人工神经网络在水质预测中的应用研究.pdfVIP

第29卷 第9期 长 江 科 学 院 院 报 Vo1_29 No．9 2012年 9月 JournalofYangtzeRiverScientificResearchInstitute Sep． 2 0 1 2 DOI：10．3969／j．issn．1001—5485．2012．09．022 人工神经网络在水质预测中的应用研究 刘俊威 。吕惠进 (浙江师范大学，浙江 金华 321004) 摘要：选取水质指标之一的溶解氧DO作为测算因素 ，研究了人工神经网络的BP法、bpx法、L—M法3种不同学习 算法在水质预测中的应用。研究结果表明：3种不同学习算法的预测效果均较理想，其中以L—M法预测结果最为 精确，人工神经网络在水质预测方面有着良好的应用前景和推广价值。 关 键 词：人工神经网络；学习算法；水质预测 中图分类号：X522 文献标志码：A 文章编号：1001—5485(2012)09—0095一O3 人工神经网络作为一种模仿生物神经网络的资 BP算法的主要缺点是收敛速度慢，难 以确定隐 讯处理与计算系统，具有大规模并行运算、分布式存 含层和隐节点的个数，因此出现了多种改进算法。 储和处理、容错和模糊推理、自组织、自适应和 自学 BP算法的改进主要有2种途径——调整算法和优 习等能力，是一门涉及学科面非常广泛的新兴科研 化算法。 领域 。人工神经网络模拟人类的思维方式，对事 1．2 动量-学习率调整法 物的判断和分类不需要建立某种模式，而是根据事 动量一学习率调整法(bpx法)降低了网络对于 物的本质特征采用直观的推理判断，用人工神经网 误差曲面局部细节的敏感性，能有效地抑制网络陷 络进行水质预测的结果具有客观性。本文选取溶解 于局部极小。BP算法实际上是一种简单的快速寻 氧DO作为测算因素进行的研究表明：BP法、bpx 优算法，在修正W(k)时，只是按照k时刻的负梯度 法、L．M法 3种不同学习算法的神经网络预测效果 方式进行修正，而没有考虑到之前梯度的方向，从而 均较理想，在水质预测方面有着 良好的应用前景。 常常使学习过程发生震荡 j。有鉴于此，产生一种 经过改进 的算法： 1 人工神经网络的学习算法 W(k+1)= ()+Ol[(1一叼)D(k)+riD(k一1)] ； 1．1 人工网络算法 BP网络算法 (BP法)属于学习律，是一种学习 其 中 D()= 。 d 算法，输入学习样本为P个，用 表示，与其对应的 式中：W(k)既可表示单个权值 ，也可表示权值矢量； 期望输出为 ，实际输出为 O 该学习算法是用 D(k)为k时刻的负梯度；Od为学习率 ( 0)；叼为 O和 的误差来修改其连接权 和阈值O，使O 动量因子(0≤叼1)。所加入 的动量项实际上相当 和 尽可能接近 。对第P个样本误差计算公式 于阻尼项，减小了学习过程的震荡趋势，改善了其收 为 敛性。