记得学习基于遗传算法的地下水位动态预测双线性模型
地下水位是指地下水面相对于基准面的高程。通常以绝对标高计算。以下是帮大家整理的基于遗传算法的地下水位动态预测双线性模型，欢迎大家分享。
水是人类社会生产生活必不可少的资源，水资源相关的环境保护与循环利用至关重要。随着社会的进步，水体污染对社会的影响也日益明显，水体被排入大量污染物，对人类的日常生活造成极大的威胁。而水质预测可以为有关部门的干预决策提供重要参考。在许多工业场景中，水质预测也具有重要意义。例如在污水处理工艺中，如果可以通过水质预测提前预知突发的水质超标情况，就能够为工程人员提供预警，预留时间人为干预，保证污水处理出厂水质达标。
水质预测主要有如下几种预测方法：通过构建物理模型的方法，灰色系统预测法，*经网络预测法，模糊理论预测法，以及数理统计预测法等。
颜剑波等人通过分析水质变量之间的规律，建立多元回归模型，对三门峡断面水质进行了预测。刘东君等人结合灰色系统预测法与*经网络，对北京密云水库的溶解氧进行了预测，通过将混合模型分别于2个原型方法作比较，表明混合模型相比2个原型方法，预测结果更为精确和稳定。姜云超等人综合运用BP,SOM与模糊综合评价法对黄河水质进行了评价，取得了较理想的结果。荣洁等人提出指数平滑法-马尔科夫预测模型，将平滑处理后的数据通过马尔科夫预测模型对合肥湖滨与巢湖裕溪口2个断面的CODMn、TP、TN浓度进行了预测。RederK等人使用人工*经网络模型预测水质变化，证实了*经网络模型是被用于水质预测的可行性。AlizadehMJ和KavianpourMR使用小波*经网络对太平洋希洛湾地区的水质进行了预测，证明了小波*经网络模型相对于其他*经网络模型的优越性。AzimiS等人结合*经网络与改进的模糊聚类技术来预测了水质恶化的概率。
文献中虽然对水质预测方面作了深入的研究，但并未针对原始数据的各项特征对预测任务的影响权重进行评估，而在输入预测模型的数据维度比较多时，对预测任务贡献比较小的特征会干扰预测模型，降低预测模型的性能。因此使用遗传算法来调整各特征维度的权重，使其符合预测模型的特性，提高了预测模型的预测精度，为水质预测提供了一种有价值的解决方案。
转载请注明出处记得学习 » 基于遗传算法的地下水位动态预测双线性模型