下载文档原格式
人工神经网络对清水河水质评价摘要：为了解清水河水质变化趋势和水环境变化系统的规律，建立水质神经网络模型。
选取PH值、高锰酸盐指数、溶解氧、生化需氧量、氨氮和总磷六项指标为学习样本参数，运用L-M优化算法对神经网络优化计算，对清水河2014-2015年监测断面水质指标进行训练。
结果表明：神经网络具有很强的非线性映射能力和柔性网络结构，实际监测值与预测值误差较小，有良好的可行性和有效性。
关键词：清水河；BP神经网络；L-M优化算法；预测近年来全国约有1／3的水功能区氨氮、化学需氧量超过其纳污能力，污染物入河量约为其纳污能力的5倍，造成水体环境不断恶化。
影响到城市生活饮用水和集中供水的安全，对生态环境破坏、水环境生态功能退化等方面造成影响，水环境问题已成为制约我国经济可持续发展的重要瓶颈。
因此加强水资源的综合利用，防治水污染，对水环境进行综合治理势在必行[1]。
由于影响河流水质因素较多，受自然因素、污染物排放、水体自身特性等因素影响，且各个因素之间呈现复杂的非线性关系，水环境系统呈现很强的随机性、非线性及非确定性特征，目前基于数学表达式的水质预测模型均是近似模型，不能完全反应水环境系统的非线性关系，限制了传统水质数学模型的适用性和准确性[2]。
由于神经网络模仿人的大脑，采用自适应算法，与传统的数值计算方法比较，具有较强的容错能力、自学习、自组织功能、归纳能力、分布存储、联想记忆、大规模处理和并行处理信息的特点，人工神经网络借助神经系统的特点可以很好的解决非线性及费确定性等问题[3]，在求解实际问题中，神经网络对问题的结构要求较低，不必对变量之间的关系作出假设，预测精度高、参数自动修正等有点，人工神经网络模型已广泛应用于水质预测。
1 神经网络结构及原理人工神经网络方法是建立在现代神经科学研究成果基础上的一种抽象数学模型，反映了大脑功能的若干基本特征，是对人脑或神经网络的简化、抽象和模拟。
目前人工神经网络有数十种[4]，较典型的有BP网络、Hopfield网络等，应用较多的是具有非线性传递函数神经元构成的前馈网络中采用前馈网络中误差反向传播算法的前馈网络。
基于人工神经网络的水质评价研究引言水是人们生产和生活所必需的。
其质量对于环境与人类的健康至关重要。
因此，水质评价工作对于水资源的保护和环境的维护至关重要。
目前传统的水质评价方法需要工程师通过手动收集和分析样本，并进行繁杂的数学计算。
这种方法效率低下且容易产生误差。
基于人工神经网络的水质评价研究是在现有技术基础上的一次重要尝试。
人工神经网络简介人工神经网络是一类由具有可调节参数的非线性单元组成的连接网络。
其结构可以模拟大脑神经元之间的相互关系。
人工神经网络的训练过程类似于大脑的学习过程，其能够自适应地提取关键特征并进行分类，预测和识别。
水质指标分析水质的指标是评价水质的主要依据，包括溶解氧、温度、pH 值、浑浊度、氨氮、总有机碳等。
这些指标也称为水质影响因子，可以通过废水和水体监测以及人工取样分析得到。
在水质评价研究中，这些指标是最重要的参数。
神经网络模型建立在建立模型之前，需要将数据集分为训练集和测试集。
训练集是用于训练神经网络的数据集，而测试集是用于评估模型的性能。
先将数据集进行归一化，消除指标之间的差异，使得指标对于整体数据的总体分布有更好的理解。
可以采用MinMax归一化法对数据集进行归一化。
将归一化后的数据集输入到神经网络中。
通过不断迭代运算，使得神经网络逐渐接近所期望的输出结果。
神经网络的训练过程是自适应的，根据实际情况进行调整。
在训练结束之后，将测试数据集输入到神经网络，并通过预测值与实际值的比较来评估模型的性能。
