共轭梯度优化算法在水质综合评价模型中的应用.pdf

科技论坛 安 徽 省水利科学研究院协办 水 利 部 淮 委 共轭梯度优化算法在水质综合评价模型中的应用 孔莉芳 (中国矿业大学信电学院 徐州 ) 221000 【摘 要】针对水质评价问题,通过在各类水质污染指标浓度区间内生成随机分布样本的方法,并组成足够多的训练、检验 和测试用的样本,提出一类新的结构优化算法 , 过程将最优脑外科 的结构评价作为目标函数的惩 CG-OBSCG-OBS (OBS) 罚项,采用权值衰减的手段实现结构调整,建立了辽河水质综合评价的网络模型;给出了区分不同类别水质的模型分界值 样本和模型输出分界值。 【关键词】共轭梯度算法 水质 综合评价 样本 式中: ———权值 的增量; 1引言 ΔW W ——— 处的梯度; 目前水质评价方法主要是多因素的综合评价法,由于 g(W) W ———函数的 矩阵。 影响水质的因素很多,并且因素与水质类别之间通常存在 H(W) Hessian 复杂的非线性关系,利用神经网络处理非线性问题是较好 OBS的优化目标可叙述为:对权增量 ΔW 最小化二 的选择。神经网络预测模型的优劣,最重要的指标是网络的 次型 1 T ,并满足约束条件 T ,其 ΔWH(W)ΔW 1 ΔW+W=0 2 q 学习精度和泛化能力。前者保证模型的准确性;后者保证模 中 是下标的最小化指标。 q 型的推广性,是预测模型得以真正实用的关键因素。网络泛 构建Lagrange算子: 化能力与初始状态、网络结构、学习算法等因素均有密切关 1 T T () 系,神经网络若需达到给定的泛化能力,必须使结构与样本 S= ΔWH(W)ΔW-λ(1ΔW+W) 2 q 2 q 相匹配,或者增加训练样本,或者减少网络规模。当训练样 式中: ——— 因子; λ Lagrange 本一定时,较小