广义回归神经网络在水质评的运用范文

本站小编为你精心准备了广义回归神经网络在水质评的运用参考范文，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。

《黔南民族医专学报》2018年第1期

摘要:为了更加科学的评价水体水质，采用GRNN神经网络对昆山某Ⅲ类功能的湖泊水体进行水质评价，同时与BP、单因子评价法进行了对比分析，论证了GRNN评价水质的可行性并分析了水质污染特征。评价结果显示当GRNN光滑因子为0.4时，训练误差为0.5-4.7%，GRNN和BP水质评价结果相对误差-0.4-18.6%；水质评价结果表明待评价水质不容乐观，刚好达到功能区标准或者已经超过功能区标准。一年中污染最重的是2、3两个月，污染最轻的是8月。该方法模型参数少、操作简单，能够反映综合水质状况，有助于管理人员通过复杂的监测数据快速掌握不同水体的污染程度，为水资源保护和管理提供重要的技术支持。

关键词：GRNN；BP；水质评价；昆山科学评价

水质状况是环境管理的基础。一些学者尝试运用新的方法评价水体，如灰色评价法、模糊数学法、主成分分析法、多元统计法、色聚类法等[1-8]，但这些方法多数需要设计各评价指标对各级标准的隶属函数及各指标的权重，评价结果受的主观因素影响较大，限制了评价方法的通用性，也影响了结果的可靠性[9]。神经网络是20世纪40年代产生、80年展起来的模拟人脑生物过程的人工智能技术，特别适用于对因果关系复杂的非确定性推理、判断、识别和分类等问题的处理，并被应用在水质评价中，如BP网络模型、模糊神经网络模型，但这些模型学习速度慢，受初始值、权值等多种因素影响，易陷入局部最优，重复性较差[10-13]。本文尝试用广义回归神经网络评价水体水质，并和其它评价方法对比说明其可行性。

1评价原理

1.1广义回归网络原理

广义回归神经网络（GRNN）是美国学者DonaldF.Specht在1991年提出，是径向基函数神经网络的一种特殊形式，用密度函数来预测输出[14]。GRNN建立在非参数核回归基础上，样本数据作为后验概率验证条件执行Parzen非参数估计，从样本中计算自变量和因变量之间的联合概率密度函数，算出因变量对自变量的回归值[15]。

1.2BP网络评价原理

BP网络分为输入层、隐藏层和输出层。输入信号通过权值链接作用于隐藏层，隐藏层通过激活函数的非线性变换后计算得到输出层，产生输出信号。如果没有得到期望输出，则根据实际输出与期望输出的误差偏差调整输入层节点与隐层节点、隐层节点与输出层节点之间的联接权值及阈值，使误差沿梯度下降方向。经过反复迭代，当实际输出和期望输出达到设定误差时训练即告完成[12]。

2数据预处理及模型建立

训练数据来源于《地表水环境质量标准》(GB3838-2002)，见表1，并用matlabR2013a中的linspace线性内插法生成500组数据。待评价数据来源于Ⅲ类功能水体的某湖泊采样点，采样时间为2016年每月4号，连续12个月，监测项目见表2。为了消除因变量及自变量量纲及浓度不同所带来的影响，将原始数据进行归一化处理后作为网络输入和输出，并将网络评价结果进行反归一化得到了实际评价结果。

