基于遗传神经网络的环境质量评价系统
人工神经网络在大气环境质量评价中的应用
（． １国防科技工业 自然环境试验研究中心 ， 重庆 ４０ ３ ； ． ００ ９ ２ 重庆通信学院计算机应用中心 ， 重庆 ４０ ３ ） ０ ０５
摘要 ： 对 大 气环境 中的数 据 监测 与模 式识 别 问题 ， 用人 工神 经 网络理 论 ， 自然环 境 大 气腐蚀 试 验 针 应 பைடு நூலகம் 网站建 立大 气环境 质 量 Ｂ Ｐ网络评 价模 型 。江津 试验 站 成 功 地 应 用 了该 模 型 。通 过 １９ — ９ ６—２ ０ ０ ０年 大 气环
ｕ ｔｏ ａ ｉｎ．
Ｋｅ ｒ ｓ：ａｔｆ ｉｌｎ ｕ ａ ｅ ｗ ｒ ｙ ｗｏ ｄ ｒ ｉ ａ ｅ ｒｌｎ ｔ ｏ ｋ；ａ ｍｏ ｐ ｅ ｉ ｅ ｖ ｒ ｎ ｎ ；ｅ ｖ ｒｎ ｎ ａ ｖ ｌ ａ ｉｎ；Ｂ Ｐ ａｇ ｒ ｈ ｉｃ ｔ ｓ ｈ ｒ ｎ ｉｏ ｍｅ ｔ ｎ ｉ ｍｅ ｔ ｌｅ ａ ｕ ｔ ｃ ｏ ｏ — ｌ ｏｉ ｍ ｔ
维普资讯
装 备 环 境 工 程
・
８ ・ ２
Ｅ ＵＰ Ｅ Ｔ Ｎ ＩＯ Ｍ Ｎ Ａ Ｅ ＧＮ Ｅ ＩＧ Ｑ Ｉ Ｎ Ｅ ＶＲ Ｎ Ｅ Ｔ Ｌ Ｎ ＩＥ ＲＮ Ｍ
第３ 卷 第５ 期 ２０ 年 １ 月 ０６ ０
人 工神 经 网络在 大气 环 境 质 量 评 价 中 的应 用
近１ ０年来 ， 内外学 者根 据不 同 的大气环 境 污 国 染状 况 ， 提出 了不 同 的大 气 环境 质 量 评 价 的数 学 模 式 ｕ 。由于大 气 环 境 质 量 评 价 实 质 上 是 根 据 各 评 』 价 指标 的大气 环境 分 级 标 准 ， 被 评 价 的环 境 对 象 将 的各项 指标 的监测 数 据与各 级标 准进行 比较 、 别 ， 辨 看 它与 哪级标 准最 靠 近 ， 因此 大 气 环 境评 价 属 于 模
基于遗传神经网络的环境质量评价系统
１ Ｂ Ｐ神 经网络
反向传播 （ Ｐ 算法又称为误差逆传播 校正 Ｂ）
方法 ， 它是 １７ ～１８ ９ ４ ９５年 Ｐ Ｗｅ ｏ（ ． ｒ ｓ哈佛 大学 ） ｂ
提出的。Ｂ 算法用来训练多层前馈神经 网络 ， Ｐ 属
节点、 出节点 ）用遗传 Ｂ 输 ， Ｐ算法对该 网络进行
权值 、 阈值优化 （ 通过遗传学算 法进行全局训 先 练， 再用权重调整 Ｂ Ｐ算法进行精确训练 ）具 体 ，
学者针对以上问题在学习算 法、 网络结构、 训练方
式及样本处理几方面提出了很多改进措施。本文
交叉、 ） 变异 到最大代数 （ 令为 ｋ ）如果代数 ＜ｋ Ｎ， Ｎ 返回２， ）否则保存群体 ｎ个个体值 ， 以备后用 ， 令
ｉ Ｏ： ：
选取遗传算法 与神经 网络相结合来解 决上述 问
题， 使网络训练达到 比较理想 的效果。
维普资讯
第３ 卷 第１ 期
华北科技学院学报
２０ 年 ３ ０６ 月
基 于遗 传 神 经 网 络 的 环 境 质 量 评 价 系统 ①
蒯圣龙 ， 李云辉２
（． １ 安徽 水利水 电职业技术学 院， 安徽 合肥 ２ ００ ； ． ３ ６ １２ 昆明理工大学 国土资源工程学院 ， 云南 昆明 ６ ０ ９ ） ５ ０ ３
５ 选择 ４ 中达 到精度最高的一组权值 和阈 ） ）
