改進人工神經網絡在河南部分河流的水質評價中的應用

趙穎 王建英 孫燕 孔海燕 張蘭真

摘要：水環境質量評價為水環境政策提供依據。目前用于水環境評價的方法眾多，每一種方法都有其優缺點、適應性，其中，人工神經網絡法是一種對生物體進行模仿的方法，該方法有著較強的學習能力，能處理水環境評價因子與評價標準之間非線性關系。本文主要介紹了人工神經網絡法和基于此法改進的方法，并將其應用到河南海河流域部分河流斷面的水質評價中，結果表明，該新方法可靠且具有實用性。

關鍵詞：人工神經網絡；水質評價；河南

中圖分類號：X832 文獻標識碼：A 文章編號：2095-672X（2018）03-0216-02

DOI：10.16647/j.cnki.cn15-1369/X.2018.03.129

Abstract： The evaluation of water environment quality provides the basis for water environment policy. At present， there are many methods for water environment assessment. Each method has its advantages and disadvantages， its adaptability. Among them， artificial neural network method is a method of imitating organisms and has strong learning ability to deal with water Nonlinear relationship between environmental assessment factors and evaluation criteria. This paper introduces the artificial neural network method and the improved method based on this method， and applies this method to some river sections of Haihe River Basin in He'nan Province. The result is reliable and practical.

Key words：Artificial neural network； Water quality evaluation；Henan

水環境評價為水資源的保護、開發利用和管理決策提供科學的依據。目前，我國的水環境質量評價方法主要有：單因子評價法、污染指數評價法、模糊評價法、灰色評價法等[1]。各種方法都有其優缺點和適應性問題。如單因子評價法計算簡便，能很快的判定出水質類別，但以水質最差單項指標所屬類別作為水體綜合水質類別，評價結果表現為過保護；污染指數評價法能夠直觀判斷綜合水質是否達到功能區目標， 但是不能直觀判斷綜合水質類別；模糊評價法和灰色評價法評價結果的水質類別不能完全反映國家水質控制標準的要求[2]。

目前發展的人工神經網絡法是基于對生物體的模擬，具有較強的學習功能，能處理水環境評價因子與水質評價標準之間非線性關系[3]，具有一定的模糊性，符合水體客觀環境，其中的BP神經網絡應用廣泛。本文對BP神經網絡進行了介紹，并基于此對該方法進行了改進，將其應用到河南部分河流水質評價中去，結果可靠，可以應用到水環境水質評價中去。

1 人工神經網絡模型

1.1 BP神經網絡

誤差反向后傳BP神經網絡過程由4個部分組成[4]：①輸入層向輸出層的順向傳播；②誤差信號由輸出層經隱含層向輸入層的逆傳播；③學習訓練過程；④求取誤差函數最小值。

1.1.1 模式順傳播

輸入層模式向量Xk、輸出層模式向量Yk可分別表示為：

Xk=（a1，a2，…，aN），K=1，2，…，L

Yk=（b1，b2，…，bM），K=1，2，…，L

其中N為輸入層的節點數，M為輸出層的節點數，L為樣本數量。隱含層θj、輸出層θi可分別表示為：

θj=f（）；θi=f（）

其中f為S型激勵函數：f（x）=1/[1+exp（-x）]，W為連接權重，θ為閾值。

1.1.2 誤差的逆傳播

誤差的逆傳播過程是由輸出層的誤差向中間層的誤差進行傳遞的過程。在傳遞過程中需要計算輸出層、隱含層各單元的一般化誤差，得出校正誤差和，然后調整各單元之間的連接權和閾值。調整公式按下式給出：

Δvjt=ɑ；Δrt=ɑ

Δwij=β；Δθj=β

1.1.3 學習訓練過程

學習訓練過程是指根據希望輸出結果與實際輸出結果之間的誤差調整連接權的反復學習過程。

1.1.4 收斂過程

收斂過程即求取全過程誤差最小值的過程，全過程誤差E最小值可由下式計算得出：

E=

1.2 改進的BP神經網絡

傳統的BP神經網絡可操作性強，但存在一些缺陷，主要有：訓練時間過長，由于BP算法需進行多次訓練才能達到收斂要求，這樣對于一些復雜問題學習效率低下；可能存在不能收斂問題，如果修正值過大，可能導致在修正過程中能不到最小誤差值；得到的可能是局部最小值，訓練過程是從誤差函數斜面達到最小值的，而對于復雜網絡呈現的是多維的空間結構，這會使得訓練在某一維結構形成局部最小值。對于存在的這些問題可以通過加快收斂速度、改變隱含層的單元個數來予以解決。加快收斂速度是通過使學習系數取得較大值，加快學習速度來實現的。為了使學習系數取得較大值，學習過程中通過加入慣性沖量過濾掉了高頻振蕩，這個過程中需要對權值進行修正。

2 水環境質量評價

河南省地處我國中原地區，人口眾多，是大的產糧區，對我國糧食安全意義重大，而水環境對河南的農業發展至關重要。本研究以河南省海河流域的幾條河流的監測斷面作為研究對象，采用改進的BP神經網絡法對上述河流監測斷面進行水質評價，發現此法結果可靠，運算速度快，適合河南地區河流水質評價。

