基于水质分级的人工神经网络方法.docVIP

基于水质分级的人工神经网络方法 何水明 （中国地质大学数理学院 430074） 摘要：应用人工神经网络理论对城市河涌水质的数据进行处理，基于BP神经网络的改进算法，用广州市河涌水质分类标准和实测水质数据对神经网络模型进行训练和检验。结果表明：该方法具有客观、可靠、实用、容错性高的优点，是一种科学、新型的水质分级方法。 关键词：人工神经网络 BP算法 水质分级 Classifying city stream’s water quality by using Back-propagation neural network Abstract the artificial neural network theory was used to optimize the sampling sites for city stream’s water quality monitoring. Based on the new-style Back-propagation algorithm neural network,a model has been established for the Optimization of water quality monitoring sites, The results shown that the new-style model was objecktive, reliable, practicable, and fault-tolerant Key words ANN BP algorithm Optimization water monitoring sites 水质分级是环境监测科学的重要分支，它主要研究能否用科学的方法客观反映区域范围水环境质量的问题。常用的水质分级方法主要有主成份分析法和聚类法[1]，这些多元统计方法克服了传统理化和生物指标难以综合评价的缺陷，运用计算机进行数据处理，简单易行，是水质分级的一种重要方法；人工神经网络方法[2][3]是一种新型的水质分级方法，人工神经网络的自学习性、不确定性和非线性的特点非常适合水质分级这种非线性系统的数学模型，建模编程后能够快捷准确的得出分级结果。 水质分级标准 由于城市中心区多数河涌已成为排污渠道，水质污染程度较为严重，一般都超过《地表水环境质量标准》（GB3838－2002）的V类标准。为更清晰的根据水质污染程度对水质进行分级，本文根据河涌水质实际情况，参照《污水综合排放标准》（GB8978－1996）、《广州市污水排放标准》（DB4437－90）、《污水排入城市下水道水质标准》（CJ3082－1999）和《地表水环境质量标准》（GB3838－2002）制定表1。 表1 城市纳污河涌水质分级标准 水质项目 Ⅰ Ⅱ Ⅲ Ⅳ Ⅴ COD 25 80 110 150 500 BOD3 10 30 50 100 300 SS 20 70 100 150 400 NH3－N 5 10 15 25 35 2 神经网络方法介绍及训练 人工神经网络是近几年来发展起来的一门新兴学科，它是一种大规模并行分布处理的非线性系统，可以处理那些难以用数学模型描述的系统，可以逼近任何非线性的特性，具有很强的自适应、自学习、联想记忆、高度容错和并行处理能力，使得神经网络理论的应用已经渗透到了各个领域。近年来，人工神经网络在水质分级和评价中的应用越练越广泛，并取得良好效果。这些应用中，BP神经网络是最有效、最活跃的方法之一。 关于BP神经网络的原理以及BP神经网络的改进请参见文献[4]，现我们用改进的BP网络方法进行水质分级。 2.1 提取特征 城市纳污河涌水质分级标准为五级，根据COD 、BOD3 、SS 、NH3－N等四个指标来划分，因此我们用这四个指标作为BP网络的特征参数。 BP网络的结构 采用三层BP网络，其中输入层为4个单元，输出层为5个单元，中间层为5个单元。节点的作用函数选用S型函数，即 2.3 BP网络的输入输出 以表1的5个分级标准作为神经网络的5个学习样本放入所设计的神经网络进行训练和学习。其中输入层（矢量）为4个特征参数，输出层（矢量）为分级标准即5维向量，用（1，0，0，0，0）表示一类水质，（0，1，0，0，0）表示二类水质，依此类推，（0，0，0，0，1）表示五类水质。 为了避免网络收敛速度慢，我们将输入参数进行预处理，采用正规化方法。 用关系式 , 其中为样本数，为输入单元数，；，对所有测定值一一作变换。变换后的输入输出数据如下表2： 表2 预处理后的输入输出数据 水质项目 COD BOD3 SS NH3－N 期望输出值 Ⅰ 0.05 0.