3结果与讨论

为了说明本文所提出的广义回归神经网络的可行性，将其评价结果与比较成熟的BP神经网络的评价结果进行了比较。从图2中发现GRNN与BP神经网络的水质评价结果基本一致，GRNN的和BP评价结果误差-0.4-18.6%。2种评价方法都表明一年中2、3月份的水质最差，夏季的水质评价较好，8月份最好。通过分析原始数据发现影响水质的主要因素是TN，分析原因可能为：8月份雨水较充沛，在一定程度上稀释了水体；高温天气，企业停产停工较多，也在客观上减少了水体TN的排入;水体温度高，硝化、厌氧硝化较为活跃，加速水体中TN的去除。2、3月份温度低，硝化反硝化弱，导致水质自净能力差；另一方面，春节期间可能违法行为较多，污染物偷排量大。单因子评价法是根据评价时段内的参评指标类别最高的一项来确定,选取水质最差的类别即为评价结果，是水质评价使用最多的方法，能够明确影响水质的关键因素[17]。本例中主要污染因子是TN，从而有利于提出针对性的水环境治理措施，但其评价结果过于悲观。尽管其它污染指标浓度很低，基本处于Ⅱ类水标准，但由于TN较高，导致所评价水体全部是Ⅴ类或劣Ⅴ类，无法评价水质的综合状况。GRNN和BP对标准方法的学习，自动计算因子间的权重系数，消除主观误差，两者评价结果平均相对误差为8.8%，说明将广义回归神经网络用于水质评价是可行的。GRNN及BP评价结果显示2，3月水质污染最严重，均超过水体功能区Ⅲ类水的标准，其余月份都符合Ⅲ类功能。BP网络训练时需要大量的数据，模型参数多，易陷入局部最优，而GRNN只需调整模型平滑因子，为全局收敛。

4结论

GRNN与BP神经网络的水质评价结果基本一致，其评价结果相对误差-0.4-18.6%，说明了GRNN评价水质的可行性。水质评价结果表明待评价水体水质不容乐观，刚好达到或者已经超过功能区标准。一年中污染最重的是2、3两个月份，污染最轻的是8月份。应该加大水体治理力度，特别是春节期间的2、3月份，严查企业偷排行为，减少水体污染物的输入。GRNN用于水质评价时模型参数少、操作简单，通过对标准方法的学习，自动计算因子间的权重系数，评价结果能够综合反映水质状况，有助于管理人员通过大量的监测数据快速掌握不同水体的污染程度，为水资源管理提供重要的技术支持。

参考文献

[1]沈陆娟,周念,蔡建平.基于灰色关联理论的钱塘江河口段水质评价研究[J].数学的实践与认识,2017,47(21):165-171

[3]吴青,赵华荣.基于层次分析的龙岗河水质评价灰色关联分析[J].水利科技与经济,2016,22(1):52-55

[4]孙国红,沈跃,徐应明等.基于多元统计分析的黄河水质评价方法[J].农业环境科学学报,2011,30(6):1193-1199

[5]李清芳,姚靖,黄晓容等.多元统计分析在典型湖库型饮用水水源地水质评价中的应用[J].,环境影响评价,2016,38(6):73-79

[6]周全超.灰色聚类法在地下水水质评价中的应用[J].商丘师范学院学报,2017,33(3):67-70

[8]孙玲玲,刘彬,石宝红等.基于贝叶斯理论和主成分分析法耦合的水质评价[J].水电能源科学,2017,35(11):36-39

[9]华祖林,钱蔚,顾莉.改进型LM-BP神经网络在水质评价中的应用[J].水资源保护,2008,24(4):22-26

[10]邹涛.地下水水质评价中BP人工神经网络模型的应用研究[J].水土保持应用技术,2017,23(1):19-21

[11]牛红惠,尚艳玲.模糊神经网络在水质评价中的研究[J].计算机仿真,2012,29(4):173-176

[12]李丽,张海涛.基于BP人工神经网络的小城镇生态环境质量评价模型[J].应用生态学报,2008,19(12):2693-2698

[13]周燕,王里奥.模糊神经网络在重庆市饮用水原水水质评价中的应用[J].三峡环境与生态,2010,3(1):33-35

[15]陈明等.神经网络原理与实例精解[M].北京:清华大学出版社,2012

[16]兰海涛,李谦,韩春雨.基于广义回归神经网络的边坡稳定性评价[J].岩土力学,2009,30(11):3460-3463

[17]GB3838-2002,地表水环境质量标准[S]

作者：陈广银1,蔡灏兢,朱奕,夏飞 单位：昆山市环境监测站