基于粒子群算法優(yōu)化的BP神經(jīng)網(wǎng)絡在海水水質(zhì)評價中的應用

李海濤, 王博睿

基于粒子群算法優(yōu)化的BP神經(jīng)網(wǎng)絡在海水水質(zhì)評價中的應用

李海濤, 王博睿

(青島科技大學 信息科學與技術學院, 山東 青島 266061)

針對目前存在的海水水質(zhì)受多因素影響、評價難的現(xiàn)狀, 提出了一種基于粒子群算法(PSO)優(yōu)化誤差反向傳播(BP)神經(jīng)網(wǎng)絡的海水水質(zhì)評價模型。該模型通過PSO得到BP神經(jīng)網(wǎng)絡最優(yōu)的權值和閾值, 結合青島東部海域10個監(jiān)測站點的數(shù)據(jù)得到水質(zhì)評價結果。實驗證明, 該模型和單因子評價、傳統(tǒng)的BP神經(jīng)網(wǎng)絡評價相比較, 具有訓練時間短、預測精度高的特點, 在海水水質(zhì)評價中具有良好的應用價值。

粒子群算法; BP神經(jīng)網(wǎng)絡; 海水水質(zhì)評價

隨著海洋污染持續(xù)加重, 海洋環(huán)境的相關研究已變得尤為重要。根據(jù)各相關指標對海水的水體質(zhì)量進行綜合評判, 可以找出該海域的主要污染問題, 為該海域的環(huán)境管理與決策提供依據(jù)[1]。國內(nèi)外專家學者經(jīng)過多年的研討, 提出了許多評價方法, 諸如單因子評價法、模糊綜合評價法、模糊聚類法、灰色聚類法等[2-5]。由于水環(huán)境污染是多種因素綜合引起的結果, 這使得傳統(tǒng)的評價方法存在局限性。

BP神經(jīng)網(wǎng)絡可以很好地處理非平穩(wěn)性、非時序性的海洋環(huán)境相關數(shù)據(jù)[6], 被越來越廣泛地應用到海水水質(zhì)評價中。但是BP神經(jīng)網(wǎng)絡自身存在著一些問題, 例如學習效率低下、易陷入局部極小導致無法尋求到全局最優(yōu)解等[7], 限制了其在海水水質(zhì)評價方面的應用。

為了解決以上問題, 本文構建出新的PSO-BP評價模型, 利用PSO得到BP神經(jīng)網(wǎng)絡各層最優(yōu)的權閾值, 進一步評價青島東部海域的水質(zhì)。

1 粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡的基本原理

1.1 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡(Back-Propagation Network)是誤差逆向傳遞的神經(jīng)網(wǎng)絡, 通常由3個層次的神經(jīng)元組成, 分別為輸入層、中間層(隱含層)及輸出層[8-10]。其主要特點是信號從輸入層到輸出層正向傳輸, 而誤差從輸出層逆向傳達到輸入層。BP神經(jīng)網(wǎng)絡可以很好地處理非平穩(wěn)性、非時序性的海水水質(zhì)評價相關數(shù)據(jù), 但同時自身存在易陷入局部極小的問題, 導致海水水質(zhì)評價的預測精度低[11]。常見的BP神經(jīng)網(wǎng)絡的結構示意圖如圖1所示。

圖1 常見的BP神經(jīng)網(wǎng)絡的結構示意圖

1.2 粒子群算法

粒子群算法(PSO, Particle Swarm Optimization)即群落智能的搜尋方法, 主要是模擬鳥群之間的互相協(xié)作、角逐而產(chǎn)生的群落智能搜尋[12]。該算法將優(yōu)化問題的解都模擬成搜尋空間中的粒子, 這些粒子可以忽略自身的體積與質(zhì)量, 卻以確定的速度飛行[13]。粒子選擇合適的計算函數(shù)求出自身適應度, 通過自身以及群落當下的最優(yōu)點的適應度值動態(tài)調(diào)整自己的飛行速度和對應點位, 最終搜尋到全局的最優(yōu)點。粒子調(diào)整速度V與點位X分別如式(1)所示。

