廣義回歸神經(jīng)網(wǎng)絡(luò)在水質(zhì)評的運(yùn)用范文

本站小編為你精心準(zhǔn)備了廣義回歸神經(jīng)網(wǎng)絡(luò)在水質(zhì)評的運(yùn)用參考范文，愿這些范文能點(diǎn)燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

《黔南民族醫(yī)專學(xué)報(bào)》2018年第1期

摘要:為了更加科學(xué)的評價(jià)水體水質(zhì)，采用GRNN神經(jīng)網(wǎng)絡(luò)對昆山某Ⅲ類功能的湖泊水體進(jìn)行水質(zhì)評價(jià)，同時(shí)與BP、單因子評價(jià)法進(jìn)行了對比分析，論證了GRNN評價(jià)水質(zhì)的可行性并分析了水質(zhì)污染特征。評價(jià)結(jié)果顯示當(dāng)GRNN光滑因子為0.4時(shí)，訓(xùn)練誤差為0.5-4.7%，GRNN和BP水質(zhì)評價(jià)結(jié)果相對誤差-0.4-18.6%；水質(zhì)評價(jià)結(jié)果表明待評價(jià)水質(zhì)不容樂觀，剛好達(dá)到功能區(qū)標(biāo)準(zhǔn)或者已經(jīng)超過功能區(qū)標(biāo)準(zhǔn)。一年中污染最重的是2、3兩個(gè)月，污染最輕的是8月。該方法模型參數(shù)少、操作簡單，能夠反映綜合水質(zhì)狀況，有助于管理人員通過復(fù)雜的監(jiān)測數(shù)據(jù)快速掌握不同水體的污染程度，為水資源保護(hù)和管理提供重要的技術(shù)支持。

關(guān)鍵詞：GRNN；BP；水質(zhì)評價(jià)；昆山科學(xué)評價(jià)

水質(zhì)狀況是環(huán)境管理的基礎(chǔ)。一些學(xué)者嘗試運(yùn)用新的方法評價(jià)水體，如灰色評價(jià)法、模糊數(shù)學(xué)法、主成分分析法、多元統(tǒng)計(jì)法、色聚類法等[1-8]，但這些方法多數(shù)需要設(shè)計(jì)各評價(jià)指標(biāo)對各級標(biāo)準(zhǔn)的隸屬函數(shù)及各指標(biāo)的權(quán)重，評價(jià)結(jié)果受的主觀因素影響較大，限制了評價(jià)方法的通用性，也影響了結(jié)果的可靠性[9]。神經(jīng)網(wǎng)絡(luò)是20世紀(jì)40年代產(chǎn)生、80年展起來的模擬人腦生物過程的人工智能技術(shù)，特別適用于對因果關(guān)系復(fù)雜的非確定性推理、判斷、識別和分類等問題的處理，并被應(yīng)用在水質(zhì)評價(jià)中，如BP網(wǎng)絡(luò)模型、模糊神經(jīng)網(wǎng)絡(luò)模型，但這些模型學(xué)習(xí)速度慢，受初始值、權(quán)值等多種因素影響，易陷入局部最優(yōu)，重復(fù)性較差[10-13]。本文嘗試用廣義回歸神經(jīng)網(wǎng)絡(luò)評價(jià)水體水質(zhì)，并和其它評價(jià)方法對比說明其可行性。

1評價(jià)原理

1.1廣義回歸網(wǎng)絡(luò)原理

廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）是美國學(xué)者DonaldF.Specht在1991年提出，是徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的一種特殊形式，用密度函數(shù)來預(yù)測輸出[14]。GRNN建立在非參數(shù)核回歸基礎(chǔ)上，樣本數(shù)據(jù)作為后驗(yàn)概率驗(yàn)證條件執(zhí)行Parzen非參數(shù)估計(jì)，從樣本中計(jì)算自變量和因變量之間的聯(lián)合概率密度函數(shù)，算出因變量對自變量的回歸值[15]。