结果与分析在实际生产中，通过对水质指标进行实时监测，可以获得大量的水质数据。
通过将这些数据输入到基于人工神经网络的水质评价模型中，可以高效地评价水质。
在实验中，选择了溶解氧和pH值作为输入参数，并设计2层的BP神经网络，并进行了相关的训练。
通过测试，模型的平均误差为0.032，预测精度达到98.6%。
可见，基于人工神经网络的水质评价方法具有全面性和高精度性，使得水质评价过程可以自动化、快速、高效，并且可以适应多种复杂的环境条件。
人工神经网络在水环境质量评价和预测中的应用
杨国栋;王肖娟;尹向辉
【期刊名称】《干旱区资源与环境》
【年(卷),期】2004(18)6
【摘要】在人工神经网络在水质评价和预测方面的应用研究现状、发展趋势进行
讨论的基础上 ,用人工神经网络和综合污染指数法 ( N.M.L.)对同一实例进行比较研究,结果看出人工神经网络的优越性,在用于水质评价和预测时适应性强,结果客观、合理 ,具有深入开发的研究价值和良好的应用前景 ,并可实现对水质变化进行预测
和预警的目的。
【总页数】5页(P10-14)
【关键词】水环境质量评价;水质评价;综合污染指数法;水质变化;预警;目的;预测;用人;发展趋势;现状
【作者】杨国栋;王肖娟;尹向辉
【作者单位】山西大学环境与资源学院;运城市环保局
【正文语种】中文
【中图分类】X824
【相关文献】
1.水环境质量评价的人工神经网络模型及应用 [J], 纪桂霞;李培红
2.人工神经网络在水环境质量评价中的应用 [J], 朱长军;李文耀;张普
3.人工神经网络在水环境质量评价中的应用 [J], 李祚泳;邓新民
4.人工神经网络在水环境质量评价中的应用 [J], 舒型武
5.人工神经网络在黄河水环境质量评价中的应用 [J], 郭庆春;何振芳;李力
因版权原因，仅展示原文概要，查看原文内容请购买。
基于人工神经网络的水质监测与评估研究水资源的保护与高质量的利用对于人类社会的可持续发展至关重要，而水质监测和评估则是保障水资源安全的重要手段之一。
目前，随着科技的进步和数据技术的发展，人工神经网络技术已经被广泛应用于水质监测和评估领域。
本文就基于人工神经网络的水质监测与评估进行研究分析。
一、水质监测的概述水资源是人类社会发展必不可少的资源之一，而水质则直接影响着人类的健康和生活质量。
因此，对于水质的监测与评估至关重要。
水质监测是初步判断水体污染程度的重要手段，而评估则更加复杂，需要结合水体背景、污染源及受污染物种类、特点等因素进行判断。
水质监测和评估主要指的是对水的化学成分、物理学参数、生物学指标等进行监测和评估，以便了解水的质量和健康度。
目前，水质监测和评估的手段主要包括化学测定、生物学指标和物理学参数分析等方法。
然而这些传统方法可能面临着误差较大的问题和需要耗费大量时间和资源的缺点。
二、人工神经网络技术在水质监测与评估中的应用随着现代信息技术的高速发展，基于人工智能的技术应用也得到了进一步提升，人工神经网络技术应运而生。
人工神经网络技术通过模拟神经元和学习算法，创造出类似于人脑处理信息的效果。
而传统的方法所存在的问题，利用人工神经网络技术能够进行有效的解决。
人工神经网络技术在水质监测与评估的应用主要包括以下几个方面：1. 预测模型的构建基于人工神经网络的水质监测与评估的应用方法之一是通过构建预测模型进行水质评估。
传统的水质评估方法的重心在于数据分析，而人工神经网络的方法则着眼于预测模型的构建。
当水体监测数据可靠并确切之后，通过神经网络训练和学习可以构建出预测模型，从而进行水质评估工作。
