基于Matlab人工神经元网络水质信息管理软件系统.docVIP

基于Matlab人工神经元网络水质信息管理软件系统 　　摘要：建立水质信息管理数据库，应用人工神经元网络建立BOD-DO水质模型和水质评价模型，所得到的神经元网络模型对水质中的BOD-DO指标有很好的模拟效果，同时也能根据地表水水质标准，对水质进行多参数评价。 　　关键词： 水质模型人工神经元网络 水质信息管理系统 　　中图分类号：TN948.61 文献标识码：A 　　 　　1、研究背景 　　水质模型的建立以及多参数水质评价，往往需要很多算法，对这些算法的开发选择淘汰，需要很大的精力。Matlab是一种较为理想的算法调试平台，但是其并不适合作为一种开发工具。然而实际应用中又需要对多算法进行灵活组合比较。因此应用matlab平台进行以数据库为基础，以算法为支撑的应用系统具有开发周期短，灵活性大的开发方式。作者尝试以SQLserver2000 为数据库源，以matlab为平台开发水质综合信息管理系统。 　　2、基于神经元网络的BOD-DO耦合模型 　　2.1BOD—DO耦合模型综述 　　生化需氧量(简记为BOD5)是对水体中可生物降解的有机物浓度的一个度量，它用细菌在好氧条件下将有机物氧化为CO2H2O和NO3一等时所用掉的氧的数量来表示。可以用溶解氧的变化说明河流的天然净化过程。纯净的河水中溶解氧是饱和的，当一定数量的污水流入河流时，受到污染的水中的溶解氧在有机物分解时被消耗(耗氧作用)；同时由于河水中溶解氧不再饱和，所以大气中的氧又会溶解到水里(复氧作用)；假定污水不再流入，经过一段时间，原来污水中的有机物完全分解，河水又回复到溶解氧为饱和的状况。这个过程一般要进行几天，为了确定过程中污染对河流的影响，需要沿水流方向查明生化需氧量和溶解氧量的变化的情况。要定量地描述生化需氧量与溶解氧量在选定河段范围内某一时间间隔内的变化就要建立数学模型。 　　 　　利用RBF网络来进行水环境影响评价,只要有充足的采样数据,就可以利用神经网络的自学习能力来进行河水的建模与预测,这种方法考虑的因素较少,并且结果准确,适用范围很广,是一种很好的水环境预测方法。 　　2.2实现方法—BP神经网络 　　将用户选择上下两个断面，研究时段作为边界，查询相关的数据，以上游断面的生化需氧量为第一个变量 input1溶解氧作为第二个变量 input2，水温input3，流量input4，作为输入变量，将下游断面的生化需氧量output1和溶解氧output2。作为输出变量。依照3个隐含层，20个节点的网络参数（也可以由用户指定这些参数）建立BP神经网络。 　　原始数据的非线性规格化。大多数BP神经网络模型以s形函数作为转换函数，该函数的值域为[0，1]，因此在网络训练时要将原始数据规范到[0，1]区间。但是规范后的每个输出的教师值序列中至少有一个值为0，一个值为1，恰好是s形函数的极小值和极大值，要求联接权足够大才能使网络的输出值与其匹配，从而需要相当多的训练次数来不断修正权值，导致训练速度缓慢。 　　因为不同指标的数量级差别很大，为了有效的对网络进行训练。对数据进行预处理。 　　首先将数据采用sigmoid函数，进行非线性映射。然后使用tranlm（）函数来训练网络。达到预设误差范围后，保存网络。 　　2.2.1 用于 BOD-DO 耦合模型的BP神经网络的结构 　　BP网络通常至少有一个隐含层，如图所示的是一个具有R个输入和一个隐含层的神经网络模型。 　　 　　 　　 　　 　　 　　感知器与线性神经元的主要差别在于激励函数上：前者是二值型的，而后者是线性的。BP网络除了在多层网络上与已介绍过的模型有不同外，其主要差别也表现在激励函数上。 　　因为S型函数具有非线性的大系数功能。它可以把输入从负无穷到正无穷大的信号变换成－1到＋1之间输出，所以采用S型函数可以实现从输入到输出的非线性映射。 　　2.2.2 BP网络的学习方法 　　BP网络最为核心的部分便是网络的学习规则。用BP算法训练网络时有两种方式：一种是每输入一样本修改一次权值；另一种是批处理方式，即使组成一个训练周期的全部样本都依次输入后计算总的平均误差。这里我们主要探讨的是后一种方式。 　　BP网络的学习过程主要由以下四部分组成： 　　 通常学习系数在0.1~0.8之间，为使整个学习过程加快，又不会引起振荡，可采用变学习率的方法，即在学习初期取较大的学习系数随着学习过程的进行逐渐减小其值。最后，将输出误差由输出层经中间层传向输入层，逐层进行校正。 　　2.2.3 BP网络的训练 　　对BP网络进行训练时，首先要提供一组训练样本，其中每个样本由输入样本和输出对组成。当网络的所有实际输出与其理想输出一致时，表明训练结束。否则，通过修正权值，