基于模糊神經(jīng)網(wǎng)絡(luò)的污染環(huán)境安全評(píng)估方法研究

張寶峰，從 宇，朱均超

（1.天津理工大學(xué) 光電器件與通信技術(shù)教育部工程研究中心，天津300384；2.天津理工大學(xué) 電氣電子工程學(xué)院天津市復(fù)雜系統(tǒng)控制理論及應(yīng)用重點(diǎn)實(shí)驗(yàn)室，天津300384）

我國(guó)石油化工等第二產(chǎn)業(yè)在生產(chǎn)過(guò)程中會(huì)排放污染物，其包含很多有毒有害物質(zhì)、易燃易爆氣體、刺激性污染物。一旦現(xiàn)場(chǎng)發(fā)生了氣體的泄漏安全事故，會(huì)形成許多高危污染場(chǎng)地，對(duì)此必須盡快恢復(fù)當(dāng)?shù)亟】档孛玻瑢⑹鹿室鸬膿p失降到最低[1]。為保障現(xiàn)場(chǎng)的工作人員安全，評(píng)估現(xiàn)場(chǎng)氣體排放區(qū)域安全程度，目前污染場(chǎng)地安全評(píng)估方法主要有模糊系統(tǒng)評(píng)價(jià)分析法、綜合指數(shù)法、灰色系統(tǒng)的線性評(píng)價(jià)法、層次分析法AHP（analytic hierarchy process）、TOPSIS 法及人工神經(jīng)網(wǎng)絡(luò)等[2-4]。以上方法在場(chǎng)地安全評(píng)估中均具有較好的評(píng)估效果。考慮污染現(xiàn)場(chǎng)的實(shí)際情況復(fù)雜，氣體權(quán)重比嚴(yán)重影響了評(píng)估結(jié)果，為提高污染分類的準(zhǔn)確性，在此提出一種基于模糊評(píng)價(jià)的神經(jīng)網(wǎng)絡(luò)污染現(xiàn)場(chǎng)有毒氣體評(píng)估方法。

考慮污染現(xiàn)場(chǎng)情況復(fù)雜，污染程度具有模糊概念，依據(jù)模糊綜合評(píng)價(jià)構(gòu)造GA_BP 神經(jīng)網(wǎng)絡(luò)模型，綜合評(píng)判各污染區(qū)域安全等級(jí)[5-6]。該算法全方位尋找最佳匹配值，提高神經(jīng)網(wǎng)絡(luò)初始權(quán)重的精確度，規(guī)避神經(jīng)網(wǎng)絡(luò)算法的局限性[7]，使指標(biāo)的權(quán)重接近實(shí)際情況，得到最佳權(quán)重值，優(yōu)化最大隸屬度，其評(píng)價(jià)結(jié)果具有可信度。故在此將GA_BP 神經(jīng)網(wǎng)絡(luò)引入污染場(chǎng)地區(qū)域評(píng)價(jià)之中，對(duì)污染場(chǎng)地進(jìn)行安全評(píng)價(jià)，劃分危險(xiǎn)等級(jí)。

1 污染現(xiàn)場(chǎng)評(píng)估模型

1.1 模糊綜合評(píng)價(jià)

從當(dāng)前空氣質(zhì)量測(cè)評(píng)法的特點(diǎn)上看，現(xiàn)有算法比較傳統(tǒng)，不能很好地對(duì)針對(duì)模糊信息指定權(quán)重并有效評(píng)價(jià)，且污染場(chǎng)地受多種污染因子的影響，故在此采取了模糊信息綜合評(píng)價(jià)算法，依據(jù)不同因子在場(chǎng)地空氣污染中所產(chǎn)生的不同污染程度綜合分析污染情況[8]，利用模糊綜合評(píng)價(jià)對(duì)污染場(chǎng)地各區(qū)域進(jìn)行空氣質(zhì)量預(yù)評(píng)價(jià)，將模糊求解和處理的結(jié)果作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練依據(jù)。

