摘要：水環(huán)境質量評價為水環(huán)境政策提供依據(jù)。目前用于水環(huán)境評價的方法眾多，每一種方法都有其優(yōu)缺點、適應性，其中，人工神經(jīng)網(wǎng)絡法是一種對生物體進行模仿的方法，該方法有著較強的學習能力，能處理水環(huán)境評價因子與評價標準之間非線性關系。本文主要介紹了人工神經(jīng)網(wǎng)絡法和基于此法改進的方法，并將其應用到河南海河流域部分河流斷面的水質評價中，結果表明，該新方法可靠且具有實用性。
　　關鍵詞：人工神經(jīng)網(wǎng)絡；水質評價；河南
　　中圖分類號：X832文獻標識碼：A文章編號：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
　　水環(huán)境評價為水資源的保護、開發(fā)利用和管理決策提供科學的依據(jù)。目前，我國的水環(huán)境質量評價方法主要有：單因子評價法、污染指數(shù)評價法、模糊評價法、灰色評價法等[1]。各種方法都有其優(yōu)缺點和適應性問題。如單因子評價法計算簡便，能很快的判定出水質類別，但以水質最差單項指標所屬類別作為水體綜合水質類別，評價結果表現(xiàn)為過保護；污染指數(shù)評價法能夠直觀判斷綜合水質是否達到功能區(qū)目標， 但是不能直觀判斷綜合水質類別；模糊評價法和灰色評價法評價結果的水質類別不能完全反映國家水質控制標準的要求[2]。
　　目前發(fā)展的人工神經(jīng)網(wǎng)絡法是基于對生物體的模擬，具有較強的學習功能，能處理水環(huán)境評價因子與水質評價標準之間非線性關系[3]，具有一定的模糊性，符合水體客觀環(huán)境，其中的BP神經(jīng)網(wǎng)絡應用廣泛。本文對BP神經(jīng)網(wǎng)絡進行了介紹，并基于此對該方法進行了改進，將其應用到河南部分河流水質評價中去，結果可靠，可以應用到水環(huán)境水質評價中去。
　　1 人工神經(jīng)網(wǎng)絡模型
　　1.1 BP神經(jīng)網(wǎng)絡
　　誤差反向后傳BP神經(jīng)網(wǎng)絡過程由4個部分組成[4]：①輸入層向輸出層的順向傳播；②誤差信號由輸出層經(jīng)隱含層向輸入層的逆?zhèn)鞑�；③學習訓練過程；④求取誤差函數(shù)最小值。
　　1.1.1 模式順傳播
　　輸入層模式向量Xk、輸出層模式向量Yk可分別表示為：
　　Xk=（a1，a2，…，aN），K=1，2，…，L
　　Yk=（b1，b2，…，bM），K=1，2，…，L
　　其中N為輸入層的節(jié)點數(shù)，M為輸出層的節(jié)點數(shù)，L為樣本數(shù)量。隱含層θj、輸出層θi可分別表示為：
　　θj=f（）；θi=f（）
　　其中f為S型激勵函數(shù)：f（x）=1/[1+exp（-x）]，W為連接權重，θ為閾值。
　　1.1.2 誤差的逆?zhèn)鞑?br>　　誤差的逆?zhèn)鞑ミ^程是由輸出層的誤差向中間層的誤差進行傳遞的過程。在傳遞過程中需要計算輸出層、隱含層各單元的一般化誤差，得出校正誤差和，然后調整各單元之間的連接權和閾值。調整公式按下式給出：
　　Δvjt=ɑ；Δrt=ɑ
　　Δwij=β；Δθj=β
　　1.1.3 學習訓練過程
　　學習訓練過程是指根據(jù)希望輸出結果與實際輸出結果之間的誤差調整連接權的反復學習過程。
　　1.1.4 收斂過程
　　收斂過程即求取全過程誤差最小值的過程，全過程誤差E最小值可由下式計算得出：
　　E=
　　1.2 改進的BP神經(jīng)網(wǎng)絡
　　傳統(tǒng)的BP神經(jīng)網(wǎng)絡可操作性強，但存在一些缺陷，主要有：訓練時間過長，由于BP算法需進行多次訓練才能達到收斂要求，這樣對于一些復雜問題學習效率低下；可能存在不能收斂問題，如果修正值過大，可能導致在修正過程中能不到最小誤差值；得到的可能是局部最小值，訓練過程是從誤差函數(shù)斜面達到最小值的，而對于復雜網(wǎng)絡呈現(xiàn)的是多維的空間結構，這會使得訓練在某一維結構形成局部最小值。對于存在的這些問題可以通過加快收斂速度、改變隱含層的單元個數(shù)來予以解決。加快收斂速度是通過使學習系數(shù)取得較大值，加快學習速度來實現(xiàn)的。為了使學習系數(shù)取得較大值，學習過程中通過加入慣性沖量過濾掉了高頻振蕩，這個過程中需要對權值進行修正。

相關熱詞搜索：神經(jīng)網(wǎng)絡 河南 水質 河流 改進