一、RBF神经网络方法在水质评价中的应用（论文文献综述）
戴天骄[1]（2019）在《桃林口水库水质评价与预测研究》文中研究说明近年来,我国水污染问题愈发严峻,水环境的健康状况不容乐观,确保地表水源地的供水供给尤为重要,水环境管理势在必行。本文结合省科技计划项目（17273905D）《水质自动监测系统在地表水水库生态安全预警中的应用研究》,以大型水利枢纽工程桃林口水库为研究对象,分别对水质评价、水质预测和水质预警等方面进行深入的探讨。利用皇岛桃林口水库2008-2017年十年的实测数据,选取p H、总磷（TP）、氨氮（NH3-N）、高锰酸盐指数(CODMn)、溶解氧（DO）和五日生化需氧量（BOD5）等6项水质指标,采用单因子评价法、综合污染指数法和BP神经网络模型等3种方法进行水质评价。研究结果表明:（1）单因子水质评价法评价下,桃林口水库水质全因评价达到Ⅲ类水质目标要求。（2）综合污染指数法表明,水源站和出库站的水质状况均为轻污染,TP、CODMn和BOD5等3种水质指标对桃林口水库水质的影响较大。（3）BP神经网络模型表明,桃林口水库十年全年平均水质都为Ⅱ类水质。在水质预测研究中,分别基于BP神经网络模型和WASP水质模型通过桃林口水库上游水源站的实测数据,对下游出库站的水质指标进行预测,模拟结果显示:BP神经网络模型的决定系数（R2）和纳什效率系数（NSE）均大于WASP水质模型,相对误差和均方根误差（RMSE）低于WASP水质模型,由此可见BP神经网络模型的预测准确性更高。最后根据“蓝色卫士”系统实时监测的水源站数据,基于BP神经网络模型成功预测出库站的水质状况,再结合地理信息系统（GIS）实现水质预警实时的可视化处理。
王雪茹[2]（2019）在《人工景观水体水质评价与预测研究》文中研究表明随着人类活动的加剧,水环境污染问题越来越严重,人工景观水体作为水域重要组成部分,易发生富营养化,严重的富营养化程度会破坏水质生态平衡,所以人工景观水体水质值得深入的研究。本文围绕水质评价和水质预测做了以下工作。本文选取广西大学镜湖等人工景观湖泊作为研究区域,介绍该区域生态情况,采取科学的方法设置采样区间和采样点。然后通过查阅文献选取18项指标待选用于水质研究,并介绍各个指标的采样方法。水质评价。富营养化程度的轻重可以反映人工景观水体水质优劣,而富营养化通常伴随藻类的大量繁殖,可用叶绿素A的含量表征。为对水质进行有效评价,以叶绿素A的含量为约束因子,对18个初选指标采用粗糙集理论进行指标初筛,选取得到10项指标作为预评价。紧接着采用主成分分析法对得到的10个指标进行研究,采用SPSS软件根据累计贡献率提取出2个主成分,再由载荷因子和成分得分矩阵排列后筛选得到水温、pH、总磷、总氮、叶绿素A、光照6个指标,以此初步建立水质评价指标体系。为得到各评价指标的结集权重,制作AHP问卷调查表邀请广西区内30位水质相关专业专家进行评价打分,采用群决策层次分析法结合YAAHP软件计算各指标的结集权重,得到最终的水质评价指标体系,并进一步构建水质综合评价模型。水质预测。为对未来一段时间内的水质状况进行评估,需要进行水质预测研究。首先对采集的水质数据进行分析,得到相应数据的完整序列以供进一步研究。根据水质评价指标体系确定预测模型的六个输入量,为减小预测误差,选取更优的预测模型,本文对比基于遗传算法优化的BP神经网络、基于灰色理论结合RBF神经网络、基于粒子群算法（PSO）优化支持向量机（SVM）等三种组合模型预测值的平均平方误差和平均百分比误差,得到基于PSO-SVM的预测模型精度更高。将建立的PSO-SVM预测模型运用在广西大学另外三个人工景观湖泊采样进行模型适用性检验。采用两种方法对预测得到的结果进行水质评价,得到预测水质等级结果基本处于中度富营养化,预测结果表明有关部门需要采取措施抑制水中藻类繁殖并持续监察水质情况。
卫佳佳[3]（2019）在《基于GIS的郯庐断裂带安徽段地下水水质空间分布特征分析与预测》文中提出地下水是居民生活的重要水源,开发利用程度逐年提高。近年来随着经济的快速发展,地下水遭受污染的环境问题日益凸显。本文以郯庐断裂带安徽段浅层地下水为研究对象,在充分收集和整理研究区内已有的水文地质资料的基础上,开展了野外水文地质调查。综合分析本次野外调查中所采集的水质数据以及收集的2011年至2018年地下水水质监测数据,开展了地下水水质的质量评价与预测研究,并分析地下水水质的空间分布特征,取得了以下主要研究成果:（1）根据本次野外调查所采集的地下水水质全分析数据,进行地下水水化学统计分析,并基于GIS技术对研究区地下水化学类型进行划分。结果表明,研究区地下水主要为矿化度中等偏低的中性-弱碱性水,主要阳离子为Ca2+、Na+,主要阴离子为HCO3-。研究区水化学类型以HCO3-Na、HCO3-Ca和HCO3·Cl-Na为主。（2）分别采用单因子评价法、基于主成分分析的内梅罗指数法对研究区的浅层地下水水质进行评价。