论文部分内容阅读
城市供水管网作为市政工程建设的基础设施，担负着为人民群众提供优质无污染生活饮用水的重担。自来水在流经庞大繁杂的管网系统过程中，易发生“二次污染”，从而导致水质下降，影响人民群众的生命健康。因此，对管网水质的变化情况进行科学预测并及时采取有效的措施已成为专家学者的研究热点。传统的水质预测方法，诸如模糊数学法和灰色系统理论等由于应用受限，误差较大而被逐步淘汰。近年来，RBF（RadialBasis Function，径向基函数）神经网络算法凭借其无限逼近可微函数的优越性能使之在水质预测研究方面取得了广泛的应用。将RBF神经网络算法应用到管网水质预测中，可以有效弥补传统水质预测方法所存在的缺陷不足，同时可以提高预测精度。但是，由于RBF神经网络算法也存在一些不足之处加之管网水质变化情况的复杂无规律性，亟需对RBF神经网络水质预测模型进行优化改进。本文围绕这一目标进行了积极的尝试探索，对改进型RBF神经网络算法在管网水质预测中的应用进行了深入细致的研究。本文的研究重点主要集中在以下几个方面：（1）介绍了RBF神经网络的基本理论知识，在此基础上总结归纳了传统型RBF神经网络算法在管网水质预测方面所表现出的三个缺陷不足，并分别提出了相应的改进措施：引入黄金分割法优化确定RBF神经网络隐含层的单元节点数目，摒弃过去单纯依靠专家经验进行人工选取的传统做法，提高水质预测结果的客观真实性；引入L evenberg Marquardt算法优化确定RBF神经网络结构，提高RBF神经网络的收敛速度；引入遗传算法对RBF神经网络的初始权值和阈值等基本参数进行优化，避免RBF神经网络陷入局部极小值点。建立基于改进型RBF神经网络算法的水质预测模型，结合广州大学城水质控制系统提供的样本数据，进行仿真比较，论证了改进型RBF神经网络算法的合理性与优越性。（2）借助MATLAB建立了基于改进型RBF神经网络算法的水质预测模型的人机交互界面。基于改进型RBF神经网络算法的水质预测模型不仅适用非技术人员根据样本数据进行水质评价，同时也能够根据研究内容的不断变化更加方便快捷地建立符合现实生活需求的改进型RBF神经网络水质预测模型，使改进型RBF神经网络水质预测模型从单纯的理论研究真正走向具体的实际应用。