分享
分享赚钱 收藏 举报 版权申诉 / 37

类型基于人工神经网络的水质预测及matlab实现.doc

  • 上传人:cjc2202537
  • 文档编号:1529470
  • 上传时间:2018-07-25
  • 格式:DOC
  • 页数:37
  • 大小:71.29KB
  • 配套讲稿:

    如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。

    特殊限制:

    部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。

    关 键  词:
    基于人工神经网络的水质预测及matlab实现.doc
    资源描述:

    1、环境科学专业毕业论文 精品论文 基于人工神经网络的水质预测及 MATLAB实现关键词:水质预测 人工神经网络 L-M 算法 MATLAB摘要:水资源短缺、水质恶化已经成为人类面临的巨大威胁。近年来,水污染的防治工作中水质预测已经成为国内外学者研究的重点之一。然而水环境污染过程的非确定性和高度非线性性,决定了水质模型的复杂性和求解的困难,使传统的方法和工具显得力不从心。 人工神经网络(ANN)是复杂非线性科学和人工智能科学的前沿,其在水质预测方面的应用研究,目前在国内外尚处于初级阶段。本文在前人应用人工神经网络预测水质的研究现状基础上,尝试对该方面的学习研究工作进行有益探索。文中对 BP神经网络

    2、的结构及其算法进行了研究,为克服传统 BP网络用于水质预测的不足,采用了 L-M算法改进的 BP网络来对数据进行学习训练。 论文以西安市供水水源地-黑河为例,在分析研究区水环境概况、污染来源及其对水质影响的基础上,选用黑河的陈河及艾蒿坪两个断面 19951996 年奇数月份的水质监测数据中的 7项组成学习样本,并对样本数据进行了分析处理。建立了含一个隐含层的 3层 BP神经网络,用MATLAB语言编写程序并在 MATLAB平台上实现该神经网络模型,将处理过的样本用于所建立 BP神经网络的学习训练,用训练好的网络对水质指标进行预测。将预测结果与实际监测结果进行比较分析,结果客观、合理。 对黑河水

    3、质的预测结果表明,将 L-M算法改进的 BP神经网络用于水质预测是可行、有效的,而且预测精度比传统方法有较大提高。该方法能对水环境污染状况做出快速、准确的预见,对水环境的保护和防治工作提供依据。正文内容水资源短缺、水质恶化已经成为人类面临的巨大威胁。近年来,水污染的防治工作中水质预测已经成为国内外学者研究的重点之一。然而水环境污染过程的非确定性和高度非线性性,决定了水质模型的复杂性和求解的困难,使传统的方法和工具显得力不从心。 人工神经网络(ANN)是复杂非线性科学和人工智能科学的前沿,其在水质预测方面的应用研究,目前在国内外尚处于初级阶段。本文在前人应用人工神经网络预测水质的研究现状基础上,

    4、尝试对该方面的学习研究工作进行有益探索。文中对 BP神经网络的结构及其算法进行了研究,为克服传统 BP网络用于水质预测的不足,采用了 L-M算法改进的 BP网络来对数据进行学习训练。 论文以西安市供水水源地-黑河为例,在分析研究区水环境概况、污染来源及其对水质影响的基础上,选用黑河的陈河及艾蒿坪两个断面 19951996 年奇数月份的水质监测数据中的 7项组成学习样本,并对样本数据进行了分析处理。建立了含一个隐含层的 3层 BP神经网络,用MATLAB语言编写程序并在 MATLAB平台上实现该神经网络模型,将处理过的样本用于所建立 BP神经网络的学习训练,用训练好的网络对水质指标进行预测。将预

    5、测结果与实际监测结果进行比较分析,结果客观、合理。 对黑河水质的预测结果表明,将 L-M算法改进的 BP神经网络用于水质预测是可行、有效的,而且预测精度比传统方法有较大提高。该方法能对水环境污染状况做出快速、准确的预见,对水环境的保护和防治工作提供依据。水资源短缺、水质恶化已经成为人类面临的巨大威胁。近年来,水污染的防治工作中水质预测已经成为国内外学者研究的重点之一。然而水环境污染过程的非确定性和高度非线性性,决定了水质模型的复杂性和求解的困难,使传统的方法和工具显得力不从心。 人工神经网络(ANN)是复杂非线性科学和人工智能科学的前沿,其在水质预测方面的应用研究,目前在国内外尚处于初级阶段。