1.2BP網(wǎng)絡(luò)評價(jià)原理

BP網(wǎng)絡(luò)分為輸入層、隱藏層和輸出層。輸入信號通過權(quán)值鏈接作用于隱藏層，隱藏層通過激活函數(shù)的非線性變換后計(jì)算得到輸出層，產(chǎn)生輸出信號。如果沒有得到期望輸出，則根據(jù)實(shí)際輸出與期望輸出的誤差偏差調(diào)整輸入層節(jié)點(diǎn)與隱層節(jié)點(diǎn)、隱層節(jié)點(diǎn)與輸出層節(jié)點(diǎn)之間的聯(lián)接權(quán)值及閾值，使誤差沿梯度下降方向。經(jīng)過反復(fù)迭代，當(dāng)實(shí)際輸出和期望輸出達(dá)到設(shè)定誤差時(shí)訓(xùn)練即告完成[12]。

2數(shù)據(jù)預(yù)處理及模型建立

訓(xùn)練數(shù)據(jù)來源于《地表水環(huán)境質(zhì)量標(biāo)準(zhǔn)》(GB3838-2002)，見表1，并用matlabR2013a中的linspace線性內(nèi)插法生成500組數(shù)據(jù)。待評價(jià)數(shù)據(jù)來源于Ⅲ類功能水體的某湖泊采樣點(diǎn)，采樣時(shí)間為2016年每月4號，連續(xù)12個(gè)月，監(jiān)測項(xiàng)目見表2。為了消除因變量及自變量量綱及濃度不同所帶來的影響，將原始數(shù)據(jù)進(jìn)行歸一化處理后作為網(wǎng)絡(luò)輸入和輸出，并將網(wǎng)絡(luò)評價(jià)結(jié)果進(jìn)行反歸一化得到了實(shí)際評價(jià)結(jié)果。

3結(jié)果與討論

為了說明本文所提出的廣義回歸神經(jīng)網(wǎng)絡(luò)的可行性，將其評價(jià)結(jié)果與比較成熟的BP神經(jīng)網(wǎng)絡(luò)的評價(jià)結(jié)果進(jìn)行了比較。從圖2中發(fā)現(xiàn)GRNN與BP神經(jīng)網(wǎng)絡(luò)的水質(zhì)評價(jià)結(jié)果基本一致，GRNN的和BP評價(jià)結(jié)果誤差-0.4-18.6%。2種評價(jià)方法都表明一年中2、3月份的水質(zhì)最差，夏季的水質(zhì)評價(jià)較好，8月份最好。通過分析原始數(shù)據(jù)發(fā)現(xiàn)影響水質(zhì)的主要因素是TN，分析原因可能為：8月份雨水較充沛，在一定程度上稀釋了水體；高溫天氣，企業(yè)停產(chǎn)停工較多，也在客觀上減少了水體TN的排入;水體溫度高，硝化、厭氧硝化較為活躍，加速水體中TN的去除。2、3月份溫度低，硝化反硝化弱，導(dǎo)致水質(zhì)自凈能力差；另一方面，春節(jié)期間可能違法行為較多，污染物偷排量大。單因子評價(jià)法是根據(jù)評價(jià)時(shí)段內(nèi)的參評指標(biāo)類別最高的一項(xiàng)來確定,選取水質(zhì)最差的類別即為評價(jià)結(jié)果，是水質(zhì)評價(jià)使用最多的方法，能夠明確影響水質(zhì)的關(guān)鍵因素[17]。本例中主要污染因子是TN，從而有利于提出針對性的水環(huán)境治理措施，但其評價(jià)結(jié)果過于悲觀。盡管其它污染指標(biāo)濃度很低，基本處于Ⅱ類水標(biāo)準(zhǔn)，但由于TN較高，導(dǎo)致所評價(jià)水體全部是Ⅴ類或劣Ⅴ類，無法評價(jià)水質(zhì)的綜合狀況。GRNN和BP對標(biāo)準(zhǔn)方法的學(xué)習(xí)，自動計(jì)算因子間的權(quán)重系數(shù)，消除主觀誤差，兩者評價(jià)結(jié)果平均相對誤差為8.8%，說明將廣義回歸神經(jīng)網(wǎng)絡(luò)用于水質(zhì)評價(jià)是可行的。GRNN及BP評價(jià)結(jié)果顯示2，3月水質(zhì)污染最嚴(yán)重，均超過水體功能區(qū)Ⅲ類水的標(biāo)準(zhǔn)，其余月份都符合Ⅲ類功能。BP網(wǎng)絡(luò)訓(xùn)練時(shí)需要大量的數(shù)據(jù)，模型參數(shù)多，易陷入局部最優(yōu)，而GRNN只需調(diào)整模型平滑因子，為全局收斂。

