基子RBF神经网络的湖库水质富营养化程度评价模型.pdfVIP

环 境 工 程 2OOr7年4月第25卷第2期 基于RBF神经网络的湖库水质富营养化程度评价摸型 ‘ 张晓丹 黄朝君 徐 茜 刘钦圣 (北京科技大学应用科学学院，北京 100083) 摘要 运用人工神经网络中的RBF网络算法，建立一种新的湖库水质富营养化程度评价模型。对我国污染差异分布 广泛的12个湖库的水质富营养程度评价数据中的10组作为训练样本进行网络的建立，剩余2组用于网络的检脸。 结果表明:该方法建立的评价模型比文献[1]利用多元统计分析方法建立的评价模型更加简便有效。 关挂词 富营养化 RBF网络 人工神经网络 ·0 引言 RBF网络的基本思想是:用径向基函数(RBF)作 我国湖泊、水库的富营养化问题已十分严重。调 为隐单元的基“”，构成隐含层空间，隐含层对输人矢 查显示[[],51.1%的湖泊达到富营养程度，30.8%的 量进行变换，将低维的模式输人数据变换到高维空间 水库达到富营养化程度，对生产生活造成极大影响。 内，使得在低维空间内的线性不可分问题在高维空间 科学准确地对湖库水质富营养化程度进行评价，无疑 内线性可分。 对水环境污染防治工作有着重要的指导意义。近年 根据神经网络隐单元个数的不同，RBF网络有 来，在用定量化的水质富营养化程度评价方面已有一 2种模型:正规化网络(RegularizationNetwork)和广义 些研究结果’一〔，但各种方法均有其适用条件和局限 网络(GeneralizedNetwork)o 性，缺乏统一的评价模型。由于水质富营养化评价所 正规化网络的训练样本戈与基“函数”P;(x,x;) 根据的各项指标变量间的相关性非常复杂，是一个不 是一一对应的，当N很大时，网络实现复杂，且在求 确定性的非线性系统。而人工神经网络具有自学习、 解网络的权值时容易产生病态问题(illconditioning). 自组织、自适应与容错能力，它适合处理模糊的、非线 广义网络就是为解决这一问题而产生的。 性、含有噪声的模式特征不明确的问题，因此它完全 如图1所示，广义网络的输入层有M个神经元， 适用于湖库水质富营养程度评价模型的建立与预测。 其中任一个神经元用m表示;隐含层有1(IN)个 本研究选用RBF网络，其优点在于，比目前应用最广 神经元，其中任一神经用 表‘示，第 i个隐单元的激 泛的BP神经网络的收敛速度一般要快 1护倍，且不 励输出为“基函数”P,(二，t;)，其中t二‘【tilfti29...9 会收敛于局部极小点。 tM;](i二1,2,,1)为基函数的中心;输出层有J个 本研究根据文献 1〔].[3]提供的我国污染差异分 神经元，其中任一神经元用1表示。隐含层与输出层 布广泛的12个湖库水质富营养化程度评价数据，应 连接权值用，y,(i=1,2,...,I),Q二1,2,...,J)表 用RBF网络建立出湖库水质评价模型，将 12组数据 示。在广义网络中还设置了闭值00，其做法是令隐 分成两部分，其中10组作为训练样本建立模型，剩余 含层的一个神经元 ‘。的输出恒为1，而令输出单元 2组用于网络的检验，结果表明，输出的计算结果与 与其相连的权值为。oj(j=1，2，…，J)。 实际十分吻合，且比文献2【]更加简便有效。 1RBF神经网络简介 RBF神经网络属于多层前向神经网络。它是一 种3层前向网络，输入层由信号源节点组成;第2层 为隐含层，隐单元的个数由所有描述的问题而定，隐 单元的变换函数是对中心点径向对称且衰减的非负 非线性函数;第3层为输出层，它对输人模式做出 特入层 隐含层 抽出层 响应。 图1 广义RBF网络 ，国家自然科学基金资助项目(批准号 环 境 工 程