灰色理论与神经网络在水华预测中的应用

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (13): 231-233.

灰色理论与神经网络在水华预测中的应用

朱世平，刘载文，王小艺，戴军

北京工商大学计算机与信息工程学院，北京 100048

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-05-01 发布日期:2011-05-01

Gray theory and neural network prediction for water bloom

ZHU Shiping，LIU Zaiwen，WANG Xiaoyi，DAI Jun

School of Computer Science and Information Engineering，Beijing Technology and Business University，Beijing 100048，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-05-01 Published:2011-05-01

摘要/Abstract

摘要： 在综合考虑生态系统中水华发生的机理特点基础上，采用改进的BP神经网络实现了对叶绿素最高点的非线性预测；利用灰色WPGM（1，1）模型的累加生成运算（AGO）对叶绿素最高值对应的时刻进行推算，从而预测水华的爆发时间点。经检验，神经网络预测结合灰色WPGM（1，1）预测模型相对误差在10%左右，能够对水华的发生进行判断和预报，有利于综合整治方案的优化和统筹。

关键词: 水华预测, 叶绿素尖点, BP神经网络, 灰色拓扑预测

Abstract: Considering comprehensively the characteristics of water bloom occurrence mechanism in ecological system，the nonlinear prediction of the chlorophyll highest point is implemented based on improved BP neural network；and the time of maximum chlorophyll value is calculated based on the Accumulated Generating Operation（AGO） of WPGM（1，1） model.By inspection，the relative error of chlorophyll highest point model is controlled about 10%.The model is able to judge and predict the water bloom outbreak，and is beneficial to optimize and orchestrate the comprehensive regulation scheme.

Key words: water bloom prediction, the highest point of chlorophyll, Back Propagation（BP） neural network, grey topological prediction

朱世平，刘载文，王小艺，戴军. 灰色理论与神经网络在水华预测中的应用[J]. 计算机工程与应用, 2011, 47(13): 231-233.

ZHU Shiping，LIU Zaiwen，WANG Xiaoyi，DAI Jun. Gray theory and neural network prediction for water bloom[J]. Computer Engineering and Applications, 2011, 47(13): 231-233.

[1]	郑建锋，王应明. 基于DEA-BP神经网络的效率置信区间预测模型研究[J]. 计算机工程与应用, 2021, 57(3): 273-278.
[2]	黄晶晶，王建宏. 分数阶非因果BP神经网络模型[J]. 计算机工程与应用, 2021, 57(23): 91-97.
[3]	曹林根，宓超. 集装箱箱号字符识别算法研究[J]. 计算机工程与应用, 2021, 57(15): 178-185.
[4]	楚彭子，虞翊，林辉，袁建军，姜西. ATO系统速度控制的BP-FIPID算法[J]. 计算机工程与应用, 2020, 56(22): 224-229.
[5]	冯玉芳1，2，卢厚清1，殷宏1，曹林1. 基于BP神经网络的故障诊断模型研究[J]. 计算机工程与应用, 2019, 55(6): 24-30.
[6]	邓烜堃1，2，万良1，2，黄娜娜1，2. 基于DAE-BP神经网络的股票预测研究[J]. 计算机工程与应用, 2019, 55(3): 126-132.
[7]	王勇，杨锦，王瑛. 改进Henon超混沌系统与AES结合的图像加密算法[J]. 计算机工程与应用, 2019, 55(22): 180-186.
[8]	顾婷婷，刘新会，桑庆兵，李朝锋. 基于双树复小波的无参考立体图像质量评价[J]. 计算机工程与应用, 2019, 55(2): 154-161.
[9]	杨霞，朱晓冬，刘元宁，冯家凯，刘帅. 分块小波特征结合BP神经网络的虹膜识别方法[J]. 计算机工程与应用, 2019, 55(18): 132-139.
[10]	卞京红1，贺兴时1，范钦伟1，伊宝民2. 基于自适应花授粉算法的BP神经网络结构优化[J]. 计算机工程与应用, 2018, 54(3): 50-56.
[11]	赵亚飞，韦广梅. 基于BP神经网络的有限元应力修匀的研究[J]. 计算机工程与应用, 2018, 54(13): 67-72.
[12]	韦鹏宇1，2，4，潘福成1，2，3，李帅3. 改进人工蜂群优化BP神经网络的分类研究[J]. 计算机工程与应用, 2018, 54(10): 158-163.
[13]	刘裕国，王浩，姚宏亮，李俊照. 水平窗口能量计算的股市趋势预测算法[J]. 计算机工程与应用, 2017, 53(21): 225-232.
[14]	周静1，赵鲁阳1，罗炬锋1，2. 基于时域特征提取的围栏入侵模式分类方法[J]. 计算机工程与应用, 2017, 53(21): 98-102.
[15]	刘颖，王楠. 最大熵模型和BP神经网络的短句对齐比较[J]. 计算机工程与应用, 2015, 51(7): 112-117.