CN110738307A - Bp神经网络模型在桃林口水库水质预测中的应用 - Google Patents
Bp神经网络模型在桃林口水库水质预测中的应用 Download PDFInfo
- Publication number
- CN110738307A CN110738307A CN201910878386.9A CN201910878386A CN110738307A CN 110738307 A CN110738307 A CN 110738307A CN 201910878386 A CN201910878386 A CN 201910878386A CN 110738307 A CN110738307 A CN 110738307A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- water quality
- prediction
- selecting
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 52
- 235000006040 Prunus persica var persica Nutrition 0.000 title claims abstract description 15
- 238000003062 neural network model Methods 0.000 title claims abstract description 13
- 240000006413 Prunus persica var. persica Species 0.000 title claims abstract 3
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 238000011160 research Methods 0.000 claims abstract description 14
- 238000007405 data analysis Methods 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000004458 analytical method Methods 0.000 claims description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 31
- 229910052760 oxygen Inorganic materials 0.000 description 31
- 239000001301 oxygen Substances 0.000 description 31
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 19
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 16
- 229910052698 phosphorus Inorganic materials 0.000 description 16
- 239000011574 phosphorus Substances 0.000 description 16
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical compound [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 description 15
- 238000012544 monitoring process Methods 0.000 description 15
- 238000000034 method Methods 0.000 description 14
- 244000144730 Amygdalus persica Species 0.000 description 11
- JVMRPSJZNHXORP-UHFFFAOYSA-N ON=O.ON=O.ON=O.N Chemical compound ON=O.ON=O.ON=O.N JVMRPSJZNHXORP-UHFFFAOYSA-N 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 238000012417 linear regression Methods 0.000 description 8
- 229910002651 NO3 Inorganic materials 0.000 description 5
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 5