已知污染影響元素因子，其中元素ui（i＝1，2，…，n）為污染因子，可以用作對(duì)研究目標(biāo)對(duì)象的衡量指標(biāo)。按項(xiàng)分類后，劃分出相應(yīng)評(píng)價(jià)等級(jí)標(biāo)準(zhǔn)U＝｛u1，u2，…，um｝，V＝｛V1，V2，…，Vn｝，如安全、輕度污染、重度污染等評(píng)語(yǔ)，可以是模糊或非模糊，但對(duì)V的隸屬關(guān)系是明確的。從一個(gè)開(kāi)始依據(jù)各自隸屬的函數(shù)，進(jìn)行單屬性的因子模糊評(píng)價(jià)，建立模糊關(guān)系矩陣。即式中：rij為第i個(gè)因素ui對(duì)該場(chǎng)地的單因素評(píng)價(jià)。這些單因素評(píng)價(jià)構(gòu)成了模糊綜合評(píng)價(jià)的基礎(chǔ)。鑒于各因子對(duì)環(huán)境污染的程度不同，因此在權(quán)重賦值時(shí)應(yīng)該對(duì)這些污染元素作分類比較，對(duì)每個(gè)因子ui賦予一個(gè)適當(dāng)?shù)臋?quán)值ai（i＝1，2，…，n），構(gòu)成權(quán)重集，確定評(píng)價(jià)指標(biāo)權(quán)向量A。即

其中

式中：ai為因子ui的重要隸屬程度。在此可以依據(jù)各污染元素與參考指標(biāo)的差異程度進(jìn)行排序，從而確定相應(yīng)權(quán)重值。

為有效地展開(kāi)模糊評(píng)價(jià)法，可以就各因子權(quán)重值再次做簡(jiǎn)化計(jì)算，即歸一化處理：

模糊綜合評(píng)價(jià)模型為

采用加權(quán)求和廣義模糊算子M（×，+），即綜合考慮所有因子的影響時(shí)，評(píng)價(jià)對(duì)象對(duì)評(píng)價(jià)集中每一個(gè)元素的隸屬程度，依據(jù)隸屬度最大選取原則得到最終評(píng)價(jià)結(jié)果。

1.2 模糊BP 神經(jīng)網(wǎng)絡(luò)

由綜合模糊評(píng)價(jià)模型可以看出，客觀合理確定指標(biāo)的權(quán)重值是至觀重要的。為此，建立了一種神經(jīng)網(wǎng)絡(luò)模型，訓(xùn)練各個(gè)指標(biāo)權(quán)重，通過(guò)模糊綜合評(píng)價(jià)的典型數(shù)據(jù)學(xué)習(xí)來(lái)優(yōu)化權(quán)重精度，更加合理地分析場(chǎng)地各區(qū)域安全等級(jí)[9-10]。

在此所構(gòu)造的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1 所示。網(wǎng)絡(luò)輸入為X＝（X1，X2，…，Xm）即m個(gè)輸入；n個(gè)輸出即評(píng)語(yǔ)標(biāo)準(zhǔn)。網(wǎng)絡(luò)由輸入層、隱藏層、輸出層的三部分構(gòu)成。輸入層為逐組輸入并可即時(shí)得到相應(yīng)的評(píng)價(jià)等級(jí)，網(wǎng)絡(luò)結(jié)構(gòu)的隱層位于輸入層與輸出層之間。這一節(jié)點(diǎn)的權(quán)值wi可用于整體評(píng)價(jià)時(shí)各因子權(quán)重比例的優(yōu)化調(diào)整。

輸入層輸入層的元素是污染因子評(píng)價(jià)指標(biāo)。鑒于各項(xiàng)指標(biāo)因次存在差異，在評(píng)價(jià)前應(yīng)對(duì)其進(jìn)行標(biāo)準(zhǔn)化，即各項(xiàng)指標(biāo)權(quán)重值無(wú)量綱化處理。在此選擇直線型無(wú)量綱化法，結(jié)合統(tǒng)計(jì)學(xué)相關(guān)公式，計(jì)算數(shù)據(jù)極差，從而完成對(duì)這些指標(biāo)的標(biāo)準(zhǔn)化工作[11-12]。圖1 中輸入層有m個(gè)神經(jīng)元，第1 層神經(jīng)元的輸入、輸出為

圖1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Neural network structure

隱藏層對(duì)輸入指標(biāo)進(jìn)行評(píng)語(yǔ)等級(jí)分化處理，即依據(jù)隸屬度函數(shù)求每一指標(biāo)值的隸屬度值。圖1中輸出層有n個(gè)輸出即評(píng)語(yǔ)標(biāo)準(zhǔn)，因此該層神經(jīng)元為m×n個(gè)，在此選擇三角隸屬函數(shù)來(lái)表達(dá)隸屬關(guān)系。設(shè)論域A為

其中n=4，則表示模糊子集為4 個(gè)，分別為“安全（NB）”、“輕度污染（NS）”、“中度污染（N）”和“重度污染（PS）”。其三角隸屬函數(shù)如圖2 所示，第2 層輸入為

該層的輸出為各標(biāo)準(zhǔn)的隸屬度值，每個(gè)評(píng)價(jià)指標(biāo)在隸屬函數(shù)作用下的第2 層輸出結(jié)果為