首先,选取23项地下水水质指标采用单因子指标法进行水质评价,结果表明:研究区地下水23项水质指标中超III类水质指标有12项,主要超标指标为NO3-、Fe、Mn;然后,采用主成分分析法确定影响研究区地下水水质的主要指标为Cl-、Fe、Mn、NO3-、SO42-、F-;最后,选取这六项主要指标采用内梅罗指数法进行综合评价,并基于ArcGIS平台绘制水质分区图,评价结果表明:从总体上看,研究区的地下水水质主要为较好和较差,且研究区南部的地下水水质好于中部和北部的地下水水质,南部大别山区的地下水水质好于南部沿江丘陵平原地区的地下水水质。（3）选取研究区2011年至2018年的NO3-、Fe、Mn 3项水质指标作为预测指标,建立基于BP神经网络的地下水水质预测模型,对10个监测点的2025年地下水水质进行了预测并进行内梅罗指数法评价,评价结果表明部分监测点的水质受到一定程度的污染;并绘制合肥地区2011年和2025年的水质分区图,分析合肥地区的水质空间分布特征,结果表明合肥地区地下水水质为较好和较差的面积在减少,而极差的面积在增加。
夏金红[4]（2019）在《基于PSO算法的径向基神经网络优化设计及应用研究》文中指出径向基神经网络（RBF）因其收敛速度快、结构简单、能够逼近任意非线性网络的特点,逐步在各个行业和领域的得到了广泛的应用。但是在现实的应用的过程中,传统的算法虽然能快速的构建网络,但是很难达到预期的效果,所以常常将该算法与优化算法相结合来构建网络,这种结合方式是目前神经网络研究的一个热点。本文使用粒子群算法对径向基神经网络与模型进行了优化。粒子群算法作为一种具有实现容易、算法运行收敛快、运行结果精度高等优点的并行算法,研究发现,这种算法在实际应用中具有其独特的优越性。同时PSO算法也存在缺点,如局部能力搜索能力差和早期收敛,在求解复杂问题时,如果没有搜索到全局最优,粒子可能会保持在某个位置停滞不前;并且在后期当粒子在极值点附近时,此时搜索速度变得缓慢,这将会导致粒子搜索能力变差。学者们提出许多的改进算法,使算法在性能及效率上都得到了较大的提高。然后要研究出精度更高、效率和性能更好的算法仍是研究者们重要的目标。本文首先介绍径向基神经网络算法,深入研究RBF算法的原理,参数的设置、流程,接着探讨粒子群算法,研究它的算法思想运行模式以及标准算法得到的更新公式,最后通过粒子群算法对RBF神经网络进行优化。在深入分析粒子群算法后,针对粒子群算法出现的过早收敛和搜索能力差等问题,提出了一种改进的粒子群算法,通过非线性调整惯性权重和引入平均极值因子,来提高算法的搜索精度和能力。提出一种优化的PSO-RBF神经网络算法,将径向基神经网络与粒子群算法相结合,建立基于PSO算法的径向基神经网络模型。本文将优化的PSO-RBF神经网络模型运用于水质评价中,水质评价是一个复杂的过程具有非线性、不确定性、时变等特点,针对评价过程中精度不高、鲁棒性等特点,利用PSO算法对RBF神经网络进行优化,提高神经网络的精度和收敛速度,进而提高水质评价的准确性,并与传统的算法进行比较,证明本文算法的优越性和可靠性。
曹阳阳[5]（2019）在《基于RBF神经网络的燕山南麓水库群水质评价》文中提出本文依据水环境质量标准生成随机样本数据,应用RBF神经网络构建监测指标与水质量级之间的模式规则,以燕山南麓水库水质为研究对象,对库区水体质量予以量化评价。结果表明:库区水质属于II、III类,存在一定程度的化学污染,其经验可为其他地区的水质评价工作提供参考借鉴。
王亚琼[6]（2017）在《福州盆地中心区地下水水质时空分析及评价》文中认为福州盆地浅层地下水研究不足,开展该地区浅层地下水水质时空变化及评价研究,对开发利用和保护地下水具有重要意义。鉴于此,论文基于福州盆地中心区2010～2014年1月和7月浅层地下水水质监测及其他数据,综合采用统计学原理、空间分析技术、支持向量机、粒子群算法,分析福州盆地中心区浅层地下水水质时空变异特征,挖掘地下水水质单项指标影响因素,提出基于神经网络的水质空间插值模型,模拟地下水水质单项指标空间分布,构建基于粒子群优化的支持向量机方法,完成盆地中心区浅层地下水水质评价,取得结果如下:（1）论文采用统计学方法和空间分析技术研究福州盆地中心区地下水水质时空变异特征。分析表明,研究区硝酸根、氨氮、氟化物、总铁均存在不同程度的污染,且硝酸根、氟化物污染较为严重。总硬度、溶解性总固体、硝酸根含量上升趋势较大,晋安区南部与鼓楼区交界地带的地下水水质指标恶化较为明显。总硬度作为地下水水质的第一主因子受地质岩性和土壤类型的影响,溶解性总固体、氟化物作为水质的第二主因子受降水量、蒸发量和坡度的影响,三者的空间相关性较强;而硝酸根、氨氮、铁第三主因子主要受人类活动因子的影响。（2）结合已知参考点位和影响因素构建基于径向基神经网络的地下水水质单项指标空间插值模型。提取已知参考点与待插值点的空间距离和水质单项指标影响因素的相关性,作为径向基神经网络空间插值模型的输入因子,模拟水质指标的空间分布,通过交叉验证,方法模拟精度较好,效率高。总硬度以Ⅰ、Ⅱ类为主,溶解性总固体以Ⅱ、Ⅲ类水为主,在仓山区、鼓楼区及周围区域水质较差。总硬度和溶解性总固体虽未污染但恶化趋势严重。