当前位置：文档之家 › PCA-BP神经网络在流域水质评价中的应用

PCA-BP神经网络在流域水质评价中的应用

  • 格式：pdf
  • 大小：404.41 KB
  • 文档页数：6

桂
林
理
工
大
学
学
报
２１ ０ ２矩
Ｐ ＝ｃ ， Ｅ ｉ ＝ｆ。 － Ｐ＝ Ｐ － ｉ
一 ｏ ｌ １ ‘
（） １
络 建模条 件 的 限制 。其 合 理 性 可 以 用 另 一个 说 法 来 说 明 ，假设 ５组 水 质标 准 临 界值 是 流 域 的 ５个
式中 ， ｃ 为第 ｉ 污染物 的监 测 浓度 ； 。为某 监测 水质 断面 ，利 用 对 实 测 数 据 分 析 所 得 的污 染 特 征 种 Ｃ
量， 从而分析出关 键的影响 因子 ，属于较为完善 个唯一的网络 ， 外 由于污染等级是 一个 虚拟 的 另
的多元 统 计 分 析 方 法 。主 成 分 分 析 法 是 一 种 数 学 量 ， 无法 寻找 更 多 的 训 练 样 本 ， 因此 必 须 设 定 合 理 变换 方法 ，它 把 给 定 的一 组 相 关 变 量 通 过 线 性 变 的验证条件来 从上述所得到 的诸 多网络 中选 取一
不到精确的污染等级评价 。 Ｊ
在 阈值 之 内 的水 质 数 据 评 价 结 果 是 符 合 实 际 的 ，
应用主成分方法 来获取流域污染特征 ，并依 因此 ，只需要 设 定 阈值 之 外 的数 据 作 为 验 证 条 件
据 主成分 荷 载 对 水 质 标 准 数 据 进 行 转 化 ，得 到 相 以保 证选 择 的网络 的可延 性 。
样 本 和验证 样 本稀 缺 的 问题 依然 难 以解决 。
来选 取可 泛 性 好 且 较 为 准 确 的模 型 ，试 图 系 统 地
目前 Ｂ Ｐ神 经 网络主 要是 应用 在 少 污染 特 征 的 解 决 Ｂ Ｐ网络在 污染 特征 复杂 的流 域水 质 评价 上 的
流 域水 质评 价 中 ， 因为 仅有 地 表 水 水质 标 准 的 ５组 应 用 问题 。 指 标 临界值 作 为 网络 的学 习样 本 ， 流域 水 质 污染 当 特 征 指标个 数 较多 时 ， 这样 难 以满 足训 练 样 本 数应
其 中 占方差 最 大 的所 得 变 量 称 为 第 一 主成 分 ，其 不 是确定 的污 染 等 级 。 因为 污 染 等 级 是 一 个 虚 拟 次 称为 第二 主 成 分 ，依 次 进 行 ，将 原 样 本 的数 据 的量 ，在无法 确 定 其 污 染 等 级 时 ，只能 给 其 一 个 特 征通 过 少数 几 个 新 变 量 表示 ，因 此 具 有 数 据 缩 污染 等级范 围 ，如好 于等级 Ｉ。
随着神经网络 的发展 ，它处理多元非线 性问
本文针对 上述问题 ，首先采用 污染 分担率算
题 的能力 日益 突 出 ，将 神 经 网络 应 用 到 水 质 评 价 法筛 选 出能够 全 面反 映流 域 超标 情 况 的 一组 指 标 ， 上 的研究 也越 来 越 多 。但 是 ，在 利 用 神 经 网 络 进 将其 作 为评 价 指 标 ，然 后 利 用 主 成 分 方 法 对 这 组 行 多 污染 特 征 的流 域 水 质 评 价 时 ，其 面 临 的 训 练 指标 进行 数 据 缩 减 ，并 通 过 作 出 合 理 的验 证 条 件
Ｘ ＝ （ 一 ） 。 ／ （） ２
