一、改进的BP网络在地下水水质评价中的应用（论文文献综述）
许燕颖[1]（2021）在《基于BP神经网络与WPI的桃江水质评价及成因分析》文中研究表明我国南方地区尤其是长江流域的水环境问题一直是社会关注的焦点,科学的水质评价有助于及时了解水体污染情况,可为解决水体污染、保护水环境指明方向,对于社会经济发展和生态环境保护都具有重大的现实意义。赣江作为长江的重要支流,其上游的桃江流域是我国典型的稀土矿区流域,本文以桃江流域为研究区域,根据流域内的遥感影像数据、实测水质指标和降水数据,运用描述性统计分析法对该流域2014-2017年10个监测断面的水质指标检测结果进行分析,分析结果显示被检测的溶解氧、高锰酸盐指数、BOD5、氨氮、总磷、氟化物等6项指标的含量在流域存在明显的时空分布差异,且以氨氮含量的时空差异最为明显。结合BP神经网络模型,采用只含有1个隐藏层的3层BP神经网络模型,对桃江流域水质进行分类,同时运用水污染指数法对流域水质进行评价,分析比较两种评价方法的异同。基于BP神经网络模型的水质评价结果显示桃江各个监测断面的水质类别以I类和II类为主,水污染指数评价结果则显示,大部分监测断面的水质类别为II类和III类,所占比例分别为55%和29%。两种评价方法的共同之处在于都显示桃江水质状况总体上满足该流域的水域功能和保护目标,龙头滩断面水质状况较差。依据水质评价结果,参考实地调查资料分析桃江水质污染成因,得出桃江流域水质受自然降水和人为污染物排放的共同影响,污染物来源主要包括各类农业活动中不合理施用农药化肥,生活污水和垃圾,以及以稀土采选为主的各种工业活动排放的废水、尾矿等。因此,水环境治理工作可从完善水环境防治政策法规体系,推进农业面源污染、工业污染防治,以及强化城乡生活污染治理等方面入手。
林红[2]（2019）在《引滦入津工程水质研究》文中研究说明引滦入津工程是作为天津城市用水的一项跨流域大型引水工程,滦河水为天津市主要供水来源,每年向天津输水10亿m3,其水质质量对受水区经济建设及人民生活将产生深切影响。随着经济社会发展,人口增多,工业不断进步,这也给引滦入津水质带来了一定的影响,本文结合了历年水质状况,对引滦入津工程水质进行了研究。首先通过对收集的1987年至2012年引滦入津沿线主要控制断面水质监测详实数据的分析,由于历年资料有限,当时测量技术有限,选择了数据较为完善的指标进行研究,最终选定氯离子、溶解氧、高锰酸盐指数、五日生化需氧量、氨氮、硝酸盐、总磷、总氮等8项污染指标作为主要研究对象,进行年际趋势分析、水质评价和预测。经1987-2012年引滦沿程水质变化趋势显示,除沙河桥与果河桥站个别几年受排污水影响,水质发生突变,其余几站水质年际变化基本不大。利用单因子和灰色关联度方法对引滦沿线监测断面的水质进行评价,确定了水质状况,经对比分析两种评价方法的评价结果,最终选用单因子评价结果为引滦沿线水质结果。单因子评价结果显示,在不考虑总氮含量的情况下引滦沿线的水质绝大多数指标属于Ⅰ类和Ⅱ类水,但总氮参评的情况下,引滦沿线水质基本为Ⅳ、V类水质,总氮的含量远远超标了,须采取适当措施降低TN含量,以保障供水安全。运用改进BP人工神经网络法和GM（1,1）灰色系统预测法分别对2020年水质进行趋势预测分析。预测结果显示在长系列水质预测,BP神经网络法模拟效果要优于灰色系统预测法预测结果,其结果有参考价值和意义。对引滦沿线监测控制与管理、治理措施提出建议,为今后更好的管理引滦沿线的水质工作,及进一步掌握和改善引滦沿线水质状况,提供可靠依据和技术支撑。
卫佳佳[3]（2019）在《基于GIS的郯庐断裂带安徽段地下水水质空间分布特征分析与预测》文中研究指明地下水是居民生活的重要水源,开发利用程度逐年提高。近年来随着经济的快速发展,地下水遭受污染的环境问题日益凸显。本文以郯庐断裂带安徽段浅层地下水为研究对象,在充分收集和整理研究区内已有的水文地质资料的基础上,开展了野外水文地质调查。综合分析本次野外调查中所采集的水质数据以及收集的2011年至2018年地下水水质监测数据,开展了地下水水质的质量评价与预测研究,并分析地下水水质的空间分布特征,取得了以下主要研究成果:（1）根据本次野外调查所采集的地下水水质全分析数据,进行地下水水化学统计分析,并基于GIS技术对研究区地下水化学类型进行划分。结果表明,研究区地下水主要为矿化度中等偏低的中性-弱碱性水,主要阳离子为Ca2+、Na+,主要阴离子为HCO3-。