晋安区、鼓楼区与仓山区交界处的氟化物含量较高,存在污染现象,整体处于优化趋势。在研究区人类活动的密集区域,地下水的硝酸根含量超标,2011年起恶化趋势明显。氨氮和总铁的状态良好,同时也不断地趋好,铁呈现中心区水质差的分布特征。（3）构建基于粒子群优化的支持向量机水质评价模型,完成福州盆地中心区浅层地下水水质评价及水质时空分布特征分析。实验表明,标准支持向量机水质评价方法对恶化因子较为敏感,BP神经网络的不稳定性较大,所构建的水质方法评价结果与实际较为吻合。福州盆地中心区地下水水质综合状况一般,以Ⅲ类水为主,Ⅱ类水次之且离散分布于研究区,但所占比重减少显着。鼓楼区及其周围区域水质较差,是Ⅳ类水主要分布区域。近几年水质呈现恶化趋势,主要是由Ⅱ类水向Ⅲ类水变化。
马玲玲[7]（2015）在《辽宁省大伙房水库水源地安全评价研究》文中研究指明伴随经济的飞速发展,水环境问题日益显现,恶化的水环境不仅影响居民生活质量,甚至制约经济发展。大伙房水库是辽宁省的重要饮用水源地,近年其水环境质量受到了一定程度的影响。在此背景下,研究其水环境质量现状、预测水质变化趋势,评价水源地安全状况则显得尤为重要,既可以有针对性的提出水环境保护对策,又可以对水源地安全建设提供理论依据。本研究的主要内容及结论如下：（1）在收集了大伙房水库水质监测数据后,建立了基于模糊综合评价法的水质评价模型、基于BP神经网络的水质评价模型、基于灰关联分析的评价模型及基于主成份分析的评价模型,以地表水环境质量标准（GB3838-2002）为依据,水质等级共分为五级。四种方法的评价结果对比分析后得出,BP神经网络评价法和主成分分析法的评价结果基本相同,模糊综合评价法评价结果与他们接近,但评价结果略微偏低,而灰关联评价法的结果与另三种方法相差较大。评价结果表明：浑河是入库河流中污染最为严重的,不同评价方法评价结果分别为Ⅲ级或Ⅳ级,社河、苏子河也存在一定程度的污染,污染源主要为氮素,由化肥、农药、生活污水等非点源污染造成,库区内水质良好,但总氮含量亦较高。（2）应用BP神经网络预测法及灰色理论预测方法建立两个不同的水质预测模型。BP神经网络预测法选择了除抚顺取水口断面以外其它六个监测断面的2005年至2011年的水质污染指标数据作为输入样本建立网络,抚顺取水口断面的水质数据作为输出层神经元,模拟训练网络,2012年的数据用于验证网络。网络训练后,精度较好,相对误差在0.775%～9.07%之间。灰色预测理论是将原始无规律数据通过一定的处理变为较有规律的时间数据序列后,以微分形式建立出表达模型,各监测断面水质预测模型精度均达到90%以上。（3）界定了水源地安全的概念。根据可持续发展理论,以大伙房水库水源地的安全构成为基础,构建了目标层、准则层和指标层三个层次的指标体系。目标层为大伙房水库水源地安全等级；准则层为水质安全、水量安全、生态安全、工程安全、监控体系及管理体系六个方面；指标层为准则层向下的20个具体指标。参考国内外相关学者的研究,结合大伙房水库水源地自身环境状况制定各指标分级标准,并与水源地安全等级相对应的将每个指标分为Ⅰ（很高）、Ⅱ（高）、Ⅲ（中）、Ⅳ（低）、V（很低）五个等级。（4）通过层次分析法确定指标权重,各指标安全等级以隶属度表示,隶属度以定性及定量相结合的方式确定。最后通过综合评价法求得各准则层及水源地总体的安全等级,工程安全为“极高”水平,水质安全为“高”水平,水量安全、管理体系为“中”水平,生态安全、监控系统则为“低”水平,水源地总体安全等级在“高”与“中”之间,属于中等偏上安全水平。
聂志刚[8]（2014）在《粒子群改进算法及在人工神经网络中的应用研究》文中认为粒子群优化（PSO）算法属于经典的群智能算法，具有诸多特点，如参数较少、易于描述和实现、结构简单并且全局搜索能力较强等，因此，被广泛应用于多目标求解、模式识别、复杂函数优化等各个领域。但PSO算法也存在早熟收敛和局部搜索能力差等缺点，如求解高维复杂问题中，在没有搜索到全局最优时，粒子可能将聚集到某个位置停滞不动，即陷入早熟，早熟收敛将无法保证算法在搜索结束后一定能收敛到最优；另外，在搜索后期，也即粒子在极值点区域附近时，收敛速度明显变得缓慢，在寻优后期的粒子搜索能力较差。针对PSO算法的上述不足，学者们提出了许多改进策略的改进算法，使得算法不论是在性能上，还是在效率上都有较大提高。但研究适应性更广、精度更高、性能、效率和相关性更好的计算算法仍然是研究者的重要目标。本文为提高PSO算法的收敛速度和性能，提出一种改进PSO算法并应用到ANN训练，最后将模型应用于水质的评价。主要研究内容如下：（1）提出一种PSO改进算法。建立一种Lorenz混沌序列和权值自适应调整的PSO改进算法，简称LSAPSO算法。算法中，为提高算法的收敛速度，引入自适应权重调整策略；为权衡算法的开发能力与探索能力的同时，尽量避免算法出现早熟收敛，引入将混沌理论产生的混沌序列对开发和探索学习因子进行改进。最后通过对4个常用的多目标测试函数进行实例实验，并与经典的多目标求解算法NSGAII和多目标PSO算法进行性能比较。