基于智能计算的影响河流水质的因素分析文献综述.doc

基于智能计算的影响河流水质的因素分析文献综述.doc基于智能计算的影响河流水质的因素分析文献综述随着经济的快速发展,水质污染问题H益严重。为了有效的防治水污染,最近年来在很多重要区域建立了水质自动监测站°但由于水质参数在线监测技术的限制,水质变化趋势的在线预测依旧难以实现。水质预测可用于随机性菲点源污染的监控和防治,所以在建立水质自动监测站的同吋,增加水质预测系统,对保护水资源和水环境的安全具有十分重要的意义。1主成分分析法(PCA)陈建宏,刘浪等的《基于主成分分析与神经网络的采矿方法优选》山:主成分分析是利用降维的思想,在保证原有数据信息损失最小的前提下,在各个原始指标相关关系研究的基础上,把多个原始指标压缩为少数几个能反映原问题特征的综合变量指标⑴。同时综合指标Z间又彼此独立,避免了信息重叠,同时保留了原始指标的主要信息,比原始变量具有某些优越性质,使得在研究复杂问题吋更加容易⑵。刘德林,,2006,13⑶陈建宏,(自然科学版),2010,41(5)假定有n个水质样本,每个样本共有p个指标变量描述,这样就构成了一个nxp阶的水质数据矩阵。在实际应用屮,各指标之间存在着量纲、数量级不同等方而的问题。因此,在主成分分析前,要对数据进行标准化,标准化后的水质数据矩阵为:岛若2・••备凡2通过主成分分析法,根据精度分析要求(一般特征值入的累计贡献率达85—90%),p个原始指标变量综合成m个新指标Zi,Z2,...,Zg主成分综合指标的得分矩阵为:Z]?Z2IZ22Z2mZn2其计算公式为:HlZ产》0的i=i其屮,®(j=l,2,・・.,m)为对应于特征值入的特征向量的分量,齐为标准化后的原指标变量值°计算出所需要个主成分值,形成新的综合指标样木集。PCA具体计算步骤参考文献[3]。[3]陈小前,罗世彬,王振国,,2002,22⑴2BP神经网络根据所依据的理论基础不同,水质预测模式大致可以归纳为数理统计预测法、灰色系统理论预测法、神经网络模型预测法、水质模拟模型预测法以及混沌理论预测方法等5大类[4]。其屮的BP神经网络模型预测法具有高维性、并行分布处理性,以及自适应、自组织、自学习等优良特性,在水质预测等复杂问题的研究上具有非常好的适用性。[4][J].合肥工业大学学报:自然科学版,2006,29(1):26-(BackPropagation)elland为首的科学家小组提出,是一种按误差逆传播算法训练的多层前馈网络,是FI前应用最广泛的神经网络模型Z-OB卩网络是一种具有3层或3层以上的阶层型神经网络,由输入层、一个或多个隐含层及输出层组成。输入层接受外界信息,输出层则对输入信息进行判别和决策,隐层用來储存知识。各层的神经元之间实行全连接而同层各神经元之间无连接,其连接程度用权值表示。对于如何确定BP网络的层数及每层屮的神经元数,常常需要经过反复的尝试调整,最终以BP网络的全局误差小于预先给定的允许误差而确定它。BP网络的学习规则是,当一对学习参数提供给网络后,神经元的激活值从输入层经隐含层向输出层传播,在输出层获得网络的输出响应。再按减小希望输出与实际输出误差的方向,