而基于预测模型的水质监测和评估方法不仅具有高精度而且可以显著节省数据分析和处理的时间和资源。
2. 污染物的识别人工神经网络技术可以有效的对水体根据监测数据中的污染物进行自动识别，进而判断水体是否出现了相关污染物的污染。
基于人工神经网络的水质检测方法研究近年来，物联网技术的普及与发展，以及人工智能的快速发展，为水源及其水质监测带来了新的机遇与挑战。
传统的水质检测方法在很多方面都存在一些局限性，比如成本高、检测效率低、检测数据不够精确等问题。
随着人工神经网络技术的出现，基于人工神经网络的水质检测方法成为了一个新的研究领域。
本文将从该领域的研究现状、应用前景和未来发展方向等方面进行探讨。
一、基于人工神经网络的水质检测方法研究现状1、研究背景众所周知，水资源是人类生存和发展的基础，而水质则是保证人类健康和经济发展的重要保障。
目前，在我国的水资源保护和水环境治理中，水质检测是不可或缺的手段。
但传统的水质检测方法存在许多弊端，如检测效率低、检测项繁多、样品采集、提取和分析等工作量大等问题，所以需要新的方法来优化水质检测。
2、研究进展基于人工神经网络的水质检测方法已经得到了广泛的研究和应用。
如何应用人工神经网络模型对水质数据进行建模、分析和预测，是该领域的研究重点。
3、研究挑战在运用人工神经网络进行水质检测的过程中，还存在一些挑战。
如样本数据的获取、模型精度的提升、模型的推广和应用等。
二、基于人工神经网络的水质检测方法的应用前景自从应用人工神经网络技术进行水质检测以来，其逐渐普及，应用价值逐渐显现。
经过多年的研究和实践，基于人工神经网络的水质检测方法已经得到了广泛的应用和推广。
具体可分为以下几个方面：1、水质监测的自动化和智能化程度不断提高传统的水质监测方法通常需要手动采集和分析数据，费时费力。
现在，应用人工神经网络技术就可以自动化地对水质数据进行处理和分析，从而提高了水质监测的效率和准确性。
2、预测水质状况基于人工神经网络的水质检测方法可以通过对历史数据和实时数据进行分析，预测未来的水质状况，以便采取相应的措施加以处理和控制。
3、优化水质控制措施在人工神经网络模型的帮助下，可以更加精确地对水质进行分析和评估，准确地判断水的污染情况，从而优化水质控制措施，提高水环境的整体质量。
--------------《水资源研究》第25卷第2期(总第91期)2004年6月----------------
人工神经网络在综合水质评价中的应用
阮仕平1党志良1胡晓寒1马飞1张孟涛2
（1.西安理工大学环境科学研究所，陕西西安 710048； 2.北
京市自来水集团公司供水分公司，北京 100034）
摘要：人工神经网络（ANN）是复杂非线性科学和人工智能科学的前沿，其在水质评价的应用研究在国内外尚处于初创阶段。
在详细分析LM算法的基础上，提出了基于LM算法的水质综合评价BP模型，并将该模型应用于实例，进行效果检验。
结果表明：LM-BP模型用于水质综合评价是可行的，与其它评价方法相比，评价结果更加客观、合理，而且网络训练速度最快，适合作为水质综合评价的通用模型。
关键词： LM算法； BP神经网络；水质评价
1 概述
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。
目前在进行水环境质量评价时，主要存在以下问题[1]。
(1) 迄今没有一个被大家公认通用的具有可比性的水环境质量评价数学模型，各部门进行评价时，选用数学模型的任意性很大，常常不能反映本地区污染状态，同时也不便于与其他地区水质状况进行比较。
(2) 多因子综合评价中确定环境因子权重存在任意性，缺乏比较客观可靠的确定环境因子权重的方法。
