改进人工神经网络在河南部分河流的水质评价中的应用

　　摘要：水环境质量评价为水环境政策提供依据。目前用于水环境评价的方法众多，每一种方法都有其优缺点、适应性，其中，人工神经网络法是一种对生物体进行模仿的方法，该方法有着较强的学习能力，能处理水环境评价因子与评价标准之间非线性关系。本文主要介绍了人工神经网络法和基于此法改进的方法，并将其应用到河南海河流域部分河流断面的水质评价中，结果表明，该新方法可靠且具有实用性。
　　关键词：人工神经网络；水质评价；河南
　　中图分类号：X832文献标识码：A文章编号：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；He’nan
　　水环境评价为水资源的保护、开发利用和管理决策提供科学的依据。目前，我国的水环境质量评价方法主要有：单因子评价法、污染指数评价法、模糊评价法、灰色评价法等[1]。各种方法都有其优缺点和适应性问题。如单因子评价法计算简便，能很快的判定出水质类别，但以水质最差单项指标所属类别作为水体综合水质类别，评价结果表现为过保护；污染指数评价法能够直观判断综合水质是否达到功能区目标， 但是不能直观判断综合水质类别；模糊评价法和灰色评价法评价结果的水质类别不能完全反映国家水质控制标准的要求[2]。
　　目前发展的人工神经网络法是基于对生物体的模拟，具有较强的学习功能，能处理水环境评价因子与水质评价标准之间非线性关系[3]，具有一定的模糊性，符合水体客观环境，其中的BP神经网络应用广泛。本文对BP神经网络进行了介绍，并基于此对该方法进行了改进，将其应用到河南部分河流水质评价中去，结果可靠，可以应用到水环境水质评价中去。
　　1 人工神经网络模型
　　1.1 BP神经网络
　　误差反向后传BP神经网络过程由4个部分组成[4]：①输入层向输出层的顺向传播；②误差信号由输出层经隐含层向输入层的逆传播；③学习训练过程；④求取误差函数最小值。
　　1.1.1 模式顺传播
　　输入层模式向量Xk、输出层模式向量Yk可分别表示为：
　　Xk=（a1，a2，…，aN），K=1，2，…，L
　　Yk=（b1，b2，…，bM），K=1，2，…，L
　　其中N为输入层的节点数，M为输出层的节点数，L为样本数量。隐含层θj、输出层θi可分别表示为：
　　θj=f（）；θi=f（）
　　其中f為S型激励函数：f（x）=1/[1+exp（-x）]，W为连接权重，θ为阈值。
　　1.1.2 误差的逆传播
　　误差的逆传播过程是由输出层的误差向中间层的误差进行传递的过程。在传递过程中需要计算输出层、隐含层各单元的一般化误差，得出校正误差和，然后调整各单元之间的连接权和阈值。调整公式按下式给出：
　　Δvjt=ɑ；Δrt=ɑ
　　Δwij=β；Δθj=β
　　1.1.3 学习训练过程
　　学习训练过程是指根据希望输出结果与实际输出结果之间的误差调整连接权的反复学习过程。
　　1.1.4 收敛过程
　　收敛过程即求取全过程误差最小值的过程，全过程误差E最小值可由下式计算得出：
　　E=
　　1.2 改进的BP神经网络
　　传统的BP神经网络可操作性强，但存在一些缺陷，主要有：训练时间过长，由于BP算法需进行多次训练才能达到收敛要求，这样对于一些复杂问题学习效率低下；可能存在不能收敛问题，如果修正值过大，可能导致在修正过程中能不到最小误差值；得到的可能是局部最小值，训练过程是从误差函数斜面达到最小值的，而对于复杂网络呈现的是多维的空间结构，这会使得训练在某一维结构形成局部最小值。对于存在的这些问题可以通过加快收敛速度、改变隐含层的单元个数来予以解决。加快收敛速度是通过使学习系数取得较大值，加快学习速度来实现的。为了使学习系数取得较大值，学习过程中通过加入惯性冲量过滤掉了高频振荡，这个过程中需要对权值进行修正。

相关热词搜索：神经网络 河南 水质 河流 改进