- IOVCWXUNBOPUCH-UHFFFAOYSA-M Nitrite anion Chemical compound [O-]N=O IOVCWXUNBOPUCH-UHFFFAOYSA-M 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000003911 water pollution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 240000005809 Prunus persica Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
Abstract
本发明公开一种BP神经网络模型在桃林口水库水质预测中的应用，包括:1)样本数据收集；水质指标进行预测研究。2)数据归一化处理,在BP神经网络数据分析之前，通常需要将数据归一化，利用归一化后的数据进行数据分析。3)输入变量与输出变量的选择确定。4)网络层数和隐含层的确定，选择隐含层数为1的3层BP神经网络。5)选择算法。6)模型预测及分析。本发明基于BP人工神经网络进行水质预测的研究，特别适用于需要同时考虑许多因素和条件，不精确的、模糊的信息处理问题。
Description
技术领域
本发明涉及水文预测领域,特别是涉及基于BP神经网络的水质预测方法，并将其应用于桃林口水库水质预测的研究中。
背景技术
水质预测是对研究的水体的质量做出未来的预测，是水污染综合防治的基础工作,是在水污染控制单元内建立水域功能区,利用水质指标与陆域相应污染源之间对应的关系,得到目标水质信息的技术。自上世纪中期开始，随着经济的快速发展、城市化进程的加快，水体污染问题受到广泛的关注，水环境质量变化趋势进行预测分析工作愈加受到重视。常用的水质预测方法主要有水质模型、灰色系统理论、神经网络等。
在人工智能算法的迅猛发展过程中，19世纪40年代，人工神经网络ANN(Artificial Neural Networks)的应用在水环境的水质预测方面也进展迅速。人工神经网络方法对于非线性的数据进行预测时，需要较长系列的实测水质数据，其预测结果具有很高的精确度，并具有较快的收敛速度、预测精度较高等优点，受到国内外专家学者们的喜爱，成为水质预测的研究重点，满足于水质的预测并被广泛的使用。
发明内容
本研究将秦皇岛市桃林口水库作为研究区域，建立神经网络，以桃林口水库2008年-2015年八年监测数据的7个水质指标(总磷、硝酸盐氮、亚硝酸盐氮、氨氮、高锰酸盐指数、溶解氧和五日生化需氧量)数据作为训练样本，来以预测2016、2017年的水质情况，以此验证建立的BP神经网络是否可行，为秦皇岛市桃林口水库水质预测预警研究及工作提供新思路。
本发明的技术方案：
1、样本数据收集。
样本集数据来源于2008年-2017年十年对桃林口水库水质监测的监测资料，对总磷(TP)、硝酸盐氮(NO3-N)、亚硝酸盐氮(NO2-N)、氨氮(NH3-N)、高锰酸盐指数(CODMn)、溶解氧(DO)和五日生化需氧量(BOD5)等7项水质指标进行预测研究。
2、数据归一化处理。
在BP神经网络数据分析之前，通常需要将数据归一化，利用归一化后的数据进行数据分析。
3、输入变量与输出变量的选择确定。
4、网络层数和隐含层的确定。
根据Kolmogorov定理“对于具有一个隐层的3层BP神经网络，有足够多的隐节点数，就可以实现对任意非线性函数的逼近”，并且三层BP神经网络结构可以提高网络学习速度，而过于复杂的网络结构意味着过多的参数和模型精度的降低，所以本研究选择隐含层数为1的3层BP神经网络。
5、选择算法。
6、模型预测及分析。
本发明具有如下优点：
(1)本发明基于BP人工神经网络进行水质预测的研究，人工神经网络是一门涉及学科面非常广泛的新兴高科技，具有大规模并行运算、分布式存储与处理、自组织、自适应与自学习的能力，具有很强的记忆能力，特别适用于需要同时考虑许多因素和条件，不精确的、模糊的信息处理问题。
(2)人工神经网络的先进性和优越性十分明显，具有广阔的发展前景。目前人工神经网络己进入相对平稳的发展时期，理论工作方面正处于攻坚阶段。在应用方面，正向着广度和深度方向发展，从而反过来在某些方面和某种程度上推动了理论和方法向前发展。然而目前将人工神经网络理论和技术应用于水质模拟和方面的工作非常有限。因此，本发明将在这方面进行努力的探索。
附图说明
图1是BP神经网络模型在桃林口水库水质预测中的应用流程；
图2是2008年-2015年各监测断面各水质指标变化趋势；
图3是BP神经网络水质预测模型结构图；
图4是2016-2017年各水质指标实测值和BP神经网络预测值的对比图；
图5是总磷线性回归方程；
图6是硝酸盐线性回归方程；
图7是亚硝酸盐线性回归方程；
图8是氨氮线性回归方程；
图9是高锰酸盐指数线性回归方程；
图10是溶解氧线性回归方程；
图11是五日生化需氧量线性回归方程。
具体实施方式
下面通过具体实施例对本发明作进一步的说明。本发明的实施例是为了使本领域的技术人员更好地理解本发明，并不对本发明作任何的限制。
1研究数据
样本集数据来源于2008年-2017年十年对桃林口水库水质监测的监测资料，对总磷(TP)、硝酸盐氮(NO3-N)、亚硝酸盐氮(NO2-N)、氨氮(NH3-N)、高锰酸盐指数(CODMn)、溶解氧(DO)和五日生化需氧量(BOD5)等7项水质指标进行预测研究。
