基于元胞自动机水质研究预测系统探究.docVIP

基于元胞自动机水质研究预测系统探究 　　摘要：本文提出了一种水质参数预测系统，系统的实现基于元胞自动机原理，利用BP神经网络建立模型，通过对已采集的水质参数进行分析，对下一时刻或下24小时及其下一周的水质参数进行预测。 关键词：水质分析； 元胞自动机 ； BP神经网络 中图分类号：TU991.21 文献标识码：A 0 引言 水质分析预测系统是采集水质参数后，在分析历史数据库中相应参数的基础上，对下一时刻、下一天及其下一周的水质参数进行预测并给出发展趋势的一个计算机辅助预测系统。 水质参数的预测利用了元胞自动机的原理，进行数据组织；利用BP神经网络建立预测模型进行参数的预测，并利用C++作为平台开发应用系统。 2数据的组织 在对样本数据进行组织时，利用螺旋式元胞自动机的原理，对样本数据进行组织。 元胞自动机(Cellular Automata，简称CA，)又称细胞自动机或点格自动机。自动机通常指不需要人们逐步进行操作指导的设备，也可被看作为一种离散数字动态系统的数学模型。 螺旋元胞自动机模型是在圆周元胞自动机（圆周元胞自动机模型的规则极其简单，生长发生在二维正方点阵上）的基础上提出的,所不同的是，点不是生长在二维平面上，而是绕柱面螺旋生长。如图1所示。 图 1 螺旋元胞自动机平面示意图 结合水质预报的实际情况，在建立水质预报模型的时候，采用了螺旋线元胞自动机模型，其具体结构如图2所示。这里将螺旋线元胞自动机模型中的螺旋线的同一层定义为一天，随着时间的推移，螺旋线向上延伸。同一层螺旋线上分布24个元胞，按照其排列顺序分别表示一天的24小时，其状态近似表示相应小时的水质参数。 图2 水质参数预报的螺旋线元胞自动机模型 一般认为，水质参数和一些因素如天气气候、人类活动、季节变化及降水等均有一定的联系，由于这些因素具有总体的规律性，比如某一天（设为10号）下午5点的水温和下午4点、下午3点，……的水温有一定的联系,如果下午4点、下午3点的温度较高，下午5点的温度也可能较高，反之亦然。另外，某天某一时刻的温度和前天、大前天相同时刻的温度可能有关，如10号下午5点的水温和9号及8号下午5点的水温有对应关系，而和9号及8号中午12点的水温的数值差别可能较大。这样考虑，对某日下午5点的水温进行预测，可参考当日下午3点、4点、前一天下午5点、再前一天下午5点的温度数值。 当元胞自动机种的元胞用于表示水质参数时，水质参数的变化和元胞的状态变化建立了联系，这样可以确定表示10号下午5点水质参数的元胞状态为： （1） 其中：A1为表示10号下午4点水质参数的元胞的状态，A2为表示10号下午3点水质参数的元胞的状态，A3为表示10号下午2点水质参数的元胞的状态；B1为表示9号下午5点水质参数的元胞状态,B2为表示8号下午5点水质参数的元胞状态, B3为表示7号下午5点水质参数的元胞状态,为元胞机的局部映射,T为欲求的10号下午5点的水质参数的元胞的状态。 利用该式，参照已有的水质采集参数，即可构造出足够多的学习样本。 3. 拟合网络的建立 拟合模型的建立是通过人工神经网络来实现的。 水质预测目前仍处于形成、发展阶段，常用的预测模式有2种，一种是基于水文数学模型进行水质预测，另一种是利用人工神经网络进行水质预测。由于影响河流水质的因素很多，有确定性因素也有不确定性因素，且各因素与水质之间呈复杂的非线性关系，现有的基于数学表达式的预测模型均为近似模型，预测误差大，平均误差超过20%。而神经网络在非线性建模方面具有其他算法不可替换的优越性，可以对多输入变量进行较好的非线性建模，因此采用BP神经网络的方法建立水质预测模型。 BP（Error Back Propagation Network）神经网络是一种具有3层或3层以上的神经网络，是目前应用最为广泛和成功的神经网络之一。它是在1986年由Rumelhant和McClelland提出的。是一种多层网络的“逆推”学习算法。其具体计算过程分为两个阶段。 第一阶段为网络的正向计算过程，将输入层与输出层神经元的激发函数取为线性函数，隐层神经元激发函数为Sigmoid函数，网络输入层各神经元的输入分别设为x1，x2…，则网络输出层神经元的输出，亦为整个网络的输出为： （2） 其中： 为输出层神经元与隐层神经元的连接权， 为隐层神经元 与输入层神经元 连接权， 为隐层神经元的阈值。 第二阶段为网络的反向计算过程。在这一过程中对连接权向量进行修正计算，修正值为： （3） 式中：—学习率，取0~1间的数； —网络输出误差。 定义为： （4