论文部分内容阅读
渭河是关中地区经济发展的重要水源,同时也是地区容纳污染物的一条重要通道。近些年随着区域经济的快速发展,人们对水资源的过度索取以及各类污染物的大量排放,都造成了渭河水质的严重破坏。而高锰酸盐指数(CODMn)作为水环境监测中最重要且易得的有机污染综合指标之一,可以对水体中有机物的相对含量进行判断。本文在此背景下研究渭南潼关吊桥段CODMn浓度。目前对水体中CODMn浓度的预测研究多集中于长期预测,其缺点在于无法将政府对水环境的治理力度作为有效变量加入模型,故而长期的预测结果通常和实际的监测数值误差较大,失去了预测的实际意义。同时,短期的CODMn浓度预测研究较少,因而导致在应对水质出现恶化的情况时,很难提前做好必要的准备。本文基于时间序列分析、BP算法以及GA算法,通过建立ARIMA时间序列模型、BP神经网络模型以及GA优化的BP神经网络模型,研究渭南潼关吊桥断CODMn短期内的浓度变化,验证预测值与实际监测值之间的相对误差,得到了一种预测精度较为理想的CODMn预测方法。本文对近三年研究断面的CODMn浓度进行时间序列分析,验证原序列和一阶差分后序列的平稳性,建立了时间序列模型ARIMA（1,1,1）,模型拟合效果较好,预测结果表明短期精度较为理想,但当实际浓度变化与时间序列预测的总体趋势相反时,明显存在相对误差较大的问题。针对时间序列预测的不足,建立了BP神经网络模型,结果表明BP神经网络模型获得的预测结果相对误差较为理想,但存在收敛速度慢,易陷于局部最小值的现象。为了弥补BP神经网络模型的不足,进一步建立了GA优化的BP神经网络模型。通过遗传算法来对神经网络的初始连接权值进行优化,提高了网络搜索能力、加快了收敛速度、解决了易陷入局部最小的问题,结果表明遗传算法优化过的BP神经网络模型不论在CODMn的拟合过程还是预测结果上,较普通的BP神经网络,都更加理想,误差更小,更适用于短期CODMn浓度预测。