研究区水化学类型以HCO3-Na、HCO3-Ca和HCO3·Cl-Na为主。（2）分别采用单因子评价法、基于主成分分析的内梅罗指数法对研究区的浅层地下水水质进行评价。首先,选取23项地下水水质指标采用单因子指标法进行水质评价,结果表明:研究区地下水23项水质指标中超III类水质指标有12项,主要超标指标为NO3-、Fe、Mn;然后,采用主成分分析法确定影响研究区地下水水质的主要指标为Cl-、Fe、Mn、NO3-、SO42-、F-;最后,选取这六项主要指标采用内梅罗指数法进行综合评价,并基于ArcGIS平台绘制水质分区图,评价结果表明:从总体上看,研究区的地下水水质主要为较好和较差,且研究区南部的地下水水质好于中部和北部的地下水水质,南部大别山区的地下水水质好于南部沿江丘陵平原地区的地下水水质。（3）选取研究区2011年至2018年的NO3-、Fe、Mn 3项水质指标作为预测指标,建立基于BP神经网络的地下水水质预测模型,对10个监测点的2025年地下水水质进行了预测并进行内梅罗指数法评价,评价结果表明部分监测点的水质受到一定程度的污染;并绘制合肥地区2011年和2025年的水质分区图,分析合肥地区的水质空间分布特征,结果表明合肥地区地下水水质为较好和较差的面积在减少,而极差的面积在增加。
宛恒[4]（2018）在《基于BP神经网络—模糊数学串联模型的科左中旗地下水质量评价》文中认为地下水水质是植物生长发育和影响生态环境的主要因素,是评估地下水环境的核心指标。内蒙古通辽地区农业灌溉主要依赖于地下水,目前该区正在进行大规模的“节水增粮行动”,此举可能会引起地下水环境的变化。本文以科左中旗万亩示范田为研究对象,开展地下水环境监测,揭示研究区地下水环境的变化规律,应用构建的BP神经网络—隶属度串联模型对科左中旗地下水环境进行评价,成果将为农田地下水环境有效治理提供基础,对维持当地农业可持续发展具有不可忽视的价值意义。主要研究成果如下:（1）作物生育期内地下水位降低,地下水埋深波动比较明显。2016年地下水埋深在生育期内呈“U”型变化;2017年7月份由于降雨密集,水位上涨,地下水埋深在生育期内呈“W”型变化。（2）地下水水质生育期内变化较大,伴随着地下水埋深的升降、降雨的补给、施肥的进行:7月地下水pH值升高;矿化度、全盐量、氨氮、硝酸盐、硫酸盐、钠离子、镁离子、氯化物和总硬度在6月份和8月份产生极大值,7月份产生极小值,波动较明显;重碳酸盐和总碱度呈现高低起伏的变化,全盐量与矿化度、重碳酸盐与总碱度存在极显着正相关关系。8月末各离子浓度逐渐下降,生育期前后各离子浓度值相近,当地总体地下水质4月和10月优于其它各月。（3）构建的BP神经网络一隶属度串联模型经率定检验,与实际监测数据吻合较好,该模型用于科左中旗地区农田地下水质量评价可行。（4）以地下水Ⅳ类标准为基础,基于BP神经网络一隶属度串联模型评价结果显示研究区地下水水质总体都位于Ⅳ类水以上,地下水质量情况良好,其中2017年地下水质量优于2016年。
杨咪,徐盼盼,钱会,侯凯[5]（2018）在《基于人工蜂群算法的BP双隐含层神经网络水质模型》文中指出采用人工蜂群算法优化BP神经网络的初始权值和阈值,同时采用双隐含层来提高网络精度,选取DO、IMn、COD、BOD5和NH3-N作为评价指标,建立一个基于人工蜂群算法的BP双隐含层神经网络模型,并应用该模型对2012年黄河水系下河沿断面的各月监测数据进行水质评价,同时与BP神经网络、模糊层次评价方法作比较。结果表明:基于人工蜂群算法的BP双隐含层神经网络在水质评价时,均方误差小,多次运行的结果始终一致,评价结果合理有效。
潘俊,梁海涛,岳丹丹,赵磊[6]（2015）在《BP人工神经网络模型在地下水水质评价中的应用》文中研究指明为了能够客观地对地下水水质进行综合评价,本文以西鞍山矿区为例,采用基于BP人工神经网络模型的评价方法对区内14个地下水水质监测点的水质进行了评价。考虑到地下水水质随季节性变化不大,以枯水期水质监测的主成分总硬度、溶解性总固体、硫酸盐、氯化物、铁和锰、硝酸盐、氟化物等指标作为评价因子,建立了地下水评价指标体系,并和模糊综合评价法的评价结果进行了比较,分类结果令人满意。评价结果表明,该模型设计合理、泛化能力强,对地下水水质评价具有较好的客观性、通用性和实用性,可为水质评价提供技术依据以及为有关部门治理水质提供理论依据和参考建议。
