基于BP人工神经网络水质评价方法研究.docVIP

基于BP人工神经网络水质评价方法研究 　　摘要：本文结合实际工作需要，提出了使用BP人工神经网络法进行水质分析评价的方法。本方法使用MATLAB作为工具载体，应用BP神经网络理论，选用MATLAB函数工具箱中的函数作为训练算法，极大的简化了繁琐的数据处理过程，方便快捷，处理速度快。并与其他方法结果进行对比，证实本方法科学可信。 　　本方法作为水质分析评价的方法，比起其他方法，具有算法简单，运算速度快，受外界影响小等特点。 　　 　　关键词：人工神经网络Matlab水质评价BP 　　 　　 　　中图分类号： TN711文献标识码：A 文章编号： 　　 　　“人口、资源、环境”是当今世界面临的三大难题。人类的生存与发展从根本上依赖于水的获取和对水的控制。 　　天津市蕴藏着丰富的中、低温地下水资源。同时，天津市作为华北地区严重缺水的城市，地下水资源对天津市的经济发展具有极其重要的作用。地下水水质的分析评价，为资源管理提供了水质判别的依据，是资源管理系统中重要的一部分。 　　目前，天津市的地下水水资源的分析管理工作中，水质分析评价采用的比较多的是内梅罗指数公式法、模糊综合评判法、国标法等。 　　1 BP人工神经网络简介 　　BP (Back Propagation)神经网络是一种神经网络学习算法，全称是基于误差反向传播算法的人工神经网络。它的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。 　　BP神经网络相对比其他的神经网络，具有运算速度快，叠加性好等特点。 　　2分析方法模型建立 　　2.1 分析标准选择 　　参照《中华人民共和国地下水质量标准》，结合天津市水资源的实际取样和检测经验，形成下述指标： 　　表1水质评价的要素表（单位：mg/L） 　　 　　 　　2.2 分析方法建立 　　分析方法基本流程如图 　　 　　 　　图1基本流程图 　　隐含层采用正切S型神经元，输出层采用线性神经元，输入向量的维数是16，所以输入层节点数确定为16个。输出层节点数由输出向量的维数决定，这里输出节点数为1。据经验以及反复训练, 隐含层节点数定为5。这样就形成了一个16×5×1神经网络。 　　 　　 　　图2BP神经网络结构 　　输入向量为2-1，地下水质量分类指标，共有项目16，分为五个级别。输出结果为一列。 　　2.3 平台选择 　　本文使用的开发平台为MATLAB7.8(R2009a)。 　　2.4 算法选择 　　本文选择动量批梯度下降函数（traingdm）来训练算法。它实现的是一种批处理的前馈神经网络训练算法，它不但具有更快的收敛速度，而且引入了一个动量项，有效地避免了局部最小问题在网络训练中的出现。 　　2.5 学习训练和模拟 　　网络的训练学习，分为如下几步： 　　首先，采用指令 net=newff(minmax(p),[5,1],{tansig,purelin},traingdm) 建立网络。 　　newff()为建立BP神经网络的函数，minmax(p)表示网络输入p的取值范围（0～1），[5,1]表示隐层节点数是5，输出层节点数是1，{tansig,purelin}表示隐含层中的神经元采用tansig转换函数，输出层采用purelin函数，traingdm表示选择的学习算法。 　　权重和阈值初始化 net=init(net);给各连接权重IW{1,1}、LW{2,1}及阈值b{1}、b{2}赋予（-1,+1）间的随机值。 　　然后，采用指令[net,tr]=train(net,p,t)进行训练；训练次数1000，误差限为10-8。采用水质标准归一化后的数值作为训练向量。训练结果如下： 　　 　　 　　图3 网络训练误差图 　　采用指令 a= sim(net,p)模拟； 　　训练结果：1.0001 1.9998 3.0001 4.0000 5.0000 　　这说明网络已经训练完毕，可以使用进行实际应用。 　　根据训练好的网络及输入向量进行模拟网络输出，输入层P为16×n的数组，将监测数据，进行评价归一化后，根据训练好的模型进行仿真采用指令out= sim(net,p1)，得到的结果为1×n的向量。即为样本的评价值。然后将评价值根据大小分为不同的等级（I,II,III,IV,V），输出为rank数组。 　　3实验结果 　　3.1 小量样本对比实验 　　选取3个地点，使用不同方法进行评价，水质评价可以