导读:本文包含了水质智能预测论文开题报告文献综述及选题提纲参考文献，主要关键词:城市污水处理厂,水质预测,极限学习机,遗传算法
水质智能预测论文文献综述
余婷梃[1]（2019）在《基于智能优化极限学习机的城市污水处理厂水质预测与分析》一文中研究指出水是人类生活和生产的必要元素,也是人类赖以生存与发展中最不可或缺的重要物质资源。而水体中污染物的累积会对人类和动物的生存造成严重的影响,对此我国对水资源的保护力度日益加强,并进一步提升了对污水处理系统出水水质的要求。当前在进行污水处理过程中的重点课题是既要满足国家相关标准,也要合理的减少工艺运行成本。但污水处理工艺过程中往往会受到一些动态时变因素影响,从而显现出一定不确定性、时延性、复杂性和非线性等特征,并且存在部分关键水质参数无法进行在线监测,使得在污水处理过程中的控制技术手段无法在第一时间内充分发挥调控作用,成为污水处理技术发展的短板。因此,本文提出了对于污水处理厂进出口水质情况进行预测,为污水处理工艺控制系统工艺参数的调节提供参考依据,使其在确保净化效率的前提下尽可能降低运行成本。近年来,机器学习算法在各领域得到了广泛的应用,同样在水质预测分析领域也吸引了大量研究学者们的关注,这主要取决于它泛化性能好、计算难度低、学习速度快,具有较强的自适应学习能力。本文主要研究了在污水处理工艺中基于极限学习机(ELM)的进出口水质的预测模型建立方法,结合前人研究成果,主要做了以下几个方面的工作。第一,数据的分析处理,对城市污水处理厂样本数据的测量和采集的准确性进行分析,运用相应数据预处理技术进行适当的处理,并对污水处理厂各水质评价指标进行相关性分析,便于简化模型的建立。第二,建立ELM预测模型,ELM是一种简单易用、有效的单隐层前馈神经网络(SLFNs)机器学习算法。该方法具有较快的运算速度和较强的泛化性能,所以在处理数据集和实际应用中有着显着的优势。本文建立ELM模型对污水处理处理厂水质进行预测。第叁,建立优化ELM模型,针对ELM网络随机初始的权值和阈值的确定暂时未有一个明确选择机制,致使其存在全局性优良的初始网络参数难以确定等弊端。因此,本文提出了遗传算法(GA)和粒子群优化算法(PSO)分别对ELM算法进行优化(GA-ELM和PSO-ELM),对ELM的权值和阈值进行一个最优选取,从而增强算法的稳定性,提升模型的预测精度和泛化性。第四,以四川省成都市某城市污水处理厂每日监测记录统计的各水质因子相关数据建立预测模型,并以化学需氧量(COD)为例,对其进出口浓度进行预测。将均方根误差(RMSE)、标准平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和决定系数(R~2)作为评价标准对结果进行分析。得到ELM模型进水COD的预测结果RMSE、MAE、MAPE和R~2值分别为3.318、2.437mg/L、1.621%、0.950;GA-ELM模型对于出水水质的预测结果MAE、MAPE、RMSE和R~2值分别为0.700、0.474mg/L、4.073%和0.916;PSO-ELM模型对于出水水质的预测结果MAE、MAPE、RMSE和R~2值分别为0.421、0.340mg/L、3.072%和0.975。实验结果表明本文所提出的ELM模型,预测精度较高,泛化能力强,能够较好的满足城市污水处理厂进水水质的预测,而优化后的ELM模型能克服传统算法的缺点,可有效的预测出污水处理厂出口水质情况,为污水处理过程中控制系统提供可靠的参考,使其更加稳定运行。(本文来源于《重庆工商大学》期刊2019-03-22）