    6、本文在前人应用人工神经网络预测水质的研究现状基础上,尝试对该方面的学习研究工作进行有益探索。文中对 BP神经网络的结构及其算法进行了研究,为克服传统 BP网络用于水质预测的不足,采用了 L-M算法改进的 BP网络来对数据进行学习训练。 论文以西安市供水水源地-黑河为例,在分析研究区水环境概况、污染来源及其对水质影响的基础上,选用黑河的陈河及艾蒿坪两个断面 19951996 年奇数月份的水质监测数据中的 7项组成学习样本,并对样本数据进行了分析处理。建立了含一个隐含层的 3层 BP神经网络,用 MATLAB语言编写程序并在 MATLAB平台上实现该神经网络模型,将处理过的样本用于所建立BP神经网

    7、络的学习训练,用训练好的网络对水质指标进行预测。将预测结果与实际监测结果进行比较分析,结果客观、合理。 对黑河水质的预测结果表明,将 L-M算法改进的 BP神经网络用于水质预测是可行、有效的,而且预测精度比传统方法有较大提高。该方法能对水环境污染状况做出快速、准确的预见,对水环境的保护和防治工作提供依据。水资源短缺、水质恶化已经成为人类面临的巨大威胁。近年来,水污染的防治工作中水质预测已经成为国内外学者研究的重点之一。然而水环境污染过程的非确定性和高度非线性性,决定了水质模型的复杂性和求解的困难,使传统的方法和工具显得力不从心。 人工神经网络(ANN)是复杂非线性科学和人工智能科学的前沿,其在

    8、水质预测方面的应用研究,目前在国内外尚处于初级阶段。本文在前人应用人工神经网络预测水质的研究现状基础上,尝试对该方面的学习研究工作进行有益探索。文中对 BP神经网络的结构及其算法进行了研究,为克服传统 BP网络用于水质预测的不足,采用了 L-M算法改进的 BP网络来对数据进行学习训练。 论文以西安市供水水源地-黑河为例,在分析研究区水环境概况、污染来源及其对水质影响的基础上,选用黑河的陈河及艾蒿坪两个断面 19951996 年奇数月份的水质监测数据中的 7项组成学习样本,并对样本数据进行了分析处理。建立了含一个隐含层的 3层 BP神经网络,用 MATLAB语言编写程序并在 MATLAB平台上实

    9、现该神经网络模型,将处理过的样本用于所建立BP神经网络的学习训练,用训练好的网络对水质指标进行预测。将预测结果与实际监测结果进行比较分析,结果客观、合理。 对黑河水质的预测结果表明,将 L-M算法改进的 BP神经网络用于水质预测是可行、有效的,而且预测精度比传统方法有较大提高。该方法能对水环境污染状况做出快速、准确的预见,对水环境的保护和防治工作提供依据。水资源短缺、水质恶化已经成为人类面临的巨大威胁。近年来,水污染的防治工作中水质预测已经成为国内外学者研究的重点之一。然而水环境污染过程的非确定性和高度非线性性,决定了水质模型的复杂性和求解的困难,使传统的方法和工具显得力不从心。 人工神经网络

    10、(ANN)是复杂非线性科学和人工智能科学的前沿,其在水质预测方面的应用研究,目前在国内外尚处于初级阶段。本文在前人应用人工神经网络预测水质的研究现状基础上,尝试对该方面的学习研究工作进行有益探索。文中对 BP神经网络的结构及其算法进行了研究,为克服传统 BP网络用于水质预测的不足,采用了 L-M算法改进的 BP网络来对数据进行学习训练。 论文以西安市供水水源地-黑河为例,在分析研究区水环境概况、污染来源及其对水质影响的基础上,选用黑河的陈河及艾蒿坪两个断面 19951996 年奇数月份的水质监测数据中的 7项组成学习样本,并对样本数据进行了分析处理。建立了含一个隐含层的 3层 BP神经网络,用