2数据归一化处理
在BP神经网络数据分析之前，通常需要将数据归一化，利用归一化后的数据进行数据分析。不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据归一化处理，以解决数据指标之间的可比性，各指标处于同一数量级，以防某些数值低的特征被淹没，一般要求输入数据的值最好在0-1之间。原始数据经过数据归一化处理后，各指标处于同一数量级，适合进行综合对比评价。
处理方法如下：
训练数据的输入数据的归一化：
[iputn,inputps]＝mapminmax(input_train)；
训练数据的输出数据的归一化：
[outputn,outputps]＝mapminmax(output_train)。
3输入变量与输出变量的选择确定
秦皇岛桃林口水库水源站和出库站两个监测断面2008年1月至2015年12月总磷、硝酸盐氮、亚硝酸盐氮、氨氮、高锰酸盐指数、溶解氧和五日生化需氧量的监测数据变化趋势分别见图2。
由图2水源站和出库站总磷、硝酸盐氮、亚硝酸盐氮、氨氮、高锰酸盐指数、溶解氧和五日生化需氧量的监测数据变化趋势图可知，水源站和出库站的水质指标监测数据变化趋势均为非线性函数，难以用数学方法建模来逼近只有一个时间变量的非线性函数，可以利用BP神经网络来表达这些非线性系统。
本研究样本数据集选取2008年至2015年桃林口水库水质监测项目中的7项指标(总磷、硝酸盐氮、亚硝酸盐氮、氨氮、高锰酸盐指数、溶解氧和五日生化需氧量的监测数据)作为训练集，2016年和2017年的7项水质指标数据作为验证集。将水源站监测断面的总磷、硝酸盐氮、亚硝酸盐氮、氨氮、高锰酸盐指数、溶解氧和五日生化需氧量的监测数据作为输入变量，出库站监测断面的总磷、硝酸盐氮、亚硝酸盐氮、氨氮、高锰酸盐指数、溶解氧和五日生化需氧量的监测数据作为输出变量，对7项指标进行预测。
4网络层数和隐含层的确定
根据Kolmogorov定理“对于具有一个隐层的3层BP神经网络，有足够多的隐节点数，就可以实现对任意非线性函数的逼近”[15]，并且三层BP神经网络结构可以提高网络学习速度，而过于复杂的网络结构意味着过多的参数和模型精度的降低，所以本研究选择隐含层数为1的3层BP神经网络。
本研究中输入层和输出层分别为水源站和出库站七项指标值(总磷、硝酸盐氮、亚硝酸盐氮、氨氮、高锰酸盐指数、溶解氧和五日生化需氧量值)，输入层和输出层神经元数都为7。
根据Komogorov定理和Hecht-Nielsen理论确定隐含层节点数范围为3-12，通过试错法，选择训练次数最少并且误差最小对应的神经元数，最终确定的隐含层节点数为10。故本研究的BP神经网络的拓扑结构最终确定为7:10:7，结构如图3所示。
5选择算法
程序的实现基于MATLAB环境，对选定的样本进行学习训练。建立的BP神经网络模型的参数设定如下，训练函数采用的是自适应学习率动量因子梯度训练法，输入层与隐含层之间的传递函数为对数S型函数logsig，隐含层与输出层之间的传递函数是正切S型函数tansig。BP神经网络模型程序的表达式为：
最大迭代次数：net.trainParam.epochs＝5000；
期待误差：net.trainParam.goal＝0.0001；
学习速率：net.trainParam.lr＝0.0001；
学习目标：net.trainParam.goal＝0.00004。
6模型预测及分析
采用已经训练好的BP神经网络模型对桃林口水库出库站2016年和2017年的7项指标(总磷、硝酸盐氮、亚硝酸盐氮、氨氮、高锰酸盐指数、溶解氧和五日生化需氧量的监测数据)进行预测，水质模型计算结果实测值和BP神经网络预测值的对比如图4所示，7项指标(总磷、硝酸盐氮、亚硝酸盐氮、氨氮、高锰酸盐指数、溶解氧和五日生化需氧量的监测数据)的线性回归方程如图5-11所示，训练及预测检验结果如表1所示。
由图4可知，BP神经网络模型对于各项水质指标的预测值和实测值的重合度是较高的，趋势一致，偶有偏差，但是从整体上的趋势可以看到重合度很高，BP神经网络模型对各项水质指标的拟合结果较为理想。
本研究以以下五个评价参数来分别评估该BP神经网络模型的效能：R2、r、RMSE、NSE和Pearson相关性。
RMSE:均方根误差，是预测值与实测值偏差的平方和与监测次数n比值的平方根，是用来衡量预测值和实测值之间的偏差。
式中：X为实测值；为BP神经网络模型预测得到的预测值。
NSE：纳什效率系数，一个用于评价模型质量的评价参数，常用于水文领域模型的效能评价。NSE取值为负无穷至1，NSE接近1，表示模型质量好，模型可信度高；NSE接近0，表示模拟结果接近实测值的平均值水平，即总体结果可信，但过程模拟误差大；NSE远远小于0，则模型是不可信的。
式中：Q0为实测值；Qm为BP神经网络模型预测得到的预测值；Qt为第t时刻的实测值；
为实测值的总平均。
