CN108872508A - 一种ga-bp优化tsfnn的富营养水质评价方法 - Google Patents
一种ga-bp优化tsfnn的富营养水质评价方法 Download PDFInfo
- Publication number
- CN108872508A CN108872508A CN201810434779.6A CN201810434779A CN108872508A CN 108872508 A CN108872508 A CN 108872508A CN 201810434779 A CN201810434779 A CN 201810434779A CN 108872508 A CN108872508 A CN 108872508A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- optimization
- groups
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 64
- 238000013528 artificial neural network Methods 0.000 claims abstract description 61
- 230000006978 adaptation Effects 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 239000003643 water by type Substances 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 230000002068 genetic effect Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 13
- 230000035772 mutation Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000001303 quality assessment method Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 4
- 241001269238 Data Species 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 7
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 abstract description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 abstract description 6
- 239000001301 oxygen Substances 0.000 abstract description 6
- 229910052760 oxygen Inorganic materials 0.000 abstract description 6
- 238000012851 eutrophication Methods 0.000 abstract description 2
- 239000002352 surface water Substances 0.000 abstract description 2
- 230000007613 environmental effect Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种GA‑BP优化TSFNN的富营养水质评价方法，属于环境监测领域。一种GA‑BP优化TSFNN的富营养水质评价方法通过水质的不同参数来评价水质等级。本发明建立多隐含层的GA‑BP神经网络和TS模糊神经网络，以均方误差为个体适应度值的GA‑BP神经网络拟合非线性地表水模型，通过传感器的测量值准确地预测出水质的PH、溶解氧、浊度、氨氮真实值，从而达到校准测量数据，消除温漂、干扰，将其作为判断水质标准等级的依据和TS模糊神经网络的输入。因为PH在水质等级评价标准中没有明确界限，TS模糊神经网络根据校准后的溶解氧、浊度和氨氮值进行水质等级评价，判断传感器所在水域是否富营养化。
Description
技术领域
本发明涉及水质参数校准和水质等级评价领域，具体设计一种GA-BP优化TSFNN的富营养水质评价方法。
背景技术
当今随着经济的高速发展，人类的生存环境却急速恶化。水作为生命之源，近几十年来也遭到严重污染，尤其是水质富营养化的现象尤为严重，水污染的治理和水环境质量的监测是各有关部门的主要职责。由于现场水质监测技术与遥感技术对于水体监测缺乏连续性和准确性，而利用电子信息技术和互联网技术，以传感器为节点的水质监测***则实现对大范围内不同区域地表水的实时监测，通过传感器数据得到评价结果，为水体划分水质等级。线性的水质模型具有复杂性、多变性以及不确定性。