标作 为后 续 评 价 指 标 是 不 合 理 的 ，为 了选 取 涵 盖 式 中 ： 为 ｚ标 准值 ； 为原 数据 值 ； 为列 数据 均 面广 、覆 盖流 域 内各 种 污 染 类 型 的 污 染 指 标 ，较 值 ； 为列 数据 标准差 。
对较少的污染特征变量作为后续 Ｂ Ｐ模 型的输入 ，
③验证样本应尽可能覆盖落在水质标准 阈值
达到降维 的效果。此法使得建立一个适合某一个 之 外 的水 质 数 据 的特 征 。一 组 数 据 可 能 会 只 有 １
流域 的水 质 评 价 模 型 成 为 可 能 ，而 不 是 一 个 放 之 个或者几个指标数据落在水质标准阈值之外 ， 必须 四海 皆准 的模 型 ，另 外 也 解 除 了上 文 中所 述 的 网 确 定这类 情况 被 网络通 过验证 条件 来变 相 的学 习 。
ｄｉ１ ．９ ９ ｊｉ ｎ １７ ｏ ：０ ３ ６ ／．ｓ ． ６ ４—９ ５ ． ０ ２ ０ ． ０ ｓ ０７２ １．２０７
Ｐ Ａ—Ｂ Ｃ Ｐ神 经 网 络 在 流 域 水 质 评 价 中 的 应 用
喻 泽斌 ，施 丽玲 ２
（．广西华 蓝设 计 集团有 限公 司 ，南 宁 ５ ０ １ ；２ 广 西大 学 环境 学院 ，南 宁 Ｉ ３０ １ ． ５００ ） ３０４
第３ ２卷 第 ２期
２１ ０ ２年 ５月 源自桂 林理 工 大学 学 报
Ｖ０ ． ２ Ｎ ． １３ ｏ ２
Ｍ ａ ２ ２ ｖ ０１
Ｊ ｕ ｎ ｌ ｆＧ ｉ ｎ Ｕｎｖ ｒ ｉ ｆ ｃ ｎ ｌｇ ｏ ｒ ａ ｕ ｌ ｉｅ ｓｔ ｏ ｈ ｏ ｏ ｙ ｏ ｉ ｙ Ｔｅ
文 章编 号 ：１７ ６ ４—９ ５ （ ０ ２ ０ ０ ８ ０ ７ ２ １ ） ２— １９—０ ６
为全面的反 映流域水污染 的特点 和污染程度 ，依 １ ３ 模型验 证条 件 的确定 ．
据所 得 的污 染 指 标 排 序 ，选 取 各 断 面污 染 分 担率 之 和均 达到 ９ ％ 的污 染指标 集合 。 ０
１ ２ 主 成分方 法缩 减评 价指标 ．
由于大 流域 的水 质 数 据 通 常会 出现 不 在 水 质 标 准数 据 阈值之 内 的情 况 ， 对 落在 阈值 之外 的断 要 面进行 较好 的评 价 就 要 求 网 络 必 须 具 备 很 好 的可
断面第 ｉ 种污染物的功能区 目 标的标准值 ； 为第 对实测 数 据 与标 准 数 据 进 行 转 化 ，这 样 所 得 的主 种污染物的污染分指数 ； Ｐ为综合污染指数 为第 成分数据就有 了与标准值 的可 比性 ，因此也 就有
种 污染 物 的污染 分担 率 ； 评价所 选用 的污 染物 了给 出各 断 面水质 等级 的可 能性 。 为
收稿 日期 ：２ １ — ４— ６ ０ １ ０ ２
基金 项 目 ：广 西科 技攻 关项 目 （ 科攻 ０ １０２ ７ 桂 ８６０ — ） 作者 简 介 ：喻泽斌 （９８ ） １６一 ，男 ，博 士 ，教授 ，研究 方 向 ：水 污染控 制及 环境 生态 ，ｘｚ７ １＠ｙｈｏｃｒ ｃ。 ｘｘ５４ ａｏ．ｏ ．ｎ ｎ 引 文格 式 ：喻泽斌 ，施 丽玲 ．Ｐ Ａ—Ｂ Ｃ Ｐ神经 网络在 流域 水质 评价 中 的应用 ［］ Ｊ ．桂 林理 工大 学学报 ，０２３ （ ） １９—１４ ２ １，２ ２ ：８ ９
减的功能 （ 该方法 比较常用 ，故算法本文不再 赘
②验证样 本输入数据应 有一个或几个指标数