甄祯[7]（2011）在《基于改进人工神经网络的水文要素评价与预报》文中进行了进一步梳理水资源的开发利用与管理是人类作用于自然水系统的理性活动,涉及的内容众多,包括水资源系统的优化、决策、评价以及预测等各个方面。人工神经网络是由大量简单的元件连接而成,用以模拟人脑行为的复杂网络系统,具有对信息进行并行处理、分布式存储以及自学习与推理的能力,表现出容错性、非线性、非局限性、非凸性等特点,适于对模糊信息或复杂的非线性关系进行识别与映射。研究表明该技术在很多领域都具有广阔的应用潜力,近年来,神经网络技术在水文水资源中的应用也越来越多,体现出重要的理论价值和广泛的应用前景。本文在综合分析国内外关于水资源系统分析、预报模型、应用现状以及人工神经网络的广泛应用等研究基础上,针对存在的问题,探讨了改进人工神经网络的水文要素评价与预报。在对人工神经网络的基本理论研究的基础上,结合水科学领域的专业知识,紧密联系工程实际,深入研究了改进的人工神经网络在地下水质量评价、径流预报和洪水预报方面的应用,进行了样本训练和预报方案验证,并且对验证结果进行了误差分析。针对区域地下水进行动态分析和随机性分析,建立地下水系统质量评价模型,用人工神经网络对地下水质量进行评价。经过验证得出改进的BP神经网络应用于地下水水质综合评价是可行的。评价网络模型一旦训练好,就可以推广应用于环境问题的评价。针对径流预报的重要性和复杂性,采用模糊模式识别神经网络的最速下降—共轭梯度学习方法,经过学习识别流域产流条件和径流的相关机制,探讨了基于人工神经网络降雨径流预报的建模原理及方法,进行了样本训练和预报方案验证,并且对验证结果进行了误差分析。结果表明,模糊模式识别神经网络径流预报模型是可行的。根据天然河道的河系关系的复杂程度,将河道洪水预报分为单一河道的洪水预报和河系洪水预报,构建了洪水神经网络预报模型,并且采用洪水预报峰值识别理论的改进BP算法建立了河道洪水预报方案。通过分析,可以总结出基于人工神经网络技术的洪水神经网络预报具有以下几个突出特点：对洪水演进机制的仿真精度相对较高；实施容易；模型运行速度快；操作简单,运行灵活。
李文娟[8]（2011）在《改进BP神经网络在水质评价中的应用研究》文中研究指明水是万物生命之源,水环境管理的好坏直接影响到人类的生存与发展。而水环境质量评价是水环境管理所有工作的基础,传统的评价方法如单因子评价法和综合污染法,因其应用的局限性而备受质疑。因此,寻求一种客观、通用的水质评价方法显得尤为重要。近年来,BP神经网络在模式识别方面的突出表现为之带来了可能。将BP神经网络应用在水质评价中,可以克服传统评价方法的缺点,为各个河流水质类别的纵向对比提供了可能。但由于BP网络自身的缺陷与水质评价的特殊性,使得BP网络水质评价模型面临的两大问题——工作效率与识别精度问题,尚未得到很好的解决。本文围绕这两大问题进行了探索,对改进BP神经网络在水质评价中的应用进行了深入研究。本文的研究工作主要分为以下几个部分:（1）介绍了BP神经网络的基本理论知识,针对BP网络存在的三个缺陷以及其在水质评价中所遇到的问题,对现有的黄金分割算法进行了改进,将其用于寻找最优隐含层节点个数,达到了优化网络的目的。接着用LM算法对BP网络进行了改进,建立了基于LM-BP网络的水质评价模型,运用该模型对成都市新都区境内流域水质做出了评价,通过与综合污染指数法的评价结果比较,证明了该网络模型的可行性。（2）为了进一步增强网络的识别精度,将遗传算法与BP网络结合,运用遗传算法的全局寻优能力为BP网络寻找最优的权值与阈值,以此建立GA-BP网络水质评价模型。实验证明,该模型的网络性能（收敛速度与测试样本均方误差）均优于LM-BP网络模型。最后,利用GA-BP网络模型对同一实例进行检测,并分别与LM-BP网络评价模型及综合污染法的评价结果进行对比,证明了GA-BP网络水质评价模型更合理、实用。（3）为了探讨水质指标与类别之间蕴含的特殊关系,用线性插值取代随机插值生成样本,对已建立的GA-BP网络进行训练,通过实例检测结果对比,表明线性插值的评价结果不能反映水体污染的基本情况。由此证明了用随机插值生成训练样本最能体现水质指标与类别之间复杂的非线性关系。（4）以上研究表明,本文所建立的基于随机插值生成样本的GA-BP网络水质评价模型识别精度高,实用性和通用性强。最后,通过MATLAB R2009a实现了基于改进BP网络的水质评价模型人机交互界面（GUI）,使BP网络水质评价模型从理论研究向实际应用又迈进了一步。