李宣谕[2]（2017）在《基于人工智能对地表水的水质预测与评价研究》一文中研究指出现阶段对水质预测与评价的研究已有一定成果,具有代表性的单项预测与评价模型被广泛应用于实际。但是各种单项预测模型分别从不同角度对样本水质进行分析,会造成某些重要信息的遗缺。此外,水环境系统是一个动态的复杂系统,其相关水质参数一直处于动态变化之中。当前的水质预测与评价无法准确的反映水质的总体情况,故深入研究水质预测与评价是十分必要与迫切的。针对所研究背景环境的复杂性,为适应水质变化的动态特性,提高预测精度,结合人工智能算法在水质智能化建模方面的较好应用,于是提出动态可修正灰色预测模型与动态时变指数平滑预测模型作为研究水质的单项预测模型。并将这两种预测模型进行组合,建立基于单项预测模型预测有效度的组合预测模型。该组合模型可以充分利用各单项模型的优势,通过一个适当的权重进行组合,以单项模型的动态更新来适应水质动态变化的特点。为验证所建立模型的有效性,以吉林省某河段真实监测的水质数据为基础,对溶解氧、高锰酸盐指数、氨氮、总磷、总氮五项水质参数进行水质预测。实验结果表明,该组合模型与单项预测模型相比,其预测效果更为理想,样本水质的发展态势与模型预测结果曲线的拟合性更好,在水质预测方面具有较好的实用价值。在以上工作的基础上,应用支持向量机对相应的水质进行水质评价。介绍了支持向量机由二分类构建多分类的方法,以及使用粒子群算法对支持向量机的相关参数进行寻优。实验结果表明,基于支持向量机的多分类应用在水质评价方面具有较高的分类精度。评价结果准确、可靠,符合客观实际。(本文来源于《东北电力大学》期刊2017-05-01）
宋益春[3]（2014）在《智能算法在水产养殖水质预测中的应用研究》一文中研究指出近年来，伴随国家对养殖产业的大力扶持，集约化工厂化水产养殖得到了飞快地发展，并已逐渐成为养殖业的主体之一。养殖水体水质的好坏对鱼类生长起着决定性的影响，随着养殖密度的不断增大，对于养殖水体水质预测技术的要求也越来越高。研究养殖水体氨氮含量预测精确度问题，可作为指导水产养殖提供科学依据。由于养殖水体影响水质的各个因素高度关联耦合，因而难以建立具有通用性的水质预测模型对其进行精确地预测。本文先对水质预测中常用的预测方法进行了介绍，并对其优缺点做了分析比较，最后选择了具有运算速度较快、推广能力较强的最小二乘支持向量机(LS-SVM)对养殖水体水质进行预测。建立在统计学理论基础上的支持向量机(SVM)是一种新型机器学习算法。它遵循结构风险最小化原则，能解决传统机器学习中在小样本、非线性等情形下常见的陷入局部最优以及过学习等问题，具有较强的泛化能力。LS-SVM是基于SVM的一种扩展，将其约束条件由不等式改为等式，从而避免了求解二次规划的问题，能够得到模型的解析解。LS-SVM的性能很大程度上取决于其参数的选择，不合适的参数往往难以达到理想的预测效果。然而，目前参数的选择方法多是依赖经验，效率低下。量子粒子群优化(QPSO)算法作为粒子群优化(PSO)算法一种改进算法，具有较快的收敛速度与较好的鲁棒性,越来越多地被应用于LS-SVM的参数寻优。但它作为一种新型的优化算法，很多方面还不够完善。所以为了更好地平衡QPSO算法的局部搜索和全局搜索能力，改善其综合优化性能，提出一种复合权值自调整策略的量子粒子群优化(ACWQSPO)算法，采用复合策略的收缩-扩张系数，算法的收敛精度和鲁棒性均获得一定程度的提升。而针对建模样本数据集难免存在差错以及由此产生的对模型性能的影响，提出了一种Laplace分布函数的加权最小二乘支持向量机(LWLS-SVM)。新算法利用了Laplace分布的特性，降低了奇异样本对模型性能的副作用，使得其稀疏性和鲁棒性得到加强。最后，本文列出了影响养殖水体水质的主要因素，并分析了它们之间的复杂关联关系，选取了对水质影响较大的氨氮含量作为预测对象。针对样本数据在采集过程中难免出现差错的问题，在使用之前先对它们进行了预处理。本文研究了养殖水体水质的特点以及LWLS-SVM的参数选择对回归预测精度的影响，选用ACWQPSO优化获取LWLS-SVM的参数组合，提出一种ACWQPSO优化LWLS-SVM预测模型，并将该预测模型用于某地区的养殖水体水质预测中。通过实验比较分析，表明了本文所建立的预测模型应用于养殖水体水质预测的可行性，具有良好的实用价值。(本文来源于《江南大学》期刊2014-12-01）