1.3 粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡的隨機產(chǎn)生的權閾值會影響模型的精度[14], 本文充分發(fā)揮PSO的優(yōu)勢得到BP神經(jīng)網(wǎng)絡最佳的權閾值, 構建出新的評價模型(PSO-BP), 應用到海水水質(zhì)評價中。

實驗具體步驟如下:

(1) 確定BP神經(jīng)網(wǎng)絡的結構和相關參數(shù)。

(2) 設置群落規(guī)模、粒子初始飛行速度和對應點位。選取粒子當前的最佳點位為初始點位, 而群落的最佳點位為全局最佳點位。

(3) 每個粒子均含有一個適應度值, 用于反映粒子優(yōu)劣程度。對BP神經(jīng)網(wǎng)絡進行訓練后, 將得到的訓練誤差作為粒子當前點位的適應度值, 并將結果與以往最佳點位的值進行比較, 若好于以往的最佳點位則將其替代, 否則不變。

(4) 如果全局的最佳點位不及當前粒子以往的最佳點位, 則用以往的最佳點位取代全局的最佳點位, 否則不變。

(5) 根據(jù)式(1)重新規(guī)劃粒子的飛行速度以及對應點位。

(6) 檢查算法是否滿足終止條件(迭代次數(shù)達到最大迭代次數(shù)或誤差精度達到初始設置的目標誤差精度), 若終止條件成立, 則輸出最佳的權閾值, 然后進一步對模型進行仿真, 否則跳轉到步驟(3)。

本文模型的構建流程按照如圖2所示進行。

圖2 PSO-BP神經(jīng)網(wǎng)絡流程圖

2 應用分析

2.1 評價標準

本文參照《中華人民共和國海水水質(zhì)標準》(GB 3097—1997), 根據(jù)青島東部海域的實際情況, 選取DO、COD、無機氮、活性磷酸鹽和石油類這5個指標作為評價指標[15]。其中, 評價指標的標準值如表1所示。

表1 水質(zhì)評價指標的標準值

2.2 數(shù)據(jù)來源

本文選取青島東部海域2017年10個監(jiān)測站點的監(jiān)測數(shù)據(jù)作為評價數(shù)據(jù), 訓練樣本是依據(jù)海水水質(zhì)評價標準而產(chǎn)生的, 通過隨機均勻插值[16]的方式, 在Ⅰ到Ⅴ五個水質(zhì)級別中每個級別隨機生成100個訓練樣本, 共生成500個樣本, 隨機插入各級評價標準內(nèi), 解決了只用各個等級評價指標的標準值作為樣本數(shù)量不足的問題, 并選取0.1, 0.3, 0.5, 0.7, 0.9作為Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ五類水質(zhì)評價指標的為期望輸出值, 如表2所示。

表2 水質(zhì)評價指標的期望輸出值

2.3 數(shù)據(jù)預處理

由于不同指標之間的數(shù)據(jù)存在較大的量級差異, 必須進行歸一化處理[17]消除數(shù)據(jù)量級的差別, 使數(shù)據(jù)在0和1之間散布, 否則, 各維度影響因素量級的差別會造成輸出結果的誤差較大。本文歸一化計算公式如(2)式所示:

其中,max是該樣本數(shù)據(jù)集中的最大值,min是該樣本數(shù)據(jù)集中的最小值。

2.4 模型參數(shù)設置

從理論上來說, 3個層次的 BP神經(jīng)網(wǎng)絡能夠以任意精密度迫近連貫的非線性函數(shù), 可以處理實際應用中的各種非線性數(shù)據(jù)問題[18]。因此, 本文建立3層BP神經(jīng)網(wǎng)絡, 選取DO、COD、無機氮、活性磷酸鹽和石油類這5個指標為輸入層節(jié)點, 水質(zhì)評價結果為輸出層節(jié)點。由于目前還欠缺完善的理論依據(jù)能夠準確計算中間層(隱含層)的節(jié)點數(shù), 可以通過常見的估算公式來確定中間層(隱含層)節(jié)點個數(shù)范圍[19], 如式(3)所示。

其中,為中間層(隱含層)節(jié)點的數(shù)量,為輸入層節(jié)點的數(shù)量,為輸出層節(jié)點的數(shù)量,為1到10之間的隨機數(shù)。

