模糊神经网络预测水质评价matlab代码.zip

从事渔业生产有经验的从业者可通过观察水色变化调控水 质，用来维持养殖水体生态系统中浮游植物、微生物类、 浮游动物等合理 眼观察进行判断 结果的可比性、可重复性降低，不易推广应用。当前，数 字圈像处理技术为计算机监控技术在水产养殖业的应用提 供更大的空间。在水质在线监测等方面，数字圈像处理技 术是基千计算机视觉，以专家经验为基础，对池塘水色进 行优劣分级，达到对池塘水色的准确决速判别。 初步分析： 通过对抇摄的水样，采集得到水样图像，而图像数据的维度过大，不容 易分析，需要从中提取水样图像的特征，提取反映图像本质的一些关键 指标，以达到自动进行图像沪别或分类的目的。显然，图像特征提取是 图像沪别或分类的关键步骤，图像特征提取的效果如何直接影响到图像 沪别和分类的好坏。 图像特征主要包括有颜色特征、纹理特征、形状特征、空间关系特征等 。与几何特征相比，颜色特征更为稳健，对于物体的大小和方向均不敏 感，表现出较强的鲁棒性。本案例中由于水色图像是均匀的，故主要关 注颜色特征。

本文件保证把2005年A题讲解清楚，每一问均有代码，均经过调试，每一问数据均有，对于动态综合加权评价方法学习十分有帮助，文档中包含ppt对于试题讲解。绝对物有所值！！！

基于水色图像的水质评价的原始数据 有经验的从事渔业生产的从业者可通过观察水色变化调控水质，以维持养殖水体生态系统中浮游植物、微生物类、浮游动物等合理的动态平衡。数字图像处理技术为计算机监控技术在水产养殖业的应用提供更大的空间

河流水质实时评价技术对当前河流水资源管理和保护具有重要意义。本文以淮河水质为例，利用粒子群优化的极限学习机（Particle Swarm Optimization-Extreme Learning Machine，PSO-ELM）分类算法对淮河水质进行类别判定。在极限学习机（ELM）分类算法中随机给定输入权值矩阵和隐含层偏置，需要较多的隐含层节点才能达到所需的精度要求，隐含层节点过多易于出现过拟合现象并增加算法的计算量。本文利用粒子群算法(PSO)优化极限学习机的输入权值矩阵和隐含层偏置，计算输出权值矩阵，以减少隐含层节点。通过对比PSO-ELM、ELM这两种算法发现，PSO-ELM算法以较少的隐含层节点可获得更高的精度，降低了对实验样本的需求量，提高了模型的拟合能力。实验结果表明，PSO-ELM对于水质类别判定具有一定的可行性和有效性。

软件介绍: 这个地表水水质评价系统excel模板已经做好，方便参照设计，可以在excel中评价地表水水质类别，模板按照监测总站上报模板设计,添加内容有PH值、溶解氧、化学需氧量、高锰酸盐指数、五日生化需氧量、氨氮值、总磷值、及各类化学元素值。需要启用宏才能运行。

人工神经网络的一个实例 用于建立网络模型 训练最后用于水质评估

传统的粒子群算法训练神经网络的水质评价模型有学习速度慢，容易陷入局部最优和精确性不高的缺点。为了克服模型的缺点，提出了利用改进的自适应量子粒子群算法训练T-S模糊神经网络的新模型，新的自适应量子粒子群算法通过在算法中引入聚集度的概念，使得算法可以在迭代中自适应地调整收缩扩张系数，让算法更具动态自适应性。新的模型结合了量子粒子群算法和T-S模糊神经网络的优点，提高了模型的泛化能力。通过对东江湖流域站点2002到2013年的水文数据进行实验，结果显示，该模型比其他神经网络模型的评价结果具有更高的效率，适合被用于日常水质评价工作。

基于水色图像的水质评价，用于机器学习

真的是个很难得到matlab程序，可以学习用2