贺松年,郭振远[9]（2010）在《前馈神经网络在环境评价和预测中的应用进展》文中认为本文针对水环境中复杂的不确定性及非线性关系,在水环境不确定性分析的基础上,详细阐述了以BP网络和RBF网络为代表的前馈神经网络法的基本原理,分析了两种方法的优点。同时,本文对两种方法在水环境影响评价工作中的应用现状进行总结,分析了两种方法的研究发展趋势。
郝蓉[10]（2010）在《巴彦淖尔市狼山山前冲洪积扇水环境质量评价与溶质运移模拟的研究》文中提出水作为自然资源的一部分,是人类赖以生存和发展的基础,同时也是人与自然和谐发展的重要保障。随着经济社会的不断发展,水污染问题日渐凸显,逐渐成为制约社会和经济发展的“瓶颈”。巴彦淖尔市黄河流域狼山山前冲洪积扇属规划人饮水源地,水质的好坏直接关系该地区百万人口的饮水安全。本文受内蒙古自治区重点科技支撑项目“变化环境下流域水资源响应与调控”资助,在总结和吸收前人成果的基础上,采用MATLAB建模下的BP网络和LVQ网络水质评价方法、结合传统水质评价方法以及VISUAL MODFLOW软件对该区域的地下水水质及污染物运移进行更深一步的研究和分析。首先,分析研究区地下水化学类型形成因素,对其成分进行年内和年际变化的分析,初步确定淡水、弱咸水、咸水的分布范围及形成缘由;其次,采用指数评价法、模糊数学评价法、灰色理论法、BP网络法和LVQ网络法对研究区水质进行现状评价,分析各种方法的优缺点及适用性,对比各种评价方法结果,确定最适用于研究区的水质评价方法;最后,采用VISUAL MODFLOW软件对典型扇区主要污染物运移进行模拟,摸清其污染运移规律,并对其形成机理进行了分析。水环境质量评价与预测是水环境污染的研究基础和关键,直接关乎人类的身体健康。通过水环境质量评价和水体污染物运移模拟的结合,摸清水中污染物的运移机理,从而制定有效的水污染防治措施。目前,地下水污染物扩散运移规律研究已逐渐成为国内外学者研究的重点和焦点问题。论文最后总结概括了本文的主要研究内容和取得的成果,对存在的不足之处和有待进一步的研究问题进行了总结与展望。
二、改进的BP网络在地下水水质评价中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、改进的BP网络在地下水水质评价中的应用（论文提纲范文）
（1）基于BP神经网络与WPI的桃江水质评价及成因分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及研究意义 |
| 1.2 国内外研究进展 |
| 1.3 常用的水质评价方法 |
| 1.3.1 单因子指数评价法 |
| 1.3.2 综合污染指数评价法 |
| 1.3.3 模糊评价法 |
| 1.3.4 SWOT分析 |
| 1.3.5 神经网络法 |
| 1.4 论文选题和研究内容 |
| 1.5 技术路线 |
| 第二章 数据来源与研究区域概况 |
| 2.1 数据来源 |
| 2.2 研究区域概况 |
| 2.2.1 自然概况 |
| 2.2.2 社会经济发展概况 |
| 第三章 水质监测方案和数据处理 |
| 3.1 水质监测方案 |
| 3.1.1 监测断面的设置 |
| 3.1.2 监测频次和项目的确定 |
| 3.1.3 样品采集与预处理 |
| 3.1.4 水质指标检测和评价标准 |
| 3.2 水质指标检测结果 |
| 第四章 基于 BP 神经网络与 WPI 的桃江水质评价 |
| 4.1 基于BP神经网络桃江水质评价 |
| 4.1.1 BP神经网络的特点 |
| 4.1.2 开发平台的选择 |
| 4.1.3 训练集的生成和预处理 |
| 4.1.4 网络结构的确定 |
| 4.1.5 基于BP神经网络的水质评价结果分析 |
| 4.2 基于水污染指数法的水质评价 |
| 4.2.1 水污染指数法(WPI) |
| 4.2.2 基于水污染指数法的评价结果 |
| 4.3 评价结果比较分析 |
| 第五章 水质污染成因分析及治理建议 |
| 5.1 农业发展导致的水污染及治理建议 |
| 5.2 工业发展导致的水污染及治理建议 |
| 5.3 生活污水和垃圾导致的水污染及治理建议 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（2）引滦入津工程水质研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 水质评价研究进展 |