本文将提出一种新的水质综合评价方法，即基于LM-BP算法的综合水质评价方法。
2 水质综合评价的LM-BP模型
2.1 BP网络及Levenberg-Marquardt算法
BP网络，即多层前馈神经网络，因其采用误差反向传播算法（Error Back-Propagation，即BP算法）而得名，1986年由D.E.Rumelhart等人提出。
BP算法结构简单、易于实现。
在人工神经网络的实际应用中，80％～90％的神经网络模型是采用BP网络或它的变化形式[2，3]。
从结构上讲，BP网络是一种分层型网络，由输入层、隐层和输出层组成。
层与层之间采用全互连方式，同一层的单元之间则不存在相互连接。
隐层可以有一个或多个。
1989年，Robert Hecht-Nielson证明了一个3层的BP网络可以完成任意的 n维到m维的映射[3] 。
BP 网络采用的误差反向传播算法是一种有教师指导的δ率学习算法。
其学习过程由正反两个方向的信息传播组成，正向传播输入样本数据，反向传播反馈误差信息。
在正向传输中，输入信息在神经单元中均由S型作用函数激活。
文献［1］、［4］中即采用此种方法。
标准 BP 网络的逆传播算法具有思路清晰、结构严谨、可操作性强等特点，而且一个
3层的 BP 网络可以完成任意的n 维到m 维的映射，但其收敛过程存在以下两个缺陷：① 收敛速度慢；② 存在所谓“局部最小值”问题。
可以通过 Levenberg-Marquardt （简称LM ） 算法来克服。
设x (k)表示第k 次迭代的权值和阈值所组成的向量，新的权值和阈值组成的向量x k+1可根据下面的规则求得：
x x x k k ∆+=+)()1( (1)
对于牛顿法则是：
)()]([12x E x E x ∇∇-=∆- (2)
(2)式中)(2x E ∇表示误差指标函数E(x)的 Hessian 矩阵； E(x)表示梯度。
设误差指标函数为：
)(21)(1
2x e x E N i i ∑== (3) (3)式中e(x)为误差，那么：
)()()(x e x J x E T =∇ (4)
)()()()(2x S x e x J x E T +=∇ (5)
在(4)、(5)式中：
)()()(21x e x e x S i N
i i ∇=∑=为 Jacobian 矩阵。
对于高斯—牛顿法的计算法则有：
)()()]()([1x e x J x J x J x T --=∆ (6)
LM 算法是一种改进的高斯—牛顿法，它的形式为：
)()(])()([1x e x J I x J x J x T -+-=∆μ (7)
(7)式中比例系数μ＞0为常数，I 是单位矩阵。
从(7)式可看出，如果比例系数μ=0，则为高斯—牛顿法；如果μ取值很大，则 LM 算法接近梯度下降法，每迭代成功一步，则μ减小一些，这样在接近误差目标的时候，逐渐与高斯—牛顿法相似。
高斯—牛顿法在接近误差的最小值的时候，计算速度更快，精度也更高。
由于LM 算法利用了近似的二阶导数信息，它比梯度下降法快得多，实践证明，采用
LM 算法可以较原来的梯度下降法提高速度几十甚至上百倍。
另外由于［J T (x)J(x)+μI ］
是正定的，所以(7)式的解总是存在的，从这个意义上说，LM 算法也优于高斯—牛顿法，因
为对于高斯—牛顿法来说，J T J 是否满秩还是个潜在的问题。
在实际的操作中，μ是一个试
探性的参数，对于给定的μ，如果求得的Δx 能使误差指标函数E(x)降低，则μ降低；反之，则μ增加。
2.2 LM-BP 水质综合评价方法
