收稿日期：－年－月－日；修回日期：－年－月－日.基金项目（可不填）：项目名称（编号）;项目名称（编号）.作者简介：第1作者(出生年－)，性别，籍贯(省、市/县)，职称，学位，从事□□□□、□□□□的研究；导师或第2作者….基于智能计算的影响河流水质的分类预测摘要：为了有效地控制和治理河流水体污染，保障水资源的可持续利用，了解水资源现状及发展变化趋势，增加水质预测系统具有十分重要的现实意义。基于影响水体水质的因素众多以及BP网络存在的局限性，建立主成分分析法、BP神经网络、遗传算法结合的水质分类预测模型。本文首先采用主成分分析法进行降维，提高BP网络训练速度。采用遗传算法优化BP网络的参数，优化出全局最优的网络参数，提高水质预测分析的精度。该模型利用太湖某断面的水质指标实测数据进行训练和仿真。研究结果表明：23个指标因素可压缩为15个综合指标，未污染水质的仿真个数为124，预测正确为100，准确率为80.65%；污染水质的仿真个数为44，预测正确为41，准确率为93.18%。总体预测率约为83%。关键词：主成分分析；BP神经网络；遗传算法；水质预测中图分号类：文献标识码：ABasedonIntelligentComputingtheClassificationofRiverWaterQualityForecastingAbstract:Inordertoeffectivelycontrolandriverwaterpollutioncontrol,protectionandsustainableutilizationofwaterresources,understandingofsituationanddevelopmenttrendofwaterresources,increasingwaterqualityforecastsystemhasgreatpracticalsignificance.BasedonthefactorsthataffectthewaterqualityofmanyexistinglimitationsandBPnetwork,theestablishmentofprincipalcomponentanalysis,BPneuralnetwork,geneticalgorithmclassificationofwaterqualitypredictionmodel.Firstly,usingprincipalcomponentanalysistoreducethedimensionalityandimprovethetrainingspeedofBPnetwork.BPnetworkusinggeneticalgorithmtooptimizetheparameterstooptimizetheglobaloptimumofthenetworkparameterstoimprovetheaccuracyofpredictionofwaterquality.Inthismodel,thewaterqualityofTaihuLakeinasectionofthemeasureddatafortrainingandsimulation.Theresultsshowthat:compressibilityfactorof23to15indicatorsofcompositeindicator,thenumberofuncontaminatedwaterqualitysimulation124,100predictioniscorrect,accuracywas80.65%;pollution,waterqualitysimulationnumber44,correctlypredicted41,accuracywas93.18%.Overallpredictionrateofabout83%.Keywords:Principalcomponentsanalysis;BPneuralnetwork;Geneticalgorithm;Waterqualityprediction0引言水资源不仅是一种控制生态环境的基础自然资源和一切社会发展的物质基础，而且是一种战略性的经济资源，是一个国家综合国力的有机组成部分[1]。随着经济的快速发展，水质污染问题日益严重。为了有效的防治水污染，最近年来在很多重要区域建立了水质自动监测站。但由于水质参数在线监测技术的限制，水质变化趋势的在线预测依旧难以实现。水质预测可用于随机性非点源污染的监控和防治,所以在建立水质自动监测站的同时,增加水质预测系统,对保护水资源和水环境的安全具有十分重要的意义。目前，水质预测模式主要有数理统计预测