基于神经网络理论的水质评价模型的比较研究.docVIP

基于神经网络理论的水质评价模型的比较研究 ?基于神经网络理论的水质评价模型的比较研究 水是人类生存和发展的物质基础。随着生产的发展和人口的增长，水资源短缺、水质污染问题越来越突出。水环境质量评价是认识和研究水环境的一项重要内容，其目的是准确反映环境的质量和污染状况，预测未来的发展趋势，是水环境管理保护和治理的一项重要基础性工作。水环境质量评价是指通过对水体的一些物理、化学、生物指标的监测、调查，根据不同的目的和要求，按一定的方法对水体的质量做出估计。通过对水质进行评价，确定其污染类型，准确地指出水体当时的污染程度，为保护水体、水质提供方向性、原则性的方案和依据。 由于影响水质的因素很多，且因素与水质类别之间通常存在复杂的非线性关系，所以迄今没有一种统一的和公认的评价方法。目前应用于水质评价的方法发展了很多，大多是基于传统数学、模糊数学和灰色数学的评价模型，如单项污染指数法、综合污染指数法、模糊综合评判法、灰色关联度分析法、灰色局势决策法、物元分析法等[1-2]。单项污染指数法只能评价水体中某种污染物的危害程度，不能反映水体中各种污染物的综合影响；综合污染指数法采用一个简单的数字指标作为硬性界限，忽视了这种分类或分级界限的模糊性；而基于模糊数学和灰色数学的综合评价方法，虽然注意到了这种实际上存在的分类或分级的模糊性，但在各水质污染物指标权重的选择上常带有主观性和随意性，因而存在一定的局限性。 人工神经网络是起源于20世纪40年代，在80年代取得突破并迅速发展和广泛应用于众多学科的非线性模拟技术，是目前最活跃的前沿科学之一。ANN是对人脑神经元巨系统的生理特征和功能的抽象和模拟，具有自适应、自学习的特点，非常适合于研究和解决复杂的非线性问题。 从80年代末开始，我国的环境保护工作者开始将神经网络技术引入环境质量评价工作，建立了基于误差反向传播网络、霍普菲尔德网络、径向基函数网络、自组织特征映射网络、学习向量量化网络等数10多种评价模型，但其中80-90%是基于BP网络模型及其变化模型[2]。 本研究针对地表水环境质量评价，以MathWorks公司开发的MATLAB神经网络工具箱为平台，建立了基于Levenberg-Marquardt训练算法的BP网络的评价模型和基于LVQ网络的评价模型，分别用大训练样本和小训练样本进行训练，用检测样本评价训练效果及网络模型的性能，比较分析大、小训练样本对网络模型训练的影响以及两种模型的优劣。 在神经网络模型的建立之中，训练样本占有非常重要的位置。在进行模式识别的过程中，主要依靠在训练之中获得的权重，这将直接影响数据的处理与最后的结果。在一般的神经网络进行实验中，采用的是小样本的方法，这使得整个模型在训练学习的过程简化了，也使得模型不能够得到足够多的数据来支持他的结论。神经网络又称为人工智能，主要是因为他可以在人为给定的数据中，自主的学习，寻找给定的数据之间的联系与关系，从而进行最后给定的数据的分类，如果人为给定的数据量很少，则整个网络无法得到有效的训练和学习，从而在最后判定数据的分类上存在一定的偏向性。 2.1地表水环境质量评价标准 实验的标准采用2002年6月1日实施的水质评价标准GB3838-2002的评价标准，采用了在标准中的DO、BOD5、石油类、挥发酚、氨氮、高锰酸钾指数，这6项指标作为评价项目。具体标准见表1。 表1地表水环境质量标准单位　 ? ? ? ? ? ? ? 　　 2.2检测样本 在实验的数据上，本实验选取参考文献[2]中的水质监测资料作为检验数据，见表2。 表2检验数据单位? ? ? ? ? ? ? ? ? 2.3训练样本 采用小样本直接使用水质标准，其在二维平面内的投影分布见图1。 大样本采用MATLAB提供的RAND函数在各级评价标准内按随机均匀分布方式线形插生成训练样本，每级生成200个样本，共生成1000个训练样本。对应的目标输出理论值I级为1，II级为2，其他依此类推。其在二维平面内的投影分布见图2 对于BP-LM网络模型，其评价结果属于I级水质的输入，期望输出应为０～１之间的数值；对于评价结果属于II级水质的输入，期望输出应为1～2之间的数值；其他依此类推。 对于LVQ网络模型，其评价结果属于I级水质的输入，期望输出应为１；对于评价结果属于II级水质的输入，期望输出应为2；其他依此类推。 3.1BP-LM神经网络的原理与结构 3.1.1原理 BP网络，即多层前馈神经网络，因其采用误差反向误差传播算法(ErrorBackpropagation)而得名，1986年由D.E.Rumelhart等人提出。BP算