传统水质评价方法主要有指数评价法、模糊综合评价法。传统水质监测***的评价方法容易受主观因素的影响，致使其在对水质综合评价中表现不佳。与此同时，传统的最小二乘算法无法适用于多输入多输出非线性***。人工神经网络作为一种模仿大脑的信息处理模型，通过并行神经网络的建模来实现非线性模型的拟合，特别是对多输入多输出模型有着很好的辨识效果。
发明内容
文章提出一种改进型GA-BP算法优化的TS模糊神经网络来应用到多参数富营养水质监测与评价***中，利用人工神经网络对多输入多输出模型有着很好的辨识效果的特点，通过算法对传感器采集的数据进行处理，消除温漂等诸多干扰因素带来的误差，得到接近真实水质的数据。***根据这些预测得到的真实数据来综合判断水质等级，使之作为环保部门的参考依据，方便集中管理。
本发明是通过以下技术方案实现的：
1、一种GA-BP优化TSFNN的富营养水质评价方法，其特征在于，包括以下步骤：
S101：获取国家地表水环境质量标准(GB3838-2002)，构建基于GA-BP优化模糊神经网络模型，并初始化遗传算法、BP神经网络和TS模糊神经网络，设定算法的初始化参数；待S101完成后，进入S102；
S102：从多参数水质***的传感器历史数据选取2000组数据作为模型的训练数据，训练模型的数据校准部分，在训练的过程中将训练数据预测均方误差MSE作为个体适应度值，根据最优个体得到网络的初始阈值和权值。再随机选取200组数据作为测试数据，用于测试训练后的网络性能；待S102完成后，进入S103；
S103：根据地表水环境质量标准(GB3838-2002)进行等间隔均匀分布方式内插标准数据的方式获取400组数据，其中I到II类，II到III类，III到IV类及IV到V类数据各100组。随机选取350组数据用于训练模型的水质评价部分模糊神经网络，50组数据用于测试网络是否有良好的泛化能力和判断准确性；待S103完成后，进入S104
S104：得到模糊神经网络模型与遗传算法优化的BP神经网络模型部分共同组成一种根据多参数的GA-BP优化TSFNN的水质评价方法。将200组测试数据作为GA-BP神经网络的输入数据进行校准，得到预测结果后再将其作为TS模糊神经网络的输入数据对当前传感器节点所在水域的水质进行等级评价。
2、根据权利要求1所述的一种GA-BP优化TSFNN的富营养水质评价方法，其特征在于，S101中包括建立GA-BP多隐含层神经网络，包括以下步骤：
S201：根据传感器测量到的水质数据维数可以确定输入节点和输出节点为4，采用双隐含层的结构，通过不同隐含层节点数仿真的均方误差、绝对误差、绝对误差百分比的大小，确定神经网络结构为4-7-6-4。待S201完成后。进入S202；
S202：设置BP神经网络中的参数，包括：学习速率、迭代次数、训练目标的允许误差；设置GA算法的参数，包括：群体大小N、遗传代数G、交叉概率Pc、变异概率Pm。待S202完成后，进入S203；
S203：选取2000组数据作为GA-BP神经网络的训练数据，并将训练数据的均方误差作为个体适应度值，进行交叉、变异操作并计算适应度值。进入循环，直至求得最优个体。待S203完成，进入S204；
S204：获取最优个体中的权阈值，赋值给BP神经网络作为初始权阈值，利用2000组训练数据计算网络误差，在训练中不断更新网络的权阈值，直至满足调节。仿真预测，得到结果。
3、根据权利要求2所述的一种GA-BP优化TSFNN的富营养水质评价方法，其特征在于，S203中所指采用均方误差MSE作为个体适应度值，计算方式为：上式说明，均方误差由点估计的方差与偏差的平方两部分组成。
与现有技术相比，本发明的有益效果是：
1、本发明为一种多隐含层的人工神经网络，对多输入多输出的非线性模型有着很好的辨识效果，可以有效地拟合复杂的多参数水质模型，通过传感器测得的水质数据预测到真实的水质数据。
2、本发明采用遗传算法对BP神经网络优化。遗传算法作为一种并行随即搜索优化算法，本着“优胜劣汰”的原则筛选出最优个体。以均方误差作为遗传算法中的适应度值函数，通过Matlab仿真验证结果得出，本方法的预测精度远远高于BP神经网络在拟合过程中的预测精度，为水质评价提供更为有效的数据。
3、本发明中采用以均方误差作为遗传算法的个体适应度计算函数，建立多隐含层的GA-BP神经网络来校准传感器的测量数据，消除温漂和硬件干扰带来的误差。根据仿真结果可知本发明相比于传统的GA-BP神经网络，预测精度更高，均方误差更小，误差及其百分比更低。
4、本发明是一种多输入的富营养水质评价算法。多种传感器测量多种水质参数的数据，并通过神经网络进行校准，通过更加接近真实值的PH、溶解氧、氨氮、浊度水质数据，根据模糊神经网络来评判当前测量水域的水质等级。相比于单一参数评价方法更为准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图设计其他的类似电路图。
