导读:本文包含了水质预测模型论文开题报告文献综述、选题提纲参考文献，主要关键词:水质,模型,神经网络,算法,秦淮河,湘江,灰色。
水质预测模型论文文献综述写法
肖金球,周翔,潘杨,冯威,陈多观[1]（2019）在《GA-BP优化TS模糊神经网络水质监测与评价系统预测模型的应用——以太湖为例》一文中研究指出针对水质监测与评价系统在太湖应用过程中水质数据和水质等级评价不准确的问题,建立了一种多隐含层改进型GA-BP神经网络来辨识复杂的水质模型,以均方误差MSE作为个体适应度,并在权值调整过程中加入动量因子来加快收敛速度,获取最优权阈值,提高其拟合程度和泛化能力.根据校准后水质的pH、溶解氧、浊度和氨氮数据,利用TS模糊神经网络建立了适用于当地水质评价的模型.仿真测试结果充分说明改进型GA-BP优化TS模糊神经网络对复杂水质模型的拟合程度更高,水质数据的均方误差、绝对误差更小,绝对误差保持在1.5%以内,水质等级预测精度提高14.28%.(本文来源于《西南大学学报(自然科学版)》期刊2019年12期）
孟凡瑞[2]（2019）在《基于循环浓缩水质模型的城镇污水回用率预测方法研究》一文中研究指出对城镇污水的回用率预测数据来源取自水质监测点的2017年～2019年4月的监测数据,采用量化统计回归分析方法建立城镇污水回用率预测的大数据分析模型,分析城镇污水中的PH、高锰酸盐指数、化学需氧量、磷氧化物、生物氧化物等参数指标,根据不同污染源排放特性,从水溶液中萃取污染物质,构建循环浓缩水质模型,实现对城镇污水的回收利用,结合复合污染吸附、生物降解和氧化还原等方法,实现城镇污水净化处理,由此实现城镇污水回用率预测。(本文来源于《环境科学与管理》期刊2019年10期）
刘阳[3]（2019）在《灰色模型在水库水质预测中的应用研究》一文中研究指出结合灰色模型对辽宁中部某水库水质进行预测。预测结果表明:灰色模型在水库水质预测中具有较好的精度,水质预测误差总体小于30%,符合水质预测规范要求。(本文来源于《水土保持应用技术》期刊2019年05期）
莫燕[4]（2019）在《水质预测模型在人工湖生态修复工程中的应用》一文中研究指出城市景观水体作为展示城市形象的重要元素,对其水质的改善不仅能造福后代,同时也可促进城市发展。文章以此为切入点,研究分析水质预测模型在人工湖生态修复工程中的应用,并通过实例分析,得出了水质预测模型在人工湖生态修复工程中的应用效果。(本文来源于《住宅与房地产》期刊2019年18期）
涂吉昌,陈超波,王景成,王召,叶强强[5]（2019）在《基于深度学习的水质预测模型研究》一文中研究指出水环境中水质参数存在非线性、随机性以及依赖性,传统水质预测模型预测精度及鲁棒性普遍不高,为了优化与提高水质预测模型的预测精度,该文提出了一种基于深度学习的门控型循环神经网络的水质预测模型。通过探究循环神经网络的最佳网络结构数以及隐含层存储单元个数,结合上海市金泽水库真实监测数据,建立基于门控型循环神经网络(GRU)的水质预测模型。结果表明,与传统的ARIMA和SVR等水质预测模型相比,基于GRU网络的水质预测模型显着提高了水质预测的精确度,能够更好地逼近水质数据真实值,是一种预测精度高且鲁棒性好的水质预测模型。(本文来源于《自动化与仪表》期刊2019年06期）