    11、 MATLAB语言编写程序并在 MATLAB平台上实现该神经网络模型,将处理过的样本用于所建立BP神经网络的学习训练,用训练好的网络对水质指标进行预测。将预测结果与实际监测结果进行比较分析,结果客观、合理。 对黑河水质的预测结果表明,将 L-M算法改进的 BP神经网络用于水质预测是可行、有效的,而且预测精度比传统方法有较大提高。该方法能对水环境污染状况做出快速、准确的预见,对水环境的保护和防治工作提供依据。水资源短缺、水质恶化已经成为人类面临的巨大威胁。近年来,水污染的防治工作中水质预测已经成为国内外学者研究的重点之一。然而水环境污染过程的非确定性和高度非线性性,决定了水质模型的复杂性和求解的

    12、困难,使传统的方法和工具显得力不从心。 人工神经网络(ANN)是复杂非线性科学和人工智能科学的前沿,其在水质预测方面的应用研究,目前在国内外尚处于初级阶段。本文在前人应用人工神经网络预测水质的研究现状基础上,尝试对该方面的学习研究工作进行有益探索。文中对 BP神经网络的结构及其算法进行了研究,为克服传统 BP网络用于水质预测的不足,采用了 L-M算法改进的 BP网络来对数据进行学习训练。 论文以西安市供水水源地-黑河为例,在分析研究区水环境概况、污染来源及其对水质影响的基础上,选用黑河的陈河及艾蒿坪两个断面 19951996 年奇数月份的水质监测数据中的 7项组成学习样本,并对样本数据进行了分

    13、析处理。建立了含一个隐含层的 3层 BP神经网络,用 MATLAB语言编写程序并在 MATLAB平台上实现该神经网络模型,将处理过的样本用于所建立BP神经网络的学习训练,用训练好的网络对水质指标进行预测。将预测结果与实际监测结果进行比较分析,结果客观、合理。 对黑河水质的预测结果表明,将 L-M算法改进的 BP神经网络用于水质预测是可行、有效的,而且预测精度比传统方法有较大提高。该方法能对水环境污染状况做出快速、准确的预见,对水环境的保护和防治工作提供依据。水资源短缺、水质恶化已经成为人类面临的巨大威胁。近年来,水污染的防治工作中水质预测已经成为国内外学者研究的重点之一。然而水环境污染过程的非

    14、确定性和高度非线性性,决定了水质模型的复杂性和求解的困难,使传统的方法和工具显得力不从心。 人工神经网络(ANN)是复杂非线性科学和人工智能科学的前沿,其在水质预测方面的应用研究,目前在国内外尚处于初级阶段。本文在前人应用人工神经网络预测水质的研究现状基础上,尝试对该方面的学习研究工作进行有益探索。文中对 BP神经网络的结构及其算法进行了研究,为克服传统 BP网络用于水质预测的不足,采用了 L-M算法改进的 BP网络来对数据进行学习训练。 论文以西安市供水水源地-黑河为例,在分析研究区水环境概况、污染来源及其对水质影响的基础上,选用黑河的陈河及艾蒿坪两个断面 19951996 年奇数月份的水质

    15、监测数据中的 7项组成学习样本,并对样本数据进行了分析处理。建立了含一个隐含层的 3层 BP神经网络,用 MATLAB语言编写程序并在 MATLAB平台上实现该神经网络模型,将处理过的样本用于所建立BP神经网络的学习训练,用训练好的网络对水质指标进行预测。将预测结果与实际监测结果进行比较分析,结果客观、合理。 对黑河水质的预测结果表明,将 L-M算法改进的 BP神经网络用于水质预测是可行、有效的,而且预测精度比传统方法有较大提高。该方法能对水环境污染状况做出快速、准确的预见,对水环境的保护和防治工作提供依据。水资源短缺、水质恶化已经成为人类面临的巨大威胁。近年来,水污染的防治工作中水质预测已经