| 1.2.2 水质预测研究进展 |
| 1.3 研究内容与技术路线 |
| 第2章 研究区域概况 |
| 2.1 工程概况 |
| 2.1.1 明渠工程概况 |
| 2.1.2 暗渠工程概况 |
| 2.1.3 蓄水工程 |
| 2.1.4 供水工程 |
| 2.2 地形地貌 |
| 2.3 气象水文 |
| 2.4 引滦入津渠系水系 |
| 2.5 工程引水概况 |
| 2.6 水质现状 |
| 2.6.1 上游沿线水质状况 |
| 2.6.2 下游沿线水质状况 |
| 第3章 引滦沿线水质评价及趋势分析 |
| 3.1 数据预处理 |
| 3.2 水质评价 |
| 3.2.1 水质评价依据 |
| 3.2.2 水质评价方法简介 |
| 3.3 水质评价结果分析 |
| 3.3.1 单因子评价结果 |
| 3.3.2 灰色关联度评价结果 |
| 3.4 引滦沿线水质趋势分析 |
| 第4章 水质预测模型 |
| 4.1 BP神经网络的基本原理 |
| 4.2 BP算法的改进 |
| 4.2.1 利用动量法改进BP算法 |
| 4.2.2 自适应调整学习速率 |
| 4.2.3 动量-自适应学习速率调整算法 |
| 4.2.4 L-M学习规则 |
| 4.3 确定BP网络的结构 |
| 4.3.1 BP神经网络的训练策略 |
| 4.3.2 BP网络结构 |
| 4.3.3 误差的选取 |
| 4.4 灰色系统理论 |
| 4.4.1 灰色系统理论研究的基本方法 |
| 4.4.2 运用灰色系统研究水资源问题 |
| 4.5 GM(1,1)灰色预测模型简介 |
| 4.5.1 灰色系统预测应用概述 |
| 4.5.2 灰色预测的基本原理 |
| 4.5.3 灰色预测步骤 |
| 4.5.4 灰色预测模型的特点 |
| 4.6 改进的GM(1,1)模型建立 |
| 第5章 引滦沿线水质预测 |
| 5.1 改进BP神经网络预测引滦沿线水质 |
| 5.2 改进灰色预测模型预测引滦沿线水质 |
| 5.3 结果对比分析 |
| 第6章 监测控制与治理措施 |
| 6.1 监测控制 |
| 6.1.1 监测断面布设 |
| 6.1.2 监测频次 |
| 6.1.3 监测设备 |
| 6.2 治理与管理措施 |
| 结论与展望 |
| 结论 |
| 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 发表论文和参加科研情况 |
（3）基于GIS的郯庐断裂带安徽段地下水水质空间分布特征分析与预测（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究目的与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 地下水化学研究现状 |
| 1.2.2 地下水水质评价研究现状 |
| 1.2.3 地下水水质预测研究现状 |
| 1.2.4 研究区地下水水质研究现状 |
| 1.3 研究内容和技术路线 |
| 1.3.1 研究内容和方法 |
| 1.3.2 技术路线 |
| 第二章 研究区概况 |
| 2.1 自然地理概况 |
| 2.1.1 地理位置 |
| 2.1.2 地形地貌 |
| 2.1.3 气象水文 |
| 2.2 地质背景 |
| 2.2.1 地层岩性 |
| 2.2.2 地质构造 |
| 2.3 水文地质概况 |
| 2.3.1 地下水含水系统 |
| 2.3.2 地下水补径排条件 |
| 2.3.3 郯庐断裂带控水作用 |
| 第三章 研究区地下水化学特征 |
| 3.1 主要水化学组分特征 |
| 3.1.1 统计特征 |
| 3.2 地下水水化学类型 |
| 3.2.1 地下水化学类型特征 |
| 3.2.2 地下水化学类型空间分布特征 |
| 3.3 本章小结 |
| 第四章 研究区地下水水质评价 |
| 4.1 基于单因子指标法的地下水水质评价 |
| 4.1.1 单因子指标评价方法 |
| 4.1.2 单因子评价结果分析 |
| 4.1.3 超标离子的空间分布特征 |
| 4.2 基于主成分分析的内梅罗指数法地下水水质评价 |
| 4.2.1 主成分分析方法简介 |
| 4.2.2 主成分分析结果 |
| 4.2.3 内梅罗指数法评价方法 |
