基于GABP網絡的洱海水質預測研究

李宇昊+宋耀蓮+楊美菊+杜慶治+趙繼東

摘要：水質預測是水污染防治工作的前提，是實現水系統管理的重要基礎工作。在神經網絡預測基礎上，提出了基于遺傳算法優化神經網絡的洱海水質預測模型。該方法克服了傳統BP神經網絡收斂速度慢、算法容易陷入極小值、隱含層神經元個數難以確定等問題。利用遺傳算法較強的全局搜索能力，提高了算法收斂度，能夠迅速得到全局最優解。MATLAB仿真結果對比表明，優化前神經網絡模型平均誤差為25.1%，優化后模型預測平均誤差為2.3%，證明該算法縮短了收斂時間，提高了預測精度。

關鍵詞關鍵詞：遺傳算法；BP神經網絡；水質預測；MATLAB

DOIDOI：10.11907/rjdk.171887

中圖分類號：TP319

文獻標識碼：A文章編號文章編號：16727800（2017）011018904

0引言

水是人類最寶貴的自然資源之一，是人類社會發展的基礎，2015年國家頒布了《水污染防治行動計劃》，大型湖泊水質管理是我國治理污染研究的重點[1]。洱海是云南省第二大高原淡水湖泊，既是大理市及周圍地區居民的飲用水源地，也是著名的蒼山洱海國家級風景區，是大理州經濟文化的重要組成部分。隨著經濟的迅猛發展，居民生活廢水、企業及旅游產生的污染、畜牧養殖源污染對洱海水質污染嚴重[2]。洱海近十年水質均處于水體富營養化，常年處于Ⅲ類狀態，部分入湖口在汛期甚至處于劣Ⅴ類狀態[3]。因此，監測洱海水質，有效預測洱海水質污染，對于保護洱海水質生態系統尤為重要。

目前，針對地表水質預測方法很多，例如魏智寬[4]利用灰色預測理論建立了龍江水質預測模型，對突發性水事故中的水質變化趨勢進行了短期預測。但由于影響水質變化的因素眾多，單一預測模型會受到數據不穩定的影響導致預測誤差變大。石月[5]利用時間序列分析對松花江流域水質進行預測，但時間序列分析只考慮了水質指標的時間變化規律，準確性相對較差，預測精度不高。水環境是一個非線性和不確定的綜合動態問題，水質預測影響因素較多，各因素之間又相互關聯。針對大理洱海水質實際，本文提出一種基于洱海水質中高錳酸鉀鹽含量的水質預測模型[6]。通過建立遺傳算法優化BP神經網絡水質預測模型，對洱海水質中高錳酸鉀鹽含量進行預測，為洱海水質研究和預測提供科學依據。

人工神經網絡（Artificial Neural Networks，ANN），簡稱“神經網絡”（ANN），是一種抽象人類大腦的多層無反饋前向網絡結構，能夠處理大量信息[7]，具有類非線性、非局限性、自適應性等特性，在水質分析和評價中應用廣泛[811]。BP（Back Propagation）神經網絡是其代表，但BP神經網絡收斂速度慢，容易陷入局部極小值，無法找到全局最優解。

遺傳算法（Genetic Algorithm，GA）是基于大自然優勝劣汰的一種智能優化算法[12]。遺傳算法的優點在于擁有良好的全局搜索能力，能夠迅速找到解空間中最優或次優解；具有并行特點，能夠進行大規模并行分布處理，魯棒特性強，簡單通用。

本文通過引入遺傳算法來優化神經網絡的拓撲結構及閾值和連接權值[13]，利用遺傳算法的全局尋優特性彌補BP神經網絡容易陷入局部最小的缺陷，取長補短，從而找到全局最優解。

1BP神經網絡算法

1.1BP神經網絡

BP神經網絡算法是一種基于誤差反向傳播的多層前饋網絡迭代算法。一個標準的BP神經網絡由輸入層、隱含層、輸出層構成。BP神經網絡算法學習過程分為前向傳播和反向傳播兩個階段[14]。信息從輸入層通過隱含層逐層傳遞至輸出層，這個階段稱為前向傳播。前向傳播過程中，如果實際輸出與期望輸出之間的誤差達不到要求，則進入反向傳播過程，將誤差反向通過隱含層傳遞至輸入層，修改每層之間的連接權值和閾值。前向傳播和反向傳播交替進行，不斷校正，直至滿足收斂和精度要求[15]。

