bp神经网络在焉耆盆地水质评价中的应用

《bp神经网络在焉耆盆地水质评价中的应用》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、http://www.paper.edu.cn1BP神经网络在焉耆盆地水质评价中的应用111,2曹英兰靳孟贵刘延锋（1.中国地质大学环境学院，湖北武汉，430074；（2.中国科学院武汉岩土力学研究所，湖北武汉，430071）email：caoyinglan@2003.cug.edu.cn摘要：水环境的污染是多种因素综合的结果，具有不确定性和模糊性。本文应用BP神经网络和综合污染指数法评价焉耆盆地的水质。结果表明，BP神经网络能够很好的解决评价因子和水质等级之间复杂的非线性关系，其评价方法具有客观性、实用性和适用性等优点。关键

2、词：人工神经网络；BP神经网络；水质评价；综合污染指数法1引言水质评价是水资源评价的一项十分重要的内容，它的主要任务是根据水的主要化学成分和相应的水质标准，分析水质时空分布状况，为水资源的合理开发和管理提供科学依据。目前水质评价的方法有单因子评价法和多因子综合评价法。水质评价的数学模型很多，如综合污染指数法、内梅罗污染指数法、模糊数学法、灰色聚类法等。但这些方法并没有很好地解决评价因子和水质等级之间复杂的非线性关系，以及水体污染的随机性和不确定性。近年来快速发展起来的人工神经网络为解决上述问题提供了有效的工具。事实上，在评价指

3、标确定之后，综合评价的过程就是把这些指标的同一分级标准视为一个标准样本，将待评价样本这些指标的监测值与标准样本进行比较和分析，在此基础上判断其与哪一级分级标［1］准更接近。因此，水质综合评价属于模式识别问题。人工神经网络已在模式识别中得到了广泛的应用。本文以新疆焉耆盆地为研究对象，根据该区水质监测资料，利用BP神经网络和传统的综合污染指数法分别对该区地表水和地下水进行综合评价，初步探讨BP神经网络在水质评价中的合理性和可靠性。2计算方法2.1污染指数计算污染指数包括污染因子的污染指数、平均污染指数（AverageContami

4、nativeIndex，ACI）［2］和综合污染指数（IntergratedContaminativeIndex，ICI）等分别按（1）～（3）式计算。污染因子的污染指数：PcSiii=/（1）式中，i为污染因子，ci为污染因子i的实测值，Si为污染因子i的评价标准值。n1平均污染指数：PP=∑i（2）式中，Pi为污染因子的污染指数，n为监测断面数。ni=11基金项目：高等学校博士点专项科研基金（20020491011）和国家自然科学基金(40472123)资助课题。-1-http://www.paper.edu.cnm综合污

5、染指数：PP=∑j（3）式中，Pj为平均污染指数，m为污染因子数。j=12.2BP神经网络模型神经网络是对人脑或自然的神经网络若干基本特性的抽象模拟，是一种非线性的动力学［3］系统。它具有分布并行处理、非线性映射、自适应学习、联想、容错等特性，这使得它在模式识别、控制优化、智能信息处理以及故障诊断等方面都有广泛的应用。目前人工神经网络模型有数十种，较典型的有BP网络、Hopfield网络以及CPN网络等。本文利用D.E.Rumelhart和J.L.McCelland及其研究小组在1986年研究并设计的BP神经网络对焉耆盆地水质

6、进行评价。它采用误差反向传播（BackPropagation）学习算法。由若干层神经元组成，它们可分为输入层、隐含层和输出层，输入信息从输入层传入，经隐含层处理后，传向输出层。若输出层的实际输出与期望输出不符，则转入反向传播，将输出误差沿原来通路返回，通过学习来修改各层神经元的权值（w），使输出误差达到预期目标。每层神经元的状态都将影响下一层的神经元状态，每个神经元状态都对应着一个激活函数（f）和阈值（b）。BP网络的基本处理单元为非线性输入—输出的关系，输入层神经元阈值为0，且f（x）=x，而隐含层的激活函数为非线性的Sig

7、moid型（简称S型）函数，输出层可以为非线性的Sigmoid函数或线性函数。理论已经证明：具有偏差和至少一个S型隐含层加上一个线性输出层的BP网络，能够逼近任何有理函[4]数。S型激活函数为：1f(x)=−x1+e线性型激活函数为：f(x)=wx+bBP网络的学习算法：首先对权值和阈值进行初始化，给定输入X和期望输出Y，从输入层开始到输出层正向计算网络输出Y，若实际输出与期望输出之间的误差值不满足要求时，则从输出层开始将误差值沿连接通路反向传播，修正各层连接权值和阈值，使网络误差最小。然后不断重复，直到各个训练模式都满足时结

8、束BP网络训练。笔者采用MATLAB[4]软件中的神经网络工具箱提供的BP网络函数，对所建网络进行训练和仿真。人工神经网络的泛化能力直接取决于它所学习的样本代表性及样本长度，当学习样本不足以使人工神经网络充分学习时，所训练出的网络性能会很差。为尽量避免上面所述问题，[6]对样