基于改进智能算法的水质预测研究
发布时间：2021-02-18 00:44
近些年,随着我国社会和全球经济发生跨越式的发展,水资源严重污染的情况也日趋严峻,管理并有效的保护好各个地区流域的水质和生态环境对可持续发展有着非常重要的战略意义。对流域水质进行正确的预测是水资源保护的重要手段,本文以美国旧金山湾流域5个观测站2001年至2015年的主要水质参数溶解氧（DO）、盐度（Salinity）、温度（Temperature）数据为研究对象,对旧金山湾流域水质进行预测研究。为改善水质预测方法,本文提出了改进智能算法的水质预测方法。实验结果验证了本文提出的算法在适用性及误差控制等多种性能上具有一定的优势。本文采用的人工智能算法与数据分析技术对旧金山湾地表水质数据进行研究,分析得到对研究区地表水质状况影响较大的因素,进而建立有效的水质预测模型。本文主要完成以下几方面的工作:1.针对研究课题情况的复杂性,首先对国内外水质预测研究现状进行分析。通过前期的资料分析过程,发现地表水质预测的一些相关问题,为本文的科学研究工作奠定了基础。2.针对不同的经验模态分解方法进行了相关的研究工作,主要包括EMD方法、EEMD方法以及CEEMD方法,本文对这些经验模态分解方法进行了原理介绍...
【文章来源】：长春工业大学吉林省
【文章页数】：47 页
【学位级别】：硕士
【部分图文】：
LSTM记忆单元结构
第5章实例仿真16第5章实例仿真5.1研究区概况旧金山湾，地理坐标（37°48"0""N，122°25"0""W），该河口湾被誉为世界最佳天然港湾之一。近些年，该湾区的城市人口数逐年增加，人们的用水量也在不断的增加，该区域水质的优劣将直接影响到当地居民的健康状况。本文研究目标是对旧金山湾的5个地表水质采样站点进行水质预测研究，收集数据分析旧金山湾水质在时间和空间维度的变化。下图5.1为旧金山湾地区的整体位置分布卫星图以及本文研究区采样站点的分布情况：图5.1采样站点整体位置分布
第5章实例仿真22表5-6各站点检验结果采样站点ADF值P值临界值：1%临界值：5%临界值：10%2-5.240-3.44-2.86-2.573-5.260-3.43-2.86-2.574-4.510-3.44-2.86-2.575-5.480-3.44-2.86-2.576-5.600-3.44-2.86-2.57对五个采样站点的水质数据进行了统计检验，由上表可以发现每个采样站点的ADF值均为负值，而且这些站点的ADF值均小于3种置信水平临界值的结果，即该时间序列是平稳的。综上所述，该水质原始数据为平稳数据，符合时间序列的基本标准，同时满足本实验的基本要求。5.2.4数据清洗首先将原始数据的时间信息整合为一个日期来统一表示，目的是在使用Python软件时可以统一的调用算法程序，同时可以有效的控制实验误差。需要删除数据集中一些分散的空值，对于少量的缺失值，根据本文的数据集与研究对象，采用五位移动平均法进行数据补齐，公式如（5-3）所示。123455ooooooxxxxxx（5-3）简言之，通过删除错误值，填补缺失值从而完成数据清洗工作。下图5.6～5.10分别为2号～6号采样站点实测数据清洗后的时序图，5个采样站点数据均采用相同的处理方法。图5.6采样站点为2号的数据清洗后时序图
【参考文献】：
期刊论文
[1]基于综合权重和改进物元可拓评价模型的地下水水质评价[J]. 虞未江,贾超,狄胜同,李康,袁涵. 吉林大学学报(地球科学版). 2019(02)
[2]基于KNN-LSTM的短时交通流预测[J]. 罗向龙,李丹阳,杨彧,张生瑞. 北京工业大学学报. 2018(12)
[3]关于深度学习的综述与讨论[J]. 胡越,罗东阳,花奎,路海明,张学工. 智能系统学报. 2019(01)
[4]基于EEMD的车辆微动信号提取及分类[J]. 林萍,陈华杰,林封笑. 传感器与微系统. 2017(10)
[5]基于PLSR自适应深度信念网络的出水总磷预测[J]. 王功明,李文静,乔俊飞. 化工学报. 2017(05)
[6]EEMD与RBF神经网络的太阳黑子月均值预测[J]. 孙堂乐,李国辉. 计算机工程与应用. 2017(24)
[7]钱塘江感潮河段污染物迁移扩散数值分析[J]. 何振强,方诗标,陈永明,孙志林. 环境科学学报. 2017(05)
[8]基于灰色系统与线性回归方法的水质预测[J]. 张洁,杨庆,赵杰. 城市地质. 2015(04)
[9]基于深度学习的湖库藻类水华预测研究[J]. 姚俊杨,许继平,王小艺,黄振芳. 计算机与应用化学. 2015(10)
[10]改进物元可拓法在水闸工程安全综合评估中的应用[J]. 韩彰,陈健,李经纬,甘醇. 水力发电. 2015(04)
博士论文
[1]模态域信号处理在水声中的应用[D]. 李关防.哈尔滨工程大学 2009
硕士论文
[1]基于WNN和EEMD的电网谐波检测方法研究[D]. 王飞刚.湖南工业大学 2019
[2]基于深度学习的交通预测技术及其在通信中的应用研究[D]. 张文刚.西南交通大学 2018
[3]基于混合数学模型的巢湖水质预测与评价[D]. 王静.兰州大学 2018