① 收稿 日 ￣０ ５１ — 期 ２ ０ ２ ３ ０ ② 作者简介 ： 蒯圣龙（９０ ）男 ， １８ ， 安徽人 ， 安徽水利水电职业技术学院 ， 主要从事环境教学工作 。
６ ２
维普资讯
又将三种评价方法的评价结果进行对 比， 到该方法 的评价结果 比传 统的专家评价法 的评价结果更加准确 。 得 因此该方法也为环境质量评价提供 了一种新的研究思路和分析方法 。 关键词 ： 环境质 量评价 ； 遗传算法 ；Ｐ算 法； Ｂ 预测精度 ； 遗传神经 网络 中图分类号 ： ８ ０ ２ Ｘ ２ ． 文献标识码 ： Ａ 文章 编号 ：６ ２ １ ９２ ０ ） １ ０ ２—０ １７ —７ ６ （０ ６ ０ —０ ６ ３
基于GA-BP-SD模型的生态环境质量综合评价
２ Ｉｓｔｔ ｏ ｅｇａｈｃＳ ｉ ｃｓａｄＮ ｔｒｌ ｅｏ ｒｅ ｅｅｒｈ Ｃ ｉｅｅＡ ａｅ ｆ ｃ ｎ ｅ， ｅ ｉｇ１０ ０ ， ｈ ａ ．ｎｔｕｅ ｆ ｏｒｐ ｉ ｃ ｎ ｅ ａｕａ Ｒ ｓｕｃｓ ｓａｃ ， ｈ ｓ ｃｄｍｙｏ ｉ ｃｒ Ｂ ｉｎ ０ １ １ Ｃ ｉ ） ｉ Ｇ ｅ ｎ Ｒ ｎ Ｓｅ ｊ ｎ
Ａｂ ｔａ ｔ Ｉ ｅ ｅ ｔｙ ａｓ ｃ ｌｇｃ ｌ ｎ ｉ ｎ ｎ ａ ｕ ｉ ｆｓ ｌ ｔｗｎｉ ｕ ｏ ｎｒ ｓｂ ｃ ｍｉｇｔｒｉｌ ｓｒ ｃ ：ｎ ｒｃｎ ｅ ｒ ，ｅ ｏｏ ｉａ ｖｒ ｍｅ ｔｌ ａ ｔ ｏ ｍａｌ ｏ ｎｏ ｒｃ ｕ ｔ ｉ ｅ ｏ ｎ ｒ ｅ，ａ ｄ ｔｅｄ ｖ １ ｅ ｏ ｑｌ ｙ ｙ ｅ ｂ ｎ ｈ ｅ ｅ．
ｍｅ ｔｌｑ ａｉ ｓｓｔ ｐｂ ｓ ｄｏ ｎａ ｕ ｌｙｗａ ｅ ａｅ ｎ ＧＡ —Ｂ —Ｓ ｔ ｕ Ｐ Ｄ．Ｔ ｅｉ ｔ ｌ ｉｈｓａ ｄｔｒｓ ｏｄｏ ａｋ— ｐｏ ａ ａｉｎｎ ｕ ａ ｅｗｏｋ ｗ ｒ ｐ ｈ ｉ ｇ ｔ ｈ ｈ ｌ ｆ ｃ ｉ ｎ ａ ｗｅ ｎ ｅ ｂ ｒｐ ｇ ｔ ｅ ｒｌ ｔ ｒ ｅｅｏ － ｏ ｎ ｔ ｚ ｄ ｔ ｈｓｍｏ ｅ ｙｇ ｎ ｔ ｌｏｉ ｍｓ ｉ ｅ ｏ ｔｉ ｍｉ ｄ ｌ ｅ ｅｉ ａｇ ｒｔ ．Ａｎ ｈ ｕ ｏ ｄｎ ｔ ｅ ｒｅｗａ ｎｒｄ ｃ ｄｉｔ ｉ ｄ ｌｔ ｎ ｗ ｅｉｆ ｅ ｃ ａ ． ｂ ｃ ｈ ｄｔｅｓ ｂ ｒｉａｅｄ ｇｅ ｓｉｔ ｕ ｅ ｏｔ ｓｍｏ ｅ ｏｋ ｏ ｔ ｌ ｎ ｅｆｃ ｏ ｎ ｈ ｈ ｎ ｕ
基于GA-BP神经网络的环境质量评估方法
文 章 编 号 ：０６— ３ ８ ２ １ ） ７— １ １ ４ １０ ９ ４ （０ ０ ０ ０ ２ —０
计
算
机
仿
真 Leabharlann ２１年７ ００ 月基 于 ＧＡ —Ｂ Ｐ神 经 网 络 的环 境 质 量 评 估 方 法
柳益 君 吴访升 蒋红芬 陈 ， ， ， 丹
（ ．江苏技术师 范学 院计算机科学与工程学院 ， １ 江苏 常州 ２ ３ ０ ；．南京航空航 天大学信息科学与技术学 院， １０ １ ２ 江苏 南京 ２０ １ ） １０ ６ 摘要 ： 应用神经 网络技术进行环境质量评估 ， 为了提高评估 的准确度和科学性 ， 涉及多 目标 的复杂系统 ， 因此对环境保 护和 正确决 策制定具有重要意义 。利用一种基于遗传算法优化 Ｂ Ｐ神 经网络进行 环境质 量评估 的新 方法 。利 用遗传算 法优化 Ｂ Ｐ神经网络初始权值 ， 充分发挥 Ｇ Ａ全 局寻优 的能力 和 Ｂ Ｐ算法局部细致搜索优势 。并通过 ＭＡ Ｌ Ｔ ＡＢ工具进行 仿真模拟计 算。结果表 明， 基于 Ｇ Ａ—Ｂ Ｐ算法的神经 网络 系统对环境质量评估有着 良好 的性能 ， 与标准 Ｂ Ｐ网络相 比， 收敛速度快 ， 具有 更好的全局收敛性 ， 并提高 了评估准确率对保 护环境提供依据 。 关键词 ： 向传播神经网络 ； 反 遗传算法 ； 环境质 量评估