| 4.2.4 内梅罗指数法评价结果 |
| 4.3 本章小结 |
| 第五章 研究区地下水水质预测 |
| 5.1 BP神经网络简介 |
| 5.1.1 BP神经网络的结构 |
| 5.1.2 BP神经网络的学习过程 |
| 5.2 基于BP神经网络的水质预测 |
| 5.2.1 数据预处理 |
| 5.2.2 BP神经网络结构确定 |
| 5.2.3 BP神经网络模型训练 |
| 5.2.4 BP神经网络模型的有效性检验 |
| 5.3 地下水水质预测成果分析 |
| 5.3.1 内梅罗指数法水质评价 |
| 5.3.2 地下水污染的防治建议 |
| 5.4 本章小结 |
| 第六章 成果与展望 |
| 6.1 主要成果 |
| 6.2 存在问题及建议 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（4）基于BP神经网络—模糊数学串联模型的科左中旗地下水质量评价（论文提纲范文）
| 摘要 |
| abstract |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究进展 |
| 1.2.1 农田地下水环境研究 |
| 1.2.2 农田地下水水质评价研究 |
| 1.3 研究目标、内容及技术路线 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 2 研究区概况及试验设计 |
| 2.1 研究区基本情况 |
| 2.1.1 研究区地理位置 |
| 2.1.2 研究区气象 |
| 2.1.3 研究区种植、施肥情况 |
| 2.1.4 研究区水文地质条件 |
| 2.1.5 研究区周边地形地貌情况 |
| 2.2 试验与研究方法介绍 |
| 2.2.1 地下水环境监测试验方案 |
| 2.2.2 地下水环境研究方法 |
| 3 地下水环境动态变化趋势研究 |
| 3.1 地下水埋深动态变化趋势研究 |
| 3.2 地下水水质时空动态变化趋势研究 |
| 3.2.1 地下水悬浮物含量变化趋势研究 |
| 3.2.2 地下水pH值变化趋势研究 |
| 3.2.3 地下水氨氮、硝酸盐含量变化趋势研究 |
| 3.2.4 地下水全盐量、矿化度变化趋势研究 |
| 3.2.5 地下水钠离子、氯化物变化趋势研究 |
| 3.2.6 地下水镁离子、硫酸盐和总硬度变化趋势研究 |
| 3.2.7 地下水重碳酸盐、总碱度变化趋势研究 |
| 3.3 地下水质相关性分析 |
| 3.4 地下水水质单因子评价 |
| 3.5 小结与讨论 |
| 4 神经网络与模糊数学结合的基础理论 |
| 4.1 人工神经网络基本理论 |
| 4.1.1 人工神经网络的概念 |
| 4.1.2 人工神经网络的原理 |
| 4.1.3 人工神经网络的分类 |
| 4.1.4 人工神经网络的运作过程和样本分类 |
| 4.1.5 人工神经网络的优点及研究意义 |
| 4.2 模糊数学的基本理论 |
| 4.2.1 模糊现象 |
| 4.2.2 模糊集合 |
| 4.2.3 模糊关系 |
| 4.3 人工神经网络与模糊数学的融合 |
| 4.4 小结与讨论 |
| 5 基于BP神经网络—隶属度串联模型的地下水水质评价 |
| 5.1 BP神经网络 |
| 5.1.1 BP神经网络模型的简介 |
| 5.1.2 BP神经网络的研究意义 |
| 5.1.3 BP神经网络模型 |
| 5.1.4 BP神经网络训练学习 |
| 5.1.5 BP神经网络算法的原理 |
| 5.1.6 BP神经网络算法的实现 |
| 5.1.7 BP神经网络的不足和改进 |
| 5.2 水质评价BP神经网络—隶属度串联模型的构建 |
| 5.3 水质评价BP神经网络—隶属度串联模型的程序编制 |
| 5.4 水质评价BP神经网络—隶属度串联模型的实例运算 |
| 5.5 水质评价BP神经网络—隶属度串联模型的验证 |
| 5.6 小结与讨论 |
| 6 结论与展望 |
| 6.1 主要结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（5）基于人工蜂群算法的BP双隐含层神经网络水质模型（论文提纲范文）
| 1 研究方法 |
| 1.1 人工蜂群算法原理 |
| 1.2 基于人工蜂群算法的BP神经网络 (ABC-BP) |
| 2 建立水质评价模型 |