本文經(jīng)過式(3)計算, 得出中間層結點的區(qū)間范圍為[4, 13], 但由于該區(qū)間范圍較大, 導致誤差過大,預測結果不夠準確。經(jīng)過多次試驗后, 當中間層的節(jié)點數(shù)量為6時, 該模型預測的精確度最高, 所以中間層節(jié)點數(shù)量確定為6個。根據(jù)以上設計思想, 該神經(jīng)網(wǎng)絡的網(wǎng)絡結構設計為5-6-1。

確定神經(jīng)網(wǎng)絡3個層次的結構后, 設定相關參數(shù)規(guī)格。輸入層、中間層(隱含層)之間的網(wǎng)絡轉移函數(shù)選用 Matlab中的Sigmod函數(shù); 中間層(隱含層)、輸出層之間的網(wǎng)絡轉移函數(shù)選用Matlab中purelin函數(shù)。此外, 神經(jīng)網(wǎng)絡的學習步長設定為0.05, 訓練次數(shù)設定為500次, 誤差的期望為0.001; 粒子群算法中的群落規(guī)模為100, 學習因子1和2均為1.494, 慣性權重設置為0.7, 迭代的極大次數(shù)設置為200。

2.5 評價結果及對比分析

在Matlab2014a下訓練設計好的PSO-BP評價模型, 得到神經(jīng)網(wǎng)絡的權閾值如下:

輸入層到隱含層的權值1和閾值1:

隱含層到輸出層的權值1和閾值2:

得到該神經(jīng)網(wǎng)絡的權閾值矩陣后, 因為這些權閾值表達了網(wǎng)絡輸入、輸出間的非線性關系 , 所以訓練后將這些權閾值矩陣進行保存, 從而避免神經(jīng)網(wǎng)絡的反復訓練, 并使用該訓練好的海水水質(zhì)評價模型對青島東部海域10個站點的水質(zhì)進行評價, 如表3所示, 得到各監(jiān)測點的水質(zhì)評價等級。

表3 各監(jiān)測點位的水質(zhì)評價結果

為了進一步分析PSO-BP評價模型, 將本文結果與2017年青島市海洋環(huán)境公報中這10個站點的水質(zhì)評價結果以及單因子評價、傳統(tǒng)的BP神經(jīng)網(wǎng)絡的評價結果作比較。具體的評價結果對比如表4所示。

表4 不同評價方法的結果對比

結合監(jiān)測數(shù)據(jù)和表4的對比分析可以得出, 本文的PSO-BP評價模型得出的結果更貼合青島市海洋環(huán)境公報中的水質(zhì)評價結果。單因子評價結果出現(xiàn)了過激情況, 在6號監(jiān)測站點和7號監(jiān)測站點的評價結果分別偏重和偏輕, 并對該海域總體評價結果偏差, 這可能是由于單因子評價只突出污染狀況最為嚴峻的因素, 而削弱了其他因素的作用, 不能直觀展示整體的水質(zhì)狀況; 而傳統(tǒng)的BP網(wǎng)絡可能由于自身存在的易陷入局部極小的缺陷, 導致在9號監(jiān)測站點的評價結果與其他評價方法的結果相比有較大的差別, 會間接影響該海域總體的評價結果; 本文評價模型運用PSO來優(yōu)化BP神經(jīng)網(wǎng)絡的權閾值, 很好的擺脫了污染物超標情況對權重值的影響, 具有更高的精確度和更好的性能。

3 結論

本文充分發(fā)揮了粒子群算法(PSO)的優(yōu)勢, 提出了PSO-BP海水水質(zhì)評價模型, 縮短了訓練次數(shù), 達到了較高的精度;以青島東部海域10個監(jiān)測站的監(jiān)測數(shù)據(jù)作為評價樣本, 將PSO-BP神經(jīng)網(wǎng)絡運用到海水水質(zhì)評價中, 得出的結果更貼合真實狀況, 為青島東部海域的環(huán)境治理提供理論基礎; 與傳統(tǒng)的單因子、BP神經(jīng)網(wǎng)絡海水水質(zhì)評價方法相比, 該模型能夠較為準確合理地得到海水水質(zhì)等級, 具有一定的推廣價值。

[1] 蘭文輝, 安海燕. 環(huán)境水質(zhì)評價方法的分析與探討[J]. 干旱環(huán)境監(jiān)測, 2002, 16(3): 42-44. Lan Wenhui, An Haiyan. Discussion on methods water quality assessment[J]. Arid Environmental Monitoring, 2002, 16(3): 42-44.