研究表明，LSAPSO算法的收敛速度较快，求解精度较高，多样性较好。（2）提出一种基于LSAPSO算法和RBF ANN的混合神经网络模型（HANN），简称LSAPSO RBF ANN模型。在LSAPSO RBF ANN中，将LSAPSO算法对RBF ANN的函数中心及扩展常数、网络权值进行优化。模型将各算法的优势相互结合与补充，因而提高的模拟性能。（3）建立了基于HANN的水质评价模型。通过实例验证了HANN模型在评价水质方面的可行性。通过与RBFANN和PSO RBFANN两模型的性能分析比较研究表明，HANN模型在水质评价上，预测精度和相关性上均表现较好。本文将PSO算法、Lorenz混沌理论、ANN等技术相结合，提出了一种改进的PSO算法和一个HANN水质评价模型。模型给水质评价等许多工业问题提供了一种有效可行且精度较高的预测方法，可供众多研究领域借鉴和参考，有很好的应用前景。
汤玉,帅琴,柴辛娜,汤志勇,邱海鸥[9]（2014）在《煤炭矿山水质评价探讨》文中指出评述并总结了煤炭矿区几种常用水质评价方法,主要包括:单因子评价法、内梅罗指数法、模糊综合评价法、灰色关联度法、主成分分析法和人工神经网络模型等,对绿色煤炭矿山水质评价发展趋势进行展望,为绿色煤炭矿山水质评价体系的建立和矿区水环境保护提供一定的参考。
崔东文[10]（2013）在《水质综合评价的LM-BP神经网络通用模型应用》文中指出分析BP神经网络应用于水质评价中存在的问题和目前水质评价中的不足,基于地表水环境质量分级标准和L-M算法原理,提出LM-BP神经网络水质综合评价通用模型。利用随机内插方法在地表水环境质量分级标准阈值间生成训练样本和检验样本,采用顺序和随机两种方法选取训练样本和检验样本进行随机模拟;利用平均相对误差、最大相对误差等统计指标评价LM-BP模型性能,并构建传统BP、RBF模型作为对比模型;以某水质评价实例进行模型验证,并与灰色关联分析法、模糊综合评判法和TOPSIS法评价结果进行比较。结果表明:LM-BP通用模型具有评价精度高、泛化能力强、收敛速度快、算法稳定和通用性能好等优点,可应用于任意水质评价。在实际应用中仅需对通用模型的评价因子、输入维数和隐含层神经元数进行删减即可满足评价要求。
二、RBF神经网络方法在水质评价中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、RBF神经网络方法在水质评价中的应用（论文提纲范文）
（1）桃林口水库水质评价与预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 水质评价的研究现状 |
| 1.2.2 水质预测的研究现状 |
| 1.2.3 水质预警的研究现状 |
| 1.3 主要研究内容 |
| 1.3.1 主要研究内容 |
| 1.3.2 技术路线 |
| 第2章 研究区域与方法 |
| 2.1 研究区概况 |
| 2.1.1 桃林口水库概况 |
| 2.1.2 桃林口水库气候特征 |
| 2.1.3 桃林口水库污染源分析 |
| 2.2 桃林口水库水质监测 |
| 2.2.1 监测水质指标 |
| 2.2.2 水质指标监测方法 |
| 2.2.3 监测断面 |
| 2.3 BP神经网络介绍 |
| 2.3.1 神经网络介绍 |
| 2.3.2 BP神经网络基本原理 |
| 2.3.3 BP神经网络学习算法 |
| 2.4 WASP水质模型介绍 |
| 2.4.1 WASP水质模型概述 |
| 2.4.2 WASP水质模型框架 |
| 2.4.3 WASP水质模型基本原理 |
| 第3章 桃林口水库水质评价研究 |
| 3.1 桃林口水库水质特征 |
| 3.2 单因子评价法 |
| 3.2.1 单因子评价方法 |
| 3.2.2 单因子评价法结果 |
| 3.3 综合污染指数法 |
| 3.3.1 综合污染指数评价方法 |
| 3.3.2 综合污染指数法评价结果 |
| 3.4 BP神经网络模型 |
| 3.4.1 BP神经网络模型评价方法 |
| 3.4.2 BP神经网络模型的建立 |
| 3.4.3 BP神经网络模型评价结果 |
| 3.5 本章小结 |
| 第4章 水质预测研究 |
| 4.1 水质预测模型的选择 |
| 4.2 基于BP神经网络模型的水质预测研究 |
| 4.2.1 研究数据选择 |
| 4.2.2 数据归一化处理 |
| 4.2.3 输入变量与输出变量的选择确定 |
| 4.2.4 网络层数和隐含层的确定 |
| 4.2.5 算法选择 |
| 4.3 基于WASP水质模型的桃林口水库水质模拟研究 |
| 4.3.1 研究数据 |
| 4.3.2 WASP水质模型建立 |
| 4.4 BP神经网络模型和WASP模型验证模拟与分析 |
| 4.4.1 总磷(TP)模拟验证结果分析 |
| 4.4.2 硝酸盐(NO_3-N)模拟验证结果分析 |
| 4.4.3 亚硝酸盐(NO_2-N)模拟验证结果分析 |
| 4.4.4 氨氮(NH_3-N)模拟验证结果分析 |
