BP神经网络在东钱湖富营养化评价中应用.docVIP

BP神经网络在东钱湖富营养化评价中应用 　　水质评价的方法有很多，简单的来说分为单因子法和多因子法。单因子法即最差因子法，如果最差因子达到IV类水标准，我们就认为该水样是IV类水。一般我们研究会采用多因子法，如常见的算术平均法、权重法、模糊法、灰关联法和神经网络法等。本文将人工神经网络的理论和方法运用于东钱湖的富营养化评价中，选择总磷、总氮、高锰酸盐指数和透明度四个因子，通过运用MATLAB丰富的神经网络工具箱函数建立富营养化评价模型，并对2009年东钱湖12个月的水样进行等级评价。该方法得到的结果只与湖泊（水库）营养状态评价标准有关，避免了人工选择权重的影响，较为客观。 　　水质评价的方法有很多，简单的来说分为单因子法和多因子法。一般我们研究会采用多因子法，如模糊模式识别法、灰关联模式识别法、BP神经网络评价法等。水质评价中重要的一项是对于湖泊、水库的富营养化评价，影响湖泊、水库的富营养化评价的因素很多，各评价因子和富营养化等级之间的关系复杂且呈非线性的特点。本文尝试应用人工神经网络的的理论和方法，通过MATLAB的神经网络工具箱来学习和训练湖库富营养化指数和评价因子之间的非线性关系，用于评价湖泊的富营养化程度。 　　人工神经网络是20世纪80年代迅速发展的一门非线性科学，它可以模拟人脑的一些基本特性，如自适应性、自组织性以及具有很强的学习、联想、容错和抗干扰能力等多种优点。MATLAB的神经网络工具箱提供了很多经典的学习算法，可以快速实现对富营养化程度评价问题的求解。 　　一、BP神经网络算法基本原理 　　BP神经网络是基于反向传播算法的网络模型，它由一个输入层、一个输出层和一个或多个隐含层组成，每一层都包含若干个神经元，神经元之间通过权重连接，但同层的神经元之间没有联系。 　　BP神经网络是人工神经网络模型中最具有代表意义和广泛应用的模型，其最大特点是网络权值是通过使网络模型输出值与已知的样本输出值之间的误差平方和达到期望值而不断调整出来的，其主要思想是根据样本的希望输出与实际输出的误差平方和E，利用梯度下降法，求使E到达最小的网络权系数，然后运用迭代算法从输出层开始，反向逐层修正权系数。 　　二、BP模型计算公式 　　（1）输出节点的输出Ol计算公式 　　1）输入节点的输入：Xj 　　2）隐节点的输出： 　　其中连接权值wij，节点阀值θi 　　3）输出节点输出： 　　其中连接权值Tij，节点阀值θl 　　（2）输出层（隐节点到输出节点间）的修正公式 　　1）输出节点的期望输出：tl 　　2）误差控制： 　　所有样本误差 ，其 　　中一个样本误差 ，其中P为样本数，n为输出节点数。 　　3）误差公式： 　　4）权修正值： 　　其中k为迭代次数。 　　5）阀值修正： 　　（3）隐节点层（输入节点到隐节点数）的修正公式 　　1）误差公式： 　　2）权值修正： 　　3）阀值修正： 　　三、BP神经网络在湖泊富营养化评价中的基本思路 　　设待评价的水质监测样本M个，每个样本选择具有典型代表的N项污染指标监测值。按照国家行业规范规定，相应于N项污染指标下的水质标准浓度可将水质为C个等级。因此，富营养化评价的神经网络结构的输入层和输出层的神经元数分别为N和C，即输入层的每一个神经元代表一种水质评价和污染指标，输出层的每一个神经元代表一个营养化等级。 　　现利用前面所讲的方法对2009年度东钱湖富营养化监测数据（M＝12）进行富营养化评价。根据2009年度已有的监测资料，我们选取总磷、总氮、高锰酸盐指数、透明度共四项指标（N=4,2009年叶绿素a监测尚未开展）进行评价，再根据《2009年浙江省水资源公报编制技术要求》中的湖库营养状态评价标准，将营养指数分成10个等级（C=10）。 　　四、BP神经网络设计 　　根据给出的监测资料可得出，该网络有十二个输入向量，每个输入向量有四个神经元。设隐含层有十个神经元，输出层只有一个神经元，其输出向量的个数是十二个。隐含层与输入向量连接，输出层与隐含层连接，隐含层的传输函数为tangis，输出层的传递函数为logsig。构造训练样本集p为《2009年浙江省水资源公报编制技术要求》中的湖库营养状态评价标准的富营养化评价标准，目标向量t为评价指数，则可以建立一个输入向量p和目标向量t之间的一个神经网络。把监测数据输入到训练好的神经网络里面即可以得到网络仿真的富营养化指数，对照《2009年浙江省水资源公报编制技术要求》中的湖库营养状态评价标准，即可以确定东钱湖的富营养化程度。 　　五、MATLAB仿真设计 　　源程序详见附件。 　　通过多次训练后得出的结果al＝0.5200 0.4993 0.5350 0.5512 0.56600