基于BP神经网络的水体叶绿素a浓度预测模型优化研究

利用自动监测数据,采用神经网络对水体中叶绿素a含量进行预测,是水体中叶绿素a含量预测的主要手段之一。但受梯度下降法局部搜索的限制,传统BP神经网络模型预测精度和稳定性均存在问题。鉴于此,引入全局搜索的思维进化算法优化BP神经网络权值、阈值,提高叶绿素a预测效率;并采用偏导方法对预测模型输入因子敏感性进行分析,精简模型输入因子。结果表明:在叶绿素a的BP神经网络预测模型中,引入思维进化算法可显著提高网络训练稳定性和精度,预测精度波动范围从[0.364,0.978]提高至[0.917,0.983],平均预测精度从0.950提高到0.968。利用Dimopoulos敏感性分析将模型输入因子从12因子精简为8因子后,平均预测精度从0.968降至0.962,预测精度波动范围从[0.917,0.983]变为[0.921,0.976],预测模型稳定性更好;在输入因子数目均为8条件下,基于Dimopoulos方法敏感性分析结果筛选出的输入因子组合平均预测精度明显高于基于主成分分析法筛选出的输入因子组合。研究可为基于BP神经网络叶绿素a预测模型输入因子优化提供参考,提高模型预测的稳定性。

不同数据处理策略对Chl-a浓度预测精度的影响

为了确定合理数据处理策略,提高基于神经网络的叶绿素a含量预测精度,采用7种数据处理方案和5种神经网络输入参数组合,研究了不同数据处理策略对叶绿素a含量预测精度的影响。结果表明:数据处理可有效提高基于神经网络的水体中叶绿素a含量预测精度,不同数据处理策略得到的主成分不同,对预测精度的提高程度不同;在输入参数数量相同情况下,以格拉布斯准则处理异值点,再采用局部多项式回归进行数据平滑所得的神经网络预测精度最高;4个输入参数情况下,预测精度在进行数据处理后最高可达到0.986,比采用原始数据提高23.25%。

基于随机化方法的叶绿素a含量神经网络预测模型输入因子敏感性分析

为了区分神经网络预测模型输入因子敏感性强弱,以探寻水体叶绿素a含量变化的主要影响因素,引入随机化方法,分别采用偏导、连接权值、改进连接权值、百分比扰动及改进扰动方法对叶绿素a含量神经网络预测模型输入因子进行1 000次敏感性分析,以计算结果均值对输入因子敏感性进行评价。结果表明:引入随机化方法后,敏感性分析结果稳定,研究区域pH相对敏感度最高,光照、降雨量、极大风速相对敏感度最小。受输入因子波动范围过大影响,百分比扰动方法与其他敏感性分析方法得到的结论不一致;对扰动方法进行改进,基于输入因子标准差扰动进行敏感性分析,光照、降雨量、极大风速相对敏感度分别为0.032、0.030、0.029,pH相对敏感度为0.148,因子敏感性强弱与其他方法一致;改进的扰动方法物理概念清晰,耗机时少,易实现。研究结果可为基于神经网络分析水体水华主要影响因素提供方法,为水体治理措施有效开展提供研究基础。

基于机器学习方法对台风浪短期预报应用

基于第三代海浪模型SWAN建立中国东海波浪数值模型,模拟1509号“灿鸿”台风,1909号“利奇马”台风和2106号“烟花”台风过境期间的波浪场,并将结果作为多层感知机,随机森林和支持向量回归预报台风浪模型的数据集,同时引入空间性特征对算法输入进行改进,并对比不同模型的训练速度。结果显示,加入空间性特征后,模型预报精度得到提升,其中多层感知机均方根误差降低40.4%,运行速度最快,随机森林均方根误差降低20.8%,运行速度最慢,支持向量回归均方根误差降低8.7%,运行速度介于前两者之间。表明改进后的模型有效提高了预报精度,可以用于针对台风浪的短期预报。