近些年,隨著我國社會和全球經(jīng)濟發(fā)生跨越式的發(fā)展,水資源嚴重污染的情況也日趨嚴峻,管理并有效的保護好各個地區(qū)流域的水質(zhì)和生態(tài)環(huán)境對可持續(xù)發(fā)展有著非常重要的戰(zhàn)略意義。對流域水質(zhì)進行正確的預測是水資源保護的重要手段,本文以美國舊金山灣流域5個觀測站2001年至2015年的主要水質(zhì)參數(shù)溶解氧（DO）、鹽度（Salinity）、溫度（Temperature）數(shù)據(jù)為研究對象,對舊金山灣流域水質(zhì)進行預測研究。為改善水質(zhì)預測方法,本文提出了改進智能算法的水質(zhì)預測方法。實驗結(jié)果驗證了本文提出的算法在適用性及誤差控制等多種性能上具有一定的優(yōu)勢。本文采用的人工智能算法與數(shù)據(jù)分析技術對舊金山灣地表水質(zhì)數(shù)據(jù)進行研究,分析得到對研究區(qū)地表水質(zhì)狀況影響較大的因素,進而建立有效的水質(zhì)預測模型。本文主要完成以下幾方面的工作:1.針對研究課題情況的復雜性,首先對國內(nèi)外水質(zhì)預測研究現(xiàn)狀進行分析。通過前期的資料分析過程,發(fā)現(xiàn)地表水質(zhì)預測的一些相關問題,為本文的科學研究工作奠定了基礎。2.針對不同的經(jīng)驗模態(tài)分解方法進行了相關的研究工作,主要包括EMD方法、EEMD方法以及CEEMD方法,本文對這些經(jīng)驗模態(tài)分解方法進行了原理介紹... 

【文章來源】：長春工業(yè)大學吉林省

【文章頁數(shù)】：47 頁

【學位級別】：碩士

【部分圖文】：

LSTM記憶單元結(jié)構

第5章實例仿真16第5章實例仿真5.1研究區(qū)概況舊金山灣，地理坐標（37°48"0""N，122°25"0""W），該河口灣被譽為世界最佳天然港灣之一。近些年，該灣區(qū)的城市人口數(shù)逐年增加，人們的用水量也在不斷的增加，該區(qū)域水質(zhì)的優(yōu)劣將直接影響到當?shù)鼐用竦慕】禒顩r。本文研究目標是對舊金山灣的5個地表水質(zhì)采樣站點進行水質(zhì)預測研究，收集數(shù)據(jù)分析舊金山灣水質(zhì)在時間和空間維度的變化。下圖5.1為舊金山灣地區(qū)的整體位置分布衛(wèi)星圖以及本文研究區(qū)采樣站點的分布情況：圖5.1采樣站點整體位置分布

第5章實例仿真22表5-6各站點檢驗結(jié)果采樣站點ADF值P值臨界值：1%臨界值：5%臨界值：10%2-5.240-3.44-2.86-2.573-5.260-3.43-2.86-2.574-4.510-3.44-2.86-2.575-5.480-3.44-2.86-2.576-5.600-3.44-2.86-2.57對五個采樣站點的水質(zhì)數(shù)據(jù)進行了統(tǒng)計檢驗，由上表可以發(fā)現(xiàn)每個采樣站點的ADF值均為負值，而且這些站點的ADF值均小于3種置信水平臨界值的結(jié)果，即該時間序列是平穩(wěn)的。綜上所述，該水質(zhì)原始數(shù)據(jù)為平穩(wěn)數(shù)據(jù)，符合時間序列的基本標準，同時滿足本實驗的基本要求。5.2.4數(shù)據(jù)清洗首先將原始數(shù)據(jù)的時間信息整合為一個日期來統(tǒng)一表示，目的是在使用Python軟件時可以統(tǒng)一的調(diào)用算法程序，同時可以有效的控制實驗誤差。需要刪除數(shù)據(jù)集中一些分散的空值，對于少量的缺失值，根據(jù)本文的數(shù)據(jù)集與研究對象，采用五位移動平均法進行數(shù)據(jù)補齊，公式如（5-3）所示。123455ooooooxxxxxx（5-3）簡言之，通過刪除錯誤值，填補缺失值從而完成數(shù)據(jù)清洗工作。下圖5.6～5.10分別為2號～6號采樣站點實測數(shù)據(jù)清洗后的時序圖，5個采樣站點數(shù)據(jù)均采用相同的處理方法。圖5.6采樣站點為2號的數(shù)據(jù)清洗后時序圖

【參考文獻】：
期刊論文
[1]基于綜合權重和改進物元可拓評價模型的地下水水質(zhì)評價[J]. 虞未江,賈超,狄勝同,李康,袁涵.  吉林大學學報(地球科學版). 2019(02)
[2]基于KNN-LSTM的短時交通流預測[J]. 羅向龍,李丹陽,楊彧,張生瑞.  北京工業(yè)大學學報. 2018(12)
[3]關于深度學習的綜述與討論[J]. 胡越,羅東陽,花奎,路海明,張學工.  智能系統(tǒng)學報. 2019(01)
[4]基于EEMD的車輛微動信號提取及分類[J]. 林萍,陳華杰,林封笑.  傳感器與微系統(tǒng). 2017(10)
[5]基于PLSR自適應深度信念網(wǎng)絡的出水總磷預測[J]. 王功明,李文靜,喬俊飛.  化工學報. 2017(05)
[6]EEMD與RBF神經(jīng)網(wǎng)絡的太陽黑子月均值預測[J]. 孫堂樂,李國輝.  計算機工程與應用. 2017(24)
[7]錢塘江感潮河段污染物遷移擴散數(shù)值分析[J]. 何振強,方詩標,陳永明,孫志林.  環(huán)境科學學報. 2017(05)
[8]基于灰色系統(tǒng)與線性回歸方法的水質(zhì)預測[J]. 張潔,楊慶,趙杰.  城市地質(zhì). 2015(04)
[9]基于深度學習的湖庫藻類水華預測研究[J]. 姚俊楊,許繼平,王小藝,黃振芳.  計算機與應用化學. 2015(10)
[10]改進物元可拓法在水閘工程安全綜合評估中的應用[J]. 韓彰,陳健,李經(jīng)緯,甘醇.  水力發(fā)電. 2015(04)

博士論文
[1]模態(tài)域信號處理在水聲中的應用[D]. 李關防.哈爾濱工程大學 2009

碩士論文
[1]基于WNN和EEMD的電網(wǎng)諧波檢測方法研究[D]. 王飛剛.湖南工業(yè)大學 2019
[2]基于深度學習的交通預測技術及其在通信中的應用研究[D]. 張文剛.西南交通大學 2018
[3]基于混合數(shù)學模型的巢湖水質(zhì)預測與評價[D]. 王靜.蘭州大學 2018
[4]基于遺傳算法與集成學習的停車位預測算法研究[D]. 盧旭旺.吉林大學 2018
[5]基于Copula的汾河上游水文干旱頻率的多時間尺度分析[D]. 任璐.太原理工大學 2016
[6]基于時頻分析的管道泄漏信號故障診斷研究[D]. 李子茜.東北石油大學 2016
[7]基于Hilbert-Huang變換的高頻數(shù)據(jù)波動率的估計[D]. 周明眉.長春工業(yè)大學 2016
[8]水質(zhì)預測的粒計算求解與深度學習方法[D]. 田亞蘭.重慶郵電大學 2016



本文編號：3038791