图1是一种GA-BP优化TSFNN的富营养水质评价方法的流程图；
图2是算法中BP网络预测误差及百分比图；
图3是算法中GA-BP网络预测误差及百分比图；
图4是算法中改进型GA-BP网络预测误差及百分比图；
图5是算法优化后中等级预测误差图；
具体实施方式
下面结合附图和较佳实施例对本发明的进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
请参阅图1所示：
1、一种GA-BP优化TSFNN的富营养水质评价方法，其特征在于，包括以下步骤：
S101：获取国家地表水环境质量标准(GB3838-2002)，构建基于GA-BP优化模糊神经网络模型，并初始化遗传算法、BP神经网络和TS模糊神经网络，设定算法的初始化参数；待S101完成后，进入S102；
S102：从多参数水质***的传感器历史数据选取2000组数据作为模型的训练数据，训练模型的数据校准部分，在训练的过程中将训练数据预测均方误差MSE作为个体适应度值，根据最优个体得到网络的初始阈值和权值。再随机选取200组数据作为测试数据，用于测试训练后的网络性能；待S102完成后，进入S103；
S103：根据地表水环境质量标准(GB3838-2002)进行等间隔均匀分布方式内插标准数据的方式获取400组数据，其中I到II类，II到III类，III到IV类及IV到V类数据各100组。随机选取350组数据用于训练模型的水质评价部分模糊神经网络，50组数据用于测试网络是否有良好的泛化能力和判断准确性；待S103完成后，进入S104
S104：得到模糊神经网络模型与遗传算法优化的BP神经网络模型部分共同组成一种根据多参数的GA-BP优化TSFNN的水质评价方法。将200组测试数据作为GA-BP神经网络的输入数据进行校准，得到预测结果后再将其作为TS模糊神经网络的输入数据对当前传感器节点所在水域的水质进行等级评价。
2、在S101中包括建立GA-BP多隐含层神经网络，包括以下步骤：
S201：根据传感器测量到的水质数据维数可以确定输入节点和输出节点为4，采用双隐含层的结构，通过不同隐含层节点数仿真的均方误差、绝对误差、绝对误差百分比的大小，确定神经网络结构为4-7-6-4。待S201完成后。进入S202；
S202：设置BP神经网络中的参数，包括：学习速率、迭代次数、训练目标的允许误差；
S202：设置BP神经网络中的参数，包括：学习速率、迭代次数、训练目标的允许误差；设置GA算法的参数，包括：群体大小N、遗传代数G、交叉概率Pc、变异概率Pm。待S202完成后，进入S203；
S203：选取2000组数据作为GA-BP神经网络的训练数据，并将训练数据的均方误差作为个体适应度值，进行交叉、变异操作并计算适应度值。进入循环，直至求得最优个体。待S203完成，进入S204；
S204：获取最优个体中的权阈值，赋值给BP神经网络作为初始权阈值，利用2000组训练数据计算网络误差，在训练中不断更新网络的权阈值，直至满足调节。仿真预测，得到结果。
3、在S203中所指采用均方误差MSE作为个体适应度值，计算方式为：上式说明，均方误差由点估计的方差与偏差的平方两部分组成。
请参阅图2所示：
图2是普通BP神经网络在对水质模型进行拟合的具体情况。其中对四个参数预测时，PH和溶解氧的误差基本维持在0.2以内，氨氮的误差相对于其他三种参数误差较小，浊度的误差波动较大。四者的误差百分比均大于2％。
请参阅图3所示：
图3是GA优化的BP网络在复杂水质模型拟合以及四个参数的具体预测情况。四者误差基本在0.1和0.2之间波动，浊度预测误差仍然波动较大，但整体明显小于未优化前。四个水质参数在GA-BP网络中的预测误差百分比均控制在1.5％到2.0％左右，说明该网络对水质模型具有良好的训练能力与预测能力。
请参阅图4所示：
图4是以均方误差MSE作为个体适应度值的改进型GA-BP网络对水质模型进行拟合后的情况。网络预测绝对误差波动振幅减小，整体呈现更加平稳态势。其中水质参数PH、溶解氧和氨氮的预测误差基本保持在±0.1以内，而浊度的预测误差大部分在±0.1以内，但波动较大，个别误差接近±0.2。请参阅图5所示：
原始数据得到的水质等级预测误差波动较大。当TS模糊神经网络预测误差值大于1时，会影响***评价结果，则影响结果的样本数为25，其精确度87.5％，而经过改进型GA-BP网络优化后的水质等级预测误差整体上小于优化前，误差波动减小且大部分能够稳定在0.4以下，且影响结果的样本数为0，其精确度达到100％，较前者提高了14.28％。
为了验证本方法验证在对非线性水质模型拟合和水质数据校准的情况，通过matlab软件计算出三种不同的神经网络对四种不同水质参数的预测误差百分比，见表1所示：
表1水质参数预测误差百分比
