BP-RBF神经网络模型在城市景观水体富营养化评价中应用.docVIP

BP-RBF神经网络模型在城市景观水体富营养化评价中应用摘要：针对城市景观水体水质受多因素共同影响的特征，结合水体水质控制要求，采用非线性的神经网络模型，建立了针对城市景观水体的BP-RBF神经网络混合评价模型，并对上海20个公园景观水体进行实例评价。结果表明，实例评价与水质指标及感官评价相一致， 且BP-RBF混合模型较单一的BP或RBF模型评价精度更高，能对水体富营养化程度作出科学且符合实际的评价，可为城市景观水体水质保育及治理提供依据。 关键词：城市景观水体 富营养化评价 人工神经网络 BP-RBF混合模型 中图分类号：TP183 文献标识码：A 文章编号：1007-9416(2012)07-0047-03 我国城市景观水体多为静止或流动性较差的封闭缓流水体，具有水域面积小、易污染、水环境容量小、水体自净能力差等特点[1]。自身弊端加上人类活动的影响，使城市景观水体富营养化现象较为普遍，并有日趋加剧之势。水体富营养化评价是对水体富营养化过程中某一阶段营养状况的定量描述，是通过对代表性指标的调查来判断其富营养化状态，了解其富营养进程，从而为城市景观水体水质保育及富营养化防治提供科学依据[2]。目前常用的水体富营养化评价方法有专家评价法、综合营养状态指数评价法、层次分析法、模糊数学法、灰色聚类法及人工神经网络法等[3]。本文针对城市景观水体水质受多因素共同影响的特征，综合BP与RBF神经网络模型，提出了BP-RBF神经网络混合模型，并发挥该模型具有的自学习、自组织能力、归纳能力等优势，可以更为完善和全面地评价城市景观水体的富营养化状态。 1、城市景观水体富营养化评价指标与评价模型 1.1 城市景观水体富营养化评价指标 从城市景观水体富营养化评价的整体性与可操作性要求出发，参考国内外湖泊富营养化分类标准和国内湖泊水质参数与营养状态之间相互关系的研究[4][5]，建立了定性与定量相结合的城市景观水体富营养化评价标准，见表1。根据表1构建的评价指标，选择COD、TP、TN、叶绿素a作为评价指标。为便于描述，将表中各营养等级量化，定义贫营养=0，贫中营养=1，中营养=2，中富营养=3，富营养=4，重富营养=5，模型计算值y。 1.2 BP-RBF景观水体富营养化评价模型 1.2.1 BP-RBF神经网络混合模型简介 城市景观水体富营养化是一个复杂现象，受多因素共同影响，各因素之间呈复杂的非线性映射关系，而现代神经网络作为一种非线性建模工具，除了具有一般非线性系统的共性，有具有自学习、自组织能力、归纳能力等独特优势[6]。因此，本文结合神经网络模型中最为经典的误差反向传递（BP）模型[7]与径向基函数（RBF）模型[8]，构造出BP-RBF神经网络混合模型（其结构见图1，其中Linear表示线性函数，Sig表示Sigmoidal函数，Radial表示径向函数，Gauss表示高斯函数）。该模型保留了RBF模型物理意义明确的特点，加入一个或多个BP中间层，使RBF模型精度得到显著改善。 1.2.2 BP-RBF神经网络混合模型建立 使用BP-RBF混合模型对城市景观水体进行富营养化评价的计算过程可分为四个步骤。 第一步：观察表1发现各评价指标的数值随水质营养等级呈指数式增长，因此对各指标作对数处理。分别用表示待评价水质的COD、TP、TN和叶绿素a，其对数为： (1) 第二步：将对数化的评价指标值作为神经网络输入，使用RBF中间层计算第一个中间输出向量。RBF层由径向函数与高斯函数复合而成，表达式为： (2) 式中，为待训练参数；为RBF神经元的个数，本文中即营养等级之间的界限数量，由于评价标准中有6种营养等级，故；为第个指标值中第个RBF神经元的中心点，本文取相邻两个营养等级的分界指标值。 第三步：将作为BP中间层的输入，计算出第二个中间输出向量。BP层由线性函数与Sigmoidal函数复合而成，表达式为： (3) 式中，和分别为权重和阀值，为待训练参数；为BP层神经元数量，越大，模型精度越高，但拟合与计算更复杂，本文取。 第四步：将BP层输出向量进行线性组合，即可得到最终的量化营养等级，表达式为： (4) 式中，和分别为线性系数和常数，为待训练参数。 综上，在BP-RBF神经网络水质评价模型中共使用2个中间层，各层分别有5个神经元，作为对比的BP模型和RBF模型则分别使用含5个神经元的1个中间层。BP-RBF模型中共有41个待定参数，通过训练确定待定参数后，即可通过以上四个步骤计算水质营养等级。 1.2.3 BP-RBF神经网络混合模型训练 (1)样本的生成 根据表1随机生成若干组样本。每个营养等级分别产生500组样本，其中300组