人工神經網絡在白洋淀水質評價中的應用

曹建智 張健

摘 要：應用人工神經網絡理論與方法建立了白洋淀水質評價的神經網絡模型，對白洋淀5個監測斷面水質進行了評價，并與主成分分析結果進行對比。結果表明人工神經網絡模型能很好地解決評價因子與水質等級間復雜的非線性關系，評價水質簡便可靠，預測精度高，具有通性和客觀性。

【關鍵詞】白洋淀 人工神經網絡 水質評價

1 引言

水環境質量評價是環境質量評價的一項重要內容，評價方法主要有物元分析法、模糊綜合法、主成分分析法等。但這些方法都要事先假定模式或主觀規定一些參數，缺乏比較科學的確定環境因子權重的量化方法， 各因子權重的確定正確與否，對水質評價的結論有比較大的影響，所以評價結果具有很強的主觀性，在實際中還不能得到真正的應用。針對上述水質評價存在的不足，國內外學者已開展了多種水質評價方法的研究，其中，人工神經網絡模型具有建立任意輸入與輸出的非線性映射功能以及能模仿人腦進行自識別、自組織等特點，被認為是近年來興起和具有廣闊發展前景的方法，并已經在湖泊的水質綜合評價和預測中得到廣泛應用。如：通過建立BP神經網絡模型，張昆實等對荊州市長湖關咀段的水質富營養化狀態進行了分類評價；朱長軍等通過建立徑向基神經網絡模型，對滏陽河邯鄲市區段7個監測斷面水質進行了評價，均得到很好的結果。基于目前尚無針對保定市白洋淀水質的人工神經網絡綜合評價模型，筆者采用Matlab人工神經網絡工具箱，建立了一個能對湖泊水質作出正確評價的BP神經網絡模型，并對白洋淀水質現狀作出客觀的評價，以期為有效保護和質量白洋淀污染提供決策依據。

2 人工神經網絡模型概述

在模式識別中應用最廣泛的是具有誤差反向傳播算法（Back Propagation Algorithm）的人工神經網絡模型，簡稱為BP神經網絡。BP神經網絡的學習過程就是一個網絡權系數的自適應、自調整過程。經過反復訓練后，網絡具有對學習樣本的記憶、聯想的能力。BP神經網絡學習過程由正向和反向傳播組成。

2.1 正向傳播過程

輸入信號從輸入層經隱含層神經元傳向輸出層，在輸出端產生輸出信號，若輸出信號滿足給定的輸出要求，計算就可結束，若輸出信號不滿足給定的輸出要求，則轉入信號反向傳播。

設輸入層有q+1個信號輸入，隱含層有p+1個神經元，輸出層有o個神經元，輸入層與隱含層之間的權值用表示，為隱含層閾值，隱含層與輸出層之間的權值用表示，為輸出層閾值。

設隱含層的輸入為，輸出為，輸出層的輸入為，輸出為；

設訓練樣本集為，對應任一訓練樣本，其中。實際輸出為，期望輸出為，設n為迭代次數，則權值和實際輸出均是n的函數。網絡輸入訓練樣本，由輸出工作信號的正向傳播過程可得隱含層輸入

其中為學習率，是一個給定的常數。

至此，BP神經網絡完成了正向傳播與反向調節的過程。BP算法一般需要經過多次迭代，才能使學習誤差收斂到預設精度。

3 BP神經網絡模型用于白洋淀水質評價

3.1 輸入層神經元數的確定

神經網絡的輸入層神經元為水質評價指標。本文通過白洋淀實際水質監測結果，最終確定了溶解氧、高錳酸鉀指數、五日生化需氧量（BOD5）、氨氮（NH3-N）、總磷（TP）、總氮（TN）等6個影響水質分級的主要因子作為建立評價模型的主要參數指標。

3.2 隱含層和輸出層神經元數的確定

隱含層神經元個數的確定比較復雜，目前，BP神經網絡隱含層節點的選取還沒有理論上的指導，更多的情況是由經驗和實驗來確定。輸出層神經元數一般確定為水質量的級別，所以輸出層神經元數目定為1。本文以模型的誤差為目標函數，經試算，最終確定隱層神經元為10個。

