论文部分内容阅读
在经济迅速增长的今天,水资源的重要位置越来越凸显。由于生态遭受严重破坏,导致水资源严重短缺并出现水质不断恶化的现象。水资源在人类的活动中是必不可少的,而现在它却制约了我们的生活,严重阻碍了人类经济的发展,因此保护水资源已是我们刻不容缓的趋势。这些年来,国内外许多学者都把水质预测作为水环境污染治理中的一个热点来研究,就是为了防止水资源的进一步恶化。水质预测在水环境治理和评价过程中都非常重要,通过水环境的历史数据来预测将来的水质变化趋势,方便我们及时的发现影响水质变化的因子,以便能够更快速的治理水污染。为此,研究人员采用马尔可夫预测、模糊理论预测、神经网络预测和支持向量机预测等多种方案来对水质进行预测,取得了些许成就。针对水质预测存在的预测精度不够高以及传统方法很难构建满意的非线性预测系统的问题,试图采用BP神经网络预测水质情况,但该预测方法存在收敛速度比较缓慢,极其容易陷入局部最优等诸多弊端,导致水质预测的准确率低下。因此,本文通过改进GA算法以及PSO算法来优化BP神经网络以便得到更好的水质预测模型。文中对GA算法自身流程中的编码形式、交叉以及变异方面进行了优化。针对PSO算法粒子速度公式中的惯性系数和加速学习因子进行了改进,采用非线性的方法来调节惯性系数,引入自适应加速因子,从而使得算法精确度、收敛速度以及全局搜索能力得以改善。采用改进算法去优化BP神经网络的权值和阈值,得到新的预测在某种程度上克服了单独使用BP神经网络预测的弊端,扩大了最优解的搜索范围,能够得到合理的水质预测结果。本文以水环境情况较复杂的永安江水质预测为目标,采用改进的GA算法和改进的PSO算法分别去优化BP神经网络中节点处的权值和阈值,得到水质预测模型。随后选取已知的数据作为学习样本,对永安江的水质变化趋势进行了研究。通过对BP网络、改进GA优化BP网络和改进PSO优化BP网络得到的预测结果进行比较,得到改进PSO优化BP网络预测模型在三者中得到的预测结果最佳。从永安江的水质预测结果中得到,改进PSO算法优化BP网络预测模型是可行有效的,而且在收敛速度和预测准确率上都有很好的改善。