可能。
目前评价人工湿地净化效能的主要依据之一还是水质监测(如氮、磷、有机物分析等)。同时水质监测也为人工湿地设计者、研究者或管理者提供了必要的调控信息。然而长期性持续性水质监测不仅难度高、耗资巨大，而且费时费力。因此，探究适宜的水质监测(或预测)技术已成为一种必要。
发明内容
本发明要解决的技术问题在于针对现有技术中长期性持续性水质监测不仅难度高、耗资巨大的缺陷，提供一种利用Matlab神经网络拟合工具进行准确预测的基于神经网络原理的潜流湿地出水浓度的预测方法。
本发明解决其技术问题所采用的技术方案是：
本发明提供一种基于神经网络原理的潜流湿地出水浓度的预测方法，包括以下步骤：
S1、获取采集到的用于构建预测模型的多维数据，包括潜流湿地的孔隙率、水力负荷、污染负荷、污染物组分特性及水质理化特征；
S2、根据神经网络原理构建预测模型，设置多维数据为输入层，设置率定的神经元数为隐含层，得到的输出层为模拟的多项污染物浓度；
S3、获取多组实际数据对构建的预测模型进行可靠性评估和反馈调试；
S4、根据验证后的预测模型，模拟出湿地出水浓度，对潜流湿地出水浓度进行长期持续预测。
进一步地,本发明的步骤S1中还包括对多维数据进行预处理的方法，具体为：
将多维数据分为建模数据和验证数据，建模数据又进一步划分为训练、验证和测试三部分，其中验证和测试各自所占建模数据的比例在5％-35％之间。
进一步地,本发明的步骤S1中的多维数据为影响湿地净化效能的多项参数，其中水质理化特征通过在线检测装置获取。
进一步地,本发明的步骤S2中构建预测模型的方法具体为：
通过Matlab神经网络拟合工具建立预测模型，在率定隐含层神经元数前提下进行多次训练的结果，隐含层神经元数的率定采用试错法。
进一步地,本发明的步骤S3中可靠性评估和反馈调试的方法具体为：
计算模拟结果的均方误差、绝对误差、相对误差以及相关系数；
反馈调试验证结果欠佳的条件为：相关系数的显著性水平P>0.05，此时对已构建的预测模型重新进行有限次训练，以获得更好的模拟结果；
训练结束判定的依据是验证结果取得了最小的均方误差、相对误差和/或最高的相关系数。
进一步地,本发明的步骤S4中还包括对预测模型进行整合应用的方法，具体为：
通过在线检测装置获取潜流湿地后期水质理化特征数据，该在线检测装置与PC机联用，PC机上安装有Matlab神经网络拟合工具；该PC机利用前期采集的多维数据已经人工建立了潜流湿地出水浓度的预测模型；将潜流湿地后期水质理化特征数据导入Matlab神经网络拟合工具中，并利用已经构建的预测模型模拟出湿地出水浓度，达到对潜流湿地出水浓度进行长期性持续性快捷预测的目的。
进一步地,本发明的步骤S1中的染物组分特性包括污染物类别、可生化性强弱和碳氮比。
进一步地,本发明的步骤S1中的水质理化特征包括温度、溶解氧、pH值、电导率、氧化还原电位和总溶解固体。
本发明产生的有益效果是：本发明的基于神经网络原理的潜流湿地出水浓度的预测方法，基于采集的多维数据，利用Matlab神经网络拟合工具建立潜流湿地出水浓度的预测模型，并将后期采集的湿地进/出水理化特征参数代入上述模型中，预测出湿地出水目标污染物浓度；该方法只需获取水质理化特征就可以建立湿地出水多项目标污染物的预测模型，数据获取难度较低；通过采集的多维数据可同时建立多项目标污染物的预测模型，便于各项目标污染物之间的比较，可为潜流湿地的优化设计和运行管理提供依据；且建立的预测模型可靠性高，预测结果精确。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例的基于神经网络原理的潜流湿地出水浓度的预测方法的流程图；
图2(a)是本发明实施例的基于神经网络原理的潜流湿地出水浓度的预测方法的TN预测模型的构建及验证结果的观察值与模拟值比较(a)；
图2(b)是本发明实施例的基于神经网络原理的潜流湿地出水浓度的预测方法的TN预测模型的构建及验证结果的观察值与模拟值比较(b)；
图3(a)是本发明实施例的基于神经网络原理的潜流湿地出水浓度的预测方法的TAN预测模型的构建及验证结果的观察值与模拟值比较(a)；
图3(b)是本发明实施例的基于神经网络原理的潜流湿地出水浓度的预测方法的TAN预测模型的构建及验证结果的观察值与模拟值比较(b)；
图4是本发明实施例的基于神经网络原理的潜流湿地出水浓度的预测方法的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明实施例的基于神经网络原理的潜流湿地出水浓度的预测方法，包括以下步骤：
S1、获取采集到的用于构建预测模型的多维数据，包括潜流湿地的孔隙率、水力负荷、污染负荷、污染物组分特性及水质理化特征；染物组分特性包括污染物类别、可生化性强弱和碳氮比；水质理化特征包括温度、溶解氧、pH值、电导率、氧化还原电位和总溶解固体。