由图5-11可知，判断系数R2均在0.7之上，总磷、硝酸盐、亚硝酸盐、氨氮和溶解氧的判断系数R2均在0.9以上；相关系数r均在0.84以上，总磷、硝酸盐、亚硝酸盐、氨氮和溶解氧的相关系数r均在0.98以上，说明模拟值和实测值具有较好的相关性，氨氮和五日生化需氧量的实测值和预测值相关性略低。由表1可见，总磷、亚硝酸盐、氨氮、溶解氧和五日生化需氧量预测值的RMSE值都小于0.1，硝酸盐和高锰酸盐预测值的RMSE值都小于0.2；总磷、硝酸盐、亚硝酸盐、高锰酸盐、溶解氧和五日生化需氧量预测值的NSE值都大于0.99，氨氮预测值的NSE大于0.9，表示模型质量好，模型可信度高；利用SPSS求得各项水质指标的实测值和预测值的Pearson相关系数，结果表明各项指标的实测值和预测值在置信度为0.01时相关性皆是显著的。
表1是出库站训练及预测检验结果
表1
五项评价参数R2、r、RMSE、NSE和Pearson的计算结果都表明该BP神经网络模型的各项指标的水质预测结果完全符合水质预测的要求。这说明本文建立的BP神经网络水质预测模型可以对桃林口水库水质进行有效预测。
Claims (1)
1.BP神经网络模型在桃林口水库水质预测中的应用，其特征是，
1)样本数据收集；水质指标进行预测研究。
2)数据归一化处理；
在BP神经网络数据分析之前，通常需要将数据归一化，利用归一化后的数据进行数据分析；
3)输入变量与输出变量的选择确定；
4)网络层数和隐含层的确定；
选择隐含层数为1的3层BP神经网络；
5)选择算法；
6)模型预测及分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910878386.9A CN110738307A (zh) | 2019-09-16 | 2019-09-16 | Bp神经网络模型在桃林口水库水质预测中的应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910878386.9A CN110738307A (zh) | 2019-09-16 | 2019-09-16 | Bp神经网络模型在桃林口水库水质预测中的应用 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110738307A true CN110738307A (zh) | 2020-01-31 |
Family
ID=69267970
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910878386.9A Pending CN110738307A (zh) | 2019-09-16 | 2019-09-16 | Bp神经网络模型在桃林口水库水质预测中的应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110738307A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112966449A (zh) * | 2021-03-31 | 2021-06-15 | 中国航空综合技术研究所 | 基于变量选择和概率神经网络的制造过程质量缺陷根源诊断方法 |
| CN113686823A (zh) * | 2021-08-27 | 2021-11-23 | 西安石油大学 | 基于透射光谱和PLS-Elman神经网络的水体亚硝酸盐含量估算方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101793887A (zh) * | 2010-01-09 | 2010-08-04 | 中国水产科学研究院黄海水产研究所 | 大菱鲆养殖水质评价的模糊神经网络专家系统的构建方法 |
| CN103218669A (zh) * | 2013-03-19 | 2013-07-24 | 中山大学 | 一种智能的活鱼养殖水质综合预测方法 |
| CN107679657A (zh) * | 2017-09-28 | 2018-02-09 | 黑龙江省科学院火山与矿泉研究所 | 一种用于矿泉的水质预测方法 |
| CN108446808A (zh) * | 2018-04-08 | 2018-08-24 | 广东电网有限责任公司 | 一种萤火虫算法优化神经网络的短期负荷预测方法 |
| CN108872508A (zh) * | 2018-05-08 | 2018-11-23 | 苏州科技大学 | 一种ga-bp优化tsfnn的富营养水质评价方法 |
-
2019
- 2019-09-16 CN CN201910878386.9A patent/CN110738307A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101793887A (zh) * | 2010-01-09 | 2010-08-04 | 中国水产科学研究院黄海水产研究所 | 大菱鲆养殖水质评价的模糊神经网络专家系统的构建方法 |
| CN103218669A (zh) * | 2013-03-19 | 2013-07-24 | 中山大学 | 一种智能的活鱼养殖水质综合预测方法 |
| CN107679657A (zh) * | 2017-09-28 | 2018-02-09 | 黑龙江省科学院火山与矿泉研究所 | 一种用于矿泉的水质预测方法 |
