分析重金属污染的主要原因.docxVIP

分析重金属污染的主要原因，首先要分区考虑，因为每个功能区污染源不同，起 最主要作用的重金属也会不同，那么针对每区做如下分析。 在问题一中我们已经得出不同区域的重金属污染程度，但这是 8种重金属综 合影响的结果，究竟哪几种金属的污染效应最大就要看哪些对综合污染程度的贡 献最大或者说相关性最大，为解决该问题，我们建立了基于 BP神经网络的变量 筛选模型。 本问将结合BP神经网络，应用平均影响值 MIV( Mean Impact Value )方法 来说明如何使用神经网络来筛选变量，找到对结果有较大影响的输入项，继而实 现变量筛选。MIV被认为是在神经网络评价变量相关性中最好的指标之一，用于 确定输入神经元对输出神经元影响大小，其绝对值大小代表影响的重要性。 神经网络是由多个神经元组成的广泛互连的神经网络，能够模拟生物神经系 统真实世界及物体之间所做出的交互反应。神经网络处理信息是通过信息样本对 神经网络的训练，使其具有人的大脑的记忆，辨识能力，完成名种信息处理功能。 它不需要任何先验公式，就能从已有数据中自动地归纳规则， 获得这些数据的内 在规律，具有良好的自我学习能力，良好的适应性和联想记忆功能，并行处理和 非线性形转换的能力，特别适合于因果关系复杂的非确定性推理， 判断，识别和 分类等问题。对于任意一组随机的，正态的数据，都可以利用神经网络算法进行 统计分析，做出拟合和预测。 BP网络是由输入层，输出层以及一个或多个隐层节点互连而成的一种多层 网，这种结构使多层前馈网络可在输入和输出间建立合适的线性或非线性关系， 又不致使网络输出限制在-1和1之间，如图9。 学习过程中由信号的正向传播与误差的逆向传播两个过程组成。 正向传播时，模式作用于输入层。设输入层输入的8种重金属单一污染指数 为x，实际得到的综合污染指数大小为 y，经过神经网络学习得到综合污染指数 的大小为yo BP神经网络可以在输入层和输出层之间的隐含层建立一种非线性 关系： 式中，f表示此种非线性关系，也可以理解为传播特征；??表示网络中各神 经元连接的权值；B表示神经元的阈值。 经隐含层处理后，传入误差的逆向传播阶段。设参考误差为 E 2 E 八(y -y) (4) 将输出误差通过隐含层向输入层逐层返回，并“分摊”给各层的所有单元，从而获得各层单元的参考误差或称误差信号， 以作为修改各单元权值的依据。设 标准误差为E : 当E时，修改各神经元权值和阈值； 当E^E时，网路训练结束。 权值不断修改的过程，也就是网络学习过程。常规 BP网络权值和阈值的调整公 式如下： “ cER 灼 j(t+1) +?ij(t) CWj \ ( 5) 8e ‘ ⑷ jk(t +1)一Wjk(t) CWjk [ dEf Bj(t +1) =」^ + Bj(t) cBij ( 6) “ cEBjk(t+1) =」^ + Bjk (t)cBjk 式中，E ?为参考误差； 为网络的学习速率即权值的调整幅度； Wjj(t)表示t 时刻输入层第i个神经元与隐含层第j个神经元的连接权值；Wjj (t 1)表示t时刻 输入层第i个神经元与隐含层第j个神经元的连接权值；Wjk (t)表示t时刻隐含层 第i个神经元与输出层第j个神经元的连接权值 Wjk (t 1)表示t 1时刻隐含层第 i个神经元与输出层第j个神经元的连接权值；阈值下标意义与权值相同。 调整过程一直进行到网络输出的误差准逐渐减少到可接受的程度或达到设 定的学习次数为止，网络训练完毕。 针对本题我们以8种重金属的单一污染指数为输入层，作为训练样本 M , 以内梅罗综合污染指数为输出层，利用原始数据训练一个正确的 BP神经网络， 仿真得到结果为A。在网络训练终止之后，将训练样本 M中每一个自变量特征 在其原值的基础上分别加/减10%勾成两个新的训练样本M1和M2 : M =1.1M 丿 1 （7） M 2 = 0.9M 将Mi和M2分别作为仿真样本利用已建成的神经网络进行仿真， 得到两个仿 真结果为A和A，求出A和A2的差值，即为变动自变量后对输出产生的影响变 化值 IV （Impact Value ）: TOC \o 1-5 \h \z IV = Ai - A2 （ 8） 最后将IV求取平均得出该自变量对应的平均影响值即 MIV: Z IV MIV （ 9） n n表示每个自变量的输入个数。 按照上面步骤依次算出各个自变量的 MIV值，最后根据MIV值的绝对值由大 到小为各自变量排序，得到各自变量对网络输出影响相对重要性的位次表， 从而 判断出输入特征对于网络结果的影响程度，即实现了变量筛选。流程图如下： 图10基于BP神经网络的变量筛选流程图 基于上述理论，通过matlab编程（程序二）得到一下结果: 表6各重金属的平均影响值