多维数据为影响湿地净化效能的多项参数，其中水质理化特征可以通过在线检测装置获取。多维数据又分为建模数据和验证数据。建模数据又进一步划分为训练、验证和测试三部分，其中验证和测试各自所占建模数据的比例在5％-35％之间。
S2、根据神经网络原理构建预测模型，具体是调用MatlabR2013a软件包中的Neural Network Fitting Tool工具(工具默认算法为Levenberg-Marquardt backpropagation algorith(trainlm))，设置多维数据为输入层，设置率定的神经元数为隐含层，得到的输出层为模拟的多项污染物浓度；
预测模型的构建是在Matlab神经网络拟合工具中完成，具体是在率定隐含层神经元数前提下进行多次训练的结果。隐含层神经元数的率定采用试错法。
S3、获取多组实际数据对构建的预测模型进行可靠性评估和反馈调试；
可靠性评估是基于模拟结果的均方误差(MSE)、绝对误差(AE)、相对误差(RE)以及相关系数(R)等。反馈调试是验证结果欠佳后(如相关系数的显著性水平P>0.05)，对已构建的预测模型重新进行有限次训练(如总训练次数≤300)，以获得更好的模拟结果。训练结束判定的依据是验证结果取得了最小的均方误差(MSE)、相对误差(RE)和(或)最高的相关系数(R)。
S4、根据验证后的预测模型，模拟出湿地出水浓度，对潜流湿地出水浓度进行长期持续预测。
通过在线检测装置获取潜流湿地后期水质理化特征数据，该在线检测装置与PC机联用，PC机上安装有Matlab神经网络拟合工具；该PC机利用前期采集的多维数据已经人工建立了潜流湿地出水浓度的预测模型；将潜流湿地后期水质理化特征数据导入Matlab神经网络拟合工具中，并利用已经构建的预测模型模拟出湿地出水浓度，达到对潜流湿地出水浓度进行长期性持续性快捷预测的目的。
实施例1：垂直流湿地出水TN的模拟与验证
一种基于神经网络原理的潜流湿地出水浓度的预测方法，至少包括以下步骤：1)采集用于构建预测模型的多维数据；2)预测模型的构建；3)预测模型的验证；4)预测模型的整合应用，其特征在于：步骤1)采集的多维数据涵盖潜流湿地的孔隙率、水力负荷、污染负荷及水质理化特征等。步骤2)预测模型的构建方法是基于神经网络原理，利用PC机中安装的Matlab神经网络拟合工具建立预测模型。如图4所示，建模过程涵盖三个模块：输入层、隐含层及输出层。输入层为步骤1)采集的多维数据，隐含层为率定的神经元数，输出层为模拟的污染物浓度。步骤3)验证是用另外多组数据对已构建的预测模型进行可靠性评估和反馈调试。步骤4)是基于建立的预测模型提出潜流湿地出水浓度的一种预测方法。
多维数据为影响湿地净化效能的多维参数，其中水质理化特征可以通过在线检测装置获取。多维数据又分为建模数据和验证数据。建模数据又进一步划分为训练、验证和测试三部分。
多维数据同步采集于尺寸规格一致的9组垂直流湿地系统，它们都用于处理低浓度水产养殖废水，需要模拟的目标污染物是总氮和氨氮。多维数据采集过程中，每组湿地系统持续监测10次，选取其中6组湿地系统数据用于构建预测模型，剩余3组湿地系统数据用于预测模型的验证，因此建模数据与验证数据的比例为6：3。建模数据中训练、验证、测试各自所占的默认百分比依次为70％、15％和15％。所述的多维数据涉及水力负荷(HLR)、基质孔隙率(ε)、温度(T)、溶解氧(DO)、pH值、电导率(EC)、氨氮(TAN)、总氮(TN)等，其中在线水质理化特征(指温度、溶解氧、pH值、电导率等)用YSI ProPlus多参数水质测量仪获取，氨氮、总氮的测定采用国标法。
预测模型的构建是在Matlab神经网络拟合工具中完成，具体是在率定隐含层神经元数前提下进行多次训练的结果。隐含层神经元数的率定采用试错法。
本实施例中，TN预测模型的构建是在MatlabR2013a软件中进行，具体是由其中的Neural Network Fitting Tool工具完成。建模过程中，以TN代表进水污染负荷，因此输入层变量为：水力负荷(HLR)、基质孔隙率(ε)、进水TN浓度及进/出水的温度(T)、溶解氧(DO)、pH值、电导率(EC)等。输出层为TN浓度。隐含层神经元数采用试错法确定：即分别构建了隐含层神经元数从2到35的模型。由于输入权值和阈值影响着神经网络性能变化，所以每个模型训练10次，分别记录训练结果的均方误差MSE和相关系数R。结果见表1和表2。
表1 TN不同隐含层神经元数下模型训练的MSE表现
表2 TN不同隐含层神经元数下模型训练的R表现
