人工神经网络在白洋淀水质评价中应用.docVIP

人工神经网络在白洋淀水质评价中的应用 　　摘 要：应用人工神经网络理论与方法建立了白洋淀水质评价的神经网络模型，对白洋淀5个监测断面水质进行了评价，并与主成分分析结果进行对比。结果表明人工神经网络模型能很好地解决评价因子与水质等级间复杂的非线性关系，评价水质简便可靠，预测精度高，具有通性和客观性。 　　【关键词】白洋淀 人工神经网络 水质评价 　　1 引言 　　水环境质量评价是环境质量评价的一项重要内容，评价方法主要有物元分析法、模糊综合法、主成分分析法等。但这些方法都要事先假定模式或主观规定一些参数，缺乏比较科学的确定环境因子权重的量化方法， 各因子权重的确定正确与否，对水质评价的结论有比较大的影响，所以评价结果具有很强的主观性，在实际中还不能得到真正的应用。针对上述水质评价存在的不足，国内外学者已开展了多种水质评价方法的研究，其中，人工神经网络模型具有建立任意输入与输出的非线性映射功能以及能模仿人脑进行自识别、自组织等特点，被认为是近年来兴起和具有广阔发展前景的方法，并已经在湖泊的水质综合评价和预测中得到广泛应用。如：通过建立BP神经网络模型，张昆实等对荆州市长湖关咀段的水质富营养化状态进行了分类评价；朱长军等通过建立径向基神经网络模型，对滏阳河邯郸市区段7个监测断面水质进行了评价，均得到很好的结果。基于目前尚无针对保定市白洋淀水质的人工神经网络综合评价模型，笔者采用Matlab人工神经网络工具箱，建立了一个能对湖泊水质作出正确评价的BP神经网络模型，并对白洋淀水质现状作出客观的评价，以期为有效保护和质量白洋淀污染提供决策依据。 　　2 人工神经网络模型概述 　　在模式识别中应用最广泛的是具有误差反向传播算法（Back Propagation Algorithm）的人工神经网络模型，简称为BP神经网络。BP神经网络的学习过程就是一个网络权系数的自适应、自调整过程。经过反复训练后，网络具有对学习样本的记忆、联想的能力。BP神经网络学习过程由正向和反向传播组成。 　　2.1 正向传播过程 　　输入信号从输入层经隐含层神经元传向输出层，在输出端产生输出信号，若输出信号满足给定的输出要求，计算就可结束，若输出信号不满足给定的输出要求，则转入信号反向传播。 　　设输入层有q+1个信号输入，隐含层有p+1个神经元，输出层有o个神经元，输入层与隐含层之间的权值用表示，为隐含层阈值，隐含层与输出层之间的权值用表示，为输出层阈值。 　　设隐含层的输入为，输出为，输出层的输入为，输出为； 　　设训练样本集为，对应任一训练样本，其中。实际输出为，期望输出为，设n为迭代次数，则权值和实际输出均是n的函数。网络输入训练样本，由输出工作信号的正向传播过程可得隐含层输入 　　其中为学习率，是一个给定的常数。 　　至此，BP神经网络完成了正向传播与反向调节的过程。BP算法一般需要经过多次迭代，才能使学习误差收敛到预设精度。 　　3 BP神经网络模型用于白洋淀水质评价 　　3.1 输入层神经元数的确定 　　神经网络的输入层神经元为水质评价指标。本文通过白洋淀实际水质监测结果，最终确定了溶解氧、高锰酸钾指数、五日生化需氧量（BOD5）、氨氮（NH3-N）、总磷（TP）、总氮（TN）等6个影响水质分级的主要因子作为建立评价模型的主要参数指标。 　　3.2 隐含层和输出层神经元数的确定 　　隐含层神经元个数的确定比较复杂，目前，BP神经网络隐含层节点的选取还没有理论上的指导，更多的情况是由经验和实验来确定。输出层神经元数一般确定为水质量的级别，所以输出层神经元数目定为1。本文以模型的误差为目标函数，经试算，最终确定隐层神经元为10个。 　　3.3 训练样本的选择和预处理 　　本文选用安新桥（A1）、端村（A2）、大张庄（A3）、留通（A4）、郭里口（A5）等5个断面的年平均值作为评价对象（见表1），各采样点样品的采集和测试按照《水环境监测规范》完成。数据处理软件及其版本为Matlab R2010a。根据GB3838-2002《地表水环境质量标准》中规定的分类等级，各类水质的环境指标浓度均有限制，只要所要评价的指标处于各类水质的浓度限制范围内，该水质就是其相应的类别。 　　《地表水环境质量标准》中规定5类水质标准可提供5个训练样本，对于BP神经网络来说，5组训练样本并不足以反应水质内部之间蕴含的规则，导致BP网络水质评价模型鲁棒性不强，泛化能力差，识别精度低，没有实用价值。因此必须要对训练样本进行扩充。本文根据标准样本将水质分成6类即I、II、III、IV、V和劣V类，应用Matlab对5组样本进行随机插值，每类生成50个样本，共获得300个样本。由于各指标具有不同的量纲，属于不同类型，故指标间具有不可公度性，所以对收集