刘双印[4]（2014）在《基于计算智能的水产养殖水质预测预警方法研究》一文中研究指出养殖水质恶化是诱导水产品疾病爆发甚至大批量死亡的首要因素,而养殖水质受多种因素影响,参数间作用机理复杂,导致水质精准预测预警一直是水产养殖业亟需解决的棘手难题。本文以水产养殖中河蟹养殖水质关键参数溶解氧和pH值为研究对象,采用信号处理技术、群集智能计算和机器学习技术,研究了基于计算智能的水产养殖水质预测预警方法,具体如下：(1)水产养殖水质因子及其影响分析。针对水产养殖水体水质参数多、互相作用机理复杂、水质参数间的作用关系及参数自身的变化规律难以分析等问题,提出了基于系统动力学和能量守恒的水质参数互相作用关系方法,建立了溶解氧、pH值、水温等水质参数系统动力学模型,阐明了水产养殖水质关键参数互相作用的关系。研究表明,该方法是适用于水产养殖水质参数定性的多因素分析方法。(2)水产养殖水质数据预处理方法研究。针对监测的水质数据中存在数据缺失和噪声影响预测预警方法性能的问题,提出了简单实用的养殖水质数据修复、降噪与特征提取方法。通过线性插值法,相似数据的水平和垂直处理均值法对数据进行修复；采用改进小波分析方法对水质数据进行降噪和特征提取处理。在相同条件下,与其他方法相比,改进小波分析的降噪方法,其评价指标SNR提高了18.93%,BIAS和RMS分别下降了96.15%和33.76%。结果表明,该方法能够满足养殖水质数据净化的要求,为养殖水质信号降噪和特征提取提供一条新手段。(3)基于改进蚁群算法优化最小二乘支持向量回归机(ACO-LSSVR)的水产养殖溶解氧非线性预测方法研究。针对传统预测方法不适于小样本、高维数、参数优化受人为主观因素影响大等问题,提出了基于ACO-LSSVR的水产养殖溶解氧非线性预测方法。该方法通过基于“探测”思想的局部精细搜索和信息素动态更新思想,改进了蚁群优化算法,实现了LSSVR模型最佳参数自动获取,构建了ACO融合LSSVR的溶解氧非线性预测模型。与BPNN相比,该方法的RMSE.运行时间t分别降低了67.9%和2.3464s。结果表明,该方法不仅克服了传统方法的缺陷,而且能够基本满足水产养殖溶解氧预测的需要。(4)基于改进粒子群算法优化最小二乘支持向量回归机(IPSO-LSSVR)的水产养殖溶解氧非线性预测方法研究。针对传统预测方法收敛速度慢、预测精度低的问题,提出了IPSO-LSSVR的水产养殖溶解氧非线性预测模型。该方法通过惯性权重自适应动态更新策略,改进了粒子群算法(IPSO),实现了LSSVR模型组合参数优化过程中的精细搜索,构建了IPSO融合LSSVR的溶解氧非线性预测模型。与传统的LSSVR相比,该方法的RMSE、MAE分别下降了29.36%和67.46%,结果表明,该方法收敛速度快,预测效果好,实现了水产养殖溶解氧高精度预测。(5)基于小波分析、柯西粒子群算法优化最小二乘支持向量回归机(WA-CPSO-LSSVR)的水产养殖溶解氧非线性预测方法研究。针对传统方法受噪音干扰大、预测精度低、易陷入局部极值的缺陷,提出了基于WA-CPSO-LSSVR的水产养殖溶解氧非线性预测方法。通过多分辨率的小波分析,实现了养殖水质数据降噪和多尺度特征分量提取；柯西变异和权重自适应更新算子相结合,改进了粒子群优化算法,实现了LSSVR模型全局最佳组合参数的自适应获取,构建了多尺度分析的水产养殖溶解氧非线性组合预测模型。实验结果表明,该方法不仅有效解决了传统方法的问题,而且能够多尺度分析水质特征,预测效果更好,更适合高密度水产养殖溶解氧的非线性预测,为水质科学化调控提供决策依据。(6)基于主成分分析法、文化鱼群算法优化最小二乘支持向量回归机(PCA-MCAFA-LSSVR的水产养殖pH值非线性预测方法研究。为减少pH值对水产品新陈代谢及生理功能的胁迫影响,提出了基于PCA-MCAFA-LSSVR的养殖水质pH值非线性预测方法。