[2] 楊旭, 曾祥亮. 基于單因子評價法和污染指數(shù)法的鄭州大學眉湖水質(zhì)評價[J]. 江蘇科技信息, 2014, (5): 51-53. Yang Xu, Zeng Xiangliang. Water quality evaluation of Zhengzhou University’s Meihu Lake based on single factor evaluation method and pollution index method[J]. Jiangsu Science & Technology Information, 2014, (5): 51-53.

[3] 宣卓. 模糊綜合評價法在水質(zhì)評價中的應用[J]. 綠色科技, 2012, (2): 160-162. Xuan Zhuo. Application of fuzzy comprehensive evaluation in water quality assessment[J]. Journal of Green Science and Technology, 2012, (2): 160-162.

[4] 慕金玻, 侯克復. 灰色聚類法在水環(huán)境質(zhì)量評價中的應用[J]. 環(huán)境科學, 1991, 12(2): 86-89. Mu Jinbo, Hou Kefu. Application of grey clustering method in water environment quality evaluation[J]. Environmental Science, 1991, 12(2): 86-89.

[5] 倪深海, 白玉慧. BP神經(jīng)網(wǎng)絡模型在地下水水質(zhì)評價中的應用[J]. 系統(tǒng)工程理論與實踐, 2000, 20(8): 124-127. Ni Shenhai, Bai Yuhui. Application of BP neural network model in groundwater quality evaluation[J]. Systems Engineering-Theory & Practice, 2000, 20(8): 124- 127.

[6] 周蓉蓉. 基于ANN與遺傳算法的膠州灣近岸海域水污染總量控制研究[D]. 青島: 中國海洋大學, 2009. Zhou Rongrong. Research on total amount control for Jiaozhou Bay near shore area pollution based on ANN and genetic algorithms[D]. Qingdao: Ocean University of China, 2009.

[7] 尚敬強, 原思聰, 衛(wèi)東東, 等. 基于遺傳算法的BP神經(jīng)網(wǎng)絡在塔式起重機故障診斷中的應用[J]. 起重運輸機械, 2012, (4): 61-64. Shang Jingqiang, Yuan Sicong, Wei Dongdong, et al. Application of genetic algorithm-based BP neural network in diagnosis to tower crane[J]. Hoisting and Conveying Machinery, 2012, (4): 61-64.

[8] 王祖麟, 王麗霞. 一種前饋神經(jīng)網(wǎng)絡算法[J]. 科技廣場, 2004, (8): 51-53. Wang Zulin, Wang Lixia. A modified feed-forward neural network algorithm[J]. Science Mosaic, 2004, (8): 51-53.

[9] Yu Feng, Xu Xiaozhong. A short-term load forecasting model of natural gas based on optimized genetic algorithm and improved BP neural network[J]. Applied Energy, 2014, 134: 102-113.

[10] Zhao Y, Nan J, Cui F, et al. Water quality forecast through application of BP neural network at Yuqiao reservoir[J]. Journal of Zhejiang University-Science A, 2007, 8(9): 1482-1487.

[11] 卞建民, 胡昱欣, 李育松, 等. 基于BP神經(jīng)網(wǎng)絡的遼河源頭區(qū)水質(zhì)評價研究[J]. 水土保持研究, 2014, 21(1): 147-151. Bian Jianmin, Hu Yuxin, Li Yusong, et al. Water quality assessment in source area of Liao River based on BP neural network[J]. Research of Soil and Water Conservation, 2014, 21(1): 147-151.

[12] 魏晉軍. 粒子群優(yōu)化算法的改進及應用[D]. 太原: 太原理工大學, 2015. Wei Jinjun. Improvement and application of particle swarm optimization[D]. Taiyuan: Taiyuan University of Technology , 2015.

[13] 李寧. 粒子群優(yōu)化算法的理論分析與應用研究[D]. 武漢: 華中科技大學, 2006. Li Ning. Analysis and application of particle swarm optimization[D]. Wuhan: Huazhong University of Science and Technology , 2006.

