基于DSA-ELM模型的地表水质评价技术研究

发布时间：2020-10-26 09:47

　　 水质评价在水环境的监测和治理中起着重要的作用。水质评价的常用方法有单因子指数评价法、水污染指数评价法、综合污染指数评价法、模糊综合评价法、主成分分析评价法、神经网络评价法等~([1])。神经网络评价法准确率高,并行分布处理及存储能力强,鲁棒能性和容错性能好,并且能充分逼近复杂非线性关系,具备联想记忆的功能,被广泛用于分类评价中。但是随着研究的深入,传统神经网络模型处理问题的缺陷也显现出来,例如学习收敛速度慢、节点冗余、网络复杂、需不断调节连接权值等。为了克服以上缺陷,建立了一种海豚群优化的极限学习机模型,并将优化的模型用于水质评价。主要研究内容有:1、分析了《地表水环境质量标准》(GB3838-2002)中的地表水质指标要求,介绍了水质等级的分类标准,分析了几个主要指标的检测方法,针对水质pH指标,设计了基于pH传感器和单片机的水质数据检测电路,提供了一种实用可行的pH值检测方法。2、根据海豚群的捕食生活习性,介绍了一种优化的仿生群智能算法海豚群算法(DSA),分析了海豚群算法的主要思想和算法步骤,与传统的粒子群算法(PSO)比较发现,海豚群算法在对函数的寻优迭代中有一定的优越性。为了克服传统极限学习机(ELM)模型的缺陷,提出了将海豚群算法用于优化极限学习机的思想,建立了海豚群优化的极限学习机(DSA-ELM)模型,新模型只需设置较少的隐含层节点个数就能够获得最优解。3、将DSA-ELM模型用于水质的评价。根据国标规定,选取了“全国主要流域重点断面水质自动监测周报”中的淮河流域水质数据酸碱度(pH)、溶解氧(DO)、氨氮(NH_3-N)、高锰酸盐指数(CODMn)四项主要水质评价指标作为评价因子,运用DSA-ELM模型对淮河流域18个断面的水质进行等级分类评价,并通过对比实验看出,DSA-ELM模型在准确率、隐含层节点个数、运行时间、训练误差、稳定性上都有很大的优势,通过对3个断面20周水质数据的评价结果验证其准确性,结果证明该模型准确率高,运行时间短,是一种适用于水质评价并具有优越性的新模型。4、设计制作了LabVIEW水质评价结果显示平台,包括用户登录系统和水质评价界面显示,进行LabVIEW和matlab混合编程,利用matlab script脚本节点实现水质数据处理评价,用户在水质评价结果显示界面查看周次、水质数据、评价结果和变化趋势图。设计了水质限值报警显示,并通过GSM模块将报警信息以短信形式发送给用户,建立了数据显示表格,具有数据汇总和导出功能,以供用户方便查看。本文的研究表明,DSA-ELM模型用于水质评价具有可行性和优越性,其评价准确率高,运行时间短,可用于实际的水质评价应用中,并结合LabVIEW水质评价结果界面显示,直观展示水质情况,为水质评价技术的发展提供了一种新的方法。
【学位单位】：中国计量大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP18;X824
【文章目录】：
致谢
摘要
Abstract
1. 绪论
    1.1. 研究背景
    1.2. 研究现状
        1.2.1. 国外研究现状
        1.2.2. 国内研究现状
    1.3. 研究意义与内容
2. 水质评价分析
    2.1. 水质指标概述
        2.1.1. 水质评价标准和指标
        2.1.2. 水质指标检测方法
    2.2. 水质p H检测电路设计
        2.2.1. p H传感器和微处理器芯片选取
        2.2.2. 模块电路设计
        2.2.3. 定标与数据处理
        2.2.4. 编程及实物
    2.3. 本章小结
3. DSA-ELM模型优化建立
    3.1. 神经网络应用分析
    3.2. 极限学习机模型（ELM）
    3.3. 海豚群算法（DSA）
        3.3.1. DSA基本思想
        3.3.2. DSA算法实现
        3.3.3. 海豚群算法性能对比分析实验
    3.4. 海豚群优化的极限学习机模型（DSA-ELM）
        3.4.1. ELM模型缺陷分析
        3.4.2. DSA-ELM模型优化思想
        3.4.3. DSA-ELM模型建立
    3.5. 本章小结
4. DSA-ELM模型在水质评价中的应用
    4.1. 水质评价指标及数据选取
    4.2. 基于DSA-ELM、PSO-ELM和ELM模型的水质评价结果对比
        4.2.1. 水质评价准确率对比实验
        4.2.2. 连接权值和阈值
        4.2.3. 运行时间差异分析
        4.2.4. 训练误差随隐含层变化对比
        4.2.5. 稳定性对比
    4.3. 基于DSA-ELM模型的水质评价结果分析
        4.3.1. 泗洪大屈水质评价
        4.3.2. 淮南石头埠水质评价
        4.3.3. 盱眙淮河大桥水质评价
    4.4. 本章小结
5. Lab VIEW水质评价显示平台
    5.1. Lab VIEW介绍
    5.2. 用户登录系统
    5.3. 水质评价显示
        5.3.1. matlab脚本数据处理
        5.3.2. 数据评价显示界面设计
        5.3.3. 限值报警设计
        5.3.4. 表格汇总设计
    5.4. 本章小节
6. 总结与展望
    6.1. 工作总结
    6.2. 前景展望
参考文献
作者简历

