本章在分析和讨论水华发生的主要因素和水华的评价指标后，研究了基于BP神经网络和RBF神经网络的两种水华短期预测模型，并进行了分析和比较。研究表明BP网络模型在训练大样本数据时易陷入局部极小、训练时间长、收敛速度慢且不易收敛，以及函数逼近能力不足等缺陷。从模型运行结果看，模型的拟合精度相对还可以，但预测精度却较低，且对新加入的样本，泛化能力不是很好。
在此基础上，提出一种基于RBF网络的水华短期预测方法，研究了RBF基函数中心、宽度和权值的监督学习方法，基于梯度下降的误差纠正算法。对RBF网络隐层节点数对网络性能的作用和影响进行了分析，对径向基函数宽度 ...... （共400字） [阅读本文]>>
水环境系统智能化软测量与控制水环境系统软测量的基本思想是将系统建模理论与生产工艺过程知识有机结合起来，应用计算机软件技术，对水环境系统中一些难于在线测量或不能测量的重要变量 (称之为主导变量)，如出水BOD、COD等，通过选择另
水环境系统智能化软测量与控制软测量的基本原理是把系统辨识和控制系统建模理论与生产工艺过程知识结合起来，根据某种最优规则，选择一组既与主导变量有密切联系又易检测的变量，即二次变量，通过构造某种以二次变量为输入、主导变量为输出的数学
水环境系统智能化软测量与控制过程神经元的输入和连接权值均可为一个时间变化过程，并在传统神经元空间聚合运算的基础上，增加了一个时间聚合算子，使过程神经元的聚合运算和激励作用能同时反映信号的空间总和效应和时间总和效应。过程神经元由加
水环境系统智能化软测量与控制过程神经元网络是由若干个过程神经元和一般非时变神经元按照一定的拓扑结构组成的人工神经元系统。类似于传统神经元网络，过程神经元网络也可以按神经元之间的连接方式分为前向型过程神经元网络和反馈型过程神经元网
水环境系统智能化软测量与控制过程神经元网络的学习算法目前国内只有何新贵院士、许少华博士提出了几种方法[23]。主要有基于梯度下降的学习算法，该算法借鉴了传统的BP算法[111-112]; 基于函数正交基展开的学习算法，在输入空间
上一篇