水质综合评价的目的，就是对照一定的环境质量标准，确定水体所属类别及其所具备的使用功能，同时，找出影响水质的主要污染因素，从而为水环境管理提供科学依据。
人工神经网络 BP 模型具有很强的分类功能，可以完成水质评价中类别的评判。
设有N维向量共m类，分别记为G i(i=1，2，…，M)，向量Y0输入网络后，输出向量Y m的各分量应满足：当Y0属于第G i类时，则y i=1，其他分量为0，从而实现了分类功能。
若将水质评价中的环境质量标准做为样本输入，评价结果作为系统输出，网络通过 LM 算法不断学习，归纳出其中规律，由此得到的网络便具有了联想和预测能力，从而可实现水质综合评价中类别的判定。
3 LM-BP水质综合评价实例
为了检验LM-BP水质评价方法的正确性，本研究选取文献［4］中的评价标准及断面监测资料作为实例，并将几种方法的评价结果做以比较。
神经网络的输入层神经元数目由评价因子决定，如表1（略）所示，共有7项，因此输入层神经元数目为7。
网络输出应为分类结果，本研究设定Ⅰ类、Ⅱ类、Ⅲ类、Ⅳ类水的期望输出结果分别为：(1000)、(0100)、(0010)和(0001)。
因此输出层神经元数目为4。
采用包含一个隐层的神经网络结构，经比较计算，隐层神经元数目定为8。
因此网络结构为7-8-4。
本研究采用MATALAB神经网络工具箱进行编程。
将水质标准作为训练样本输入，期望误差0.001，采用LM算法，经过6次训练后，网络收敛。
网络训练过程如图1所示。
网络学习结果及评价结构分别见表3、表4。
（略）
4 BP网络模型与其他方法模型比较分析
人工神经BP网络模型与灰色关联度方法和模糊综合评判方法评价结果列于表5。
（略） 从表5可以看出，3种方法对断面2、断面3评价结果一致，但对断面l和断面4水质类别判定有差异。
人工神经BP网络模型评价断面1水质为Ⅳ类，与模糊综合评判方法评价结果一致，而与灰色关联度方法不同，即评价结果相差1级，由断面1断面评价参数的实测值(表1)与其评价标准(表2)比较可知，其挥发酚的实测值已超过了评价标准Ⅲ类值，当然其水质应评价为Ⅳ类。
因此认为，采用灰色关联度方法对断面1水质评判是不准确的，为误判。
误判的原因：①权重的构造带有人为性，没有一种统一的求解方法，随意性较大；②灰元在白化过程中会失去一部分信息。
对于断面4，人工神经BP网络模型评价为Ⅲ类水体，是贴切的。
根据其评价参数的实测值与标准值比较，其数值都没有超过Ⅲ类标准值。
因而，判定断面4水质为Ⅳ类也是误判。
模糊综合评判方法误判原因是：在计算过程中强调了极值的作用，运用取小取大运算法则使得大量有用信息被丢弃，其信息利用率较低，同时，权重构造的人为性也是其致命弊端。
人工神经BP网络模型具有很强的自学习、自组织和自适应能力，能够充分利用给定的水质数据信息，建立起输入与输出之间复杂的非线性对应关系。
而且网络中的大量参数均由学习所得，而不是由人为给定，避免了人为因素的影响，这是人工神经BP网络模型与灰色关联度方法以及模糊综合评判方法最根本的区别，因此由人工神经BP网络模型得到的评价结果更客观、更合理[4]。
5 与其它BP算法的比较
近年来，出现了许多BP网络的改进算法[3，5~9]，为了比较各种算法的优劣，笔者在上述网络结构中，采用不同的BP网络改进算法进行网络训练，结果如表6所示。
（略） 由表6中的试验结果可以看出，在所有的优化算法中，LM算法速度最快。
6 结论
本研究采用LM-BP算法实现了水质综合评价功能，并通过对比得出合适的网络结构。
实践证明，该方法避免了BP网络的自身缺陷，评价快速准确，评价结果具有客观性、可比性，很适合做为水质综合评价的通用模型。
参考文献： （略）。
