一种混合优化BP神经网络的湖泊水质预测模型构建方法技术

本发明专利技术公开了一种混合优化BP神经网络的湖泊水质预测模型构建方法，首先从Oracle数据库中导出某市地表水的基本信息与水质监测数据，并用VBA语言将数据格式调整正确。然后使用SPSS删除数据空缺较多的行。完成预处理之后，再根据水环境知识筛选出实验相关的水质指标参数，接着分别利用BP神经网络、PSO‑BP神经网络、GA‑BP神经网络和GA‑PSO‑BP神经网络对水质指标参数预测进行模型构建，最后运用评估方法对构建模型进行评估。通过结合不同算法构建方法，充分考虑了各种算法的优缺点，结果表明基于遗传算法GA和粒子群算法PSO混合优化的BP神经网络模型能够提高水质指标参数预测准确率。

【技术实现步骤摘要】
一种混合优化BP神经网络的湖泊水质预测模型构建方法
本专利技术涉及湖泊水质预测模型构建领域，涉及基于遗传算法和粒子群算法优化BP神经网络的湖泊水质预测模型构建方法，特别涉及一种基于遗传算法和粒子群算法混合优化BP神经网络的湖泊水质预测模型构建方法。
技术介绍
基于历史数据建立的水质预测预测模型，用以预测河流湖泊以及地下水的水质动态变化趋势，具有十分重大的理论价值和现实意义。目前国外对于这类水质时间序列预测模型已经有较多研究，提供并验证了许多较为可行的方法并具有较好的结果。我国的水质预测模型发展较晚，但随着对环境污染和环境保护的重视不断提高，越来越多的方法应用于水环境预测模型。比较知名的有2003年，陈丽华等人提出的基于Levenberg-Marguardt训练算法的BP神经网络水质浓度预测模型，对黄河水质的10项指标进行了预测和分类，取得了较好的预测结果；2010年，郑广勇等人利用免疫粒子群优化算法与径向基RBF神经网络相结合的水质参数预测模型，成功对广州某污水处理场污水处理出的重要水质参数进行预测仿真实验，取得了理想的预测效果，拓宽了在神经网络预测模型中对时间序列动态系统、非线性系本文档来自技高网...

【技术保护点】
1.一种混合优化BP神经网络时间序列预测模型构建方法，其特征在于：该方法包括如下步骤，步骤1：从水质检测数据库中导出某市地表水的基本信息与水质监测数据，查询出实验湖泊数据进行时间序列排序以Excel表形式导出并保存；步骤2：将导出的湖泊水质数据进行预处理，包括异常值检测和空缺值填充，根据水环境知识，选择合适的水质参数，整理出符合实验要求的数据；步骤3：利用经典的BP神经网络构建水质预测模型，再分别用遗传算法和粒子群算法对BP神经网络进行优化，最后提出基于遗传算法和粒子群算法相结合的混合优化BP神经网络的湖泊水质时间序列预测模型，根据性能指标检验模型预测结果。

【技术特征摘要】
1.一种混合优化BP神经网络时间序列预测模型构建方法，其特征在于：该方法包括如下步骤，步骤1：从水质检测数据库中导出某市地表水的基本信息与水质监测数据，查询出实验湖泊数据进行时间序列排序以Excel表形式导出并保存；步骤2：将导出的湖泊水质数据进行预处理，包括异常值检测和空缺值填充，根据水环境知识，选择合适的水质参数，整理出符合实验要求的数据；步骤3：利用经典的BP神经网络构建水质预测模型，再分别用遗传算法和粒子群算法对BP神经网络进行优化，最后提出基于遗传算法和粒子群算法相结合的混合优化BP神经网络的湖泊水质时间序列预测模型，根据性能指标检验模型预测结果。2.根据权利要求1所述的一种混合优化BP神经网络时间序列预测模型构建方法，其特征在于：步骤1所述的构建湖泊水质数据的方法，其步骤具体包括，步骤1-1：以授权用户身份登录Oracle数据库；步骤1-2：使用SQL语句从Oracle数据库中水质监测库表和库表结构，然后从数据库中查询并导出某湖泊水质监测数据；步骤1-3：将导出数据以Excel表格存储。3.根据权利要求1所述的一种混合优化BP神经网络时间序列预测模型构建方法，其特征在于：步骤2所述的数据预处理方法，其步骤具体包括，步骤2-1：使用VBA语言将数据库数据调整为正确的数据格式，并以时间序列排序，导出为Excel格式；步骤2-2：将Excel数据表导入SPSS，删除缺少数据量较多的行，对缺少少量数据水质指标参数进行维数列时间序列填补空缺值；步骤2-3：使用3σ准则对填补完的数据进行异常值检测，将数据偏离3倍标准差以上作为异常值，并删除异...

【专利技术属性】
技术研发人员：闫健卓，徐宗宝，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11