- 1、本文档共14页,可阅读全部内容。
- 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
基于智能计算的影响河流水质的分类预测.doc
------------------------------------------------------------------------------------------------
——————————————————————————————————————
基于智能计算的影响河流水质的分类预测
摘 要:为了有效地控制和治理河流水体污染,保障水资源的可持续利用,了解水资源现状及
发展变化趋势,增加水质预测系统具有十分重要的现实意义。基于影响水体水质的因素众多以
及BP网络存在的局限性,建立主成分分析法、BP神经网络、遗传算法结合的水质分类预测模
型。本文首先采用主成分分析法进行降维,提高BP网络训练速度。采用遗传算法优化BP网络
的参数,优化出全局最优的网络参数,提高水质预测分析的精度。该模型利用太湖某断面的水
质指标实测数据进行训练和仿真。研究结果表明:23个指标因素可压缩为15个综合指标,未污
染水质的仿真个数为124,预测正确为100,准确率为80.65%;污染水质的仿真个数为44,预
测正确为41,准确率为93.18%。总体预测率约为83%。
关键词:主成分分析;BP神经网络;遗传算法;水质预测
中图分号类: 文献标识码:A
Based on Intelligent Computing the Classification of
River Water Quality Forecasting
Abstract: In order to effectively control and river water pollution control, protection and sustainable utilization of water resources, understanding of situation and development trend of water resources, increasing water quality forecast system has great practical significance. Based on the factors that affect the water quality of many existing limitations and BP network, the establishment of principal component analysis, BP neural network, genetic algorithm classification of water quality prediction model. Firstly, using principal component analysis to reduce the dimensionality and improve the training speed of BP network. BP network using genetic algorithm to optimize the parameters to optimize the global optimum of the network parameters to improve the accuracy of prediction of water quality. In this model, the water quality of Taihu Lake in a section of the measured data for training and simulation. The results show that: compressibility factor of 23 to 15 indicators of composite indicator, the number of uncontaminated water quality simulation 124, 100 prediction is correct, accuracy was 80.65%; pollution, water quality simulation number 44, correctly predicted 41 , accuracy was 93.18%. Overall prediction rate of about 83%.
Keywords: Principal components analysis; BP neural network; Genetic a
文档评论(0)