    16、成为国内外学者研究的重点之一。然而水环境污染过程的非确定性和高度非线性性,决定了水质模型的复杂性和求解的困难,使传统的方法和工具显得力不从心。 人工神经网络(ANN)是复杂非线性科学和人工智能科学的前沿,其在水质预测方面的应用研究,目前在国内外尚处于初级阶段。本文在前人应用人工神经网络预测水质的研究现状基础上,尝试对该方面的学习研究工作进行有益探索。文中对 BP神经网络的结构及其算法进行了研究,为克服传统 BP网络用于水质预测的不足,采用了 L-M算法改进的 BP网络来对数据进行学习训练。 论文以西安市供水水源地-黑河为例,在分析研究区水环境概况、污染来源及其对水质影响的基础上,选用黑河的陈河

    17、及艾蒿坪两个断面 19951996 年奇数月份的水质监测数据中的 7项组成学习样本,并对样本数据进行了分析处理。建立了含一个隐含层的 3层 BP神经网络,用 MATLAB语言编写程序并在 MATLAB平台上实现该神经网络模型,将处理过的样本用于所建立BP神经网络的学习训练,用训练好的网络对水质指标进行预测。将预测结果与实际监测结果进行比较分析,结果客观、合理。 对黑河水质的预测结果表明,将 L-M算法改进的 BP神经网络用于水质预测是可行、有效的,而且预测精度比传统方法有较大提高。该方法能对水环境污染状况做出快速、准确的预见,对水环境的保护和防治工作提供依据。水资源短缺、水质恶化已经成为人类面

    18、临的巨大威胁。近年来,水污染的防治工作中水质预测已经成为国内外学者研究的重点之一。然而水环境污染过程的非确定性和高度非线性性,决定了水质模型的复杂性和求解的困难,使传统的方法和工具显得力不从心。 人工神经网络(ANN)是复杂非线性科学和人工智能科学的前沿,其在水质预测方面的应用研究,目前在国内外尚处于初级阶段。本文在前人应用人工神经网络预测水质的研究现状基础上,尝试对该方面的学习研究工作进行有益探索。文中对 BP神经网络的结构及其算法进行了研究,为克服传统 BP网络用于水质预测的不足,采用了 L-M算法改进的 BP网络来对数据进行学习训练。 论文以西安市供水水源地-黑河为例,在分析研究区水环境

    19、概况、污染来源及其对水质影响的基础上,选用黑河的陈河及艾蒿坪两个断面 19951996 年奇数月份的水质监测数据中的 7项组成学习样本,并对样本数据进行了分析处理。建立了含一个隐含层的 3层 BP神经网络,用 MATLAB语言编写程序并在 MATLAB平台上实现该神经网络模型,将处理过的样本用于所建立BP神经网络的学习训练,用训练好的网络对水质指标进行预测。将预测结果与实际监测结果进行比较分析,结果客观、合理。 对黑河水质的预测结果表明,将 L-M算法改进的 BP神经网络用于水质预测是可行、有效的,而且预测精度比传统方法有较大提高。该方法能对水环境污染状况做出快速、准确的预见,对水环境的保护和

    20、防治工作提供依据。水资源短缺、水质恶化已经成为人类面临的巨大威胁。近年来,水污染的防治工作中水质预测已经成为国内外学者研究的重点之一。然而水环境污染过程的非确定性和高度非线性性,决定了水质模型的复杂性和求解的困难,使传统的方法和工具显得力不从心。 人工神经网络(ANN)是复杂非线性科学和人工智能科学的前沿,其在水质预测方面的应用研究,目前在国内外尚处于初级阶段。本文在前人应用人工神经网络预测水质的研究现状基础上,尝试对该方面的学习研究工作进行有益探索。文中对 BP神经网络的结构及其算法进行了研究,为克服传统 BP网络用于水质预测的不足,采用了 L-M算法改进的 BP网络来对数据进行学习训练。

