淮河蚌埠段水环境非线性特征分析与水质预测研究

发布时间：2020-05-08 07:51

【摘要】：水环境管理通常包括水质管理和水资源量管理。水环境系统是一个复杂的动态系统，与外界不断进行物质和能量的交换，它具有复杂性属性。对于水环境系统，人们对水环境的内部机制和外部环境的影响和作用机理以及内部和外部的耦合机制以及相互作用尚不清楚的情况下，运用传统的研究方法对水环境管理开展研究显得十分有限。淮河是一个开放的非线性系统，对其水环境非线性特征进行研究，并选择合适的水质预测方法，具有一定的理论和实践意义。本文在分析河流水环境系统非线性特征的基础上，以淮河蚌埠段为例，研究了其水质的单因素与多因素预测。（1）河流主要污染因子提取。基于粗糙集理论思想，利用不确定性的近似分类，分析淮河水质数据及其分类关系，客观地确定出淮河干流蚌埠段的主要污染因子及其造成的污染河流的贡献率。（2）对河流的主要污染因子变化趋势和突变特征分析。淮河污染物浓度有年际变化规律，突变部分是重要信息，往往是严重污染的状态点。小波分析确定出淮河干流蚌埠段主要的污染物年际变化规律和突变特征，提供了一个进一步污染预测和控制的重要依据。（3）单因素污染因子预测。非线性时间序列预测和轨迹预测在小样本数据的情况下也很有效。分形理论用于单因子污染因子的水质模拟。分形插值函数插值于历史数据，保存演变过程中的一些确定性的东西，由迭代生成过程得出在确定性基础之上的充分的随机行为。实际应用表明，变维分形理论用于水质预测是可行的，且计算速度快，精度高，无收敛性问题，其缺点是不能对多因素并行预测。（4）多因素污染因子预测。淮河流域水污染往往是一个多因素污染系统，污染因子间有一定的协同和拮抗作用。本文用WNN模型来进行水质多因素预测。小波神经网络结合小波变换的时频局部性质及神经网络的功能，，因而具有较强的逼近、容错能力。以河流枯水期水质数据为例进行了水质预测，结果较为理想。（5）改进的多因素污染因子预测。对于复杂的河流污染系统，本文使用改进的QGA-BP模型，综合利用量子并行计算、遗传算法较好的全局收敛性以及BP神经网络的大规模自适应并行处理、快速学习能力，使量子遗传算法优化的BP神经网络比传统的算法具有更强的并行处理能力和更快的收敛速度。仿真结果表明，改进的量子遗传算法比其他的BP算法预测效率更好。本文通过对非线性算法的分析、融合和改进，应用多种算法开展水环境非线性特征分析和水质预测研究，对于解决淮河蚌埠段水环境系统评价、分类、预测和决策等实际问题具有重要的理论和现实意义。
【图文】：

锰酸盐,淮河干流,蚌埠,段高

重构以确定污染物时间序列的变化[60-62]。大多数应用程序之间选择长度在5-9小波的支集，支集长度越长，规律性越高，但支集过长产生边界问题，支集太短不利于信号能量集中。Daubechies紧支撑正交小波基，是电脑时代的产物，具有良好时频分析性能，已在许多领域应用。因此，分析采用Daubechies小波。使用小波函数db4小波分解的低频率信号，低频率信号显示年变化趋势。增加分解规模，低频信号会更加顺畅，没有详细描述的趋势。因此，分解规模不宜过大或过小。试验和错误，规模的分解，以确定能够更好地描述了一年的趋势。db4小波对2009年污染物浓度时间序列小波分解，再使用第四层的低频系数重构来确定污染物时间序列的年际变化。小波系数重建的重建公式。2009年，污染物浓度时间序列和四层的低频系数重建序列图。

淮河干流,蚌埠,溶解氧浓度,时间序列

db4小波对2009年污染物浓度时间序列小波分解，再使用第四层的低频系数重构来确定污染物时间序列的年际变化。小波系数重建的重建公式。2009年，污染物浓度时间序列和四层的低频系数重建序列图。图4- 1 2009年淮河干流蚌埠段高锰酸盐浓度年变化规律图
【学位授予单位】：合肥工业大学
【学位级别】：博士
【学位授予年份】：2012
【分类号】：X832;X143

【相似文献】