式中：Aij（x）為第j個(gè)評(píng)語(yǔ)等級(jí)隸屬函數(shù)；O2ij為第2層各等級(jí)隸屬度值，即表示二者的模糊關(guān)系程度。

圖2 三角隸屬函數(shù)Fig.2 Triangular membership function

輸出層對(duì)向量X 進(jìn)行總體評(píng)價(jià)，并依據(jù)相應(yīng)評(píng)價(jià)標(biāo)準(zhǔn)，從而計(jì)算對(duì)應(yīng)的評(píng)價(jià)向量。

第3 層輸入為

輸出為

其中

網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程利用反向傳播算法，根據(jù)網(wǎng)絡(luò)輸入傳遞方向得出輸出值，并對(duì)預(yù)測(cè)的輸出值和該網(wǎng)絡(luò)計(jì)算的輸出值進(jìn)行誤差計(jì)算，再遵循反向原則，將此誤差信息進(jìn)行反饋。這樣可以減小計(jì)算誤差，并修改指標(biāo)權(quán)重值。設(shè)有學(xué)習(xí)樣本：

定義n個(gè)樣本的誤差函數(shù)為

其中

式中：E（a）為單個(gè)樣本的訓(xùn)練誤差；t（a）為樣本的期望輸出。在隨機(jī)給出網(wǎng)絡(luò)連接權(quán)重w后，沿著誤差函數(shù)E隨著w的負(fù)梯度方向逐步修正誤差。設(shè)Δw為w的修正值，則

式中：η 為學(xué)習(xí)效率，取η 為（0，1）之間任意值。

由于神經(jīng)網(wǎng)絡(luò)會(huì)陷入局部最優(yōu)，也就是在誤差變換對(duì)其返回的信號(hào)的權(quán)重調(diào)整很小，故在此引進(jìn)一個(gè)動(dòng)量因子來(lái)幫助誤差信號(hào)，使神經(jīng)元的權(quán)重值重新震蕩[13]。即

式中：a為動(dòng)量因子，一般取a為（0，1）之間任意值。根據(jù)式（13）不斷迭代，當(dāng)輸出誤差小于系統(tǒng)設(shè)定值時(shí)，即訓(xùn)練好神經(jīng)網(wǎng)絡(luò)。

1.3 遺傳算法優(yōu)化模糊BP 神經(jīng)網(wǎng)絡(luò)

BP 算法在初始權(quán)重賦值時(shí)具有不確定性，局部指標(biāo)權(quán)重會(huì)產(chǎn)生極小值[14]，而采用遺傳算法GA 可以提高網(wǎng)絡(luò)初始權(quán)值的準(zhǔn)確度，在初始權(quán)值種群內(nèi)找到較好個(gè)體，使實(shí)際輸出盡可能接近期望輸出，避免權(quán)值初始化的隨機(jī)性，較好地防止神經(jīng)網(wǎng)絡(luò)搜索陷入極小值，再利用BP 神經(jīng)網(wǎng)絡(luò)在較小解中搜索最優(yōu)解，使檢測(cè)樣本分類更加準(zhǔn)確。

GA 可以對(duì)各種群進(jìn)行分類篩選，依據(jù)其適應(yīng)能力的差異情況，采用交叉、變異等方式調(diào)整和優(yōu)化種群，適應(yīng)度高的個(gè)體幸存的可能性大，經(jīng)過(guò)遺傳算子反復(fù)迭代，最終選出符合條件的個(gè)體，即逼近最優(yōu)解[15-16]。

依據(jù)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定個(gè)體長(zhǎng)度，將網(wǎng)絡(luò)所有權(quán)值進(jìn)行實(shí)時(shí)編碼，作為一組染色體，即

式中：wi為隱含層與輸出層連接權(quán)重值。

為了最大化減小實(shí)際值與預(yù)測(cè)值之間的誤差，采用遺傳算法從權(quán)值編碼組中選擇最優(yōu)個(gè)體，對(duì)神經(jīng)網(wǎng)絡(luò)各層權(quán)值進(jìn)行初始化。將初始個(gè)體種群選擇好后，使用訓(xùn)練數(shù)據(jù)集對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行運(yùn)行檢驗(yàn)，得到實(shí)際結(jié)果輸出。在此將神經(jīng)網(wǎng)絡(luò)誤差平方和的倒數(shù)作為適應(yīng)度函數(shù)，即

