关键词：
水质异常预警
遗传算法
模糊神经网络
概率密度函数
U-Net
摘要：
随着工业化进程的加快和经济的快速发展,我国面临着越来越突出的水质安全问题。近年来发生的多起水污染事件不仅导致灾难性的环境问题,同时造成严重的社会影响,后期的水环境修复更是消耗大量的人力和物力。因此,对水质进行快速检测、水中污染物预测、实现水质实时预测预警、通过卫星图像快速识别水质污染区域等智能水质检测和预警方法对实现自动水质异常预警,帮助人们尽快发现并抑制水污染事件的影响具有重要意义。在此背景下,本论文开展了针对水污染事件的智能水质检测和预警方法的研究。
环境是一个受到多种因素影响的复杂系统,因此,在水质监测任务中存在各种问题:(1)分析生态工业园区地下水水质总碱度的过程中,特征分析的精度较低,总碱度检测准确性不高;(2)预测地下水中氨氮(NH4-N)浓度和化学需氧量(COD)的过程中,基于均值误差的方法不能充分利用数据的统计信息,而且容易受到非零均值噪声的影响;(3)由于特殊的地理位置、数据时间短以及其他的不可知道因素,导致水质实时监测预警能力不足,精度较低;(4)卫星遥感图像水域分割效率和分割精度有待提高,快速识别污染水域实时预警技术有待完善。因此本文为了解决以上问题,做出深入研究,内容如下:
1.针对生态园工业区分析水质总碱度的过程中,特征分析的精度较低的问题,提出一种改进遗传算法自适应神经模糊推理系统模型实现对生态工业园区地下水水质总碱度的检测。该模型利用遗传算法对自适应神经模糊推理系统进行优化,对自适应神经模糊推理系统中网络的权重值进行训练迭代,使其具有更加优秀的拟合能力和较强的检测能力,同时结合污染物运移方程实现对总碱度分布情况进行模拟计算。通过构建生态工业园区地下水总碱度及相关污染物浓度特征分布统计信息挖掘模型,利用提出的模型对实验数据进行仿真实验和对比分析,证明了模型的有效性。
2.针对地下水中实时测量并预测氨氮浓度和化学需氧量过程中,基于均值误差的方法不能充分利用数据的统计信息,而且容易受到非零均值噪声的影响的问题,提出了一种概率密度模糊神经网络模型。首先,建立了建模误差概率密度函数准则来评价模糊神经网络的建模性能。其次,采用具有自适应学习率的梯度下降法对模糊神经网络参数进行了优化。此外,还对所提出的概率密度模糊神经网络进行了收敛性分析,以保证其在实践中的有效性。最后,将提出的模型应用于实际数据集,实现氨氮浓度和化学需氧量的预测,并将模型与其他模型进行对比分析,证明提出的模型在预测精度和抗高斯噪声能力方面性能更优。
3.针对水质异常预警过程中,参数受到气候、人为干扰等多种条件的影响导致信息限制、记录周期短、变化趋势不足的问题,提出了一种有效的数据驱动的地表水水质预测模型,根据历史观测数据分析地表水水质内在变化趋势,提供实时预警。该模型采用改进的遗传算法和反向传播神经网络相结合,前者用于选择神经网络的最优初始权值参数,防止模型选择局部最优结果,后者用于调整神经网络的连接结构,识别水质变化特征,之后与具有滑动窗口预测模式的数据驱动模型进行集成,达到实时预警的目的。最后,对所提出的模型进行仿真实验和对比分析。
4.针对卫星遥感图像水域分割效率和分割精度有待提高,快速识别污染水域实时预警技术有待完善的问题,基于U-Net模型提出了一种新的多尺度残差U-Net模型。该模型在每个标准卷积块后增加多尺度挤压激励模块,并在标准卷积块中加入残差结构,同时,为了使网络具有较大的接收场,用混合空洞卷积层取代U-Net网络的底部直接连接。提出的多尺度残差U-Net模型,在多个节点上获取图像的有用特征,抑制无关区域的干扰。最后,对所提出的模型进行仿真实验和对比分析。
欢迎来到三峡大学图书馆！
详细信息