述 ） 。 目前 主成分 方法 应用 在水 质 评 价上 一般 是 据落 在水 质 标 准 阈值 之外 。设 定 验 证 条 件 的 目的 ］ 与聚类 法联 用 ，分 析 非 定 量 的 污 染 特 征 ，但 是 得 是为 了解 决 网 络 的 可 延 性 ，通 过 训 练 经 验 可 知 ，
项 目数 。
在对 实 测 数 据 进 行 主 成 分 分 析 前 ，先 对 数 据
为 了更好 地 说 明各 评 价 指标 与 流域 水 质 总体 进 行标 准化 以消 除 数 据 定 量 单 位 不 同 对 分 析 结 果 状 况 的关 系 ，对各 个 监 测 断 面 的各 个 评 价 指标 的 的影 响 （ 方 便 评 价 ，本 文 将 水 质 标 准 ５组 数 据 为
算 法 的模拟 ，如 果 这 两 种 办 法 可 行 ，其 实 就 没 有 并 且 弃选 指 标 没 有 出现 超 标 情 况 。本 文 采 用 污 染
必 要再 进 行 后 续 的神 经 网络 法 分 析 。另 外 当 有 分担 率法来 选 取指标 。 部 分数 据 在 水 质 标 准 阈值 之 外 ，也 没 有 在 这 种 情
摘
要 ：针 对 Ｂ Ｐ神经 网络 法在进 行多 污染 特征 的 流域 水 质评 价 时 面 临 的训 练样 本 、验证 样 本 的稀 缺
问题 ，提出一种基于主成分分析 Ｐ Ａ— Ｐ神经 网络的水质评价模型。首先利用污染分担率算法筛选 Ｃ Ｂ 出能够全面反映流域整体超标情况的一组水质指标 ，然后利用主成分方法获取流域水质污染特征 ，解
在 反 复 的网络 训练 中难 以选 择适 合 的 网络 。
综 合 污染 指 数 是 各 项 评 价 指 标 的 污染 指 数 之 综合 污染 指数 的 比例 。其计算 公 式如下 ：
况 下 的验 证 样 本 ，导 致 网络 无 法 保 证 其 可 延 性 ， 和 ，污染分担率是其 中某项 指标 的污染分指数 占
污染分担率进行评分 ，并根 据各评 价指标 的总得 与实测 值一 起标 准化 ） 。采 用 ｚ标 准化 （ 差 法标 偏
分对 其重 要性 进 行 排 序 。评 分 方 法 是 各 监 测 断 面 准化 ） ，经 过处 理 的数 据 符合 标 准正 态 分布 ，即均
污染分 担率最 大的指标得 １ ，次 大的得 ２分 ， 值 为 ０ 分 ，标准 差 为 １ ，具体公 式 如下 ： 依次类推并将其排序。仅仅依据排名取前几项指
决训 练样 本过 少 的问题 ，并通 过设 计模 型 的验证 条件 ，解 决没 有验 证 样本 的 问题 。通过 实 例研 究 ，表 明主成 分 Ｐ Ａ— Ｐ 经 网络适合 用 于流域 的水 质评 价 ，评 价结 果较 为精确 、可信 。 Ｃ Ｂ 神
关键 词 ：主成 分 ；Ｂ Ｐ神经 网络 ；水质 评价 ；大 流域 中图分 类号 ：Ｘ ２ ；Ｔ １３ ８ ４ Ｐ ８ 文献标 志码 ：Ａ
行 线性 插值 或 随 机 插 值 ， 取 大 量 的 训 练 样 本 ， 获 但
是 ， 方法 得 出 的期 望 输 出值 难 以确 定 ，众 多 文 献 提供水质超标情况 ，并根据情况来 有侧重的制订 此 中利 用水 质 标 准 的 最 劣 等 级 法 或 模 糊 算 法 进 行 确 治理 工程 计 划 ，因此 可 以认 为 水 质 评 价 指 标 的筛 定 。这 样得 出 的 网络 只是 对 最 劣 等 级 法 或 者 模 糊 选 原 则是 选 取 的 指 标 要 能反 映 流 域 水 污 染 的 特 征