式中：n為節(jié)點(diǎn)數(shù)；xi，yi分別為第i個(gè)節(jié)點(diǎn)的預(yù)測(cè)輸出、期望輸出。

基因選擇根據(jù)式（15）對(duì)個(gè)體進(jìn)行匹配度訓(xùn)練，使用輪盤(pán)選擇法，利用概率比例選擇原理，每個(gè)基因中選概率Pi為

基因交叉運(yùn)用交叉算子改善個(gè)體編碼結(jié)構(gòu)，從全局角度優(yōu)化基因，通過(guò)式（16）選擇基因Xi和Xk對(duì)其染色體的第j位，進(jìn)行交叉操作，即

式中：b為常數(shù)，取值范圍為［0，1］。

基因變異為提高算法局部搜素能力并維持種群的多樣性，將父代的某基因點(diǎn)被一個(gè)均勻分布的隨機(jī)數(shù)所代替，使其更加適應(yīng)當(dāng)前環(huán)境。新的基因點(diǎn)為

式中：Xmin，Xmax分別為初始基因的最小值、 最大值；r1，r2為［0，1］之間的隨機(jī)數(shù)；Gmax為進(jìn)化最大次數(shù)；g為迭代當(dāng)前次數(shù)。

種群每進(jìn)化一次，個(gè)體的種群適應(yīng)度便隨之提高，直至個(gè)體滿足優(yōu)化迭代條件，得到的最優(yōu)解作為默認(rèn)狀態(tài)下的BP 神經(jīng)網(wǎng)絡(luò)的對(duì)應(yīng)權(quán)重值。遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)流程如圖3 所示。

圖3 GA 優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)流程Fig.3 Optimization of BP neural network by GA

2 系統(tǒng)試驗(yàn)與結(jié)果分析

2.1 系統(tǒng)結(jié)構(gòu)及工作原理

為驗(yàn)證上述理論的可行性，在此搭建了移動(dòng)式有毒氣體檢測(cè)平臺(tái)，包括移動(dòng)式多組分有毒氣體采集終端和云服務(wù)器數(shù)據(jù)平臺(tái)，其中采集終端安裝到無(wú)人機(jī)等移動(dòng)設(shè)備上。該結(jié)構(gòu)借助嵌入式系統(tǒng)和現(xiàn)代信息網(wǎng)絡(luò)技術(shù)，實(shí)現(xiàn)對(duì)污染現(xiàn)場(chǎng)有毒氣體的分布態(tài)勢(shì)實(shí)時(shí)檢測(cè)。系統(tǒng)總體結(jié)構(gòu)如圖4 所示。

圖4 系統(tǒng)總體結(jié)構(gòu)Fig.4 System architecture

2.2 數(shù)據(jù)集的上傳與顯示

移動(dòng)式有毒氣體采集終端采集到的污染場(chǎng)地多種類有毒氣體數(shù)據(jù)，通過(guò)GPRS 網(wǎng)絡(luò)傳送到服務(wù)器中，經(jīng)數(shù)據(jù)接收協(xié)議處理后存入MySQL 數(shù)據(jù)庫(kù)，為Web 端提供顯示數(shù)據(jù)來(lái)源。用戶通過(guò)瀏覽器網(wǎng)址即可獲取氣體數(shù)據(jù)，監(jiān)測(cè)網(wǎng)頁(yè)顯示數(shù)據(jù)如圖5所示。

圖5 監(jiān)測(cè)網(wǎng)頁(yè)顯示數(shù)據(jù)Fig.5 Monitoring web page display data

2.3 污染場(chǎng)地評(píng)估試驗(yàn)及結(jié)果分析

利用移動(dòng)式有毒氣體檢測(cè)系統(tǒng)采集的某污染場(chǎng)地有毒氣體數(shù)據(jù)。隨機(jī)抽選3000 組采樣點(diǎn)數(shù)據(jù)用于構(gòu)建訓(xùn)練集，并隨機(jī)抽取20 組采樣點(diǎn)用于測(cè)試，選擇SO2，CO，NO2，H2S，NH3和HCN（氰化氫）共6 個(gè)污染因子指標(biāo)作為輸入的特征向量。根據(jù)現(xiàn)行的國(guó)家標(biāo)準(zhǔn)GB 3095—2012《環(huán)境空氣質(zhì)量標(biāo)準(zhǔn)》[17]和國(guó)內(nèi)一些城市實(shí)際污染情況，將原標(biāo)準(zhǔn)機(jī)設(shè)為優(yōu)、輕度污染、中度污染、重度污染等4 個(gè)等級(jí)。空氣質(zhì)量標(biāo)準(zhǔn)與污染物濃度限值對(duì)照見(jiàn)表1。