| 4.4.5 高锰酸盐指数(COD_(Mn))模拟验证结果分析 |
| 4.4.6 溶解氧(DO)模拟验证结果分析 |
| 4.4.7 五日生化需氧量(BOD_5)模拟验证结果分析 |
| 4.5 水质预警研究 |
| 4.5.1 水质监测 |
| 4.5.2 警度划分 |
| 4.5.3 水质预警的可视化实现 |
| 4.6 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 主要创新点 |
| 5.3 展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（2）人工景观水体水质评价与预测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内外水质评价研究现状 |
| 1.2.2 国内外水质预测研究现状 |
| 1.3 总结 |
| 第二章 水质监测 |
| 2.1 采样区域介绍 |
| 2.1.1 采样水域 |
| 2.1.2 镜湖的生态现状 |
| 2.1.3 采样区间和采样点的设置 |
| 2.2 采样指标选取 |
| 2.2.1 化学因素 |
| 2.2.2 物理因素 |
| 2.2.3 生物因素 |
| 2.3 指标采样方法介绍 |
| 2.3.1 可直接采集参数统计 |
| 2.3.2 其他参数数据采集及统计 |
| 2.4 本章小结 |
| 第三章 水质评价指标体系的建立 |
| 3.1 基于粗糙集理论的指标初选 |
| 3.1.1 粗糙集确定水质富营养化预测指标 |
| 3.1.2 粗糙集的使用 |
| 3.2 基于主成分分析法的指标筛选 |
| 3.2.1 主成分分析数学模型 |
| 3.2.2 数据标准化 |
| 3.2.3 建立变量的相关系数矩阵 |
| 3.2.4 确定主成分个数 |
| 3.2.5 计算因子载荷 |
| 3.3 评价指标权重的确定 |
| 3.3.1 确定权重的方法 |
| 3.3.2 群决策层次分析法 |
| 3.3.3 群决策层次分析法软件YAAHP |
| 3.4 水质综合评价模型 |
| 3.4.1 评价函数选取及评价标准确立 |
| 3.4.2 基于评价体系的实例分析 |
| 3.5 本章小结 |
| 第四章 基于多种组合预测模型的水质预测 |
| 4.1 采样数据处理 |
| 4.1.1 异常数据处理 |
| 4.1.2 采样数据分析 |
| 4.2 基于遗传算法优化BP神经网络的水质预测 |
| 4.2.1 BP神经网络原理 |
| 4.2.2 基于遗传算法改进的BP神经网络 |
| 4.2.3 基于GA-BP神经网络的叶绿素A含量预测 |
| 4.3 基于灰色理论结合RBF神经网络的水质预测 |
| 4.3.1 RBF神经网络 |
| 4.3.2 灰色理论结合RBF模型 |
| 4.3.3 基于灰色理论结合RBF模型的水质预测 |
| 4.4 基于粒子群算法优化支持向量机的水质预测 |
| 4.4.1 PSO算法 |
| 4.4.2 基于PSO优化的SVM算法 |
| 4.4.3. 基于PSO-SVM模型的预测 |
| 4.5 三种组合预测模型的对比 |
| 4.6 PSO-SVM模型适用性验证 |
| 4.7 基于水质预测结果的镜湖水质评价 |
| 4.7.1. 修正的卡尔森营养状态指数 |
| 4.7.2. 综合评价模型 |
| 4.8 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 在校期间发表过的学术论文与研究成果 |
（3）基于GIS的郯庐断裂带安徽段地下水水质空间分布特征分析与预测（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究目的与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 地下水化学研究现状 |
| 1.2.2 地下水水质评价研究现状 |
| 1.2.3 地下水水质预测研究现状 |
| 1.2.4 研究区地下水水质研究现状 |
| 1.3 研究内容和技术路线 |
| 1.3.1 研究内容和方法 |
| 1.3.2 技术路线 |
| 第二章 研究区概况 |
| 2.1 自然地理概况 |
| 2.1.1 地理位置 |
| 2.1.2 地形地貌 |
| 2.1.3 气象水文 |
| 2.2 地质背景 |
| 2.2.1 地层岩性 |
| 2.2.2 地质构造 |
| 2.3 水文地质概况 |
| 2.3.1 地下水含水系统 |
| 2.3.2 地下水补径排条件 |
| 2.3.3 郯庐断裂带控水作用 |
| 第三章 研究区地下水化学特征 |
| 3.1 主要水化学组分特征 |
| 3.1.1 统计特征 |
| 3.2 地下水水化学类型 |
| 3.2.1 地下水化学类型特征 |
| 3.2.2 地下水化学类型空间分布特征 |
| 3.3 本章小结 |
| 第四章 研究区地下水水质评价 |