由表1和2可知，均方误差MSE随着神经元数的增加有先降低而后增加的趋势，而相关系数R呈现相反趋势。当神经元数为20时对应最低的MSE和最高的R。这说明隐含层神经元数过少时，模型会出现拟合不足，容错性差，识别新样本能力低等问题；隐含层神经元数过多则会增加模型的迭代次数和训练时间，导致模型过度拟合，降低模型的泛化能力，从而造成模型预测能力下降。因此TN建模过程将隐含层神经元数设为20。
在MatlabR2013a环境下，调用Neural Network Fitting Tool工具构建网络，TN建模样本分为42个训练样本、9个验证样本、9个测试样本，训练函数为默认方法trainlm函数。网络经过32次训练后建立预测模型，随后进行三次验证，预测模型的构建及验证结果见表3和图2(a)、图2(b)。
由表3和图2(a)、图2(b)可知，利用选取的6组垂直流湿地系统数据所构建的预测模型能被剩余3组湿地系统的数据所验证；验证过程中观察值与模拟值都达到了显著或极显著水平，且相对误差的绝对值在4.6％-12.6％之间，说明该方法所建立的预测模型具有一定的可信度。因此，在后期湿地净化效能跟踪观察过程中，若既定基质孔隙率、水力负荷及污染负荷，只需要获取水质理化特征就可以预测出湿地出水TN浓度。
表3 TN预测模型的构建及验证结果
实施例2：垂直流湿地出水TAN的模拟与验证
与实施例1类似，分别构建了隐含层神经元数从2到35的模型，每个模型训练10次，分别记录训练结果的均方误差MSE和相关系数R，结果见表4和5。
表4 TAN不同隐含层神经元数下模型训练的MSE表现
表5 TAN不同隐含层神经元数下模型训练的R表现
由表4和5可知，均方误差MSE和相关系数R随着神经元数的增加均有起伏而无明显的变化趋势，但是当神经元数为10时，对应最小的均方误差MSE和最高的相关系数R。因此氨氮建模过程将隐含层神经元数设为10。
同样地，在MatlabR2013a环境下，调用Neural Network Fitting Tool工具构建网络，氨氮建模样本分为42个训练样本、9个验证样本、9个测试样本，训练函数为默认方法trainlm函数。网络经过28次训练后建立预测模型，随后进行三次测试，训练及测试结果见表6和图3(a)、图3(b)。
表6 TAN预测模型的构建及验证结果
由表6和图3(a)、图3(b)可知，利用选取的6组垂直流湿地系统数据所构建的预测模型能被剩余3组湿地系统的数据所验证；验证过程中观察值与模拟值都达到了显著或极显著水平，且相对误差的绝对值在15.3％-22.5％之间，说明该方法所建立的预测模型具有一定的可信度。因此，在后期湿地净化效能跟踪观察过程中，若既定基质孔隙率、水力负荷及污染负荷，只需要获取水质理化特征就可以预测出湿地出水TAN浓度。
本发明的基于神经网络原理的潜流湿地出水浓度的预测方法如下：
1)首先采集影响湿地净化效能的多维数据，如基质孔隙率、水力负荷、污染负荷、污染物组分特性、进/出水理化特征等，其中水质理化特征可用在线检测装置获取；
2)利用所采集的多维数据，借助于Matlab神经网络拟合工具建立湿地出水污染物浓度的预测模型。建模过程涵盖输入层、隐含层及输出层。输入层涵盖湿地的孔隙率、水力负荷、污染负荷、污染物组分特性、进/出水理化特征等，输出层为模拟的多项目标污染物浓度，隐含层为率定的神经元数。构建的预测模型通过多次验证和反复调试后最终确定；
3)将后期监测采集的多维数据代入上述构建的预测模型中达到对多项目标污染物(如氨氮、总氮、总磷、有机物等)的持续预测目的。后期采集的多维数据中除污染负荷(可以单项指标代替)外，其它数据(如孔隙率、水力负荷、污染物组分特性、进/出水理化特征)都易于获取。
本发明与现有技术相比，其有益效果与优点在于：
1.该方法建立了潜流湿地出水浓度的预测模型，建模过程中除进水污染负荷外，其它指标都易于获取，尤其是水质理化特征。在既定湿地孔隙率、水力负荷、污染负荷(可以单项指标代替)及污染物组分特性条件下，只需要获取水质理化特征就可以建立湿地出水多项目标污染物的预测模型。而水质理化特征可以通过在线监测装置获取，简便易行。
2.该方法利用采集的多维数据可同时建立多项目标污染物的预测模型，便于各项目标污染物之间的比较，可为潜流湿地的优化设计和运行管理提供依据。
3.该方法基于神经网络原理，迎合了当前人工湿地净化机理存在的“黑箱”问题，建立的预测模型可靠性高，预测结果精确。
一系列试验证明该方法很好地模拟了垂直流湿地处理水产养殖废水的净化效果，对湿地出水总氮模拟的相对误差绝对值在4.6％-12.6％，对湿地出水氨氮模拟的相对误差绝对值在15.3％-22.5％，且模拟值与观察值之间的相关性都达到了显著或极显著水平，说明构建的预测模型可用于总氮、氨氮的预测。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (8)
1.一种基于神经网络原理的潜流湿地出水浓度的预测方法，其特征在于，包括以下步骤：