3.3實驗結果分析

為驗證GABP神經網絡水質預測模型的預測精度，本文采用GABP網絡模型和BP神經網絡模型對比驗證。根據監測站實測數據，利用MATLAB神經網絡工具分別建立BP神經網絡水質預測仿真模型和GABP神經網絡水質預測仿真模型，對大理洱海高錳酸鉀鹽含量進行預測，圖2和圖3為單BP神經網絡模型仿真結果。

圖2BP網絡真實值與預測值相對誤差曲線

圖3BP網絡真實值與預測值曲線對比

如圖2和圖3所示，單一BP神經網絡預測高錳酸鉀含量相對誤差較大，預測值曲線與真實值曲線走勢相差較大，預測不夠精確。

圖4至圖7為GABP水質預測模型仿真結果。

對比單一BP神經網絡實驗結果（見圖2、圖3），通過計算發現：傳統神經網絡水質預測模型平均誤差為25.1%。遺傳優化神經網絡水質預測模型平均誤差為2.3%，優化后的神經網絡預測效果遠遠優于未優化的神經網絡，預測曲線走勢較為接近真實數據走勢。

4結語

本文通過優化神經網絡連接權值和閾值，對大理洱海水質中高錳酸鉀鹽含量進行預測。預測結果顯示，該優化算法具有收斂速度快、預測誤差小等特點。利用遺傳算法解決了BP神經網絡容易陷入局部極小值問題。通過與未優化的傳統BP神經網絡對比，發現優化后的神經網絡預測精度顯著提高，真實值與預測值的相對誤差降低了22.8%，預測結果更符合實際情況。本文模型能夠較好地應用于大型湖泊水質監測和預測，為水質治理和預警提供可靠依據，具有良好的應用前景。

參考文獻參考文獻：

[1]中國環境保護產業協會水污染治理委員會.水污染治理行業2015年發展綜述[J].中國環保產業，2016（9）：1121.

[2]盧少勇，張聞濤，邢奕.洱海10條入湖河流緩沖帶三圈內氮含量沿程變化[J].中國環境科學，2016，36（5）：15611567.endprint

[3]羊華.洱海2005年-2014年水質狀況及變化分析[J].水利化信息，2016（1）：2528.

[4]魏智寬，蔣世云，李少旦.灰色理論在龍江突發鎘污染水質預測中的應用[J].水資源與水工程學報，2013，24（3）：135137.

[5]石月.基于時間序列分析的松花江流域水質預測[D].哈爾濱：哈爾濱師范大學，2015.

[6]魏恒.基于BP人工神經網絡的大慶水庫水質預測研究[D].哈爾濱：哈爾濱工業大學，2008.

[7]李為.規則與行為的網絡入侵檢測模型研究[D].重慶：重慶理工大學，2010.

[8]RAJURKAR M P， KOTHYARI U C， CHAUBE U C. Modeling of the daily rainfall runoff relationship with artificial neural network[J]. Journal of Hydrology，2004，285（4）：96113.

[9]SUPHARATID， SEREE. Application of a neural network model in establishing a stagedischarge relationship for a tidal river[J]. Hydrological Processes，2003，17（15）：30853099.

[10]王彤彤，張劍，涂川，等.PSOBP神經網絡在渭河天水段水質評價中的應用[J].環境科學與技術，2013，36（8）：175181.

[11]郭慶春，郝源，李雪，等.BP神經網絡在長江水質COD預測中的應用[J].計算機技術與發展，2014，24（4）：235242.

[12]王銀年.遺傳算法的研究與應用[D].無錫：江南大學，2009.

[13]ALAAl H ALY， RICHARD C， PERALTA. Optimal design of aquifer systems under uncertainty using neural network and a genetic algorithm[J]. Water Resource Research，1999，35（8）：25232531.

[14]劉楊.基于SGMAISPA模型的區域可持續發展評價研究[D].重慶：重慶大學，2012.

[15]王磊，王汝涼，曲洪峰，等.BP神經網絡算法改進及應用[J].軟件導刊，2016，15（6）：3840.

[16]王瑞.基于遺傳優化BP神經網絡的污水處理水質預測研究[D].廣州：華南理工大學，2012.

責任編輯（責任編輯：杜能鋼）endprint