通过主成分分析法实现养殖水质数据降维和pH值关键影响因子的筛选,优化模型结构；采用文化鱼群算法对最小二乘支持向量回归机参数组合优化,避免搜索过程的盲目性,构建了pH非线性预测模型。该方法将养殖水质指标由10个压缩到4个主成分,其绝对误差小于8%的样本达到93.05%。研究表明,该方法不仅消除了水质信息冗余、降低了计算复杂度,且具有较高的预测精度,为水产养殖pH值精准预测提供一条新途径。(7)基于粗糙集融合支持向量L(RS-SVM)的水产养殖水质预警方法研究。为解决因水质预警耦合因素多,预警模式复杂以及信息不完整所引起的水质预警精度低的问题,提出了基于RS-SVM的水质预警模型。通过粗糙集对水质数据进行属性约简,精简了基于支持向量机的分类器网络结构,缩减了SVM的训练时间,提高了计算效率。该方法将养殖水质预警指标由14个约简到5个核心预警指标,在不同精度级别上,预警精度均在91%以上。结果表明,该方法不仅消除了冗余属性干扰、优化了模型结构,提高了计算效率,还取得了较好的水质预警效果,能够满足水产养殖水质预警的实际需要。(8)水产养殖水质预测预警系统的设计与实现。为验证上述方法的有效性,设计实现了水产养殖水质预测预警系统。该系统的硬件部分主要包括水质传感器、水质数据采集器、无线传输设备、现场监控中心、远程监控中心等5部分；软件系统主要包括数据获取、水质预测预警管理、数据检索、信息发布与水质调控管理、系统维护等5个功能模块。通过在该系统上的多次实验表明,所提出的基于计算智能的水产养殖水质预测预警方法是可靠有效的。(本文来源于《中国农业大学》期刊2014-05-01）
龚怀瑾[5]（2013）在《智能算法的研究及其在水质预测上的应用》一文中研究指出智能算法是人们模仿自然界的某些规律来求解一些复杂问题的算法。智能算法的内容有很多，包括了人工神经网络技术、模拟退火算法、遗传算法、蚁群算法和粒子群算法等等。智能算法能够解决一些复杂的问题，经过近几年的发展，已成功应用在市场预测，机场和旅客控制，政府部门，金融管理等多个领域。人们通常利用智能优化算法来解决最优化问题，可以说，智能优化是个方兴未艾的研究领域。近年来，量子粒子群算法与差分进化算法被广泛地应用到最优化问题中，成为解决最优化问题的有效手段，二者均是基于群体智能理论的优化算法，这两种算法都有其自己的长处与短处，差分进化算法局部搜索能力强，但容易陷入局部最优，量子粒子群算法具有较好的全局搜索能力，但也不可避免地会陷入局部最优，本文将这两种算法结合在一起，取长补短，先利用量子粒子群算法对种群进行搜索，对得到的局部最优解和全局最优解执行变异、交叉、选择操作，同时，在由差分进化算法得到的进入下一代的个体周围进行混沌搜索，根据贪婪选择策略，选出最优个体进入下一代。将提出的新型算法用于各种测试函数中，结果证明了它的优越性。另一方面，本文通过分析影响水体质量的各个因素，发现，在水产养殖方面，每年死亡的鱼类中因缺氧窒息而死的鱼类占到了约60%，由此得出结论，水中溶解氧的含量在水产养殖中的地位和作用非常重要，从而决定通过建立水体溶氧预测模型对水中的溶氧含量进行有效的预测，进而达到预测水质的目的，为水产养殖提供良好的科学依据。一直以来，人工神经网络技术被用来解决分类问题和预测问题，但是，神经网络是基于经验风险最小化原则上的，当遇到小样本问题时，它的外推泛化能力有限。而作为支持向量机的改进的最小二乘支持向量回归机，它建立在结构风险最小化原则基础上，能够较好的避免“过学习”问题和陷入局部最优，并且训练速度明显高于支持向量回归机。基于这样的优点，本文选用最小二乘支持向量回归机来对水中溶氧含量进行预测。支持向量机中需要人为的设置参数，在这里，利用本文所提的混沌QPSO-DE优化算法来对参数进行选取，并建立溶氧预测模型进行预测，比较传统神经网络模型和利用传统寻优算法优化的支持向量机模型，文中所建立的模型具有更好的预测结果。(本文来源于《江南大学》期刊2013-03-01）
