环境科学研究
環境科學研究
배경과학연구
RSEARCH OF ENUIRONMENTAL SCIENCES
2011年
5期
526-532
,共7页
BP神经网络%PSO算法%预测%叶绿素a
BP神經網絡%PSO算法%預測%葉綠素a
BP신경망락%PSO산법%예측%협록소a
BP 神经网络(Back Propagation Network)在水体富营养化评价及预测中已广泛应用,但传统 BP 算法的收敛速度慢并易陷入局部最优.提出了一种基于微粒群(PSO)算法的 BP 神经网络模型,利用 PSO 对神经网络的权值进行修正,优化神经网络结构及算法全局收敛性.选择最能代表明湖水质状况的 5 号采样点作为研究对象,把 2009 年 4 月-2010 年 3 月的月样本插值为周样本,对明湖ρ(Chla)的短期变化趋势进行了预测,并用 6 号采样点数据来验证网络的泛化能力.比较分析基于 PSO 算法的新模型与传统 BP 算法模型的预测精度表明,新模型有效克服了传统算法的缺点,提高了网络的预测能力和学习能力.
BP 神經網絡(Back Propagation Network)在水體富營養化評價及預測中已廣汎應用,但傳統 BP 算法的收斂速度慢併易陷入跼部最優.提齣瞭一種基于微粒群(PSO)算法的 BP 神經網絡模型,利用 PSO 對神經網絡的權值進行脩正,優化神經網絡結構及算法全跼收斂性.選擇最能代錶明湖水質狀況的 5 號採樣點作為研究對象,把 2009 年 4 月-2010 年 3 月的月樣本插值為週樣本,對明湖ρ(Chla)的短期變化趨勢進行瞭預測,併用 6 號採樣點數據來驗證網絡的汎化能力.比較分析基于 PSO 算法的新模型與傳統 BP 算法模型的預測精度錶明,新模型有效剋服瞭傳統算法的缺點,提高瞭網絡的預測能力和學習能力.
BP 신경망락(Back Propagation Network)재수체부영양화평개급예측중이엄범응용,단전통 BP 산법적수렴속도만병역함입국부최우.제출료일충기우미립군(PSO)산법적 BP 신경망락모형,이용 PSO 대신경망락적권치진행수정,우화신경망락결구급산법전국수렴성.선택최능대표명호수질상황적 5 호채양점작위연구대상,파 2009 년 4 월-2010 년 3 월적월양본삽치위주양본,대명호ρ(Chla)적단기변화추세진행료예측,병용 6 호채양점수거래험증망락적범화능력.비교분석기우 PSO 산법적신모형여전통 BP 산법모형적예측정도표명,신모형유효극복료전통산법적결점,제고료망락적예측능력화학습능력.
