基于改进神经网络的水质参数预测模型研究
发布时间：2022-01-09 08:03
随着科技的不断进步,众多的新兴技术不断被提出,如人工智能（Artificial Intelligence,AI）,物联网（Internet of Things,IoT）,云计算（Cloud Computing）等。物联网技术作为新一代信息技术的重要组成部分,更是在各类场景中被人们深入研究,如智慧城市、智慧家居、环境监测等。物联网的产生极大地提高了人们生活的便利,但伴随着传感器设备类型和数量的不断增加,需要处理的数据量也在不断增加,如何高效准确地处理众多数据一直是人们研究的重点问题。物联网的数据具有海量性、异构性、实时性等特征,因此数据的融合处理是一个难点问题,也是一个值得研究的问题。神经网络（Neural Network,NN）作为数据融合（Data Fusion,DF）的一种方法,在众多类型的数据融合方案中表现了其强有力的优势。它对人类脑部神经元进行抽象,从信息处理角度,建立各种不同的模型,从而通过连接方式的不同来组成不同的网络,可用来分析和预测。神经网络的优点众多,也存在不足之处,如陷入局部最优,泛化能力差等。因此,在实际应用中常常使用其他算法与之结合来克服其缺点。在这些算法中,对...
【文章来源】：青海民族大学青海省
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
海鸥的迁徙和攻击行为Fig.3-1Migrationandaggressivebehaviorofseagulls
基于改进神经网络的水质参数预测模型研究30示当前迭代，然后A表示给定搜索空间中搜索者的移动行为。/:0,1,2,,cciterationiterationAfxfMaxwherexMax（3-11）其中引入cf控制变量A的值，变量A从cf线性减小到0。在本文中，cf的值设置为2。向最佳邻居方向移动：在避免了邻居之间的碰撞后，搜索者向最佳邻居的方向移动()()sbssMBPxPx（3-12）其中sMb§表示各个搜索者()sPx(l向最佳适应搜索者()bsPx¨移动的位置。B的值是随机的，它负责在全局搜索和局部搜索之间取得适当的平衡。B计算公式为2B2Ard（3-13）其中rd为[0，1]之间的随机数。保持与最佳搜索者的接近：最后，搜索者可以根据最佳搜索者更新其位置sssDCM（3-14）其中sDè,表示搜索者和最佳匹配搜索者之间的距离。2.攻击海鸥在迁徙过程中可以不断地改变攻击的角度和速度。当攻击猎物时，螺旋运动行为发生在空中，如图3-2所示。图3-2海鸥的攻击猎物行为Fig.3-2Theaggressivebehaviorofaseagull在x、y和z平面上的这种行为描述如下。
青海民族大学硕士学位论文33初始海鸥种群。2.初始化海鸥的位置并利用公式将其位置进行处理以防止位置重合。3.计算当前所有海鸥的适应度，并找出其中最优的一个作为此次迭代中最佳海鸥。4.根据公式更新每一个海鸥的位置。5.判断是否达到迭代次数或者达到所需精度，是则输出最终的位置作为最优的海鸥位置，否则返回步骤3。6.将最优的输出解码为BP神经网络的初始权值和阈值，对其训练直到满足要求。3.4结果分析本文BP神经网络采用3层结构。氨氮的预测对水质的准确把握具有重要意义，因此本文输入参数分别为水温，pH，溶解氧，电导率，浊度，高锰酸盐指数，因此输入层节点数为6。输出选择为氨氮（mg/L），故输出层为1个节点，隐含层为6个节点，迭代次数为100，训练函数为trainlm；海鸥种群为100，迭代次数为100。如图3-3所示是两种模型算法的收敛比较。图3-3SOA-BP和BP收敛比较图Fig.3-3ConvergencecomparisonofSOA-BPandBPmodels从图中可以看出提出的SOA-BP模型的收敛速度更快，它可以更快收敛。在收敛精度上，同样是迭代100次，BP模型的收敛值为4.536e-07，而提出的SOA-BP模型的收敛值为2.029e-8，提出模型的收敛精度更高。对23组验证数据进行仿真如图3-4所示。
【参考文献】：
期刊论文
[1]混沌动态步长果蝇优化算法[J]. 廖建庆,王涵,王咸鹏. 传感器与微系统. 2019(08)
[2]基于改进遗传算法的梯级橡胶坝调度优化[J]. 邓浩,郝瑞霞. 人民黄河. 2020(03)
[3]基于改进ACO-BP算法的弹药贮存可靠性评估[J]. 刘芳,王宏伟,宫华,许可. 兵器装备工程学报. 2019(04)
[4]Prediction of daily sediment discharge using a back propagation neural network training algorithm:A case study of the Narmada River,India[J]. Nibedita Bisoyi,Harish Gupta,Narayan Prasad Padhy,Govind Joseph Chakrapani. International Journal of Sediment Research. 2019(02)
[5]基于改进遗传算法优化反向传播神经网络的癫痫发作检测方法分析[J]. 刘光达,魏星,张尚,蔡靖,刘颂阳. 生物医学工程学杂志. 2019(01)
[6]基于改进蚁群算法的山区无人机路径规划方法[J]. 唐立,郝鹏,张学军. 交通运输系统工程与信息. 2019(01)
[7]改进人工鱼群算法优化小波神经网络的变压器故障诊断[J]. 贾亦敏,史丽萍,严鑫. 河南理工大学学报(自然科学版). 2019(02)
[8]基于小波神经网络的光纤陀螺系统级温度补偿[J]. 李健,李淑英. 压电与声光. 2018(06)
[9]蝙蝠算法优化模糊神经网络的25Hz相敏轨道电路故障诊断研究[J]. 郑云水,牛行通,康毅军. 铁道学报. 2018(12)