合集下载

BP神经网络在水质参数预测中的应用

BP神经网络在水质参数预测中的应用

BP神经网络在水质参数预测中的应用张昕;许伟明;邓春龙【期刊名称】《微计算机信息》【年(卷),期】2012(000)004【摘要】In this paper, the well nonlinear mapping characteristics of BP neural network was used in the establishment of water quality prediction model. Different neural network with different training algorithms were established to predict ammonia, and Neural Network Toolbox in MATLAB was used to program. Largeamm ounts of data was choosed to be trained repeatedly to select a prediction neural network with a good fit of the model, small precision error and a good generalization performance,as a result of compari- son. To be based on the test samples, tests and analysis could be found,and the L-M BP Neural Network was selected as the ammonia content of neural network prediction program.%本文利用BP神经网络良好的非线性映射特性，建立了水质预测模型，分别建立三种不同训练算法的氨氮预测神经网络，利用MATLAB神经网络工具箱编程实现。

BP神经网络在地下水水质评价中的应用

BP神经网络在地下水水质评价中的应用


． ：
● Ｎ
输 ｍ 结 凇
计薜搦棒觚 输ｎ ； 赫的 簸ｌ
图 １所示 。
研 究区选取吉林省辉南县 ， 地 处 长 白山 系 龙 岗 山脉 的 中 北 部 。研 究 区 属 于 低 山 丘 陵 地 貌 ， 属 北 温 带 大 陆 性 季 风 气候 区， 主要 气 候 特点 是 夏季 温 热多 雨 ， 春 季风 大干 旱 ， 秋 季 凉爽 短促 ， 冬 季 寒冷 漫 长 。辉南 气象 站多 年 平均气 温 ４ ． １ ℃， 最 高气 温为 ３ ４ ． ６ ℃， 最 低气 温 为 一 ４ ０ ． ３ ℃， 无霜期 １ ３ ０天 ，≥ １ ０ ％积 温 ２ ６ ５ ０ ￣ Ｃ ， 多年平均降雨量为 ７ ５ ４ ． ７ ｍ ｍ， 多年平均蒸发量为 ７ ５ ２ ． ４ １ １ １ １ １ １ ， 多 年 平均 风速 为 ３ ． ４ ｍ ／ ｓ ， 风向Ｎ Ｗ， 多 年 平 均 日照 时 数 为 ２ ５ ７ ２小时 ， 最大 冻土 深度 １ ． ５ ｍ。 由于辉 南县 属 于低 山丘 陵 区 ， 且 由东南 向西北 倾 斜 ， 因此 ， 地 表水 系 统 发达 ， 县 城 内属 于辉 发 河水 系 １ ０ ｋ ｍ 以上河 流 就有 ２ ２条 ， 主 要 有 辉 发 河 、三 统 河 等 。辉 发河 发 源 于辽 宁 省 清源 县 ， 自西 向东 流 经县 城 ， 并 有大 沙河 、一统 河 、三 通 河 、亮子 河 、蛤 蟆河 、蛟河 汇 入辉 发 河 。俗有 “ 九行 下 哨 ”之 称 。辉 发 河历 年 平均 水位 高 程 ２ ９ ８ ｍ， 最 高供 水位 高程 ３ ０ ２ ． ２ ５ ｍ。 最 低水 位２ ９ ４ ｍ 。平 均 流速 ０ ． ５ ｍ ／ ｓ 一 ０ ． ８ ｍ ／ ｓ ， 最大 流量 ４ ８ ５ ０ ｎ ｌ ／ ｓ ， 含沙
BP神经网络信息融合技术在水质监控中的应用