金昌盛,邓仁健,刘俞希,任伯帜[6]（2019）在《基于奇异谱分析—遗传算法反向传播神经网络模型的湘江新港断面水质预测》一文中研究指出运用奇异谱分析(SSA)对湘江新港断面557周的pH、DO、高锰酸盐指数和氨氮数据进行了预处理,再运用遗传算法优化反向传播神经网络模型进行拟合与预测。结果表明:SSA有较好的降噪能力,遗传算法反向传播(GABP)神经网络模型相比BP神经网络模型均方根误差(RMSE)平均缩小了6.96%,具有良好的预测精度;预测期内新港断面的pH、DO、高锰酸盐指数、氨氮均能满足《地表水环境质量标准》(GB 3838—2002)Ⅲ类标准,但氨氮在预测期内呈上升趋势,需警惕氨氮浓度过高引发的水污染问题。(本文来源于《环境污染与防治》期刊2019年06期）
张丽娜[7]（2019）在《基于RBF神经网络的水质预测模型研究》一文中研究指出近年来,我国的不断发展也伴随着污染的不断加重,叁峡库区也出现了许多水质问题。据调查发现受长江富营养化水质的输入和周边人类活动产生的输入等原因的共同影响,有超过80%的叁峡库区支流出现水体富营养化,爆发多次水华等水质问题。这些问题已经严重影响到叁峡库区水环境的安全和当地人民的生活,成为了城市建设过程中的重大阻碍。为解决这些问题,本文对收集到的叁峡典型支流—朱衣河的水质数据进行分析。这些因素在水体中发生物理和化学变化影响着水质,其背后潜藏着大量有价值的信息,而如何从这些数据中挖掘出这些有价值的信息,找出隐含的规律性信息,并据此来预测未来水质变化的趋势,已成为水污染综合治理的首要前提,更是库区水质安全管理中不可或缺的一部分。本文研究朱衣河水质数据,发现数据之间具有时间上关系的特性,应使用时间序列分析法对其水质数据进行分析与预测。这种分析方法不强制要求数据具有时序外的其他特性,只要序列中数据之间有时间上的依赖关系就可以使用。通过对本文研究的朱衣河水质数据进行分析,发现本文研究的水质数据是非线性且不平稳的时间序列。因此,使用了时间序列分析中针对非线性数据的ARIMA模型。但该模型在非线性数据预测上有一定的局限性。针对这一问题,本文提出一种基于RBF神经网络的水质预测模型。该预测模型采用用高斯函数作为隐含层基函数,通过正交最小二乘(OLS)中心选取法选取基函数的中心。进行仿真实验后发现,该模型预测精度良好,能够预测出数据未来的变化趋势。但该模型也存在陷入局部最优,错过最佳模型的问题。为此本文使用优化算法中的粒子群优化算法对RBF神经网络中的中心和宽度进行优化。本文研究ARIMA预测模型、RBF神经网络预测模型和基于粒子群优化算法改进的RBF神经网络预测模型,在朱衣河营养盐浓度预测中的适用性,并进行比较。根据历史数据对叁种预测模型进行仿真,并通过平均误差和均方根误差的比较,发现基于粒子群优化算法改进的RBF神经网络预测模型,具有较强的预测精度和良好的推广能力,更适合水质时序数据的预测。该模型具有一定的推广价值,不仅为水质安全管理决策提供更有力的数据支持,对库区水环境保护和保障沿海地区的可持续发展也具有重要的理论和现实意义。(本文来源于《河北工程大学》期刊2019-06-01）
伏吉祥[8]（2019）在《基于RDPSO结构优化的叁隐层BP神经网络水质预测模型及应用》一文中研究指出提出基于随机漂移粒子群(RDPSO)算法结构优化的叁隐层BP神经网络水质预测方法,利用RDPSO算法优化叁隐层BP神经网络隐层节点数,构建叁隐层RDPSO-BP水质预测模型,并与基于单隐层、双隐层节点优化的RDPSO-BP神经网络、基于网络权值阈值优化的RDPSO-BP神经网络预测模型作对比,以云南省五里冲水库总氮预测为例进行实例研究,利用实例60个月的总氮监测资料对此4种模型进行训练和预测。结果显示,叁隐层RDPSO-BP神经网络模型对总氮预测的平均相对误差绝对值为6.98%,预测精度远高于其他3种模型,具有较好的预测精度和泛化能力。模型及方法可为相关水质预测研究提供参考。(本文来源于《人民珠江》期刊2019年04期）
