基于神经网络的北京市水体水华短期预报系统

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (28): 243-245.

基于神经网络的北京市水体水华短期预报系统

刘载文¹,杨斌¹,黄振芳²,张艳³

1.北京工商大学信息工程学院,北京 100037
2.北京市水文总站,北京 100038
3.青岛黄海学院,山东青岛 266472

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-10-01 发布日期:2007-10-01
通讯作者: 刘载文

Water-bloom short-time predicting system of Beijing based on neural network

LIU Zai-wen¹,YANG Bin¹,HUANG Zhen-fang²,ZHANG Yan³

1.School of Information Engineering,Beijing Technology and Business University,Beijing 100037,China
2.Beijing Water Authority,Beijing 100038,China
3.Qingdao Huanghai College,Qingdao,Shandong 266472,China

Received:1900-01-01 Revised:1900-01-01 Online:2007-10-01 Published:2007-10-01
Contact: LIU Zai-wen

摘要/Abstract

摘要： 采用算法改进型的BP神经网络,选择叶绿素含量、磷、氮磷比、电导率和水温五个参数作为模型输入,以预测1日、3日和5日后的叶绿素含量为目标,构建了北京市长河水系水华短期预报系统。该系统三个周期的预测精度分别达到了97.2%、94%、88.3%,并且具有较好的泛化能力。相比于其它智能算法,BP神经网络结构简单、方便实用,仍然具有很强的应用性。

关键词: 水华, 神经网络, 预报, 叶绿素, 北京

Abstract: A water-bloom short-time predicting system of Beijing CHANGHE water system is founded with ameliorated BP neural network,in which content of chlorophyll,phosphor,ratio of nitrogen and phosphor,conductance and temperature of water are chose as the inputs of model and the target is to predict the contents of chlorophyll after 1 day,3 days and 5 days.The precisions of three periods,which the system get,reached separately 97.2%,94%,88.3%,and the system has good universality.Compared with other intelligent methods,BP neural network is simple,convenient and practicality,and has good appliance.

Key words: water-bloom, neural network, predicting, chlorophyll, beijing

刘载文¹,杨斌¹,黄振芳²,张艳³. 基于神经网络的北京市水体水华短期预报系统[J]. 计算机工程与应用, 2007, 43(28): 243-245.

LIU Zai-wen¹,YANG Bin¹,HUANG Zhen-fang²,ZHANG Yan³. Water-bloom short-time predicting system of Beijing based on neural network[J]. Computer Engineering and Applications, 2007, 43(28): 243-245.

[1]	许昊，张凯，田英杰，种法广，王子超. 深度神经网络图像描述综述[J]. 计算机工程与应用, 2021, 57(9): 9-22.
[2]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[3]	牟清萍，张莹，张东波，王新杰，杨知桥. 目标丢失判别机制的视觉跟踪算法及应用研究[J]. 计算机工程与应用, 2021, 57(9): 140-147.
[4]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[5]	王林，柴江云. 深度神经网络在多场景车辆属性识别中的研究[J]. 计算机工程与应用, 2021, 57(9): 162-167.
[6]	赵志焱，杨华，胡志伟，宇海萍. 基于TACNN的玉露香梨叶虫害识别[J]. 计算机工程与应用, 2021, 57(9): 176-181.
[7]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[8]	张成，戴俊峰，熊闻心. 融合LeNet-5改进的扫描文档手写日期识别[J]. 计算机工程与应用, 2021, 57(9): 207-211.
[9]	麻哲旭，杨峰，乔旭. 铁路路基病害智能检测方法[J]. 计算机工程与应用, 2021, 57(9): 272-278.
[10]	蒋斌，钟瑞，张秋闻，张焕龙. 采用深度学习方法的非正面表情识别综述[J]. 计算机工程与应用, 2021, 57(8): 48-61.
[11]	李震霄，孙伟，刘明明，郑丽丽，陈劭颖. 交通监控场景中的车辆检测与跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 103-111.
[12]	张越，黄友锐，刘鹏坤. 引入注意力机制的多分辨率人体姿态估计研究[J]. 计算机工程与应用, 2021, 57(8): 126-132.
[13]	李现国，冯欣欣，李建雄. 多尺度残差网络的单幅图像超分辨率重建[J]. 计算机工程与应用, 2021, 57(7): 215-221.
[14]	翟正利，李鹏辉，冯舒. 图对抗攻击研究综述[J]. 计算机工程与应用, 2021, 57(7): 14-21.
[15]	祝钧桃，姚光乐，张葛祥，李军，杨强，王胜，叶绍泽. 深度神经网络的小样本学习综述[J]. 计算机工程与应用, 2021, 57(7): 22-33.