S1、获取采集到的用于构建预测模型的多维数据，包括潜流湿地的孔隙率、水力负荷、污染负荷、污染物组分特性及水质理化特征；
S2、根据神经网络原理构建预测模型，设置多维数据为输入层，设置率定的神经元数为隐含层，得到的输出层为模拟的多项污染物浓度；
S3、获取多组实际数据对构建的预测模型进行可靠性评估和反馈调试；
S4、根据验证后的预测模型，模拟出湿地出水浓度，对潜流湿地出水浓度进行长期持续预测。
2.根据权利要求1所述的基于神经网络原理的潜流湿地出水浓度的预测方法，其特征在于，步骤S1中还包括对多维数据进行预处理的方法，具体为：
将多维数据分为建模数据和验证数据，建模数据又进一步划分为训练、验证和测试三部分，其中验证和测试各自所占建模数据的比例在5％-35％之间。
3.根据权利要求1所述的基于神经网络原理的潜流湿地出水浓度的预测方法，其特征在于，步骤S1中的多维数据为影响湿地净化效能的多项参数，其中水质理化特征通过在线检测装置获取。
4.根据权利要求1所述的基于神经网络原理的潜流湿地出水浓度的预测方法，其特征在于，步骤S2中构建预测模型的方法具体为：
通过Matlab神经网络拟合工具建立预测模型，在率定隐含层神经元数前提下进行多次训练的结果，隐含层神经元数的率定采用试错法。
5.根据权利要求1所述的基于神经网络原理的潜流湿地出水浓度的预测方法，其特征在于，步骤S3中可靠性评估和反馈调试的方法具体为：
计算模拟结果的均方误差、绝对误差、相对误差以及相关系数；
反馈调试验证结果欠佳的条件为：相关系数的显著性水平P>0.05，此时对已构建的预测模型重新进行有限次训练，以获得更好的模拟结果；
训练结束判定的依据是验证结果取得了最小的均方误差、相对误差和/或最高的相关系数。
6.根据权利要求1所述的基于神经网络原理的潜流湿地出水浓度的预测方法，其特征在于，步骤S4中还包括对预测模型进行整合应用的方法，具体为：
通过在线检测装置获取潜流湿地后期水质理化特征数据，该在线检测装置与PC机联用，PC机上安装有Matlab神经网络拟合工具；该PC机利用前期采集的多维数据已经人工建立了潜流湿地出水浓度的预测模型；将潜流湿地后期水质理化特征数据导入Matlab神经网络拟合工具中，并利用已经构建的预测模型模拟出湿地出水浓度，达到对潜流湿地出水浓度进行长期性持续性快捷预测的目的。
7.根据权利要求1所述的基于神经网络原理的潜流湿地出水浓度的预测方法，其特征在于，步骤S1中的染物组分特性包括污染物类别、可生化性强弱和碳氮比。
8.根据权利要求1所述的基于神经网络原理的潜流湿地出水浓度的预测方法，其特征在于，步骤S1中的水质理化特征包括温度、溶解氧、pH值、电导率、氧化还原电位和总溶解固体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610313261.8A CN106021884A (zh) | 2016-05-12 | 2016-05-12 | 一种基于神经网络原理的潜流湿地出水浓度的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610313261.8A CN106021884A (zh) | 2016-05-12 | 2016-05-12 | 一种基于神经网络原理的潜流湿地出水浓度的预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106021884A true CN106021884A (zh) | 2016-10-12 |
Family
ID=57099579
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610313261.8A Pending CN106021884A (zh) | 2016-05-12 | 2016-05-12 | 一种基于神经网络原理的潜流湿地出水浓度的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106021884A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108364090A (zh) * | 2018-01-26 | 2018-08-03 | 深圳大学 | 一种预测城市道路表面苯系物累积负荷的方法 |
| CN111340279A (zh) * | 2020-02-19 | 2020-06-26 | 中汽数据有限公司 | 一种城市道路表面腐蚀性化学污染物累积含量的预测方法 |