通过表1可知，BP神经网络对水质模型进行拟合时，四种参数的误差百分比均大于2％，当使用GA-BP神经网络时，四个水质参数的误差百分比均控制在1。5％上下，预测精度相比于BP神经网络分别提高了21.9％、30.2％、38.4％、23.9％；当使用改进型GA-BP神经网络时，相比于改进前的GA-BP网络，误差百分比分别减少25.7％、29.2％、23.2％、25.6％
本实施例的一种GA-BP优化TSFNN的富营养水质评价方法的原理是：通过建立多隐含层BP神经网络来辨识复杂的水质模型，并利用以测试数据的均方误差作为个体适应度值的GA算法对BP神经网络进行优化，获取最优权阈值作为BP神经网络的初始权阈值，提高其拟合程度和泛化能力。TS模糊神经网络根据校准后水质的PH、溶解氧、浊度和氨氮数据来建立适用于当地水质评价的模型，从而判断传感器节点所在水域的水质等级和是否富营养化。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或者使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文所定义的一般原理可以在不脱离本发明的精神和范围的情况下，在其他实施例中所实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (3)
1.一种GA-BP优化TSFNN的富营养水质评价方法，其特征在于，包括以下步骤：
S101：获取国家地表水环境质量标准(GB3838-2002)，构建基于GA-BP优化模糊神经网络模型，并初始化遗传算法、BP神经网络和TS模糊神经网络，设定算法的初始化参数；待S101完成后，进入S102；
S102：从多参数水质***的传感器历史数据选取2000组数据作为模型的训练数据，训练模型的数据校准部分，在训练的过程中将训练数据预测均方误差MSE作为个体适应度值，根据最优个体得到网络的初始阈值和权值。再随机选取200组数据作为测试数据，用于测试训练后的网络性能；待S102完成后，进入S103；
S103：根据地表水环境质量标准(GB3838-2002)进行等间隔均匀分布方式内插标准数据的方式获取400组数据，其中I到II类，II到III类，III到IV类及IV到V类数据各100组。随机选取350组数据用于训练模型的水质评价部分模糊神经网络，50组数据用于测试网络是否有良好的泛化能力和判断准确性；待S103完成后，进入S104
S104：得到模糊神经网络模型与遗传算法优化的BP神经网络模型部分共同组成一种根据多参数的GA-BP优化TSFNN的水质评价方法。将200组测试数据作为GA-BP神经网络的输入数据进行校准，得到预测结果后再将其作为TS模糊神经网络的输入数据对当前传感器节点所在水域的水质进行等级评价。
2.根据权利要求1所述的一种GA-BP优化TSFNN的富营养水质评价方法，其特征在于，S101中包括建立GA-BP多隐含层神经网络，包括以下步骤：
S201：根据传感器测量到的水质数据维数可以确定输入节点和输出节点为4，采用双隐含层的结构，通过不同隐含层节点数仿真的均方误差、绝对误差、绝对误差百分比的大小，确定神经网络结构为4-7-6-4。待S201完成后。进入S202；
S202：设置BP神经网络中的参数，包括：学习速率、迭代次数、训练目标的允许误差；设置GA算法的参数，包括：群体大小N、遗传代数G、交叉概率Pc、变异概率Pm。待S202完成后，进入S203；
S203：选取2000组数据作为GA-BP神经网络的训练数据，并将训练数据的均方误差作为个体适应度值，进行交叉、变异操作并计算适应度值。进入循环，直至求得最优个体。待S203完成，进入S204；
S204：获取最优个体中的权阈值，赋值给BP神经网络作为初始权阈值，利用2000组训练数据计算网络误差，在训练中不断更新网络的权阈值，直至满足调节。仿真预测，得到结果。
3.根据权利要求2所述的一种GA-BP优化TSFNN的富营养水质评价方法，其特征在于，S203中所指采用均方误差MSE作为个体适应度值，计算方式为：上式说明，均方误差由点估计的方差与偏差的平方两部分组成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810434779.6A CN108872508A (zh) | 2018-05-08 | 2018-05-08 | 一种ga-bp优化tsfnn的富营养水质评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810434779.6A CN108872508A (zh) | 2018-05-08 | 2018-05-08 | 一种ga-bp优化tsfnn的富营养水质评价方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108872508A true CN108872508A (zh) | 2018-11-23 |
