摘要：本論文試圖應用BPANN網(wǎng)絡，來評價湖泊水庫的水質(zhì)。文采用4層的網(wǎng)絡結(jié)構(gòu)，兩層隱含層都是4個神經(jīng)元節(jié)點，輸出層只有一個節(jié)點，代表評價結(jié)果，輸入層5個節(jié)點，代表5個評價參數(shù)。經(jīng)過驗證，本訓練算法比傳統(tǒng)算法收斂速度快，魯棒性強。為湖庫水質(zhì)評價提供新的思路和工具。
　　關鍵詞：河流論文，人工神經(jīng)網(wǎng)絡，水質(zhì)，GaussNewton算法
　　1.前言
　　河流水體作為淡水資源的重要組成部分，在灌溉、人類生活用水的供應、生活污水和工業(yè)廢水的接納等密切相關。水質(zhì)的評價是一個復雜的問題，目前主要的評價方法主要有兩大類，一類是以水質(zhì)的物理化學參數(shù)的實測值為依據(jù)的評價方法；另一類是以水生物種群與水質(zhì)的關系為依據(jù)的生物學評價方法。較多采用的是物理化學參數(shù)評價方法，其中又分單因子法和多項參數(shù)綜合評價法。前者即用某一參數(shù)的實測濃度代表值與水質(zhì)標準對比，判斷水質(zhì)的優(yōu)劣或適用程度。多項參數(shù)綜合評價法即把選用的若干參數(shù)綜合成一個概括的指數(shù)來評價水質(zhì)。多因子指數(shù)評價法用兩種指數(shù)即參數(shù)權(quán)重評分疊加型指數(shù)和參數(shù)相對質(zhì)量疊加型指數(shù)兩種。參數(shù)權(quán)重評分疊加型指數(shù)的計算方法是，選定若干評價參數(shù)，按各項參數(shù)對水質(zhì)影響的程度定出權(quán)系數(shù)，然后將各參數(shù)分成若干等級，按質(zhì)量優(yōu)劣評分，最后將各參數(shù)的評分相加，求出綜合水質(zhì)指數(shù)。數(shù)值大表示水質(zhì)好，數(shù)值小表示水質(zhì)差。用這種指數(shù)表示水質(zhì)，方法簡明，計算方便。參數(shù)相對質(zhì)量疊加型指數(shù)的計算方法是，選定若干評價參數(shù)，把各參數(shù)的實際濃度與其相應的評價標準濃度相比，求出各參數(shù)的相對質(zhì)量指數(shù)，然后求總和值。根據(jù)生物與環(huán)境條件相適應的原理建立起來的生物學評價方法，通過觀測水生物的受害癥狀或種群組成，可以反映出水環(huán)境質(zhì)量的綜合狀況，因而既可對水環(huán)境質(zhì)量作回顧評價，又可對擬建工程的生態(tài)效應作影響評價，是物理化學參數(shù)評價方法的補充。缺點是難確定水污染物的性質(zhì)和含量。隨著計算機計算的發(fā)展，神經(jīng)網(wǎng)絡也被越來越多用在水質(zhì)評價工程中。神經(jīng)網(wǎng)絡是一種非常適合解決復雜的非線性響應關系的數(shù)學模型。它可以用在分類、聚類、預測等方面，通過歷史數(shù)據(jù)對神經(jīng)網(wǎng)絡進行訓練，網(wǎng)絡可以學習到數(shù)據(jù)中隱含的非線性映射關系。本文試圖應用人工神經(jīng)網(wǎng)絡，來評價河流的水質(zhì)，并對訓練方法進行探討，采用MATLAB語言編寫相應的評價程序進行實例評價，試圖找出此種算法和傳統(tǒng)BP算法在水質(zhì)綜合評價中的優(yōu)缺點。
　　2.網(wǎng)絡結(jié)構(gòu)和數(shù)據(jù)預處理
　　采用BPANN網(wǎng)絡，網(wǎng)絡分一層輸入層、一層輸出層和幾層隱含層組成。同一層之間的神經(jīng)元之間沒有聯(lián)系，相鄰兩層的神經(jīng)元之間通過連接權(quán)值和激活函數(shù)進行連接。在訓練的過程中，通過不斷調(diào)節(jié)連接權(quán)值來使網(wǎng)絡的仿真結(jié)果逐漸接近期望值。本文采用4層的網(wǎng)絡結(jié)構(gòu)，兩層隱含層都是4個神經(jīng)元節(jié)點，輸出層只有一個節(jié)點，代表評價結(jié)果，輸入層5個節(jié)點，代表5個評價參數(shù)。
　　評價標準選《國家地表水環(huán)境標準》（GB3838-2002），訓練樣本直接由該標準生成。輸出層和輸入層進行線性歸一化處理。
　　3.GaussNewton算法
　　針對傳統(tǒng)BPANN算法的收斂速度慢，魯棒性弱，容易陷入局部極小值的缺點，采用了改進的算法Gauss-ANN算法。激活函數(shù)采用sigmoid函數(shù)，層與層之間的連接權(quán)值和閾值隨著每次的訓練修正出新值。每次訓練用Gauss-ANN方法計算出權(quán)值和閾值的修正值。
　　4.結(jié)果
　　為了驗證Gauss-Newton算法的性能，將它與傳統(tǒng)BP算法進行比較。使用生成的訓練樣本進行訓練，兩種算法各訓練10次，每次訓練最多迭代200000次，網(wǎng)絡誤差函數(shù)為所有訓練樣本誤差的平方和。誤差為3.0的時候認為網(wǎng)絡收斂。表1為訓練過程對比，表2為水質(zhì)的評價結(jié)果。從結(jié)果看，水質(zhì)都在地表水環(huán)境質(zhì)量標準里面的1類水水平。
　　
　　表1兩種算法訓練和評價結(jié)果比較
　　 傳統(tǒng)BP算法 RPROP算法
　　迭代次數(shù) 200000 22700
　　誤差 12.25 6.0
　　收斂次數(shù) 1 3
　　訓練樣本準確率（%） 75.1 92.5
　　驗證樣本準確率（%） 74.2 91.2
　　
　　表2評價結(jié)果
　　 NH3-N TP COD BOD 評價結(jié)果
　　斷面I 0.002 0.034 3 1.0 1.22
　　斷面II 0.002 0.020 4 1.0 1.17
　　斷面III 0.002 0.012 2 1.0 1.13
　　
　　
　　5.建議
　　（1）使用的訓練算法，使神經(jīng)網(wǎng)絡的收斂速度加快，魯棒性加強，適合用在水質(zhì)評價工作。
　　（2）建議對水質(zhì)隨時間周期變化的規(guī)律進行跟蹤評價。
　　參考文獻
　　[3]馬宗仁，劉巖.Levenberg-Marquardt算法在湖泊富營養(yǎng)化評價中的應用.城市建設理論研究，2011(04)：