郑冬梅[6]（2012）在《湖库水质评价与水华预测智能方法研究》一文中研究指出随着社会经济的快速发展,水环境问题已经越来越受到了人们的广泛关注,水体富营养化和水华作为水环境中的典型问题,目前已成为环保领域的重要研究课题之一。本文首先介绍了水体富营养化评价和水华预测的研究背景、意义以及目前的研究现状和发展趋势。总结了常用的水体富营养化评价方法,针对已有方法存在的问题,提出一种基于遗传算法的模糊综合评价方法。然后确定了水质评价指标和评价标准,依据水体富营养状态的标准计算出模糊隶属度函数矩阵,建立了基于遗传算法的水质参数权重分配模型,将实测数据应用于该模型中,通过仿真得出综合评价值,验证了该方法的有效性,为水环境治理提供了有效参考。其次,通过研究水华形成过程机理,构建了藻类生长的数学机理模型,将粒子群算法用于模型中未知参数优化。通过对模型计算值和真实值比较发现,该模型能描述水华从产生到爆发过程中叶绿素的基本变化情况,但在水华爆发阶段未体现出优势,因此将神经网络引入其中,利用其非线性特性来补偿机理模型的不足。通过仿真验证了水华爆发阶段该模型的优越性,水华预测模型精度得到显着提高,为建立机理与智能方法相结合的水华预测开拓了一条新的思路。最后,总结了本文的研究工作,针对评价和预测算法上存在的不足提出了未来的研究趋势和发展动向。文中有以下两个创新点：(1)通过遗传算法优化理论构建湖库水质参数的权重优化分配模型,结合模糊综合评价方法提高湖库水质评价的有效性及客观性。(2)利用藻类模型确定水华发生的基本趋势,运用粒r群算法优化机理模型的未知参数,针对模型存在的误差通过神经网络进行非线性补偿,提高湖库水华预测模型的预警精度。(本文来源于《山西大学》期刊2012-06-01）
刘载文,王小艺,魏伟,崔莉凤[7]（2011）在《水质计算机远程监测与水华智能预测方法》一文中研究指出提出基于无线通信技术和GIS地理信息系统的水质远程监测方法,研究采用粗糙集理论分析水华暴发的主要影响因子,提出了基于最小二乘支持向量机的北京河湖蓝藻水华预测模型,并与人工神经网络预测模型进行对比。结果表明:在北京河湖水华中期预测方法上,最小二乘支持向量机的预测精度要高于人工神经网络的预测精度。特别是最小二乘支持向量机所需样本数量少,预测周期长,预测精度高,能较好地预测水华叶绿素的中期变化规律,为蓝藻水华中期预测提供了一种有效的新方法。(本文来源于《Proceedings of 2011 International Conference on Ecological Protection of Lakes-Wetlands-Watershed and Application of 3S Technology（EPLWW3S 2011 V1）》期刊2011-06-25）
戴宏亮[8]（2009）在《基于智能遗传算法与复合最小二乘支持向量机的长江水质预测与评价》一文中研究指出由于水质的非线性、不确定性等特性,水质预测与评价是很复杂的一个问题;最小二乘支持向量机已经成功地应用于解决非线性问题和时间级数问题。提出一种新的IGALSSM模型,即基于一种新型遗传算法——智能遗传算法参数优选的最小二乘支持向量机模型,并且将提出的模型应用于长江水质的分类识别和预测。实验结果表明,所提出的模型比神经网络有更准确的识别率和更高的预测精度,具有较强的实用价值。(本文来源于《计算机应用研究》期刊2009年01期）
王雅萍[9]（2008）在《基于水质智能预测的水库优化调度研究》一文中研究指出大型水利工程的建设,使人类能够对水资源进行更为有效的管理和充分的利用,但同时不可避免的带来了一系列的环境问题。为弥补或减缓水库建设对生态环境的影响,探求考虑水质目标的水库优化调度方式具有重要的实践意义。本文以叁峡库区支流香溪河为背景,研究了水库调峰运行方式对河流水质的影响,建立水质智能预测模型并应用到水库优化调度中。主要包括以下内容:1.建立二维非恒定流水动力模型。采用有限单元法离散研究区域,预测了叁峡水库坝前水位175m时的库区流场。并且在计算不同运行方式下库区流体动力场的基础上,通过水位、流速、流量的变化过程对比分析,得出结论:调峰运行可以显着增强库区和支流的水位波动,促进水体交换。