表1 空氣質(zhì)量級(jí)別對(duì)應(yīng)的污染物濃度限值Tab.1 Pollutant concentration limits for air quality classes

隨機(jī)選取100 組初始化權(quán)值種群，計(jì)算各權(quán)值適應(yīng)度，初始化變異概率參數(shù)設(shè)為0．25，初始化交叉概率參數(shù)設(shè)為0．4，最高迭代次數(shù)設(shè)為500。利用遺傳算子反復(fù)迭代得出最優(yōu)初始權(quán)值。

使用已構(gòu)建好的3000 組訓(xùn)練數(shù)據(jù)隱層與輸出層的節(jié)點(diǎn)權(quán)值，相對(duì)應(yīng)于輸出層的輸出分別為（1，0，0，0），（0，1，0，0），（0，0，1，0），（0，0，0，1）；最優(yōu)權(quán)值組學(xué)習(xí)效率η＝0．1，動(dòng)量因子a＝0．3。神經(jīng)網(wǎng)絡(luò)經(jīng)5000 次迭代后，誤差值滿足設(shè)定的精度要求。損失函數(shù)的變化如圖6 所示，遺傳算法優(yōu)化前后神經(jīng)網(wǎng)絡(luò)收斂精度及速度變化如圖7 所示。

圖6 損失變化曲線Fig.6 Loss change curve

圖7 神經(jīng)網(wǎng)絡(luò)優(yōu)化前后的對(duì)比Fig.7 Comparison of neural network before and after optimization

由圖可見(jiàn)，模糊評(píng)價(jià)的GA_BP 神經(jīng)網(wǎng)絡(luò)有毒氣體評(píng)估模型的損失值穩(wěn)定并小于0．5；傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的收斂精度達(dá)到0．90，而GA_BP 神經(jīng)網(wǎng)絡(luò)的收斂精度達(dá)到0．95，且收斂速度在第25 次迭代時(shí)發(fā)生突變優(yōu)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)。

將隨機(jī)20 組采樣點(diǎn)通過(guò)模糊評(píng)價(jià)模型得到相應(yīng)的評(píng)價(jià)結(jié)果，再利用模糊評(píng)價(jià)的GA_BP 神經(jīng)網(wǎng)絡(luò)有毒氣體評(píng)估模型計(jì)算，其最大隸屬度值見(jiàn)表2。評(píng)價(jià)結(jié)果比較如圖8 所示。

依據(jù)試驗(yàn)結(jié)果，模糊GA_BP 神經(jīng)網(wǎng)絡(luò)有毒氣體評(píng)估模型，可以避免完全依照數(shù)值來(lái)計(jì)算污染區(qū)域權(quán)重時(shí)，容易出現(xiàn)與修復(fù)工程實(shí)際情況不符的安全問(wèn)題，其評(píng)價(jià)等級(jí)的最大隸屬度更加準(zhǔn)確，更加客觀合理地分析和評(píng)價(jià)各類型污染區(qū)域的安全性，具有良好的科學(xué)工程技術(shù)性和應(yīng)用價(jià)值。

根據(jù)移動(dòng)式有毒氣體檢測(cè)平臺(tái)為數(shù)據(jù)源，利用基于模糊評(píng)價(jià)的GA_BP 神經(jīng)網(wǎng)絡(luò)的污染場(chǎng)地有毒氣體評(píng)估模型，仿真出某場(chǎng)地的污染三維分布，如圖9 所示。

表2 最大隸屬度結(jié)果對(duì)比Tab.2 Comparison of maximum membership results

圖8 神經(jīng)網(wǎng)絡(luò)模型試驗(yàn)結(jié)果Fig.8 Experimental results of neural network model

圖9 污染場(chǎng)地三維分布Fig.9 Three dimensional distribution of contaminated sites

3 結(jié)語(yǔ)

所設(shè)計(jì)完成的移動(dòng)式有毒氣體檢測(cè)系統(tǒng)，經(jīng)測(cè)試證明，系統(tǒng)可靠，穩(wěn)定性高。所研究的有毒氣體高危污染場(chǎng)地評(píng)價(jià)模型，解決了污染現(xiàn)場(chǎng)工作人員的安全問(wèn)題，基于模糊評(píng)價(jià)的神經(jīng)網(wǎng)絡(luò)的污染場(chǎng)地有毒氣體評(píng)估模型具有計(jì)算復(fù)雜度低，評(píng)價(jià)準(zhǔn)確，泛化能力高等特點(diǎn)，對(duì)污染場(chǎng)地修復(fù)，保障公共安全具有重要價(jià)值。