| 2.1 人工蜂群算法初始值 |
| 2.2 训练样本和测试样本 |
| 2.3 神经网络的拓扑结构 |
| 3 结果与讨论 |
| 3.1 模型训练 |
| 3.2 模型测试 |
| 3.3 水质评价结果比较 |
| 4 结论 |
（6）BP人工神经网络模型在地下水水质评价中的应用（论文提纲范文）
| 1 BP人工神经网络的结构和原理 |
| 1. 1 BP人工神经网络结构 |
| 1. 2 BP人工神经网络原理 |
| 2 水质评价的BP人工神经网络模型 |
| 2. 1 输入层、隐含层和输出层的确定 |
| 2. 2 网络参数的确立 |
| 2. 3 训练样本与学习结果 |
| 3 应用实例 |
| 4 结论 |
（7）基于改进人工神经网络的水文要素评价与预报（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景 |
| 1.2 研究意义 |
| 1.3 神经网络预测研究现状 |
| 1.4 人工神经网络在水文领域的应用现状 |
| 1.4.1 人工神经网络在降雨径流预报中的应用 |
| 1.4.2 人工神经网络在水质预测中的应用 |
| 1.4.3 人工神经网络在水环境评价中的应用 |
| 1.4.4 人工神经网络在水害防治中的应用 |
| 1.4.5 人工神经网络在水资源配置与管理决策中的应用 |
| 1.5 本文研究的主要内容及技术路线 |
| 1.6 本章小结 |
| 第二章 人工神经网络基本理论 |
| 2.1 人工神经网络简介 |
| 2.2 人工神经网络的发展历史 |
| 2.3 人工神经网络模型 |
| 2.3.1 人工神经元模型 |
| 2.3.2 BP网络模型的改进及其优化 |
| 2.4 人工神经网络的分类及学习规则 |
| 2.4.1 人工神经网络的分类 |
| 2.4.2 人工神经网络的学习 |
| 2.5 人工神经网络的信息处理能力 |
| 2.6 本章小结 |
| 第三章 改进的BP网络在地下水质量评价中的应用 |
| 3.1 引言 |
| 3.2 地下水质量评价的基本原理 |
| 3.2.1 常用的地下水质评价方法 |
| 3.2.2 评价原则 |
| 3.2.3 BP神经网络模型参数的确定 |
| 3.3 应用实例 |
| 3.3.1 改进的BP网络模型的建立 |
| 3.3.2 评价结果分析比较 |
| 3.4 本章小结 |
| 第四章 模糊模式识别神经网络在径流预报中的应用 |
| 4.1 引言 |
| 4.2 模糊模式识别神经网络预报模型 |
| 4.2.1 预报模型 |
| 4.2.2 模糊模式识别预报模型的基本原理 |
| 4.2.3 模糊模式识别神经网络的最速下降—共轭梯度学习方法 |
| 4.3 应用实例 |
| 4.3.1 网络模型的建立 |
| 4.3.2 径流预报结果分析比较 |
| 4.4 本章小结 |
| 第五章 人工神经网络在河道洪水预报中的应用 |
| 5.1 引言 |
| 5.2 洪水神经网络预报的基本原理 |
| 5.3 神经网络峰值识别理论 |
| 5.4 洪水预报精度评定 |
| 5.5 单一河道洪水预报模型 |
| 5.6 河道洪水预报应用实例 |
| 5.6.1 水位预报模型 |
| 5.6.2 流量预报模型 |
| 5.6.3 双输入双输出的水位流量洪水预报模型 |
| 5.6.4 洪水预报结果分析比较 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录A 攻读硕士期间发表论文目录 |
| 附录B 主程序代码 |
（8）改进BP神经网络在水质评价中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 水环境质量综合评价研究现状 |
| 1.2.2 BP 神经网络在水质评价中的研究现状 |
| 1.3 本文研究的主要内容 |
| 2 BP 神经网络基本理论研究 |
| 2.1 BP 神经网络的介绍 |
| 2.1.1 BP 神经网络的结构 |
| 2.1.2 BP 神经网络算法 |
| 2.2 BP 算法的缺点及其在水质评价应用中的若干问题 |
| 2.3 BP 算法的改进方法 |
| 2.4 本章小结 |
| 3 基于 LM-BP 神经网络的水质评价模型 |
| 3.1 水域概况及数据来源 |
| 3.2 LM-BP 网络水质评价模型的建立 |
