水质评价的RBF神经网络应用.pdfVIP

水质评价的RBF神经网络应用1 常欢，刘志斌，童英伟 辽宁工程技术大学，资源与环境工程学院，辽宁 阜新 （123000） E-mail ：changhuan0416@163.com 摘要：针对传统水质评价方法在权值选取上存在人为因素，本文主要应用RBF神经网络对辽 河流域阜新支流的柳河、绕阳河、养息牧河三条主要河流进行评价。并在结果中采用隶属度 概念使其更客观、准确。该网络克服了人为因素，评价结果与实际相符。 关键词： RBF神经网络；河流水质；质量评价 1 概述 在实践不断发展过程中还有一种前馈网络也能够象BP 网络一样进行模式识 别和以任意精度逼近任意连续函数，这就是径向基函数即 RBF 神经网络。它也 是具有单隐层的三层前馈神经网络。两者的主要差别在于使用不同的作用函数， BP 网络中的隐层单元数目使函数值在输入空间中无限大的范围内为非零值，而 RBF 神经网络的作用函数则是局部的。RBF 神经网络不仅有具有良好的推广能 力，而且避免了向反向传播那样烦琐、冗长的计算，克服了计算时容易陷入局部 极小值的问题，其学习速度也是传统BP 网络无法比拟的。 2 径向基网络的结构及原理 [1] 径向基网络的神经元模型结构 如图 1 所示。由图可见，径向基网络传递函 数 radbas 是以权值向量和阈值向量之间的距离‖dist‖作为变量的，其中，‖ dist‖是通过输入向量和加权矩阵的行向量的乘积得到的。 W …W 1,1 1,R P1 + P2 a P3 ‖dist ‖ × … PR 1 图1 径向基神经元模型结构 径向基网络传递函数的原型函数为： 2 radbas n e ( ) n （1） 1 当输入自变量为0 时，传递函数最大值为1。随着权值和输入向量之间距离 的减小，网络的输出是增加的。所以，径向基神经元可以作为一个探测器，当输 入向量和加权向量一致时，神经元输出为1。图中的b 为阈值，用于调整神经元