[10]基于互信息和自组织RBF神经网络的出水BOD软测量方法[J]. 李文静,李萌,乔俊飞. 化工学报. 2019(02)
硕士论文
[1]基于神经网络的污水处理自适应控制方法初探[D]. 章康树.浙江大学 2019
[2]多传感器数据融合在物联网中的应用研究[D]. 程黎军.苏州大学 2016
[3]主成分分析法研究及其在特征提取中的应用[D]. 陈佩.陕西师范大学 2014
[4]BP神经网络的算法改进及应用研究[D]. 陈玉芳.电子科技大学 2004
本文编号：3578298
【文章来源】：青海民族大学青海省
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
海鸥的迁徙和攻击行为Fig.3-1Migrationandaggressivebehaviorofseagulls
基于改进神经网络的水质参数预测模型研究30示当前迭代，然后A表示给定搜索空间中搜索者的移动行为。/:0,1,2,,cciterationiterationAfxfMaxwherexMax（3-11）其中引入cf控制变量A的值，变量A从cf线性减小到0。在本文中，cf的值设置为2。向最佳邻居方向移动：在避免了邻居之间的碰撞后，搜索者向最佳邻居的方向移动()()sbssMBPxPx（3-12）其中sMb§表示各个搜索者()sPx(l向最佳适应搜索者()bsPx¨移动的位置。B的值是随机的，它负责在全局搜索和局部搜索之间取得适当的平衡。B计算公式为2B2Ard（3-13）其中rd为[0，1]之间的随机数。保持与最佳搜索者的接近：最后，搜索者可以根据最佳搜索者更新其位置sssDCM（3-14）其中sDè,表示搜索者和最佳匹配搜索者之间的距离。2.攻击海鸥在迁徙过程中可以不断地改变攻击的角度和速度。当攻击猎物时，螺旋运动行为发生在空中，如图3-2所示。图3-2海鸥的攻击猎物行为Fig.3-2Theaggressivebehaviorofaseagull在x、y和z平面上的这种行为描述如下。
青海民族大学硕士学位论文33初始海鸥种群。2.初始化海鸥的位置并利用公式将其位置进行处理以防止位置重合。3.计算当前所有海鸥的适应度，并找出其中最优的一个作为此次迭代中最佳海鸥。4.根据公式更新每一个海鸥的位置。5.判断是否达到迭代次数或者达到所需精度，是则输出最终的位置作为最优的海鸥位置，否则返回步骤3。6.将最优的输出解码为BP神经网络的初始权值和阈值，对其训练直到满足要求。3.4结果分析本文BP神经网络采用3层结构。氨氮的预测对水质的准确把握具有重要意义，因此本文输入参数分别为水温，pH，溶解氧，电导率，浊度，高锰酸盐指数，因此输入层节点数为6。输出选择为氨氮（mg/L），故输出层为1个节点，隐含层为6个节点，迭代次数为100，训练函数为trainlm；海鸥种群为100，迭代次数为100。如图3-3所示是两种模型算法的收敛比较。图3-3SOA-BP和BP收敛比较图Fig.3-3ConvergencecomparisonofSOA-BPandBPmodels从图中可以看出提出的SOA-BP模型的收敛速度更快，它可以更快收敛。在收敛精度上，同样是迭代100次，BP模型的收敛值为4.536e-07，而提出的SOA-BP模型的收敛值为2.029e-8，提出模型的收敛精度更高。对23组验证数据进行仿真如图3-4所示。
【参考文献】：
期刊论文
[1]混沌动态步长果蝇优化算法[J]. 廖建庆,王涵,王咸鹏. 传感器与微系统. 2019(08)
[2]基于改进遗传算法的梯级橡胶坝调度优化[J]. 邓浩,郝瑞霞. 人民黄河. 2020(03)
[3]基于改进ACO-BP算法的弹药贮存可靠性评估[J]. 刘芳,王宏伟,宫华,许可. 兵器装备工程学报. 2019(04)
[4]Prediction of daily sediment discharge using a back propagation neural network training algorithm:A case study of the Narmada River,India[J]. Nibedita Bisoyi,Harish Gupta,Narayan Prasad Padhy,Govind Joseph Chakrapani. International Journal of Sediment Research. 2019(02)
[5]基于改进遗传算法优化反向传播神经网络的癫痫发作检测方法分析[J]. 刘光达,魏星,张尚,蔡靖,刘颂阳. 生物医学工程学杂志. 2019(01)
[6]基于改进蚁群算法的山区无人机路径规划方法[J]. 唐立,郝鹏,张学军. 交通运输系统工程与信息. 2019(01)
[7]改进人工鱼群算法优化小波神经网络的变压器故障诊断[J]. 贾亦敏,史丽萍,严鑫. 河南理工大学学报(自然科学版). 2019(02)
[8]基于小波神经网络的光纤陀螺系统级温度补偿[J]. 李健,李淑英. 压电与声光. 2018(06)
[9]蝙蝠算法优化模糊神经网络的25Hz相敏轨道电路故障诊断研究[J]. 郑云水,牛行通,康毅军. 铁道学报. 2018(12)
[10]基于互信息和自组织RBF神经网络的出水BOD软测量方法[J]. 李文静,李萌,乔俊飞. 化工学报. 2019(02)
硕士论文
[1]基于神经网络的污水处理自适应控制方法初探[D]. 章康树.浙江大学 2019
[2]多传感器数据融合在物联网中的应用研究[D]. 程黎军.苏州大学 2016
[3]主成分分析法研究及其在特征提取中的应用[D]. 陈佩.陕西师范大学 2014
[4]BP神经网络的算法改进及应用研究[D]. 陈玉芳.电子科技大学 2004
本文编号：3578298
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3578298.html