论文部分内容阅读
对于湖泊水状况预测是对某个地区内湖泊水资源的质量与数量的发展趋势进行科学地推断与估计。为了达到指导人们在经济与社会发展中更合理及有效地利用、开发湖泊水资源、保护湖泊水生态的目的。预测主要任务是依据湖泊水体的数量与质量的历史资料以及现时数据,按其相应的运动、变化规律,预测其未来的发展状况,为湖泊水资源地利用、管理以及进行辅助决策提供依据。考虑到湖水水质数据本身的一些特点,首先以灰色GM(1,1)模型以及传统灰色Elman神经网络模型对其进行预测。灰色GM(1,1)对原始数据数量要求少,而Elman神经网络非线性拟合能力强,两者组合巧妙地取长补短,弥补灰色GM(1,1)模型对具有较大波动性的数据拟合能力差和Elman神经网络必须提供大样本较好拟合出相应趋势的不足。利用洱海小关邑点位湖水水质指标2014年11月24日至2015年1月18日的DO、COD、NH3-N周均值作为原始数据,预测2015年1月19日至1月25日和1月26日至2月1日DO、COD、NH3-N的浓度来对所采用的单个以及组合模型进行相应的精度检验。通过一系列研究与分析,最终结果表明:NH3-N的原始数据列方差最小,此时传统灰色神经网络的预测精度要比GM(1,1)差;DO的原始数据波动性适中,方差值约为0.14,此时传统灰色神经网络的预测精度与GM(1,1)相比可以说是不相上下;COD的原始数据波动性较大,原始数列的方差值达到了0.19,此时传统灰色神经网络的预测精度相比于GM(1,1)明显表现出了优势。因此,我们需要寻找新的改进的组合模型,以求在任何不同情况下都可以得出较为精确的结果。在系统考虑了传统灰色Elman神经网络所存在的缺陷,建立了改进型灰色Elman神经网络模型,该模型保留了传统模型的优点,以更改组合结构的方式使其更加优化。利用洱海小关邑点位湖水水质指标11月24日到1月28日的DO、COD、NH3-N周均值作为原始数据进行拟合,2015年1月19日至1月25日和1月26日至2月1日DO、COD、NH3-N的浓度来对所建立的改进型模型进行验证,比起传统型模型来说,预测结果的精确度得到了很大的提升,表明了改进型模型具有可行性。