bp神经网络开题报告.docx

bp神经网络开题报告.docx

《bp神经网络开题报告.docx》由会员分享，可在线阅读，更多相关《bp神经网络开题报告.docx（11页珍藏版）》请在冰豆网上搜索。

bp神经网络开题报告

毕业设计（论文）开题报告

学生姓名：

窦朝阳学号：

P1*******14　

所在学院：

自动化与电气工程学院

专业：

　　自动化　　　

设计（论文）题目：

基于神经网络改进算法的水质评价

指导教师：

夏美娟

2012年3月15日

开题报告填写要求

1．开题报告（含“文献综述”）作为毕业设计（论文）答辩委员会对学生答辩资格审查的依据材料之一。

此报告应在指导教师指导下，由学生在毕业设计（论文）工作前期内完成，经指导教师签署意见及所在专业审查后生效；

2．开题报告内容必须用黑墨水笔工整书写或按教务处统一设计的电子文档标准格式（可从教务处网页上下载）打印，禁止打印在其它纸上后剪贴，完成后应及时交给指导教师签署意见；

3．“文献综述”应按论文的格式成文，并直接书写（或打印）在本开题报告第一栏目内，学生写文献综述的参考文献应不少于15篇（不包括辞典、手册）；

4．有关年月日等日期的填写，应当按照国标GB/T7408—94《数据元和交换格式、信息交换、日期和时间表示法》规定的要求，一律用阿拉伯数字书写。

如“2004年4月26日”或“2004-04-26”。

毕业设计（论文）开题报告

1．结合毕业设计（论文）课题情况，根据所查阅的文献资料，每人撰写

2000字左右的文献综述：

文献综述

一．研究意义与背景与意义：

水是人类生存和发展的物质基础。

随着生产的发展和人口的增长，水资源短缺、水质污染问题越来越突出。

水环境质量评价是认识和研究水环境的一项重要内容，其目的是准确反映环境的质量和污染状况，预测未来的发展趋势，是水环境管理保护和治理的一项重要基础性工作。

总的来说，生物存活和人类生产、科研都需要水、且对水质都有不同的要求，为更好地保护地球环境、使得地球生物不受有害水体的侵害及更好地满足人类生产、科研的用水需求，需要进行水质检测与评价。

水质综合评价就是将水质监测因子和水质评价标准联合起来进行研究,从而建立水质评价模型,对水体的水质等级进行综合评判以便为水质目标责任管理提供科学依据,为水体的科学管理和污染防治提供决策依据。

水环境质量综合评价涉及到的多项评价指标之间通常存在不相容性和模糊性,而且一般认为各项指标与环境质量等级之间存在的是非线性关系,因此水质评价模型需要有很强的容错能力和处理非线性能力。

二．课题研究的内容：

（1）神经网络方面的知识：

神经网络改进算法方面的基本结构：

BP网络是一种单向传播的多层前向网络。

网络结构是由输入层、输出层和隐含层组成,各层神经元的作用是不同的:

输入层接受外界信息,输出层对输入层信息进行判别和决策,中间的隐含层用来表示或存贮信息。

BP神经网络在实际应用中,分导师知识学习训练和模式识别决策两个过程。

导师知识学习训练过程归结起来分为4个过程,输入模式由输入层经中间层向输出层方向“模式顺传播”，网络的希望输出和网络的实际输出之间的误差信号,由输出层经中间层向输入层逐渐修正连接权的“误差逆传播”，由“模式顺传播”和“误差逆传播”的反复交替进行的网络“学习记忆”训练过程,使网络趋向收敛,即全局误差趋向极小值的“学习收敛”过程，直至实际输出值与希望输出值有较好吻合为止[4]。

神经网络改进算法的优势：

BP神经网络是一种高度非线性关系的映射。

在没有任何已知的数学知识描述输入-输出关系的情况下,网络可以通过对训练样本的自学习、自适应建立这种映射关系,从而较好地反映系统内部的本质特征,对未知样本做出的评价更具有客观性[2]。

BP模型可选取任意多的水质参数进行学习,建立不同的评价模型,BP网络的参数均由学习所得,避免受到人的主观因素影响[1]。

学习成功后对任意的实测样本,只需利用训练过的BP神经网络模型对其进行计算,均可以根据样本的输出结果作出综合的级别评价。

因此具有广泛的适用性[7]。

所以BP神经网络在水质评价问题上有着良好的应用前景与推广价值[9]。

神经网络改进算法的应用：

思维学普遍认为，人类大脑的思维分为抽象（逻辑）思维、形象（直观）思维和灵感（顿悟）思维三种基本方式。

人工神经网络就是模拟人思维的第二种方式。

这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。

虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。

主要应用于如电力变压器故障诊断、SRG建模、GPS高程拟合等。

神经网络改进算法是如何改进的？

？

？

？

？

？

？

？

（2）水质评价方面的知识：

水质的概念：

水质是水体质量的简称。

它标志着水体的物理（如色度、浊度、臭味等）、化学（无机物和有机物的含量）和生物（细菌、微生物、浮游生物、底栖生物）的特性及其组成的状况。

为评价水体质量的状况，规定了一系列水质参数和水质标准。

如生活饮用水、工业用水和渔业用水等水质标准。

影响水质的因素（输入量）：

本课题研究的是水体在不同用途中的污染分类和影响，得出相应的数据。

主要有:

溶解氧（DO）、五日生化需氧量（BOD5）、化学需氧量（COD）、氨氮、总磷、石油类、大肠菌等。

通过运用BP神经网络和MATLAB语言对水质评价的分析，用MATLAB绘制描述水质的有关数据。

水质评价的输出量：

本课题研究的输出量必须基于水质分类、级别了解的前提下进行，本人做了相应的了解。

水质主要分为两大类：

一种是饮用水，一种是污水。

而饮用水级别又分为：

一类、二类、三类，污水级别分为：

四类、五类、六类。

所以我们的水质评价输出量可以表示成：

研究的水是什么水，属于哪种级别的水即可。

水质评价常用的方法：

目前,用于水质综合评价的方法主要有因子评价法、综合指数评价法、模糊综合评价法、神经网络评价法等。

本课题用的的神经网络评价法[6]。

人工神经网络模型具有较强的非线性动态处理能力,可以实现高度的非线性映射,从而在谱图分析,混合物定量分析,化合物结构和性能分析等，多个化学化工领域中得到了成功应用。

近年来该方法在水质评价中亦有报道[8]。

（3）两者相结合的好处：

BP神经网络模型设计的最大特点是网络权值，通过使网络模型输出值与已知的样本输出值间的误差平方和达到期望值而不断调整网络权值训练出来的,并且BP网络有如下优点:

（1）输入和输出是并行的模拟量;

（2）网络的输入输出关系是各层连接的权因子决定,没有固定的算法;（3）权因子是通过学习信号调节的,这样学习越多,网络越聪明;（4）隐含层越多,网络输出精度越高,且个别权因子的损坏不会对网络输出产生大的影响。

第一个优点可以很好的提高算法的运算速度;其他优点有利于克服水质评价中其它算法的主观性,同时解决了研究对象的非线性复杂关系问题。

综上所述将神经网络改进算法用于水质评价有一下两种好处：

1.将BP神经网络模型应用于水质综合评价,无需构建复杂的参数方程,在不存在任何简化与假定的情况下可以进行非线性映射,模型的自学习能力强,结构简单实用。

2.神经网络所采用的TrainBR训练函数,具有推广能力强,计算速度快,不会出现（过适配）现象等特点。

参考文献：

[1]华祖林,钱蔚,顾莉.改进型LM_BP神经网络在水质评价中的应用[J].水资源保护.2008,24（4）：

333-336

[2]赵国材,佟维妍.基于AGA_RBF神经网络的电厂水质评价[J].微计算机信息.2010,25（4）：

224-227

[3]王春艳,冯树丹.基于BP神经网络的串联塘水质综合评价模型[J].哈尔滨师范大学自然科学学报.2008,6（8）：

118-122

[4]刘金生,周焕银,刘金辉.基于BP神经网络的抚河水环境质量评价研究[J].华东理工大学学报.2008,1（7）：

441-445

[5]杨芳,原松.基于BP神经网络的水环境质量评价模型的研建[J].人民长江.2008,23（9）：

511-513

[6]王晓玲,李松敏,孙月峰,杨和义.基于遗传神经网络模型的水质综合评价[J].中国给水排水.2006,11（4）：

524-528

[7]蚩志锋,闫珍珠,黄彪.基于遗传算法与BP算法的水质评价模型[J].重庆科技学院学报.2009,1（9）：

45-48

[8]张成燕,徐望,赵冬冬,马卫兴.基于神经网络的水厂原水水质的综合评价[J].冶金分析2008,5（9）：

56-63

[9]赵晓亮,周扬.基于神经网络的地下水质量评价模型[J].辽宁工程技术大学学报2009,S2（10）：

18-23

[10]杨华芬,魏延.基于模糊神经网络的水质评价模型研究[J].云南民族大学学报.2007,3（12）：

129-133

[11]刘兵,程志刚,陈虎,程锐.基于神经网络的蔷薇河水质综合评价[J].供水技术.2009,4（11）：

113-118

[12]伊学农,周琪.基于改进BP网络与MISO模型的污水系统建模[J].水处理技术.2005,10（13）：

133-139

[13]陈希,刘花璐.基于BP网络方法的长江水质综合评价[J].黄石理工学院学报.2009,4（9）：

244-248

[14]何同弟,李见为,黄鸿.基于GA优选参数的RBP神经网络水质评价[J].计算机工程.2012,12（8）：

311-318

[15]王冬生,李世华,周杏鹏.基于PSO_RBF神经网络模型的原水水质评价方法及应用[J].东南大学学报.2011,5（4）：

66-72

毕业设计（论文）开题报告

２．本课题要研究或解决的问题和拟采用的研究手段（途径）：

1．本课题要研究的问题：

在日常生活中，如上文（2.2影响水质的因素）中提到的一些可能会对水质产生影响的因素，我们使用Matlab及其工具箱进行编程，建立的神经网络模型，不断用检验样本对建立的模型进行验证，得出准确的输出结果。