| 4.1 基于单因子指标法的地下水水质评价 |
| 4.1.1 单因子指标评价方法 |
| 4.1.2 单因子评价结果分析 |
| 4.1.3 超标离子的空间分布特征 |
| 4.2 基于主成分分析的内梅罗指数法地下水水质评价 |
| 4.2.1 主成分分析方法简介 |
| 4.2.2 主成分分析结果 |
| 4.2.3 内梅罗指数法评价方法 |
| 4.2.4 内梅罗指数法评价结果 |
| 4.3 本章小结 |
| 第五章 研究区地下水水质预测 |
| 5.1 BP神经网络简介 |
| 5.1.1 BP神经网络的结构 |
| 5.1.2 BP神经网络的学习过程 |
| 5.2 基于BP神经网络的水质预测 |
| 5.2.1 数据预处理 |
| 5.2.2 BP神经网络结构确定 |
| 5.2.3 BP神经网络模型训练 |
| 5.2.4 BP神经网络模型的有效性检验 |
| 5.3 地下水水质预测成果分析 |
| 5.3.1 内梅罗指数法水质评价 |
| 5.3.2 地下水污染的防治建议 |
| 5.4 本章小结 |
| 第六章 成果与展望 |
| 6.1 主要成果 |
| 6.2 存在问题及建议 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（4）基于PSO算法的径向基神经网络优化设计及应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 RBF神经网络研究现状 |
| 1.2.2 粒子群算法研究现状 |
| 1.2.3 水质评价的研究现状 |
| 1.3 本文的主要研究内容和论文安排 |
| 1.3.1 本文的主要研究内容 |
| 1.3.2 本文的组织结构 |
| 第2章 径向基(RBF)神经网络和粒子群(PSO)算法 |
| 2.1 径向基(RBF)神经网络概述 |
| 2.1.1 RBF神经网络模型 |
| 2.1.2 RBF神经网络参数学习方法 |
| 2.1.3 有监督选取中心 |
| 2.1.4 正交最小二乘法RBF |
| 2.1.5 神经网络采用MATLAB实现 |
| 2.2 粒子群算法的基本原理 |
| 2.2.1 标准粒子群算法介绍 |
| 2.2.2 标准粒子群算法流程 |
| 2.2.3 粒子群算法MATLAB工具箱介绍 |
| 2.2.4 粒子群算法应用与发展趋势 |
| 2.2.5 PSO算法在RBF神经网络中的应用 |
| 2.3 本章小结 |
| 第3章 改进的PSO-RBF神经网络控制算法 |
| 3.1 PSO算法研究方法 |
| 3.1.1 PSO算法评价标准 |
| 3.2 改进的PSO算法 |
| 3.2.1 引入平均极值因子进行速度更新引入 |
| 3.2.2 指数函数调整惯性权重 |
| 3.3 改进PSO算法的性能测试 |
| 3.3.1 测试函数介绍 |
| 3.3.2 测试结果分析 |
| 3.4 改进的PSO-RBF神经网络 |
| 3.4.1 基于指数函数调整惯性权重的PSO-RBF神经网络模型 |
| 3.4.2 三种不同的RBF神经网络在函数逼近中的应用 |
| 3.5 本章小结 |
| 第4章 改进的PSO-RBF神经网络在水质评价中的应用研究 |
| 4.1 水质评价研究的意义 |
| 4.1.1 水质评价的模型介绍 |
| 4.1.2 水质评价的主要指标 |
| 4.1.3 水质评价的步骤 |
| 4.2 基于改进的PSO-RBF神经网络水质评价模型 |
| 4.2.1 网络节点数确定及评判方法 |
| 4.2.2 实例分析和数据处理 |
| 4.2.3 评价结果对比分析 |
| 4.2.4 实验结果分析 |
| 4.3 本章小结 |
| 第5章 结论与展望 |
| 参考文献 |
| 致谢 |
| 在学期间的科研情况 |
（5）基于RBF神经网络的燕山南麓水库群水质评价（论文提纲范文）
| 1 研究区概况 |
| 2 水质样本获取与测定 |
| 3 RBF神经网络方法水质评价 |
| 3.1 RBF神经网络原理 |
| 3.2 基于RBF神经网络水质综合评价流程 |
| 3.3 RBF神经网络水质综合评价结果与分析 |
| 3.3.1 库区水质监测描述统计分析 |
| 3.3.2 库区水质监测指标相关性分析 |
| 3.3.3 库区水质RBF神经网络法评价结果 |
| 3.4 RBF神经网络法评价可靠性比对 |
| 4 结论 |
（6）福州盆地中心区地下水水质时空分析及评价（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究进展 |
| 1.2.1 地下水水质空间插值 |
| 1.2.2 水质评价 |
| 1.3 研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第二章 研究区概况及数据收集与分析 |
| 2.1 研究区概况 |
| 2.1.1 研究区自然地理概况 |
| 2.1.2 地下水概况 |
| 2.2 数据来源 |