【相似文献】

相关期刊论文 前10条

1 蒋宝林;;模糊数学在句容河水质评价中的应用[J];黑龙江环境通报;2019年03期

2 栾芳芳;;模糊综合评判法在密云水库水质评价中的应用[J];北京水务;2016年06期

3 梁薇;唐冰;;优势关系和优劣解距离法在南宁内河水质评价中的应用[J];广西水利水电;2016年06期

4 周可婧;杨日剑;;基于熵权的主成分分析法在村镇水质评价中的应用[J];绿色科技;2017年16期

5 董婉;阳许军;鲁辉;;基于灰色关联度推理的水质评价系统分析[J];电子测试;2017年18期

6 夏丽爽;万鲁河;;基于GIS的水环境管理信息系统的探析[J];城市地理;2016年22期

7 符明俊;;基于模糊数学在地表水质评价中的应用[J];城市地理;2016年10期

8 王怀柏;李跃奇;李儒道;;关于水质评价问题的探讨[J];水利技术监督;2011年04期

9 路明娟;模糊数学在水质评价中的应用[J];甘肃科技;2000年04期

10 阎平,王福庆,房春生,王菊,于连生,马小凡,刘人和,王宪恩,冯月萍;σ指数在水质评价中的应用[J];吉林大学自然科学学报;1999年01期

相关博士学位论文 前10条

1 高学民;长江沿程河湖及城市内河水质评价与模拟研究[D];北京大学;2000年

2 马太玲;湖库水质评价及水质模拟预测方法研究[D];内蒙古农业大学;2007年

3 王小云;流域环境泥沙氮、磷平衡吸附与饮用水源地水质评价[D];浙江大学;2012年

4 郑兰香;宁夏典型抽水型水库水质评价及模拟预测研究[D];宁夏大学;2017年

5 马玲玲;辽宁省大伙房水库水源地安全评价研究[D];沈阳农业大学;2015年

6 王丹;三峡库区氮、磷面源污染负荷模拟及水质评价[D];西南大学;2016年

7 李伟;苕溪流域地表水水质综合评价与非点源污染模拟研究[D];浙江大学;2013年

8 高彦伟;地下水污染评价中统计理论和应用研究[D];吉林大学;2010年

9 赵慧;关中盆地地下热水地球化学及其开发利用的环境效应研究[D];长安大学;2009年

10 李如忠;河流水环境系统不确定性问题研究[D];河海大学;2004年

相关硕士学位论文 前10条

1 章凌曦;皖江经济带地表水水质特征及典型流域水质评价研究[D];合肥工业大学;2019年

2 英士娟;三峡库区甘井河水域牧场生态系统健康评价研究[D];西南大学;2019年

3 王雪茹;人工景观水体水质评价与预测研究[D];广西大学;2019年

4 关磊声;大同口泉沟-云冈沟矿区煤矿采空区水水质评价[D];安徽理工大学;2019年

5 严红梅;基于DSA-ELM模型的地表水质评价技术研究[D];中国计量大学;2018年

6 薛倩;基于海绵城市运行评估的水质评价案例研究[D];山东建筑大学;2019年

7 李茜茜;沁河流域晋城段水质评价及影响因素分析[D];山西财经大学;2019年

8 陆娇;湘江长沙综合枢纽上下游浮游生物群落结构动态分布特征及水质评价[D];湖南师范大学;2019年

9 叶帮玲;湘江长沙段水质评价与风险评估研究[D];湖南师范大学;2019年

10 董婉;基于灰色关联度推理的水质评价管理系统的研究与应用[D];武汉邮电科学研究院;2018年

本文编号：2856837