4結(jié)論

GRNN與BP神經(jīng)網(wǎng)絡(luò)的水質(zhì)評價(jià)結(jié)果基本一致，其評價(jià)結(jié)果相對誤差-0.4-18.6%，說明了GRNN評價(jià)水質(zhì)的可行性。水質(zhì)評價(jià)結(jié)果表明待評價(jià)水體水質(zhì)不容樂觀，剛好達(dá)到或者已經(jīng)超過功能區(qū)標(biāo)準(zhǔn)。一年中污染最重的是2、3兩個(gè)月份，污染最輕的是8月份。應(yīng)該加大水體治理力度，特別是春節(jié)期間的2、3月份，嚴(yán)查企業(yè)偷排行為，減少水體污染物的輸入。GRNN用于水質(zhì)評價(jià)時(shí)模型參數(shù)少、操作簡單，通過對標(biāo)準(zhǔn)方法的學(xué)習(xí)，自動計(jì)算因子間的權(quán)重系數(shù)，評價(jià)結(jié)果能夠綜合反映水質(zhì)狀況，有助于管理人員通過大量的監(jiān)測數(shù)據(jù)快速掌握不同水體的污染程度，為水資源管理提供重要的技術(shù)支持。

參考文獻(xiàn)

[1]沈陸娟,周念,蔡建平.基于灰色關(guān)聯(lián)理論的錢塘江河口段水質(zhì)評價(jià)研究[J].數(shù)學(xué)的實(shí)踐與認(rèn)識,2017,47(21):165-171

[3]吳青,趙華榮.基于層次分析的龍崗河水質(zhì)評價(jià)灰色關(guān)聯(lián)分析[J].水利科技與經(jīng)濟(jì),2016,22(1):52-55

[4]孫國紅,沈躍,徐應(yīng)明等.基于多元統(tǒng)計(jì)分析的黃河水質(zhì)評價(jià)方法[J].農(nóng)業(yè)環(huán)境科學(xué)學(xué)報(bào),2011,30(6):1193-1199

[5]李清芳,姚靖,黃曉容等.多元統(tǒng)計(jì)分析在典型湖庫型飲用水水源地水質(zhì)評價(jià)中的應(yīng)用[J].,環(huán)境影響評價(jià),2016,38(6):73-79

[6]周全超.灰色聚類法在地下水水質(zhì)評價(jià)中的應(yīng)用[J].商丘師范學(xué)院學(xué)報(bào),2017,33(3):67-70

[8]孫玲玲,劉彬,石寶紅等.基于貝葉斯理論和主成分分析法耦合的水質(zhì)評價(jià)[J].水電能源科學(xué),2017,35(11):36-39

[9]華祖林,錢蔚,顧莉.改進(jìn)型LM-BP神經(jīng)網(wǎng)絡(luò)在水質(zhì)評價(jià)中的應(yīng)用[J].水資源保護(hù),2008,24(4):22-26

[10]鄒濤.地下水水質(zhì)評價(jià)中BP人工神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用研究[J].水土保持應(yīng)用技術(shù),2017,23(1):19-21

[11]牛紅惠,尚艷玲.模糊神經(jīng)網(wǎng)絡(luò)在水質(zhì)評價(jià)中的研究[J].計(jì)算機(jī)仿真,2012,29(4):173-176

[12]李麗,張海濤.基于BP人工神經(jīng)網(wǎng)絡(luò)的小城鎮(zhèn)生態(tài)環(huán)境質(zhì)量評價(jià)模型[J].應(yīng)用生態(tài)學(xué)報(bào),2008,19(12):2693-2698

[13]周燕,王里奧.模糊神經(jīng)網(wǎng)絡(luò)在重慶市飲用水原水水質(zhì)評價(jià)中的應(yīng)用[J].三峽環(huán)境與生態(tài),2010,3(1):33-35

[15]陳明等.神經(jīng)網(wǎng)絡(luò)原理與實(shí)例精解[M].北京:清華大學(xué)出版社,2012

[16]蘭海濤,李謙,韓春雨.基于廣義回歸神經(jīng)網(wǎng)絡(luò)的邊坡穩(wěn)定性評價(jià)[J].巖土力學(xué),2009,30(11):3460-3463

[17]GB3838-2002,地表水環(huán)境質(zhì)量標(biāo)準(zhǔn)[S]

作者：陳廣銀1,蔡灝兢,朱奕,夏飛 單位：昆山市環(huán)境監(jiān)測站