地下水水质评价的人工神经网络方法.docVIP

地下水水质评价的人工神经网络方法 第23卷第1期 2003年3月 西安科技学院 JOURNALOFXIANUNIVERSITYOFSCIENCEANDTECHNOLOGY Vl01.23No.1 Mar.2003 文章编号:1671—1912(2003)01—0027—03 地下水水质评价的人工神经网络方法 虞登梅,江晓益. (安徽理工大学资源与环境工程系,安徽淮南232001) 摘要:应用人工神经网络理论与方法建立了地下水水质评价的BP神经网络模型,对涡北井田 地下水水质进行了评价,并与灰色聚类结果进行了比较.结果表明,BP神经网络模型能很好地 解决评价因子与水质等级间复杂的非线性关系,评价地下水水质简便可靠,预测精度高,具有通 用性和客观性. 关键词:地下水;水质评价;BP神经网络模型 中图分类号:P641.8文献标识码:A 0引言 地下水水质评价是地下水资源评价的一项重要内容,它根据地下水的主要物质成份和相应的水质标 准,分析地下水水质的时空分布状况和可用程度,为地下水资源的开发利用,规划和管理提供科学依据. 目前水质评价数学模型很多,如综合指数法,模糊数学法,灰色聚类法等.但这些传统方法并没有很好地 解决评价因子与水质等级间复杂的非线性关系,评价过程中的效用函数,权重需要人为设计,限制了评价 模式的通用性,也影响了结果的可靠性. 近年来发展起来的人工神经网络技术为实现上述目标提供了有效的方法.人工神经网络(ANN)是 模拟生物神经网络的人工智能系统,用非线性处理单元模拟生物神经元,用处理单元之间的可变连接强度 来模拟突触行为,大量单元依一定形式连接而成的网络呈现出高维性,自组织性,模糊性和自学习能力. 理论上已证明:三层以上的人工神经网络能准确地完成任意非正交集合的分类Llj,本文将利用人工神经 网络的高度分类功能来实现水质综合评价. 1BP神经网络模型 目前人工神经网络中应用最广泛并且比较成功的是BP神经网络,该模型基于误差反向传播算法,由 .亩入层,输出层和一个或若干个隐层构成,每一层包含若干神经元,层与层问神经元通过连接权重w及 阈值互连,同层的神经元之间没有联系(图1). BP网络模型的学习过程由正向和反向传播组成,正向传播输入样本的输入信息,反向传播传递误差 及调整信息.在正向传播时,输入信息在神经元中均由S型激励函数激活后输出,S型激励函数为 f(X)=1/,l1+exp(一X)j(1) BP网络的输入节点一般没有阈值,也没有激励函数,对输入节点的输入就直接等于输入节点的输出. 隐层和输出层节点的阈值按权值处理.它们所采用的神经元模型为 隐含层 ?收稿日期:2002一O5—2O 作者简介:虞登梅(1972一),女,江苏徐州人,助理实验师,主要从事水环境实验教学和管理工作 (2) N∑ = q 西安科技学院2003生 输出层O=f(∑?q) j=0 其中0=,Wio= 通常的误差测度准则是平方误差最小,即能量函数为 .^f E=告∑(—O) 网络的学习就是利用梯度搜索技术调整和,使E趋于最小,权值调整公式为 f△Ⅵ=rl(yi一0f)0f(1—0)0I+口△Ⅵ(t一1) ^fl△=(卜q)∑+aAWjk(t一1) 其中,a分别称为学习率和贯量因子,取值范围 均在(0,1)上.较大,收敛快,但不稳定,可能出现 振荡;17较小,则较缓慢;a的作用正好和17相反. BP网络的学习过程如下. 1)给所有的权值和阈值赋[0,1]区间的随机O 值; 2)对每个样本对(X,)进行如下操作:① 悔样本向量X送人输入层,进行正向逐层计算,先 计算各个节点的输入值,再由S型函数求出各相应 节点的输出;②进行误差反传计算,并调整权值;X ③)重复步骤②,直到能量函数值小于或等于给定 误差,BP网络学习完毕. 本文的程序实现基于MATLAB环境下,采用Fig.1 MATLAB神经网络工具箱中的函数编程求解.若 输出层Oi=1, 0. 隐含层产1,工 0J 输入层k----1,,N (3) (4) (5) 图1三层BP网络拓扑结构图 ThethreelayerstopologicalstructureofBPnetwork 将地下水水质分级指标作为样本输入,评价级别作为网络输出,BP网络通过不断学习,归纳出评价指标与 评价级别间复杂的内在对应关系,利用此网络模型即可进行水质综合评价[2l. 2BP网络模型用于水质评价实例 淮北矿业集团涡北井田将进入建井开采进程,因此未来矿区的供水,水源保护等均与地下水的水质优 劣密切相关,本次利用人工神经网络分类技术对矿区各含水层水质进行综合评价,为矿区地下水资源管理 提供依据. 涡北井田各含水层原始水质资料和选用的水质分级标准如表1,表2所示. 此次评价选用了三价铁,氯化物,硫酸根,氟,硬度,矿化度