2.建立香溪河一维水质模型。在总结叁峡调峰运行下香溪河水质浓度变化规律的基础上,确定了支流污染物迁移扩散的影响因素,并通过引入水质速率描述水质变化,分析了谷荷流量、调峰流量、坝前水位及浓度边界对支流水质的影响程度。3.建立香溪河水质预测模型。在一维水质模拟基础上,应用改进的BP神经网络算法,对大量典型工况样本数据进行训练和误差分析,建立稳定性好、精度高的水质预测模型。4.建立基于水质智能预测的水库优化调度模型。在明确叁峡水库优化调度原则、目标及多种约束条件的基础上,建立了基于水质预测的叁峡水库优化调度模型,并采用遗传算法寻优求解。通过分析以发电量、水质改善为目标的优化调度运行方式对支流水质的影响,最后确定叁峡非汛期综合效益最大的水库优化调度运行方案。(本文来源于《天津大学》期刊2008-05-01）
水质智能预测论文开题报告
（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：
现阶段对水质预测与评价的研究已有一定成果,具有代表性的单项预测与评价模型被广泛应用于实际。但是各种单项预测模型分别从不同角度对样本水质进行分析,会造成某些重要信息的遗缺。此外,水环境系统是一个动态的复杂系统,其相关水质参数一直处于动态变化之中。当前的水质预测与评价无法准确的反映水质的总体情况,故深入研究水质预测与评价是十分必要与迫切的。针对所研究背景环境的复杂性,为适应水质变化的动态特性,提高预测精度,结合人工智能算法在水质智能化建模方面的较好应用,于是提出动态可修正灰色预测模型与动态时变指数平滑预测模型作为研究水质的单项预测模型。并将这两种预测模型进行组合,建立基于单项预测模型预测有效度的组合预测模型。该组合模型可以充分利用各单项模型的优势,通过一个适当的权重进行组合,以单项模型的动态更新来适应水质动态变化的特点。为验证所建立模型的有效性,以吉林省某河段真实监测的水质数据为基础,对溶解氧、高锰酸盐指数、氨氮、总磷、总氮五项水质参数进行水质预测。实验结果表明,该组合模型与单项预测模型相比,其预测效果更为理想,样本水质的发展态势与模型预测结果曲线的拟合性更好,在水质预测方面具有较好的实用价值。在以上工作的基础上,应用支持向量机对相应的水质进行水质评价。介绍了支持向量机由二分类构建多分类的方法,以及使用粒子群算法对支持向量机的相关参数进行寻优。实验结果表明,基于支持向量机的多分类应用在水质评价方面具有较高的分类精度。评价结果准确、可靠,符合客观实际。
（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。
水质智能预测论文参考文献
[1].余婷梃.基于智能优化极限学习机的城市污水处理厂水质预测与分析[D].重庆工商大学.2019
[2].李宣谕.基于人工智能对地表水的水质预测与评价研究[D].东北电力大学.2017
[3].宋益春.智能算法在水产养殖水质预测中的应用研究[D].江南大学.2014
[4].刘双印.基于计算智能的水产养殖水质预测预警方法研究[D].中国农业大学.2014
[5].龚怀瑾.智能算法的研究及其在水质预测上的应用[D].江南大学.2013
[6].郑冬梅.湖库水质评价与水华预测智能方法研究[D].山西大学.2012
[7].刘载文,王小艺,魏伟,崔莉凤.水质计算机远程监测与水华智能预测方法[C].Proceedingsof2011InternationalConferenceonEcologicalProtectionofLakes-Wetlands-WatershedandApplicationof3STechnology（EPLWW3S2011V1）.2011
[8].戴宏亮.基于智能遗传算法与复合最小二乘支持向量机的长江水质预测与评价[J].计算机应用研究.2009
[9].王雅萍.基于水质智能预测的水库优化调度研究[D].天津大学.2008