基于遗传神经网络的水质评价模型优化及应用

论文摘要

在综述国内外水质评价研究的基础上,本文将遗传算法和人工神经网络结合起来,建立了基于GA-BP算法的水质评价模型。文章首先系统的阐明了BP神经网络与遗传算法的基本原理和学习训练过程,分析了BP网络存在的缺陷,介绍了通用的一些改进措施。然后利用遗传算法全局搜索能力强的特点与人工神经网络模型学习能力强的特点,设计出遗传神经网络的水质评价模型。该模型不仅利用遗传算法对神经网络初始权重进行了优化,而且采用了基于黄金分割理论的优化算法对网络模型的隐含层节点数进行了选优,这样使模型在进行了较少次的循环迭代后训练误差收敛到最小,从而在一定程度上克服神经网络模型训练中普遍存在的局部极小点问题。最后本文将改进后的网络模型用于某地区的水环境质量评价,以某地区地表水的实测数据作为模型输入,运用MATLAB软件进行仿真,对GA-BP水质评价模型进行了验证,并与传统方法结果进行比较。结果表明优化后的GA-BP网络模型具有稳定性好、鲁棒性高、识别能力强的优点,其结果与实际水质级别具有较高的一致性,评价方法较为合理。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 论文的背景、目的和意义
• 1.2 水质评价方法简介
• 1.2.1 指数评价法
• 1.2.2 基于模糊理论的水质评价
• 1.2.3 基于灰色系统理论的水质评价
• 1.2.4 水质评价方法的发展趋势
• 1.3 人工神经网络的发展历程及应用
• 1.3.1 人工神经网络的发展历程
• 1.3.2 人工神经网络在水质评价中的应用现状
• 1.4 研究的技术路线及主要内容
• 1.4.1 技术路线
• 1.4.2 主要研究内容
• 第二章 人工神经网络和遗传算法的理论基础
• 2.1 人工神经网络的基本原理
• 2.1.1 人工神经网络概念和特点
• 2.1.2 人工神经元的结构模型
• 2.1.3 神经网络的传递函数
• 2.2 BP 神经网络
• 2.2.1 BP 神经网络结构
• 2.2.2 BP 学习算法
• 2.2.3 BP 算法计算步骤及流程图
• 2.2.4 BP 算法存在的缺点及改进
• 2.3 遗传算法
• 2.3.1 遗传算法的理论基础
• 2.3.2 遗传算法的特点
• 2.3.3 遗传算法的设计
• 第三章 基于遗传神经网络的水质评价建模
• 3.1 专家样本的准备
• 3.2 训练参数的设定
• 3.3 GA-BP 神经网络拓扑结构的建立
• 3.4 遗传优化BP 神经网络的权值及阈值
• 3.4.1 编码和初始种群
• 3.4.2 适应度函数的选择
• 3.4.3 遗传操作
• 第四章 基于 GA-BP 网络模型在水质评价中的应用
• 4.1 水域概况及数据来源
• 4.2 基于GA-BP 网络模型在水质评价中的实例仿真
• 4.2.1 Matlab 简介
• 4.2.2 模型的测试及仿真
• 4.2.3 评价结果和分析
• 4.3 与传统评价方法的比较分析
• 4.3.1 传统评价方法介绍
• 4.3.2 评价结果及分析
• 第五章 结论
• 参考文献
• 致谢