LM—BP神经网络在于桥水库水质预测中的应用.pdfVIP

第3期 水 利 信 息 化 N 0．3 2010年8月 WaterResourcesInformatization Aug．，2010 LM—BP神经网络在于桥水库水质预测中的应用 田建平，曹东卫，李海楠 (河北省唐秦水文水资源勘测局，河北 唐山 063000) 摘 要：利用BP神经网络的改进算法 (L-hi)，通过对大量样本进行多次的训练学习，建立于桥水库水质预痢 模型，用该模型对于桥水库高锰酸盐指数、五 日生化需氧量、氨氮、溶解氧等污染指标进行了预测，预测结果 表明，LM—BP神经网络模型用在于桥水库水质预测时是可行的，可以得到较为理想的的精度和可靠度。 关键词：BP神经网络；L-M算法；水质预测 中图分类号：X832 文献标识码：B 文章编号：1674—9405(2010)03—0031—04 0 引言 采用 BP网络或它的变化形式，它也是前向网络的 核心部分，体现 了人工神经网络最精华的部分。网 人工神经 网络 (ArtificialNeuralNetworks， 络的学习规则是使用最速下降法 ，学习过程包括正 ANN)是一种模仿动物神经网络行为特征进行分布 向传播和反向传播。在正向传播过程中，输入信息 式并行信息处理的算法数学模型。BP神经 网络是 从输入层经隐含层加权处理传向输出层 ，经作用函 人工神经网络中最为重要的网络之一，也是迄今为 数运算后得到的输出值和期望值进行 比较，若有误 止，应用最为广泛的网络算法，实践证明这种基于 差，则误差反向传播，沿原先的连接通路返回，通 误差反传递算法的BP网络有很强的映射能力，可以 过反 向传播来不断调整网络的权值和阈值，使网络 解决许多实际问题uJ。 的误差平方和最小。如此循环直到输出满足要求为 水环境污染是多种因素影响的结果，具有非线 止 ”。 性、不确定性和模糊性 。本文通过 BP神经 网络模 但是，传统BP神经网络存在如下3个缺陷，会 型对于桥水库高锰酸盐指数 、五 日生化需氧量 、氨 影响其实际应用： 氮、溶解氧等污染指标进行了预测，为水质预测工 1)传统BP网络的隐含层节点采用的是Sigmoid 作提供了新的思路。 函数，采用误差梯度下降法，在有随机扰动的情况 下往往不能保证全局收敛而陷入局部极小，不能达 1 BP神经网络模型 到最佳效果，致使学习过程失效。 2)学习算法的收敛速度很慢 ，尤其是在 目标点 1．1 BP神经网络原理 附近。其 中重要的原因是学习速率选择不当。学习 BP神经网络是一种反 向传递并修正误差的多 速率选得太小，则收敛太慢，学习速率选得太大， 层前馈映射网络，其结构简单，可操作性强，在函 则有可能修正过头，导致振荡甚至发散。 数逼近、模式识别、分类、数据压缩等领域有着广 3)难以确定神经网络的优化结构，网络的输入 泛的应用 。对于 1个 3层 (输入层、隐含层、输出 节点、输出节点由问题而定，隐节点的选取根据经 层)的BP网络，只要其隐含层的神经元数足够， 验，缺乏理论指导，对初始权值