| CN108446808A (zh) * | 2018-04-08 | 2018-08-24 | 广东电网有限责任公司 | 一种萤火虫算法优化神经网络的短期负荷预测方法 |
| CN108872508A (zh) * | 2018-05-08 | 2018-11-23 | 苏州科技大学 | 一种ga-bp优化tsfnn的富营养水质评价方法 |
Non-Patent Citations (1)
| Title |
|---|
| 费丹: "大伙房水库水质的BP 神经网络模拟预测" * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112966449A (zh) * | 2021-03-31 | 2021-06-15 | 中国航空综合技术研究所 | 基于变量选择和概率神经网络的制造过程质量缺陷根源诊断方法 |
| CN112966449B (zh) * | 2021-03-31 | 2022-12-09 | 中国航空综合技术研究所 | 基于变量选择和概率神经网络的制造过程质量缺陷根源诊断方法 |
| CN113686823A (zh) * | 2021-08-27 | 2021-11-23 | 西安石油大学 | 基于透射光谱和PLS-Elman神经网络的水体亚硝酸盐含量估算方法 |
| CN113686823B (zh) * | 2021-08-27 | 2024-01-23 | 西安石油大学 | 基于透射光谱和PLS-Elman神经网络的水体亚硝酸盐含量估算方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107358021B (zh) | 一种基于优化bp神经网络的do预测模型建立方法 | |
| CN102854296B (zh) | 一种基于集成神经网络的污水处理软测量方法 | |
| CN106022954B (zh) | 基于灰色关联度的多重bp神经网络负荷预测方法 | |
| CN110689171A (zh) | 一种基于e-lstm的汽轮机健康状态预测方法 | |
| Aali et al. | Estimation of Saturation Percentage of Soil Using Multiple Regression, ANN, and ANFIS Techniques. | |
| CN109308544B (zh) | 基于对比散度-长短期记忆网络的蓝藻水华预测方法 | |
| CN102880908B (zh) | 一种基于bp神经网络的再制造零件环境损耗的计算方法 | |
| CN106777866A (zh) | 面向节能降耗的高含硫天然气净化工艺建模与优化方法 | |
| CN108764473A (zh) | 一种基于相关分析的bp神经网络用水量预测方法 | |
| CN114037163A (zh) | 一种基于动态权重pso优化bp神经网络的污水处理出水质量预警方法 | |
| CN112966891A (zh) | 一种河流水环境质量预测方法 | |
| CN106971241B (zh) | 基于模糊神经网络预测污水水质数据的方法 | |
| CN112614552B (zh) | 基于bp神经网络的土壤重金属含量预测方法及系统 | |
| Zhou et al. | From neural network to neuro-fuzzy modeling: applications to the carbon dioxide capture process | |
| CN108764588A (zh) | 一种基于深度学习的温度影响电力预测方法 | |
| CN110738307A (zh) | Bp神经网络模型在桃林口水库水质预测中的应用 | |
| CN107247888A (zh) | 基于储备池网络的污水处理出水总磷tp软测量方法 | |
| CN115456245A (zh) | 一种感潮河网区溶解氧预测方法 | |
| CN112765902A (zh) | 基于TentFWA-GD的RBF神经网络软测量建模方法及其应用 | |
| CN116227689A (zh) | 一种光伏板污秽度状态评价及清扫决策系统 | |
| CN114970946A (zh) | 基于深度学习模型与经验模态分解耦合的pm2.5污染浓度长时空预测方法 | |
| CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
| CN114925723A (zh) | 采用编码器和解码器的滚动轴承剩余使用寿命预测方法 | |
| CN114202060A (zh) | 基于深度神经网络的生物质活性炭吸附亚甲基蓝性能预测方法 | |
| CN118017482A (zh) | 基于预测误差特征提取的灵活性爬坡容量需求分析方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200131 |