人工神经网络理论在地下水水质评价中的应用.docVIP

人工神经网络理论在地下水水质评价中的应用 \,第15卷第2期红水河VoI_15,No.2 ff,f,}人工神经网络理论在地下水水质评价中的应用 陈昌彦相桂生 (中国科学院地质研究所北京1O0029)(中国矿业大学北京研究生部北京100083) 文摘本文应用人工神经网络方法在模拟人脑的思维方式下.建立了地下水水质模型,井对地下水水质污染程 度进行评价与运用综台指数法,模糊综合评判法和灰色聚类法等多种方法评价的结果相比较.结果表明?神经 网络方法具有较强的处理相互矛盾样本的能力,尤其对非线性问题,其预测精度高 关键词三苎竺塑事]:查j垦鎏程度 众所周知,在水文地质工作中,对地下水水质 的正确评价可以为改善和控制地下水水质以及对地 下水的台理开发和利用等都提供了重要的科学依 据.但由于影响地下水水质的因素往往具有复杂的 非线性特征;同时,水质分级标准,污染程度 等的分级也是模糊的,不确定的.因此,这些都给 水质评价带来了许多难以解决的困难,尤其是高度 的非线性问题.传统的评价方法主要有综台指数法, 模糊数学综台评判法及灰色聚类法等.这些方法尽 管运用了数学定量法在一定程度上克服了水质评价 中的非线性和复杂性.但结果仍不能满足人们的要 求,不能作出与人的思维相一致的评价.基于此,本 文尝试采用近年来发展起来的人工神经网络理论和 方法,建立地下水及其影响因素问的非线性关系,然 后进行推广,预测评价地下水的水质. 1人工神经网络方法 人工神经网络(ArtificialNeuralNetwork, ANN)是对人脑或自然的神经网络若干基本特性的 抽象和模拟.是一种非线性的动力学系统.它具有 大规模的并行处理和分布式的信息存储能力,良好 的自适应性,自组织性及很强的学习,联想,容错 及抗干扰能力.目前人工神经网络有数十种模 型,比较典型的有BP网络,Hopfield网络,CPN网 络等.本文主要采用由Rumelhart等人提出的反向 误差传播方法(BackErrorPropagationtBP的BP 网络模型来分析,评价地下水的水质污染程度. BP网络属于多层状型的人工神经网络,由若干 层神经元组成.它们可分为输入层,隐层和输出层, 各层的神经元作用都是不同的.输入层接受外界的 信息;输出层则对输入信息进行判别和决策;中阀 的多层隐层则用来表示或存储知识图1给出了四 层BP神经网络结构模型. 精^层 ,oU 输出 谩 差 权 傣 正 固1水质评价神经网络结构示意国 I 匝圃 I 匡亟圃 I 匦亟囹 图2BP网络训练学习程序框闰 铁 锰 砷 硝酸盐舞 耗氧量 挥发爵粪● 总硬斑 红水河1996年第2期 如图1所示,BP网络中信号的传递是单向的, 同一层中的神经元之问是不存在相互间的联系,而 层与层之问多采用全互联方式,其连接程度用权值 表示,并可通过学习来调节其值.每层神经元的状 态都将影响下一层的神经元状态.每个神经元状态 都对应着一个作用函数(,)和阀值(.),BP网络的 基本处理单元量为非线性输入～输出的关系,输入 层神经元阀值为0.且,()一;而隐层和输出层 的作用函数为非线性的Sigmoid型函数,一般采用 ,)一1/(1+～) BP模型的学习思路是:当给定网络的一个输入 模式时,它由输入层单元传递到隐层单元,逐层处 理后.再送到输出层单元,由输出层单元处理后产 生一个输出模式,这个过程称为前向传播.如果输 出响应与期望输出模式有误差而不满足要求时,就 转入误差后向传播,将误差值沿连接通路逐层传送 并修正各层连接权值和阀值.这样不断重复前向传 播和误差后向传播过程,直到各个训练模式都满足 要求时,便结束BP网络的学习.这个完整过程称为 训练式学习过程.图2给出了实现BP网络训练学 习框图,其中ERR为单个干扰最大误差,EMS为最 大均方误差. 2BP网络模型对地下水评价的应用 本文采用的水质监测资料引自文献(3).是对 沙市某孔隙含水层受人为污染的水质分析资料.其 实测指标共有7个,主要为总硬度,挥发酚类,耗 氧量,硝酸盐氮,砷,锰,铁.见表1. 表1待评水点监耐资料(单位mg/D引自(3) 依据国家饮用水标准作为衡量朽染程度的评价 标准,并参照国际上的有关规定,把地下水的污染 程度分为三级(表2) 运用人工神经网络方法,就是将水质评价指标 作为困变量,用网络的输入节点表达,水质污染级 别则由网络输出节点表达.根据待判点的输出结果 与标准值的贴近程度来判断其隶属等级.根据需要, 本文选了2个隐层,隐层节点数分别为10和5,其 网络结构为7一l0—5—1(图1),学习循环次数为 2000次. 表2水质污染分级标准(单位:mg/D 利用BP网络分析水质,首先对水质污染分级 标准和待评水点监测资料进行数据极差化处理,使 得各数据在[0,1]