Family
ID=64333121
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810434779.6A Pending CN108872508A (zh) | 2018-05-08 | 2018-05-08 | 一种ga-bp优化tsfnn的富营养水质评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108872508A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109655594A (zh) * | 2018-12-30 | 2019-04-19 | 杭州铭展网络科技有限公司 | 一种水质获取方法 |
| CN109740286A (zh) * | 2019-01-21 | 2019-05-10 | 北京工业大学 | 一种混合优化bp神经网络的湖泊水质预测模型构建方法 |
| CN110208478A (zh) * | 2019-06-20 | 2019-09-06 | 南京芊玥机器人科技有限公司 | 一种搭载水域环境监测***的太阳能无人艇 |
| CN110738307A (zh) * | 2019-09-16 | 2020-01-31 | 天津大学 | Bp神经网络模型在桃林口水库水质预测中的应用 |
| CN111104860A (zh) * | 2019-11-19 | 2020-05-05 | 浙江工业大学 | 一种基于机器视觉的无人机水质色度监测方法 |
| CN113642109A (zh) * | 2021-08-17 | 2021-11-12 | 湖南大学 | 一种基于bp神经网络的多传感器方案评价与优化***及方法 |
| CN113971517A (zh) * | 2021-10-25 | 2022-01-25 | 中国计量大学 | 一种基于ga-lm-bp神经网络的水质评价方法 |
| CN115053685A (zh) * | 2022-06-07 | 2022-09-16 | 舒城县农业科学研究所 | 一种水生蔬菜种植用肥水管控*** |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106951983A (zh) * | 2017-02-27 | 2017-07-14 | 浙江工业大学 | 基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法 |
-
2018
- 2018-05-08 CN CN201810434779.6A patent/CN108872508A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106951983A (zh) * | 2017-02-27 | 2017-07-14 | 浙江工业大学 | 基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 崔东文;: "水质综合评价的LM-BP神经网络通用模型应用", 水资源保护, vol. 29, no. 06, pages 18 - 25 * |
| 张维砚;沈蓓雷;童琰;胡雪芹;徐春燕;由文辉;薄芳芳;: "基于GA-BP模型的景观小水体富营养化评价方法", 中国环境科学, vol. 31, no. 04, pages 674 - 679 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109655594A (zh) * | 2018-12-30 | 2019-04-19 | 杭州铭展网络科技有限公司 | 一种水质获取方法 |
| CN109740286A (zh) * | 2019-01-21 | 2019-05-10 | 北京工业大学 | 一种混合优化bp神经网络的湖泊水质预测模型构建方法 |
| CN110208478A (zh) * | 2019-06-20 | 2019-09-06 | 南京芊玥机器人科技有限公司 | 一种搭载水域环境监测***的太阳能无人艇 |
| CN110738307A (zh) * | 2019-09-16 | 2020-01-31 | 天津大学 | Bp神经网络模型在桃林口水库水质预测中的应用 |
| CN111104860A (zh) * | 2019-11-19 | 2020-05-05 | 浙江工业大学 | 一种基于机器视觉的无人机水质色度监测方法 |
| CN111104860B (zh) * | 2019-11-19 | 2022-02-15 | 浙江工业大学 | 一种基于机器视觉的无人机水质色度监测方法 |
| CN113642109A (zh) * | 2021-08-17 | 2021-11-12 | 湖南大学 | 一种基于bp神经网络的多传感器方案评价与优化***及方法 |