| 2.3 水质指标的选择及统计 |
| 2.3.1 水质指标的选择 |
| 2.3.2 水质指标的统计数据 |
| 2.4 水质指标的时空变异分析 |
| 2.4.1 水质指标时间变异分析 |
| 2.4.2 水质 指标的空间变异分析 |
| 2.5 地下水水质影响因子分析 |
| 2.5.1 相关性检验 |
| 2.5.2 公因子提取 |
| 2.5.3 公因子解释 |
| 2.5.4 地下水质影响因素分析 |
| 2.6 水质影响因子数据处理 |
| 2.6.1 月降水量数据处理 |
| 2.6.2 月蒸发量数据处理 |
| 2.6.3 土壤类型数据处理 |
| 2.6.4 地质岩性数据处理 |
| 2.6.5 城市内河数据处理 |
| 2.6.6 人类活动密度数据处理 |
| 2.7 本章小结 |
| 第三章 基于RBF的地下水水质空间插值 |
| 3.1 RBF空间插值原理 |
| 3.1.1 RBF网络输入层处理方法 |
| 3.1.2 径向基神经网络 |
| 3.2 RBF神经网络模型构建 |
| 3.2.1 RBF神经网络输入输出因子确定 |
| 3.2.2 数据预处理 |
| 3.3 RBF神经网络训练与预测 |
| 3.3.1 RBF神经网络训练 |
| 3.3.2 RBF神经网络预测 |
| 3.4 误差分析 |
| 3.5 地下水水质空间分布特征 |
| 3.5.1 总硬度空间分布特征 |
| 3.5.2 溶解性总固体空间分布特征 |
| 3.5.3 氟化物空间分布特征 |
| 3.5.4 硝酸根空间分布特征 |
| 3.5.5 氨氮空间分布特征 |
| 3.5.6 总铁空间分布特征 |
| 3.6 本章小结 |
| 第四章 基于优化支持向量机地下水水质评价 |
| 4.1 支持向量机算法 |
| 4.1.1 支持向量机理论 |
| 4.1.2 最优分类超平面 |
| 4.1.3 线性支持向量机 |
| 4.1.4 非线性支持向量机 |
| 4.1.5 核函数 |
| 4.1.6 支持向量机参数的影响 |
| 4.2 粒子群算法优化支持向量机 |
| 4.2.1 粒子群算法原理 |
| 4.2.2 粒子群优化支持向量机分类参数步骤 |
| 4.3 基于PSO-SVM的地下水水质综合评价 |
| 4.3.1 地下水水质分类及指标 |
| 4.3.2 PSO-SVM与其他方法评价结果对比 |
| 4.3.3 基于PSO-SVM研究区地下水水质评价结果及分析 |
| 4.4 地下水水质变化原因分析 |
| 4.5 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间的研究成果及发表的学术论文 |
（7）辽宁省大伙房水库水源地安全评价研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究的目的与意义 |
| 1.2 国内外研究进展 |
| 1.2.1 水质评价方法研究进展 |
| 1.2.2 水质预测方法研究进展 |
| 1.2.3 水源地安全评价研究进展 |
| 1.3 研究内容及技术路线 |
| 1.3.1 主要研究内容 |
| 1.3.2 技术路线 |
| 第二章 研究区域概况 |
| 2.1 研究区域概况 |
| 2.1.1 自然地理概况 |
| 2.1.2 气候条件 |
| 2.1.3 地质与地貌 |
| 2.1.4 水系概况 |
| 2.1.5 土壤与植被 |
| 2.2 研究区域断面布设及水质现状 |
| 2.2.1 监测断面布设与监测指标 |
| 2.2.2 大伙房水库水质变化概况 |
| 2.2.3 污染物来源 |
| 2.3 本章小结 |
| 第三章 大伙房水库水质现状评价 |
| 3.1 基于模糊综合评价法的水质评价 |
| 3.1.1 模糊综合评价法原理 |
| 3.1.2 模糊综合评价模型的建立 |
| 3.1.3 模型应用 |
| 3.2 基于BP神经网络模型的水质评价 |
| 3.2.1 BP神经网络模型原理 |
| 3.2.2 BP神经网络模型的建立 |
| 3.2.3 模型应用 |
| 3.3 基于灰关联评价法的水质评价 |
| 3.3.1 灰关联评价法的原理 |
| 3.3.2 灰关联评价模型的建立 |
| 3.3.3 模型应用 |
| 3.4 基于主成分分析的水质评价 |
| 3.4.1 主成分分析的原理 |
| 3.4.2 主成分分析评价模型的建立 |
| 3.4.3 模型应用 |
| 3.5 四种水质评价方法对比分析 |
| 3.6 本章小结 |
| 第四章 大伙房水库水质模拟预测 |
| 4.1 基于BP神经网络的水质模拟预测 |
| 4.1.1 基于BP神经网络的水质模拟预测模型的建立 |
| 4.1.2 大伙房水库水质模拟预测 |
| 4.1.3 水质模拟预测模型的验证 |
| 4.2 基于灰色预测理论的水质模拟预测 |
| 4.2.1 基于灰色预测理论的水质模拟预测模型的建立 |
| 4.2.2 大伙房水库水质模拟预测 |
| 4.3 两种预测方法对比分析 |