[14] 魏津瑜, 張瑋, 李欣. 基于PSO-BP神經(jīng)網(wǎng)絡的高爐煤氣柜位預測模型及應用[J]. 中南大學學報(自然科學版), 2013, S1: 266-270. Wei Jinyu, Zhang Wei, Li Xin. BFG holder forecasting model and application based on PSO-BP neural network model[J]. Journal of Central South University(Science and Technology), 2013, S1: 266-270.

[15] 孫優(yōu)善, 孫鶴鯤, 王學昌, 等. 膠州灣近岸海域水質(zhì)狀況調(diào)查與評價[J]. 海洋湖沼通報, 2007, (4): 93-97. Sun Youshan, Sun Hekun, Wang Xuechang, et al. Survey and appraisal of sea water quality in Jiaozhou Bay[J]. Transactions of Oceanology and Limnology, 2007, (4): 93-97.

[16] 樓文高. 海水水質(zhì)評價的人工神經(jīng)網(wǎng)絡模型研究[J].海洋環(huán)境科學, 2001, 20(4): 49-53. Lou Wengao. Sea water quality assessment model using artificial neural networks[J]. Marine Environmental Science, 2001, 20(4): 49-53.

[17] 宋勇, 蔡志平. 大數(shù)據(jù)環(huán)境下基于信息論的入侵檢測數(shù)據(jù)歸一化方法[J]. 武漢大學學報(理學版), 2018, 64(2) : 121-126. Song Yong, Cai Zhiping. Normalization method of intrusion detection data based on information theory in big data environment[J]. Journal of Wuhan University(Natural Science Edition), 2018, 64(2) : 121-126.

[18] 姚洪磊, 張彥. 基于BP神經(jīng)網(wǎng)絡的鐵路互聯(lián)網(wǎng)售票系統(tǒng)信息安全評估方法[J]. 信息網(wǎng)絡安全, 2014, (7): 81-86. Yao Honglei, Zhang Yan. Approach of information security assessment for railway Internet ticketing system based on BP model of artificial neural network[J]. Netinfo Security, 2014, (7): 81-86.

[19] 王嶸冰, 徐紅艷, 李波, 等. BP神經(jīng)網(wǎng)絡隱含層節(jié)點數(shù)確定方法研究[J]. 計算機技術與發(fā)展, 2018, 28(4): 31-35. Wang Rongbing, Xu Hongyan, Li Bo, et al. Research on method of determining hidden layer nodes in BP neural network[J]. Computer Technology and Development, 2018, 28(4): 31-35.

Application of BP neural network based on particle swarm optimization in seawater quality assessment

LI Hai-tao, WANG Bo-rui

(College of Information Science and Technology, Qingdao University of Science and Technology, Qingdao 266061, China)

To address the current situation in which seawater quality is affected by many factors and is difficult to evaluate, a seawater quality assessment model based on particle swarm optimization (PSO) optimized-error backpropagation (BP) neural network is proposed. The model uses the optimal weight and threshold of a BP neural network through PSO to obtain water quality evaluation results based on data from 10 monitoring stations in the eastern sea area of Qingdao. Experiments show that the model has a shorter training time and higher prediction accuracy compared with single-factor evaluation and traditional BP neural network evaluation. Overall, the proposed model has good application value in seawater quality assessment.

particle swarm optimization; BP neural network; seawater quality assessment

Nov. 16, 2019

TP391.9

A

1000-3096(2020)06-0031-06

10.11759/hykx20191116002

2019-11-16;

2020-02-12

農(nóng)業(yè)部水產(chǎn)養(yǎng)殖數(shù)字農(nóng)業(yè)建設試點項目(2017-A2131- 130209-K0104-004)

[Pilot project of digital agriculture construction in Ministry of Agriculture, No. 2017-A2131-130209-K0104-004]

李海濤(1978-), 男, 山東菏澤人, 副教授,碩士生導師, 研究方向為智慧海洋、智慧漁業(yè)、地理信息系統(tǒng), 電話: 0532-80866089, E-mail: taohaili@sina.com

(本文編輯: 康亦兼)