胡祉冰,逄勇,宋为威,邵咏絮[9]（2019）在《灰色系统动态模型群GM(1,1)在秦淮河水质预测中的应用》一文中研究指出为了较为准确预测水质,基于灰色系统理论建立灰色系统动态模型群,采用对数变换的方式对原始数据进行光滑处理,借以减弱数据波动带来的不利影响,是对常规灰色系统动态模型的改进。结合秦淮河上游源头句容河2011～2016年高锰酸盐指数,运用灰色系统动态模型群对2017年高锰酸盐指数进行预测。预测结果表明误差在1.24%以内,表明灰色系统动态模型群GM(1,1)用于水质预测较为准确。该模型可应用于南京市水质预测,对水环境管理具有指导意义。(本文来源于《四川环境》期刊2019年01期）
刘晶晶,庄红,铁治欣,程晓宁,丁成富[10]（2019）在《K-Similarity降噪的LSTM神经网络水质多因子预测模型》一文中研究指出针对水质预测问题,以地表水水质监测因子作为研究对象,提出了一种基于长短期记忆(LSTM)神经网络的水质多因子预测模型,同时利用提出的K-Similarity降噪法对模型的输入数据进行降噪,提高模型预测性能.通过与BP神经网络、RNN和传统的LSTM神经网络预测模型进行对比实验,证明了所提出的方法均方误差最小,预测结果更准确.(本文来源于《计算机系统应用》期刊2019年02期）
水质预测模型论文开题报告范文
（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：
对城镇污水的回用率预测数据来源取自水质监测点的2017年～2019年4月的监测数据,采用量化统计回归分析方法建立城镇污水回用率预测的大数据分析模型,分析城镇污水中的PH、高锰酸盐指数、化学需氧量、磷氧化物、生物氧化物等参数指标,根据不同污染源排放特性,从水溶液中萃取污染物质,构建循环浓缩水质模型,实现对城镇污水的回收利用,结合复合污染吸附、生物降解和氧化还原等方法,实现城镇污水净化处理,由此实现城镇污水回用率预测。
（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。
水质预测模型论文参考文献
[1].肖金球,周翔,潘杨,冯威,陈多观.GA-BP优化TS模糊神经网络水质监测与评价系统预测模型的应用——以太湖为例[J].西南大学学报(自然科学版).2019
[2].孟凡瑞.基于循环浓缩水质模型的城镇污水回用率预测方法研究[J].环境科学与管理.2019
[3].刘阳.灰色模型在水库水质预测中的应用研究[J].水土保持应用技术.2019
[4].莫燕.水质预测模型在人工湖生态修复工程中的应用[J].住宅与房地产.2019
[5].涂吉昌,陈超波,王景成,王召,叶强强.基于深度学习的水质预测模型研究[J].自动化与仪表.2019
[6].金昌盛,邓仁健,刘俞希,任伯帜.基于奇异谱分析—遗传算法反向传播神经网络模型的湘江新港断面水质预测[J].环境污染与防治.2019
[7].张丽娜.基于RBF神经网络的水质预测模型研究[D].河北工程大学.2019
[8].伏吉祥.基于RDPSO结构优化的叁隐层BP神经网络水质预测模型及应用[J].人民珠江.2019
[9].胡祉冰,逄勇,宋为威,邵咏絮.灰色系统动态模型群GM(1,1)在秦淮河水质预测中的应用[J].四川环境.2019
[10].刘晶晶,庄红,铁治欣,程晓宁,丁成富.K-Similarity降噪的LSTM神经网络水质多因子预测模型[J].计算机系统应用.2019