改进遗传神经网络在水质评价中的应用.pdfVIP

第29卷第2期 重庆工商大学学报(自然科学版) 2012年2月 Vo1．29 NO．2 JChongqingTechnolBusinessUniv．(NatSciEd) Feb．2012 文章编号：1672—058X(2012)02—0047—05 改进遗传神经网络在水质评价 中的应用木 曾文华 ，崔 侠 ，刘 峰。 (1．广州奥格智能科技有限公司，广州 510663；2．广州市环境保护科学研究院，广州510620； 3．广州地理研究所 广州510070) 摘 要：根据地表水环境质量评价标准，选取5项监测指标作为评价因子，在各指标对应级别取值区间 内按均匀分布方式随机 内插生成训练样本，采用改进 自适应交叉和变异算子的遗传算法对BP网络连接权 和阈值进行优化，以长江口某河段水质评价为例，阐明了该方法在水质评价中的作用，并与综合指标法进行 比较；结果表明：该方法具有较好的客观性和实用性，能有效地对地表水环境质量进行评价，丰富了水质评 价的方法体系，为地表水环境管理与决策的提供依据。 关键词：遗传算法；神经网络；水质评价 中图分类号：TP372 文献标志码 ：A r 水质评价是水资源合理开发、利用和保护的重要依据，是在确立评价 目标的情况下，选择相应的水质参 数、水质标准和评价方法，对水质状况做出评定。传统的水质评价方法有很多，如综合指数法、模糊综合评 价法、灰色聚类法等，但由于这些方法需要精确的数学模型来进行描述，须设计各评价指标对各级标准的隶 属函数及各指标的权重，导致模型过于复杂造成计算困难，存在较大的主观随意性，很难真实模拟水环境系 统的非线性变化过程 。。理论和实践都证明，水质评价是一个典型的模式识别问题，运用不确定性、非线 性理论可以克服传统水质评价方法在处理非线性问题中的实际困难。根据地表水环境质量评价标准，选取 描述地表水环境质量的5项监测指标 (TN、NH3-N、TP、CODMn和总铅)作为评价因子，在各指标对应级别的 取值区间内进行均匀分布方式随机 内插得到训练样本集，利用遗传算法对BP神经网络连接权和阈值进行 优化，以长江 口某河段水质监测数据对网络进行测试，将测试结果与综合指标评价法所得结果进行比较 分析。 1 遗传神经网络 1．1 人工神经网络 人工神经网络是一个非线性的动态系统，具有 自组织、自学习能力和较强的非线性容错性等特点。BP (BackPropagation)网络是 1986年由Rumelhart和McCelland提出，是一种按误差逆传播算法训练的多层前 馈网络，其结构如图1所示。 收稿 日期：2010—12—20；修回日期：2011—06—23． 基金项 目：科技型中小企业技术创新基金资助 (10C26214414756)． 作者简介：曾文华(1978-)，男，广东梅州人，从事遥感与地理信息系统、人工智能研究 重庆工商大学学报 (自然科学版) 第29卷 输入层 隐藏层 输出层 i — ． — ． — ． — ． — ． — ． — ． —． — ． — ． ． ． ． ． ． — ． — ． — ． — ． — ． — ． — ． — ． — ． — ． — ． — ． — ． —． — ． — ． — ． — ． — ． — ． — ． — ． — ． — ． — ． _．J 正向计算过程 图1 BP网络结构 理论上 BP神经网络可以任意精度逼近任何非线性连续函数，但在实际应用中，由于BP神经网络的连 接权决定了网络的性能，其优化算法采用梯度下降法，该方法无法 自动跳出局部有哪些信誉好的足球投注网站区间实现在全局范围 内寻找最优值，极易陷入局部极值点而不是全局最优点，网络的精度因此而受到极大的制约。 1．2 改进遗传算法优化BP神经网络 遗传算法(