基于BP神经网络污染传播模型.pptVIP

城市表层土壤Hg污染分析 输入变量： x---横坐标 y---纵坐标 h---高度 输出变量： 0----Hg浓度≤150mg/kg 1----Hg浓度150mg/kg 分析重金属污染物的传播特征，由此建立模型 BP神经网络原理简介 BP神经网络是一种多层前馈神经网络,该网络的主要特点是信号前向传递,误差反向传播。在前向传递中,输入信号从输入层经隐含层逐层处理,直至输出层。每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出,则转入反向传播,根据预测误差调整网络权值和阈值,从而使BP神经网络预测输出不断逼近期望输出。 BP神经网络?在?Weka?中就是由MultilayerPerceptron?算法实现的。 在WEKA中的实现 打开Weka，点击?Explorer 2.Preprocess（选择和修改要处理的数据） Open file（打开一个对话框，允许你浏览本地文件系统上的数据文件），选择数据文件 data-Hg 。 3.Classify?（训练和测试关于分类或回归的学习方案）?Choose(选择 WEKA 中可用的分类器)? functionsMultiLayerPreceptron 。左键点击文本框会打开一个 GenericObjectEditor，可以配置当前的分类器,将GUI(允许我们在神经网络训练的过程中暂停和做一些修改)改为true。 在WEKA中的实现 4.应用选定的分类器后得到的结果会根据 Test Option 一栏中的选择来进行测试。共有四种测试模式： Using training set. 根据分类器在用来训练的实例上的预测效果来评价它。 Supplied test set. 从文件载入的一组实例，根据分类器在这组实例上的预测效果来评价它。 Cross-validation. 使用交叉验证来评价分类器，所用的折数填在Folds 文本框中。 Percentage split. 从数据集中按一定百分比取出部分数据放在一边作测试用，根据分类器这些实例上预测效果来评价它。取出的数据量由% 一栏中的值决定。 在此选择Use training set? 在WEKA中的实现 5.在?Start?按钮上方选择输出层Hg，然后单击?Start?按钮。出现对话框Neual Network，点击?Start，运行完成后选择?Accept?。初始的网络，如图： 在WEKA中的实现 6.在Classifier output可以看到运行结果。输出结果 可分为几个部分： Run information. 给出了学习算法各选项的一个列表。包括了学习过程中涉及到的关系名称，属性，实例和测试模式。 在WEKA中的实现 Classifier model (full training set). 用文本表示的基于整个训练集的分类模型。 在WEKA中的实现 在WEKA中的实现 Summary. 一列统计量，描述了在指定测试模式下，分类器预测 class 属性的准却程度。 在WEKA中的实现 各评估指标： Correlation coefficient(相关系数）:0.4573 Mean absolute error（平均绝对误差）:0.3008 Root mean squared error（均方根误差）:0.3785 Relative absolute error（相对绝对误差）:101.0977% Root relative absolute error（相对绝对根误差）: 98.1432% 基于BP神经网络的污染传播模型 城市表层土壤Hg污染分析 现对某城市城区土壤地质环境进行调查。为此，将所考察的城区划分为间距1公里左右的网格子区域，按照每平方公里1个采样点对表层土（0~10 厘米深度）进行取样、编号，并用GPS记录采样点的位置。应用专门仪器测试分析，获得了每个样本Hg元素的浓度数据。 对于Hg浓度，采用国家一级土壤标准，即土壤中Hg浓度应小于等于150mg/kg。 可以看到这里对应的是右边的黄色节点，其weight分布对应的node 1 2 是左边的红色隐层节点的权重。 这个显示的是对应的是左边绿色输入向量的weight?。 Thank You!