| 3.2.1 LM 算法工作原理 |
| 3.2.2 标准训练样本的生成 |
| 3.2.3 LM-BP 网络拓扑结构的确定 |
| 3.3 LM-BP 网络水质评价模型在实例中的应用 |
| 3.4 与传统评价方法的比较分析 |
| 3.5 本章小结 |
| 4 基于 GA-BP 网络水质评价模型的建立 |
| 4.1 遗传算法与BP 神经网络结合的优点 |
| 4.2 遗传算法优化BP 网络的工作原理 |
| 4.3 遗传神经网络在水质评价中的应用 |
| 4.4 遗传神经网络水质评价模型对实例的应用 |
| 4.5 线性插值的探索 |
| 4.6 本章小结 |
| 5 基于 BP 神经网络水质评价模型的 GUI 设计 |
| 5.1 主界面的设计 |
| 5.2 GA-BP 网络水质评价GUI 的应用 |
| 5.3 本章小结 |
| 6 结论与展望 |
| 6.1 主要工作总结 |
| 6.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 |
（10）巴彦淖尔市狼山山前冲洪积扇水环境质量评价与溶质运移模拟的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究进展 |
| 1.2.1 水环境质量评价 |
| 1.2.2 地下水溶质运移模拟 |
| 1.3 主要研究内容及技术路线 |
| 2 研究区概况 |
| 2.1 地理位置与社会经济状况 |
| 2.1.1 地理位置 |
| 2.1.2 社会经济概况 |
| 2.2 地形地貌 |
| 2.3 水文气象条件 |
| 2.3.1 气象 |
| 2.3.2 降水 |
| 2.3.3 蒸发 |
| 2.3.4 气温 |
| 2.3.5 相对湿度 |
| 2.3.6 风速 |
| 2.3.7 日照时数 |
| 2.3.8 其它 |
| 2.3.9 河流水系 |
| 2.4 水文地质条件 |
| 3 地下水水化学类型 |
| 3.1 地下水化学类型的分区 |
| 3.2 地下水化学类型的形成因素 |
| 3.3 地下水化学成分年内变化和年际变化 |
| 3.3.1 年内变化 |
| 3.3.2 年际变化 |
| 4 地下水水质现状评价 |
| 4.1 评价因子、标准和方法 |
| 4.2 研究区地下水水质现状评价 |
| 4.2.1 分区与水质采样概况 |
| 4.2.2 数据来源 |
| 4.2.3 几种水质评价方法 |
| 4.3 综合比较与结果分析 |
| 5 地下水溶质运移模拟 |
| 5.1 模拟软件的选择及简介 |
| 5.2 水文地质概念模型和溶质运移概念模型的建立 |
| 5.2.1 模拟区范围 |
| 5.2.2 含水层(组)结构的概化 |
| 5.2.3 水文地质概念模型 |
| 5.2.4 溶质运移概念模型 |
| 5.2.5 小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 附录 |
四、改进的BP网络在地下水水质评价中的应用（论文参考文献）
- [1]基于BP神经网络与WPI的桃江水质评价及成因分析[D]. 许燕颖. 江西理工大学, 2021(01)
- [2]引滦入津工程水质研究[D]. 林红. 河北工程大学, 2019(01)
- [3]基于GIS的郯庐断裂带安徽段地下水水质空间分布特征分析与预测[D]. 卫佳佳. 合肥工业大学, 2019(01)
- [4]基于BP神经网络—模糊数学串联模型的科左中旗地下水质量评价[D]. 宛恒. 内蒙古农业大学, 2018(12)
- [5]基于人工蜂群算法的BP双隐含层神经网络水质模型[J]. 杨咪,徐盼盼,钱会,侯凯. 环境监测管理与技术, 2018(01)
- [6]BP人工神经网络模型在地下水水质评价中的应用[J]. 潘俊,梁海涛,岳丹丹,赵磊. 供水技术, 2015(06)
- [7]基于改进人工神经网络的水文要素评价与预报[D]. 甄祯. 昆明理工大学, 2011(05)
- [8]改进BP神经网络在水质评价中的应用研究[D]. 李文娟. 重庆理工大学, 2011(04)
- [9]前馈神经网络在环境评价和预测中的应用进展[J]. 贺松年,郭振远. 四川环境, 2010(03)
- [10]巴彦淖尔市狼山山前冲洪积扇水环境质量评价与溶质运移模拟的研究[D]. 郝蓉. 内蒙古农业大学, 2010(11)