3.3 訓練樣本的選擇和預處理

本文選用安新橋（A1）、端村（A2）、大張莊（A3）、留通（A4）、郭里口（A5）等5個斷面的年平均值作為評價對象（見表1），各采樣點樣品的采集和測試按照《水環境監測規范》完成。數據處理軟件及其版本為Matlab R2010a。根據GB3838-2002《地表水環境質量標準》中規定的分類等級，各類水質的環境指標濃度均有限制，只要所要評價的指標處于各類水質的濃度限制范圍內，該水質就是其相應的類別。

《地表水環境質量標準》中規定5類水質標準可提供5個訓練樣本，對于BP神經網絡來說，5組訓練樣本并不足以反應水質內部之間蘊含的規則，導致BP網絡水質評價模型魯棒性不強，泛化能力差，識別精度低，沒有實用價值。因此必須要對訓練樣本進行擴充。本文根據標準樣本將水質分成6類即I、II、III、IV、V和劣V類，應用Matlab對5組樣本進行隨機插值，每類生成50個樣本，共獲得300個樣本。由于各指標具有不同的量綱，屬于不同類型，故指標間具有不可公度性，所以對收集到的訓練樣本，一般不直接采用，而要先進行歸一化處理。

3.4 網絡的學習訓練及結果驗證

本文應用MatlabR2010a構建網絡，網絡中的隱含層和輸出層神經元傳遞函數均用tansig，訓練函數采用trainlm，學習速率設定為0.5，期望誤差為0.0005，網絡最大訓練次數為1000次。網絡建成后，從300個樣本中抽取60組作為測試樣本，其余作為訓練樣本對網絡進行訓練。設置完訓練參數后，調用train函數對BP網絡進行訓練。算法經過402步訓練到達了期望誤差，收斂速度很快，檢驗樣本和測試樣本兩者的均方誤差曲線的變化趨勢一致，說明網絡具有很強的泛化能力，完全可以用來評價水質。

3.5 白洋淀水質綜合評價結果

將白洋淀10個監測點的水質監測數據輸入已經訓練好的BP神經網絡模型對它們進行評價，按照其輸出值與期望值的接近程度，決定其屬于那一級，評價結果見表2。作為對比項我們還列出了李亞鵬利用主成分分析法得出的結論。

比較表2中BP神經網絡法和主成分分析法對5個斷面的評價結果，有2組結果是一致的，其余3組BP神經網絡法的評價結果比主成分分析法得到的等級要高一級。這是因為主成分分析法要求所提取的幾個成分的累積貢獻率達到一個較高的水平才能來判斷水質類別，并且帶有一定的模糊性。而人工神經網路法是對所有參評因子進行學習訓練而得出的一種綜合評價結果，顯然比主成分分析法評價的結果更為客觀。

4 結語

由上可知，白洋淀水質都在III類及以上，入淀控制面及周邊地區甚至達到劣V類水質標準，再加上受到自然如淀水量不足影響，白洋淀水質的污染程度將日益加劇。因此，建議保定市應盡快編制白洋淀水污染應急決策預案，加大上游污水處理能力建設，對上游污染源實行總量控制。其次，嚴格新建項目管理，從源頭控制污染物排放總量。最后，加大補水力度，提高淀內水體自凈能力，建立白洋淀補水長效機制。

參考文獻

[1]周夢，肖琳.白洋淀水環境質量評價的物元分析法[J].農業與技術，34（10），2014，38-40.

[2]郗艷娟，趙振良等.模糊數學模型在白洋淀水質綜合評價中的應用[J].河北漁業，12，2010，5-9.

[3]郭翔云，崔慧敏.主成分分析法在白洋淀水質評價中的應用[J].河海水利，5，2005，55-56.

[4]張昆實，萬家云等.BP神經網絡在湖泊水質評價中的應用研究[J].長江大學學報（自然科學版），1（2/3），2004，28-30.

[5]朱長軍，李文耀，張普，人工神經網絡在水環境質量評價中的應用[J].工業安全與環保，31（2），2005，27-29.

[6]李亞鵬，白洋淀的水環境質量與保護對策研究[D].河北農業大學碩士學位論文，2006.

作者簡介

曹建智（1981-），男，河北省靈壽縣人。博士學位。現供職于河北大學 數學與信息科學學院。主要研究方向為微分方程及應用。

作者單位

河北大學數學與信息科學學院 河北省保定市 071002