| CN114590905A (zh) * | 2022-04-27 | 2022-06-07 | 淮北师范大学 | 一种整体式人工湿地废水处理系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102807301A (zh) * | 2012-07-31 | 2012-12-05 | 天津大学 | 再生水厂出水水质在线监测与实时预测系统及其控制方法 |
| CN103235096A (zh) * | 2013-04-16 | 2013-08-07 | 广州铁路职业技术学院 | 污水水质检测方法与装置 |
| CN103544540A (zh) * | 2013-11-12 | 2014-01-29 | 柳州市宏亿科技有限公司 | 一种智能的城市库区水源水质综合预测方法 |
| CN103809436A (zh) * | 2012-11-06 | 2014-05-21 | 西安元朔科技有限公司 | 活性污泥法污水处理过程智能建模方法 |
-
2016
- 2016-05-12 CN CN201610313261.8A patent/CN106021884A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102807301A (zh) * | 2012-07-31 | 2012-12-05 | 天津大学 | 再生水厂出水水质在线监测与实时预测系统及其控制方法 |
| CN103809436A (zh) * | 2012-11-06 | 2014-05-21 | 西安元朔科技有限公司 | 活性污泥法污水处理过程智能建模方法 |
| CN103235096A (zh) * | 2013-04-16 | 2013-08-07 | 广州铁路职业技术学院 | 污水水质检测方法与装置 |
| CN103544540A (zh) * | 2013-11-12 | 2014-01-29 | 柳州市宏亿科技有限公司 | 一种智能的城市库区水源水质综合预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| R. MOHAMMADPOUR ET AL.: "Prediction of water quality index in constructed wetlands using support vector machine", 《ENVIRON SCI POLLUT RES》 * |
| 张岩 等: "基于主成分分析的水平潜流湿地磷去除模型", 《农业工程学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108364090A (zh) * | 2018-01-26 | 2018-08-03 | 深圳大学 | 一种预测城市道路表面苯系物累积负荷的方法 |
| CN108364090B (zh) * | 2018-01-26 | 2021-09-24 | 深圳大学 | 一种预测城市道路表面苯系物累积负荷的方法 |
| CN111340279A (zh) * | 2020-02-19 | 2020-06-26 | 中汽数据有限公司 | 一种城市道路表面腐蚀性化学污染物累积含量的预测方法 |
| CN114590905A (zh) * | 2022-04-27 | 2022-06-07 | 淮北师范大学 | 一种整体式人工湿地废水处理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ruben et al. | Application and sensitivity analysis of artificial neural network for prediction of chemical oxygen demand | |
| CN102854296A (zh) | 一种基于集成神经网络的污水处理软测量方法 | |
| Wang et al. | Reliable model of reservoir water quality prediction based on improved ARIMA method | |
| Liu et al. | Prediction of dissolved oxygen content in aquaculture of Hyriopsis cumingii using Elman neural network | |
| Voyslavov et al. | Hasse diagram technique as a tool for water quality assessment | |
| CN106021884A (zh) | 一种基于神经网络原理的潜流湿地出水浓度的预测方法 | |
