- 相關推薦
基于遺傳算法的地下水位動態預測雙線性模型
地下水位是指地下水面相對于基準面的高程。通常以絕對標高計算。以下是小編幫大家整理的基于遺傳算法的地下水位動態預測雙線性模型，歡迎大家分享。
水是人類社會生產生活必不可少的資源，水資源相關的環境保護與循環利用至關重要。隨著社會的進步，水體污染對社會的影響也日益明顯，水體被排入大量污染物，對人類的日常生活造成極大的威脅。而水質預測可以為有關部門的干預決策提供重要參考。在許多工業場景中，水質預測也具有重要意義。例如在污水處理工藝中，如果可以通過水質預測提前預知突發的水質超標情況，就能夠為工程人員提供預警，預留時間人為干預，保證污水處理出廠水質達標。
水質預測主要有如下幾種預測方法：通過構建物理模型的方法，灰色系統預測法，神經網絡預測法，模糊理論預測法，以及數理統計預測法等。
顏劍波等人通過分析水質變量之間的規律，建立多元回歸模型，對三門峽斷面水質進行了預測。劉東君等人結合灰色系統預測法與神經網絡，對北京密云水庫的溶解氧進行了預測，通過將混合模型分別于2個原型方法作比較，表明混合模型相比2個原型方法，預測結果更為精確和穩定。姜云超等人綜合運用BP,SOM與模糊綜合評價法對黃河水質進行了評價，取得了較理想的結果。榮潔等人提出指數平滑法-馬爾科夫預測模型，將平滑處理后的數據通過馬爾科夫預測模型對合肥湖濱與巢湖裕溪口2個斷面的CODMn、TP、TN濃度進行了預測。RederK等人使用人工神經網絡模型預測水質變化，證實了神經網絡模型是被用于水質預測的可行性。AlizadehMJ和KavianpourMR使用小波神經網絡對太平洋希洛灣地區的水質進行了預測，證明了小波神經網絡模型相對于其他神經網絡模型的優越性。AzimiS等人結合神經網絡與改進的模糊聚類技術來預測了水質惡化的概率。
文獻中雖然對水質預測方面作了深入的研究，但并未針對原始數據的各項特征對預測任務的影響權重進行評估，而在輸入預測模型的數據維度比較多時，對預測任務貢獻比較小的特征會干擾預測模型，降低預測模型的性能。因此使用遺傳算法來調整各特征維度的權重，使其符合預測模型的特性，提高了預測模型的預測精度，為水質預測提供了一種有價值的解決方案。
【基于遺傳算法的地下水位動態預測雙線性模型】相關文章：
基于遺傳算法的門限自回歸模型在淺層地下水位預測中的應用12-13
基于熵組合預測模型的害蟲種群動態研究12-13
基于貝葉斯動態模型的某器件性能預測12-08
基于動態褶積模型的動態子波估計12-13
基于ARMA模型的年雨量預測12-08
基于混沌算法的自適應預測模型12-07
基于CaR風險約束的動態投資組合模型12-10
基于動態生長模型的植物根系模擬研究12-07