2.1 水環境質量監測

2.1.1 樣品采集

本次樣品采集于河南省海河流域的6條河流：衛河、共產主義渠、淇河、湯河、安陽河、馬頰河。海河流域人口密集，流經我國主要的產糧區，但由于安陽河從太行山東麓流出之后流入平原，宣泄能量弱，常發生嚴重的洪澇災害，對我國糧食安全和生態有嚴重影響，研究意義重大。淇河、湯河、馬頰河各有1個監測斷面，衛河、共產主義渠、安陽河監測斷面分別為4個、2個和2個，總共11個監測斷面（表1）。

2.1.2 評價因子及監測標準

根據河南海河流域實際情況，本文選取了高錳酸鹽指數、五日生化需氧量、氨氮、化學需氧量和總磷等評價因子，監測結果見表1。評價標準依據《地表水環境質量標準》（GB3838-2002）。本次選取的5個評價因子對應的地表水環境質量評價標準如表2所示。

2.2 人工神經網絡法

2.2.1 人工神經網絡實現過程

根據表1的實測監測資料可以得出，網絡有11個輸入向量，每個向量包含5個變量，即網絡的輸入層包含5個神經元，其輸出向量有11個。隱含層采用S型激勵函數函數，輸出層采用對數函數。根據表2的地表水環境標準，可得訓練樣品集P、目標向量t分別為：

人工神經網絡的具體步驟包括以下8個步驟[5]：（1）首先對11個斷面監測水樣和水環境標準數據進行極差化處理，即將數據區間化為0～1之間；（2）將水質標準訓練樣品集P輸入到網絡；（3）BP神經網絡創建；（4）學習過程（訓練函數、參數設置）；（5）輸出節點水質級別輸出；（6）輸入5項評價指標；（7）采用Matlab軟件進行仿真計算；（8）經過多次訓練，使誤差達到規定要求，得出評價結果。

2.2.2 水質評價

根據改進人工神經網絡進行分析可以得出修武水文站、衛輝水文站、湯陰五陵、南樂元村集、西永康橋、衛輝黃土崗、林州黃花營、湯河水庫、彰武水庫、馮宿橋、南樂水文站斷面的輸出值分別為：0.885、0.935、0.916、0.893、0.931、0.938、0.009、0.913、0.285、0.706、0.715，將輸出結果與目標向量進行對比，得出其對應的水質等級分別為：Ⅳ類、Ⅴ類、Ⅴ類、Ⅳ類、Ⅴ類、Ⅴ類、Ⅰ類、Ⅴ類、Ⅱ類、Ⅳ類、Ⅳ類。從評價結果可以看出基于改進的BP神經網絡法與單因子評價法結果相似。在單因子評價中，修武水文站、南樂元村集水質等級評價為Ⅴ類，而基于改進的BP神經網絡法將修武水文站、南樂元村集水質等級評價為Ⅳ類，這可能是因為修武水文站、南樂元村集監測的5個因子中氨氮沒有衛輝水文站、湯陰五陵、西永康橋、衛輝黃土崗、湯河水庫這些斷面超標嚴重，評價結果可能更符合實際情況。衛輝水文站、湯陰五陵、西永康橋、衛輝黃土崗、湯河水庫水質為Ⅴ類，污染最為嚴重，衛河的4個斷面水質情況都不好，不是Ⅳ類水質就是Ⅴ類水質，據此可以對其水質進行處理，采取及時有效的防范措施。改進的神經網絡計算速度快、效率高，結果可靠，對模糊性、不確定規律性的處理效果好。

3 結束語

基于改進的BP人工神經網絡法能解決多種評價因子與水質等級的復雜非線性關系，該方法速度快，準確性和精度高，該方法在河南海河流域部分河流斷面的分析顯示與單因子分析結果相似，對水體標準等級模糊性處理更好，可以廣泛應用于水環境水質評價。另外，在實際評價過程中，應根據研究目的、研究區域地理環境合理選擇影響水質因子進行分析，以期對水環境質量做出全面準確的評價。

參考文獻

[1]李茜，張建輝，林蘭鈺，等.水環境質量評價方法綜述[J].現代農業科技，2011，（19）：285-290.

[2]李名升，張建輝，梁念等.常用水環境質量評價方法分析與比較[J].地理科學進展，2012，31（5）：617-624.

[3]陳守煜，李亞偉.基于模糊人工神經網絡識別的水質評價模型[J].水科學進展，2005，16（1）：88-91.

[4]倪深海，白玉慧. BP神經網絡模型在地下水水質評價中的應用[J].系統工程理論與實踐，2000，20（8）：124-127.

[5]婁申，干曉蓉.基于BP神經網絡的水質評價[J].云南民族大學學報：自然科學版，2007，16（2）：165-167.

收稿日期：2018-01-10

作者簡介：趙穎（1970-），女，本科，研究方向為水環境質量綜合分析與評價。