| CN113642109B (zh) * | 2021-08-17 | 2023-07-04 | 湖南大学 | 一种基于bp神经网络的多传感器方案评价与优化***及方法 |
| CN113971517A (zh) * | 2021-10-25 | 2022-01-25 | 中国计量大学 | 一种基于ga-lm-bp神经网络的水质评价方法 |
| CN115053685A (zh) * | 2022-06-07 | 2022-09-16 | 舒城县农业科学研究所 | 一种水生蔬菜种植用肥水管控*** |
| CN115053685B (zh) * | 2022-06-07 | 2023-11-28 | 舒城县农业科学研究所 | 一种水生蔬菜种植用肥水管控*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108872508A (zh) | 一种ga-bp优化tsfnn的富营养水质评价方法 | |
| CN106841075B (zh) | 基于神经网络的cod紫外光谱在线检测优化方法 | |
| Mulia et al. | Hybrid ANN–GA model for predicting turbidity and chlorophyll-a concentrations | |
| CN101793887B (zh) | 大菱鲆养殖水质评价的模糊神经网络专家***的构建方法 | |
| CN108898215B (zh) | 一种基于二型模糊神经网络的污泥膨胀智能辨识方法 | |
| CN109816094A (zh) | 基于神经网络l-m算法的光学溶解氧传感器非线性温度补偿方法 | |
| CN108876021B (zh) | 一种中长期径流预报方法及*** | |
| CN116630122B (zh) | 基于水文-生态响应关系的湖泊生态水力调控方法及*** | |
| CN110824915B (zh) | 基于ga-dbn网络的废水处理智能监控方法及*** | |
| CN102183621A (zh) | 水产养殖溶解氧浓度在线预测方法及*** | |
| CN104700153A (zh) | 基于模拟退火优化BP神经网络的pH值预测方法 | |
| CN109409441A (zh) | 基于改进随机森林的近岸水体叶绿素a浓度遥感反演方法 | |
| CN102183802B (zh) | 一种基于卡尔曼滤波及演化建模的短期气候预测方法 | |
| CN108595892A (zh) | 基于时间差分模型的软测量建模方法 | |
| CN114154401B (zh) | 基于机器学习和观测数据的土壤侵蚀模数计算方法及*** | |
| CN111510500A (zh) | 一种基于边缘计算的水质监测数据校准方法 | |
| CN108960334A (zh) | 一种多传感器数据加权融合方法 | |
| CN110428107A (zh) | 一种玉米产量遥感预测方法及*** | |
| CN110309609A (zh) | 一种基于粗糙集和小波神经网络的建筑室内空气品质评价方法 | |
| CN108460462A (zh) | 一种基于区间参数优化的区间神经网络学习方法 | |
| CN109033509A (zh) | 一种基于大坝变形分析的融合模型构建方法 | |
| CN114970377A (zh) | 基于新安江与深度学习耦合模型的场次洪水预报方法和*** | |
| CN103637800B (zh) | 基于八段阻抗模型的人体成分分析的方法 | |
| CN115859789A (zh) | 一种提高极地大气温度廓线反演精度的方法 | |
| CN109190810B (zh) | 基于tdnn的中国北方草原地区ndvi的预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| DD01 | Delivery of document by public notice |
Addressee: Yang Lijuan Document name: Notice of patent application for invention entering the substantive examination stage |
|
| DD01 | Delivery of document by public notice | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181123 |
|
| WD01 | Invention patent application deemed withdrawn after publication |