[4]基于遗传算法与集成学习的停车位预测算法研究[D]. 卢旭旺.吉林大学 2018
[5]基于Copula的汾河上游水文干旱频率的多时间尺度分析[D]. 任璐.太原理工大学 2016
[6]基于时频分析的管道泄漏信号故障诊断研究[D]. 李子茜.东北石油大学 2016
[7]基于Hilbert-Huang变换的高频数据波动率的估计[D]. 周明眉.长春工业大学 2016
[8]水质预测的粒计算求解与深度学习方法[D]. 田亚兰.重庆邮电大学 2016
本文编号：3038791
【文章来源】：长春工业大学吉林省
【文章页数】：47 页
【学位级别】：硕士
【部分图文】：
LSTM记忆单元结构
第5章实例仿真16第5章实例仿真5.1研究区概况旧金山湾，地理坐标（37°48"0""N，122°25"0""W），该河口湾被誉为世界最佳天然港湾之一。近些年，该湾区的城市人口数逐年增加，人们的用水量也在不断的增加，该区域水质的优劣将直接影响到当地居民的健康状况。本文研究目标是对旧金山湾的5个地表水质采样站点进行水质预测研究，收集数据分析旧金山湾水质在时间和空间维度的变化。下图5.1为旧金山湾地区的整体位置分布卫星图以及本文研究区采样站点的分布情况：图5.1采样站点整体位置分布
第5章实例仿真22表5-6各站点检验结果采样站点ADF值P值临界值：1%临界值：5%临界值：10%2-5.240-3.44-2.86-2.573-5.260-3.43-2.86-2.574-4.510-3.44-2.86-2.575-5.480-3.44-2.86-2.576-5.600-3.44-2.86-2.57对五个采样站点的水质数据进行了统计检验，由上表可以发现每个采样站点的ADF值均为负值，而且这些站点的ADF值均小于3种置信水平临界值的结果，即该时间序列是平稳的。综上所述，该水质原始数据为平稳数据，符合时间序列的基本标准，同时满足本实验的基本要求。5.2.4数据清洗首先将原始数据的时间信息整合为一个日期来统一表示，目的是在使用Python软件时可以统一的调用算法程序，同时可以有效的控制实验误差。需要删除数据集中一些分散的空值，对于少量的缺失值，根据本文的数据集与研究对象，采用五位移动平均法进行数据补齐，公式如（5-3）所示。123455ooooooxxxxxx（5-3）简言之，通过删除错误值，填补缺失值从而完成数据清洗工作。下图5.6～5.10分别为2号～6号采样站点实测数据清洗后的时序图，5个采样站点数据均采用相同的处理方法。图5.6采样站点为2号的数据清洗后时序图
【参考文献】：
期刊论文
[1]基于综合权重和改进物元可拓评价模型的地下水水质评价[J]. 虞未江,贾超,狄胜同,李康,袁涵. 吉林大学学报(地球科学版). 2019(02)
[2]基于KNN-LSTM的短时交通流预测[J]. 罗向龙,李丹阳,杨彧,张生瑞. 北京工业大学学报. 2018(12)
[3]关于深度学习的综述与讨论[J]. 胡越,罗东阳,花奎,路海明,张学工. 智能系统学报. 2019(01)
[4]基于EEMD的车辆微动信号提取及分类[J]. 林萍,陈华杰,林封笑. 传感器与微系统. 2017(10)
[5]基于PLSR自适应深度信念网络的出水总磷预测[J]. 王功明,李文静,乔俊飞. 化工学报. 2017(05)
[6]EEMD与RBF神经网络的太阳黑子月均值预测[J]. 孙堂乐,李国辉. 计算机工程与应用. 2017(24)
[7]钱塘江感潮河段污染物迁移扩散数值分析[J]. 何振强,方诗标,陈永明,孙志林. 环境科学学报. 2017(05)
[8]基于灰色系统与线性回归方法的水质预测[J]. 张洁,杨庆,赵杰. 城市地质. 2015(04)
[9]基于深度学习的湖库藻类水华预测研究[J]. 姚俊杨,许继平,王小艺,黄振芳. 计算机与应用化学. 2015(10)
[10]改进物元可拓法在水闸工程安全综合评估中的应用[J]. 韩彰,陈健,李经纬,甘醇. 水力发电. 2015(04)
博士论文
[1]模态域信号处理在水声中的应用[D]. 李关防.哈尔滨工程大学 2009
硕士论文
[1]基于WNN和EEMD的电网谐波检测方法研究[D]. 王飞刚.湖南工业大学 2019
[2]基于深度学习的交通预测技术及其在通信中的应用研究[D]. 张文刚.西南交通大学 2018
[3]基于混合数学模型的巢湖水质预测与评价[D]. 王静.兰州大学 2018
[4]基于遗传算法与集成学习的停车位预测算法研究[D]. 卢旭旺.吉林大学 2018
[5]基于Copula的汾河上游水文干旱频率的多时间尺度分析[D]. 任璐.太原理工大学 2016
[6]基于时频分析的管道泄漏信号故障诊断研究[D]. 李子茜.东北石油大学 2016
[7]基于Hilbert-Huang变换的高频数据波动率的估计[D]. 周明眉.长春工业大学 2016
[8]水质预测的粒计算求解与深度学习方法[D]. 田亚兰.重庆邮电大学 2016
本文编号：3038791
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3038791.html
