质量评析论文：神经网络的水库质量评析范文

本站小编为你精心准备了质量评析论文：神经网络的水库质量评析参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

作者：张升东徐征和杜敏张神铭单位：济南大学资源与环境学院

BP神经网络模型的建立

卧虎山水库位于济南市历城区南部仲宫镇境内，处于泰山北麓的锦绣川、锦阳川和锦云川3川汇流的玉符河上游河口，是全国321座大型水库之一，是南部山区水系的重要汇聚地，济南地表水和泉水的重要补给区和供水水源地，主要供给济南市经十路以南约40万居民的饮用水。卧虎山水库集防洪、城市供水、农田灌溉为一体，水库水质直接影响到济南市的城市饮用水安全及其他生态环境。因此，选取具有典型代表性的卧虎山水库水质污染指标为实例进行水库水质评价，使该评价模型具有一定的通用性和泛化能力。

卧虎山水库水量主要来源于区域内降雨形成的地表径流补给，根据卧虎山水库水源特点，于2010年8月至2011年12月在水库设置监测断面进行采样检测。根据本地区的污染情况和水库功能，选择水质分析监测指标主要有：溶解氧、高锰酸钾指数、氨氮、总磷、总氮和六价铬。采样及样品保存和运输的过程均执行国家《水和废水监测分析方法﹙第3版﹚》的规程，具体的监测结果见表1。利用监测的6项水质指标建立适用于卧虎山水库水质评价的BP神经网络模型，并利用这一模型对22个样品的水质进行评价。

1输入层、隐含层和输出层的确定

此次评价选用溶解氧、高锰酸盐指数、氨氮、总磷、总氮、六价铬6项评价指标，作为BP神经网络的输入层神经元，以GB3838—2002《中华人民共和国地表水环境质量标准》中的标准水质分界值作为模型的评价依据。模型中输入层的神经元个数为6，分别为6项水质评价指标，地表水环境的质量标准水质分为5个等级C类—Ⅴ类。因而，BP网络模型输出层有5个神经元，隐含层神经元数目由下面公式确定：隐含层神经元数目=√m+n+α。其中，m为输入层神经元数，n为输出层神经元数，α为1~10的常数。根据此公式及试错法确定隐含层神经元数为11，从而得到一个结构为6→11→5的BP神经网络，如图2所示。

2数据的预处理

为了加快网络训练的收敛速度，需要对输入的水质数据信息做标准化处理。数据处理时不仅要求对网络输入数据进行合理的压缩，而且能够体现出原始输入数据之间的区别，因此选取采用压缩系数法对输入数据做预处理。其公式如下：式中，X为原始数据；α为压缩系数，其取值范围为﹙0，1﹚，需根据具体的对象选取；T为预处理后的数据。

3样本训练

国家地表水环境质量标准﹙GB3838—2002﹚给出了对应于各类水质指标的污染物质量浓度的边界值，当所取某些样品的检测数据信息都在某一类标准水质指标范围内时，则其必定属于该类水。因此可参照文献的方法，生成C类—Ⅴ类这5类水质样本各100个，共500个样本，作为BP神经网络用于卧虎山水库水质评价的训练、检验和测试样本。其中，在这5类水质样本中各抽取80个，共400个作为训练样本，剩余100个作为检验和测试样本。

鉴于已对输入数据做了标准化处理，因此，为了方便识别训练结果，可以将BP神经网络模型对输入样本的输出模式设定为：优﹙1，0，0，0，0﹚，良﹙0，1，0，0，0﹚，较好﹙0，0，1，0，0﹚，较差﹙0，0，0，1，0﹚，极差﹙0，0，0，0，1﹚；则相对应的水质为C、Ⅱ、Ⅲ、Ⅳ和Ⅴ类水质标准。程序实现基于MATLAB环境，采用MAT-LAB神经网络工具箱中的函数编程求解计算。学习速率和冲量系数是在BP神经网络调试过程中最重要的2个参数。我们经过不断地试取，最后确定BP神经网络模型的学习速率为0.6，冲量系数为0.9，学习误差为0.0001。当学习次数为324次时，网络模型的训练样本和检测样本的拟合度最高，模型收敛并达到所需精度，能较好地评价未知水质样本。训练结果如表2所示，训练、检测曲线如图3所示。由此，可利用该模型对卧虎山水库的水质进行评价。

卧虎山水库的水质评价

利用已建立好的BP神经网络模型，将2010年8月到2011年12月在卧虎山水库监测断面取得的22个样品中，每个样品的6项水质指标输入到模型中，按照其输出值与评价级别的贴近度来判断确定卧虎山水库的水质归属等级。BP神经网络的输出结果见表3，因Ⅴ类的输出结果均为0，故未列出。

评价结果分析

从表3可以看出，卧虎山水库作为生活饮用水水源，在2010年8月至2011年6月，水库水质整体属于Ⅱ类水，Ⅲ类水出现的次数较少，且持续的时间较短。这主要是由于该时间段内处于丰水期，降雨量较多，入库流量大，水体的稀释与自净能力强，水质较好；2011年6月至2011年12月，水库水质为Ⅲ类水，水体受到轻度的污染，水质较差。主要原因是该时间段内7月到9月处于平水期，10月到12月处于枯水期，降雨较少，从源流区汇入到水库的地表径流较少，水库水得不到及时的补充，致使水体的自净能力减弱。

另外，近年来随着水库周边与源流区内生态旅游业的发展、人口的增多以及生活污水排放的增多，生活垃圾得不到及时回收，导致源流区水体中的污染物逐年累积。从水库水质评价结果看，水库3个时段水质都存在大于0.5的数值，表明水库水质存在潜在的风险源。

同时，从评价结果的区域极大值和极小值来看，枯水期时的值最大，都接近于1，水库水质为Ⅲ类。从整体来看，卧虎山水库水质的年际变化与同期洪湖水位的动态变化存在着较好的相关性。丰水期的高水位，提高了水体的稀释与自净能力，水库水质状态最好。

2010年和2011年，先后有济南市环保局、市公用事业局、水利局和市供排水监测中心这4家水质检测单位，对卧虎山水库水样进行化验检测，化验结果显示2010和2011年卧虎山水库水质稳定为Ⅱ—Ⅲ类水之间，与我们利用BP神经网络评价的水库水质结果比对可知，BP神经网络对卧虎山水库水质的评价准确，符合客观实际。

结语

利用BP神经网络对卧虎山水库水质评价建模时，不必了解变量之间的具体关系，只需根据实际问题确定网络结构，通过典型样本的训练，获得相关训练参数，从而进行水库水质的分析评价。

我们利用建立的BP神经网络模型对卧虎山水库水质进行评价，评价的结果表明，该模型设计合理，泛化能力强，对水库水质的评价具有较好的客观性、通用性和实用性。故此，利用BP神经网络模型在水库水质的评价问题上具有良好的应用前景和推广价值。