然后根据水质的指标运算出，水质的级别和类型，为保护水体、水质提供方向性、原则性的方案和依据。

所以我们需要解决以下几个问题：

（1）搜集大量的水质数据样本；

（2）了解水体的分类以方便得出水质的级别和类型；

（3）熟练运用Matlab及其工具箱进行编程，建立误差较小的模型；

（4）不断用样本对建立好的模型进行检测，提高它的识别率。

二.具体研究步骤：

1）对水质评价标准与水质状况以及相关神经网络算法的基本原理与使用有较为详细的了解；

2）如上面所提到的必须搜集大量的水质数据样本；

3）熟练应用Matlab及其工具箱进行编程，建立的神经网络模型，并用检验样本对建立的模型进行验证；

4）学会使用Matlab的神经网络工具箱函数；

5）熟练使用Matlab的工具箱组件建立系统；

6）掌握Matlab编程语言，并能用不同方法编写算法的相应的程序；

7）建立的模型有较高的准确率。

三．用Matlab神经网络的工具箱建立神经网络改进算法的水质评价模型：

1.了解matlab的功能及其优势：

Matlab具有很强的数值计算的功能：

1.matlab以矩阵作为数据操作的基本单位，但无需预先指定矩阵维数（动态定维）；2.按照IEEE的数值计算标准进行计算；3.提供十分丰富的数值计算函数，方便计算，提高效率；4.matlab命令与数学中的符号、公式非常接近，可读性强，容易掌握。

Matlab的符号计算功能：

matlab和著名的符号计算语言maple相结合。

Matlab的绘图功能：

matlab提供丰富的绘图命令，很方便实现数据的可视化。

Matlab的编程功能：

matlab具有程序结构控制、函数调用、数据结构、输入输出、面向对象等程序语言特征，且简单易学、编程效率高。

Matlab丰富的工具箱：

根据专门领域中的特殊需要而设计的各种可选工具箱。

Matlab的simulink动态仿真集成环境：

提供建立系统模型、选择仿真参数和数值算法、启动仿真程序对该系统进行仿真、设置不同的输入方式来观察仿真结果等功能。

Matlab的优势：

在数学类科技应用软件中在数值计算方面首屈一指。

MATLAB可以进行矩阵运算、绘制函数和数据、实现算法、创建用户界面、连接其他编程语言的程序等，主要应用于工程计算、控制设计、信号处理与通讯、图像处理、信号检测、金融建模设计与分析等领域。

MATLAB的基本数据单位是矩阵，它的指令表达式与数学、工程中常用的形式十分相似，故用MATLAB来解算问题要比用C，FORTRAN等语言完成相同的事情简捷得多，并且MATLAB也吸收了像Maple等软件的优点，使MATLAB成为一个强大的数学软件。

在新的版本中也加入了对C，FORTRAN，C++，JAVA的支持。

可以直接调用,用户也可以将自己编写的实用程序导入到MATLAB函数库中方便自己以后调用，此外许多的MATLAB爱好者都编写了一些经典的程序，用户可以直接进行下载就可以用。

2.建立神经网络改进算法的结构模型步骤[3]：

1）确定网络层数及各层内神经元数目

由于三层的BP网络可以模拟任何复杂的空间曲线,我们确定评价模型的隐含层为单一隐含层,隐含层神经元数的确定采用下面的公式：

Q为隐含层神经元数,N为输入层神经元数,M为输出层神经元数,C为1~10之间的整数。

2）网络权重初始化

初始化权重方式为:

1/K,其中K为连接到该结点的所有前一层的结点数目。

3）样本数据规范化

输入/输出样本各参数的计量单元和取值范围不同,不利于网络收敛,为了使各类参数所起的作用大致相同,必须对给定的样本作规范化处理,因此在网络训练时要将原始数据规范到[0,1]之间,避免输入数据相差过大造成的网络训练的困难。

4）计算输出

训练数据组信号通过网络正向传播,计算出从第一层开始的各层内每个结点的输出直到输出层每个结点的输出全部计算出为止。

5）计算网络的误差平方和E

判别误差函数E是否收敛于所给的学习精度E（即E«ε为预先给定的小正数）,若满足则算法结束。

否则进行下一步。

四．使用工具：

神经网络改进算法MATLAB语言

毕业设计（论文）开题报告

指导教师意见：

1．对“文献综述”的评语：

2．对本课题的深度、广度及工作量的意见和对设计（论文）结果的预测：

指导教师：

2010年3月25日

所在专业审查意见：

负责人：

年月日