水质预测是水污染防治中的一个关键环节,目前关于机器学习的水质预测已成为工程领域的一项重要研究课题。由于水质时序数据的复杂性,传统的物理预测法和统计预测法存在效率低和精度差等不足,针对上述问题,本文提出基于二层分解技术结合麻雀搜索算法优化Elman神经网络的水质预测模型。首先,在数据预处理阶段,采用拉依达法则、三次样条插值和min-max算法对数据进行离群值剔除、缺失值填充和数据归一化处理,为后续的分析过程奠定了基础;其次,针对水质序列的非线性和不稳定性的特征,提出了基于二层分解技术的水质数据分解方法,先采用CEEMDAN算法对水质序列进行一层分解,通过计算分解后各本征模函数的排列熵值以量化序列的复杂性,再用VMD算法对熵值较高的模态分量进行二层分解,进一步削弱序列的非线性和不稳定性从而保证预测精度;然后,提出SSA-Elman水质预测模型,使用麻雀搜索算法优化Elman神经网络的权值和阈值,保证了模型的寻优能力;最后,为方便用户使用,本文设计了相应的水质预测系统,直观展示了水质预测的过程。实验结果表明,本文所提TDT-SSA-Elman预测模型在溶解氧和PH两项水质指标的预测过程中均表现较好。首先,在溶解氧预测实验中,二层分解技术相比于单独使用CEEMDAN分解算法,预测结果的均方根误差降低了41%,相比于单独使用VMD分解算法,预测结果的均方根误差降低了26%,验证了所提水质分解方法的可行性。并且采用麻雀搜索算法相比于粒子群算法,模型预测结果的均方根误差降低了11%。然后,将本文所提TDT-SSA-Elman预测模型与ARIMA、GA-BP和EEMD-PSO-SVM常用水质预测模型做对比,本文所提模型预测结果的各项误差均最低,证实了所提预测模型具有更高的预测精度。最后,选用耗氧量水质指标进行预测实验,验证了模型具有一定的泛化能力。该论文有图39幅,表12个,参考文献64篇。