    21、论文以西安市供水水源地-黑河为例,在分析研究区水环境概况、污染来源及其对水质影响的基础上,选用黑河的陈河及艾蒿坪两个断面 19951996 年奇数月份的水质监测数据中的 7项组成学习样本,并对样本数据进行了分析处理。建立了含一个隐含层的 3层 BP神经网络,用 MATLAB语言编写程序并在 MATLAB平台上实现该神经网络模型,将处理过的样本用于所建立BP神经网络的学习训练,用训练好的网络对水质指标进行预测。将预测结果与实际监测结果进行比较分析,结果客观、合理。 对黑河水质的预测结果表明,将 L-M算法改进的 BP神经网络用于水质预测是可行、有效的,而且预测精度比传统方法有较大提高。该方法能对

    22、水环境污染状况做出快速、准确的预见,对水环境的保护和防治工作提供依据。水资源短缺、水质恶化已经成为人类面临的巨大威胁。近年来,水污染的防治工作中水质预测已经成为国内外学者研究的重点之一。然而水环境污染过程的非确定性和高度非线性性,决定了水质模型的复杂性和求解的困难,使传统的方法和工具显得力不从心。 人工神经网络(ANN)是复杂非线性科学和人工智能科学的前沿,其在水质预测方面的应用研究,目前在国内外尚处于初级阶段。本文在前人应用人工神经网络预测水质的研究现状基础上,尝试对该方面的学习研究工作进行有益探索。文中对 BP神经网络的结构及其算法进行了研究,为克服传统 BP网络用于水质预测的不足,采用了

    23、 L-M算法改进的 BP网络来对数据进行学习训练。 论文以西安市供水水源地-黑河为例,在分析研究区水环境概况、污染来源及其对水质影响的基础上,选用黑河的陈河及艾蒿坪两个断面 19951996 年奇数月份的水质监测数据中的 7项组成学习样本,并对样本数据进行了分析处理。建立了含一个隐含层的 3层 BP神经网络,用 MATLAB语言编写程序并在 MATLAB平台上实现该神经网络模型,将处理过的样本用于所建立BP神经网络的学习训练,用训练好的网络对水质指标进行预测。将预测结果与实际监测结果进行比较分析,结果客观、合理。 对黑河水质的预测结果表明,将 L-M算法改进的 BP神经网络用于水质预测是可行、

    24、有效的,而且预测精度比传统方法有较大提高。该方法能对水环境污染状况做出快速、准确的预见,对水环境的保护和防治工作提供依据。特别提醒 :正文内容由 PDF文件转码生成,如您电脑未有相应转换码,则无法显示正文内容,请您下载相应软件,下载地址为 http:/ 。如还不能显示,可以联系我 q q 1627550258 ,提供原格式文档。“垐垯櫃 换烫梯葺铑?endstreamendobj2x滌?U 閩 AZ箾 FTP 鈦X飼?狛P? 燚?琯嫼 b?袍*甒?颙嫯?4)=r 宵?i?j 彺帖 B3锝檡骹笪 yLrQ#?0鯖 l壛枒l壛枒 l壛枒 l壛枒 l壛枒 l壛枒 l壛枒 l壛枒 l壛枒 l壛枒 l壛枒 l壛渓?擗#?“?# 綫 G刿#K 芿$?7. 耟?Wa 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 皗 E|?pDb癳$Fb 癳$Fb癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb癳$Fb癳$F?責鯻 0橔 C,f薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵秾腵薍秾腵%?秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍

    展开阅读全文
    提示  道客多多所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    关于本文
    本文标题:基于人工神经网络的水质预测及matlab实现.doc
    链接地址:https://www.docduoduo.com/p-1529470.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

    道客多多用户QQ群:832276834  微博官方号:道客多多官方   知乎号:道客多多

    Copyright© 2025 道客多多 docduoduo.com 网站版权所有世界地图

    经营许可证编号:粤ICP备2021046453号    营业执照商标

    1.png 2.png 3.png 4.png 5.png 6.png 7.png 8.png 9.png 10.png



    收起
    展开