| 4.4 本章小结 |
| 第五章 大伙房水库水源地安全评价研究 |
| 5.1 水源地安全评价指标体系的构建 |
| 5.1.1 指标体系构建原则 |
| 5.1.2 指标体系构建依据 |
| 5.1.3 指标体系结构 |
| 5.1.4 水源地各指标的确定依据及评分标准 |
| 5.2 水源地安全评价方法 |
| 5.2.1 评价方法的选取 |
| 5.2.2 层次分析法简介 |
| 5.2.3 隶属度的确定 |
| 5.3 大伙房水库水源地安全评价 |
| 5.3.1 评价时间段 |
| 5.3.2 评价指标权重的确定 |
| 5.3.3 评价指标隶属度的确定 |
| 5.3.4 评价结果与分析 |
| 5.4 本章小结 |
| 第六章 大伙房水库水源地保护对策研究 |
| 6.1 大伙房水库水源保护经验 |
| 6.2 大伙房水库水源地保护对策研究 |
| 6.2.1 水质安全建设 |
| 6.2.2 水量安全建设 |
| 6.2.3 生态安全建设 |
| 6.2.4 监控体系、管理体系安全建设 |
| 6.2.5 防护工程安全建设 |
| 6.3 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表文章 |
（8）粒子群改进算法及在人工神经网络中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状分析 |
| 1.3 研究内容 |
| 1.4 论文组织结构 |
| 1.5 本章小结 |
| 第二章 粒子群算法 |
| 2.1 概述 |
| 2.2 标准 PSO 算法 |
| 2.3 算法的数学描述 |
| 2.4 优势和局限性 |
| 2.5 应用与发展趋势 |
| 2.6 本章小结 |
| 第三章 粒子群改进算法 |
| 3.1 粒子群算法改进策略 |
| 3.1.1 参数调整策略 |
| 3.1.2 增加粒子种群多样性策略 |
| 3.2 粒子群改进算法 |
| 3.3 算法性能测试实验 |
| 3.3.1 实验函数与评价 |
| 3.3.2 实验结果 |
| 3.4 本章小结 |
| 第四章 粒子群改进算法在人工神经网络中的应用 |
| 4.1 径向基人工神经网络 |
| 4.2 基于粒子群改进算法的径向基人工神经网络模型 |
| 4.3 模型在水质评价中的应用 |
| 4.3.1 问题背景 |
| 4.3.2 理论模型与评价 |
| 4.3.3 实验数据及预处理 |
| 4.3.4 模型结构 |
| 4.3.5 评价结果与讨论 |
| 4.4 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
（9）煤炭矿山水质评价探讨（论文提纲范文）
| 1 煤炭矿区水质评价方法现状 |
| 1.1 单因子评价法 |
| 1.2 内梅罗指数法 |
| 1.3 模糊综合评价法 |
| 1.4 灰色关联度法 |
| 1.5 主成分分析法 |
| 1.6 人工神经网络模型 |
| 2 煤炭矿区水质评价方法小结及发展趋势 |
| 3 展望 |
（10）水质综合评价的LM-BP神经网络通用模型应用（论文提纲范文）
| 1 LM-BP算法原理 |
| 2 LM-BP水质评价通用模型 |
| 2.1 评价指标的选取 |
| 2.2 评价的实现 |
| 2.2.1 评价因子的标准化处理 |
| 2.2.2 样本及输出设计 |
| 2.2.3 模型性能评价 |
| 2.2.4 网络训练及评价 |
| 2.3 通用模型的实际应用步骤 |
| 3 实例应用 |
| 3.1 数据来源 |
| 3.2 LM-BP评价模型的调整 |
| 3.3 评价结果及分析 |
| 4 结语 |
四、RBF神经网络方法在水质评价中的应用（论文参考文献）
- [1]桃林口水库水质评价与预测研究[D]. 戴天骄. 天津大学, 2019(01)
- [2]人工景观水体水质评价与预测研究[D]. 王雪茹. 广西大学, 2019(01)
- [3]基于GIS的郯庐断裂带安徽段地下水水质空间分布特征分析与预测[D]. 卫佳佳. 合肥工业大学, 2019(01)
- [4]基于PSO算法的径向基神经网络优化设计及应用研究[D]. 夏金红. 西华师范大学, 2019(12)
- [5]基于RBF神经网络的燕山南麓水库群水质评价[J]. 曹阳阳. 水资源开发与管理, 2019(02)
- [6]福州盆地中心区地下水水质时空分析及评价[D]. 王亚琼. 福州大学, 2017(05)
- [7]辽宁省大伙房水库水源地安全评价研究[D]. 马玲玲. 沈阳农业大学, 2015(12)
- [8]粒子群改进算法及在人工神经网络中的应用研究[D]. 聂志刚. 南昌大学, 2014(05)
- [9]煤炭矿山水质评价探讨[J]. 汤玉,帅琴,柴辛娜,汤志勇,邱海鸥. 环境科学与技术, 2014(S1)
- [10]水质综合评价的LM-BP神经网络通用模型应用[J]. 崔东文. 水资源保护, 2013(06)