BP神经网络信息融合技术在水质监控中的应用

邮局订阅号：82-946360元/年技术创新博士论坛《PLC 技术应用200例》您的论文得到两院院士关注BP 神经网络信息融合技术在水质监控中的应用The application of information fusion technology based on BP neural network in water monitoring(上海海洋大学)陈明朱文婷周汝雁何盛琪CHEN Ming ZHU Wen-ting ZHOU Ru-yan HE Sheng-qi摘要:目前我国对于集约化水产养殖的水质调控,仅处于单指标调节水平,忽略了水质因子间的相互作用对养殖环境产生的影响。

本文在现有的多传感器无线传感网络基础上,构建基于BP 神经网络的信息融合监控系统,对多元非线性水质因子进行信息融合以全面评估当前水质环境是否适合虾类生长并做出相应的调控决策。

文章最后通过实际水质数据对该系统算法进行测试分析,测试结果表明此监控系统具有较高的精确度,为集约化水质监控开辟了一条新路径。

关键词:BP 神经网络;信息融合;水质监控;无线传感网络中图分类号:TP391文献标识码:A Abstract:At present,the water quality controlling is only in single-factor processing level in intensive aquaculture in china,and weignore the interactions among factors.This paper builds a information fusion monitoring system based on BP neural network on the existing wireless sensor network,fuses multiple non-linear water factors,evaluates overall whether the present water environment suit -able for the growth of shrimp and makes controlling decisions.Finally,the paper tests the algorithm of the system through some ac -tual data,and test results show that this monitoring system is with high accuracy and find a new path for intensive water monitoring.Key words:BP neural network;Information fusion;water monitoring;Wireless sensor networks文章编号:1008-0570(2010)04-1-0015-031引言集约化水产养殖是近年来在一些科技发达国家迅速发展起来的现代化高密度养殖方式,由于其产量高、养殖时间不受季节限制、饲料系数低、水体利用率高等优点,越来越受到人们的重视。

自适应变步长BP神经网络在水质评价中应用

自适应变步长BP神经网络在水质评价中应用

自适应变步长BP神经网络在水质评价中应用输出层节点，每一层节点的输出只影响下一层节点的输入。

网络训练目标是使误差函数E最小，E的定义如下：式中：E为网络输出误差，P代表第P个样本，j为输出单元数，t jp为单元期望输出，O jp为单元的实际输出，(t jp-O jp)2输出层第j 个神经元在模式P作用下的实际输出和期望输出之差的平方。

1.2 BP算法存在的问题BP算法的基本形式为[3]:W(k+1)=W(k)+αD(k)(2)式中:W（k）为时刻的权值；α为学习率；（k）为k时刻的负梯度。

用三层BP网络可以任意逼近任何连续函数，但是它主要存在如下缺点：(1) 从数学上看，它可归结为一非线性的梯度优化问题，因此不可避免地存在局部极小问题；(2) 学习算法的收敛速度慢，通常需要上千次或更多；(3) 络结构为前向结构，没有反馈连接，因此它是一非线性映射系统。

1.3 BP算法的改进（ABPM算法）由于BP算法存在以上的缺陷，因而用BP网络训练网络时常常会出现收敛慢、振荡和陷入局部极小等问题。

因此，采用引入动量项的自适应变步长来调整学习率的改进算法（即ABPM算法）。

自适应变步长算法和常规BP算法的主要区别在于学习步长λ随误差曲面的变化而进行调整。

由于BP网络的逼近误差曲面的梯度变化是不均匀的，即(k)在不同的位置大小不同。

如果采用固定的步长λ,当λ较小时，在误差曲面较平坦的区域，收敛较慢；当步长λ较大时，又会在峡谷区域引起振荡。

自适应变步长算法正是针对步长的缺陷提出来的。

这种算法是以进化论中的进退法为理论基础的，即连续两次观测训练的误差值，如果误差下降则增大学习率，误差的反弹在一定的范围内，则保持步长，误差的反弹超过一定限度则减小学习率。

学习率的调整可用如下公式进行描述。

W(k+1)=W(k)+α(k)[1-ηD(k)+ηD(k-1)] (3)其中：α(k)=2λα(k-1)；λ=sign[D(k)D(k-1)]。