| Ma et al. | Research on machine learning prediction of air quality index based on SPSS | |
| CN114242156A (zh) | 海洋微塑料上致病性弧菌相对丰度的实时预测方法及系统 | |
| Xiaoyi et al. | Research on hybrid mechanism modeling of algal bloom formation in urban lakes and reservoirs | |
| Li et al. | Prediction and elucidation of the population dynamics of Microcystis spp. in Lake Dianchi (China) by means of artificial neural networks | |
| Kulisz et al. | Application of artificial neural network (ANN) for water quality index (WQI) prediction for the river Warta, Poland | |
| Singh et al. | Review on Data Mining Techniques for Prediction of Water Quality. | |
| Abdullah et al. | An artificial neural networks approach and hybrid method with wavelet transform to investigate the quality of Tallo River, Indonesia | |
| CN114896459A (zh) | 一种利用有向图的雨水管网污水偷排溯源方法 | |
| Zhou et al. | Simulation of future dissolved oxygen distribution in pond culture based on sliding window-temporal convolutional network and trend surface analysis | |
| CN117078114B (zh) | 引水工程影响下受水湖泊水质评价方法和系统 | |
| Fernandes et al. | Draw on artificial neural networks to assess and predict water quality | |
| Chen et al. | Artificial neural networks in the prediction and assessment for water quality: A review | |
| Wang et al. | Review of evaluation on ecological carrying capacity: The progress and trend of methodology | |
| CN113111964A (zh) | 场地污染特征分析方法、装置、电子设备和存储介质 | |
| Yang et al. | Studies on fault diagnosis of dissolved oxygen sensor based on GA-SVM | |
| Jiang et al. | Assessment of surface water quality using a growing hierarchical self-organizing map: a case study of the Songhua River Basin, northeastern China, from 2011 to 2015 | |
| CN115754207A (zh) | 一种污水生物处理工艺模拟仿真方法和系统 | |
| Liang et al. | PM2. 5 concentration forecasting based on data preprocessing strategy and LSTM neural network | |
| Jang et al. | Spatiotemporal algal bloom prediction of geum river, Korea using the deep learning models in company with the EFDC model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161012 |