２ ｏｌ ｅｏ Ｉｆｒ ａｉ ｃ ｎ ｅａ ｄ Ｔ ｃ ｎ ｌｇ ， ａ ｊ ｇ Ｕ ｉ ｒ ｔ ｆ ｅｏ ａ ｔ ｓａ ｄ Ａ ｔ ｎ ｕｉ ， ．Ｃ ｌ ｇ ｆ ｎｏｍ ｔ ｎＳ ｉ ｃ ｎ ｅ ｈ ｏｏ Ｎ ｎｉ ｎｖ ｓ ｙＯ ｒｎ ｕｉ ｎ ｓ ｏ ａ ｔ ｓ ｅ ｏ ｅ ｙ ｎ ｅｉ Ａ ｃ ｒ ｃ
ｔ ｋ ｕ ｌｕ ｅ ｏ ｌｂ ｌｏ ｔ ｚ ｔ ｎ ｏ ｎ ｏ ａ ａ ｃ ｒ ｔ ｅ ｒｈ ｎ ｆＢ ｏ ｍａ ｅ ｆ ｌ ｓ ｆｇｏ ａ ｐ ｉ ａ ｉ ｆＧＡ ａ ｄ ｌ ｃ ｌ ｃ ｕ ａｅ ｓ ａｃ ｉ ｇｏ Ｐ．Ｍａｌｂ ｓ ｆ ａ ｅ ａ ｄ ｉ ｅ ｒｌｎ ｔ ｍｉ ｏ ｔ ｏ ｔ ｒ ｎ ｔ ｎ ｕ ａ ｅ— ａ ｗ ｓ
基于神经网络的水质污染预测模型建立
基于神经网络的水质污染预测模型建立随着工业化程度的不断提高，水质污染问题日益突出，给我们的生态环境和人民的身体健康带来了严重威胁。
为了对水质进行有效监测和管理，建立一套准确的水质预测模型是很必要的。
在过去的年代里，人们运用统计学、机器学习等方法建立模型，但是由于数据量庞大、特征多、细节繁琐等问题，传统的方法无法令人满意。
近年来，运用神经网络模型来解决复杂的问题已经成为一种流行的趋势。
我们可以通过建立基于神经网络的水质污染预测模型，来有效实现水质污染的预测和管理。
一、神经网络简介神经网络是一种模仿生物神经系统特意进行储存和处理信息的计算模型。
通常，神经网络由多个神经元（或者称作节点）组成，并被连接起来，形成复杂的计算单元。
在神经网络中，每个神经元会对信号进行处理，从而产生输出。
不同的神经元之间通过连接进行交流，连接可以是有权值、有方向性的，这些连接的权重和状态可以通过无数次反向传播、优化算法来进行调整，以建立正确的模型，来实现数据的处理和学习。
二、数据收集和预处理要建立基于神经网络的水质污染预测模型，首先要进行数据收集和预处理。
数据收集：需要搜集和准备符合我们需要的数据文件，包括丰富的时间序列、不同地域的水质监测数据、水源补给源、污染源和气象数据等。
比如，我们可以从搜集水质监测数据、河流流量和污染物发生的地点、时间信息等方面的数据进行收集。
但是，由于建立模型的质量取决于数据集的品质和规模，所以我们必须根据专家的建议和业界的规范来进行数据采集。
预处理：数据预处理是指对原始数据进行处理，使之符合建模的要求。
在神经网络中，数据预处理包含数据标准化、特征选择和样本分割等步骤。
通过数据标准化，我们可以将样本数据中的每个数据系数转化为数值范围在0和1的机率，从而避免了不同变量的存在导致的评估权重的具体影响；通过特征选择，我们可以提取对最后结果关键作用的变量，而将低价值的变量丢掉，可以获得更好的预测结果；通过样本分割，则可以将数据集合划分成训练集和测试集，对于需要监督学习的神经网络而言，它是很重要的。
基于遗传算法的BP神经网络在高职教学质量评估中的应用
通过把神经 网络和 遗传算 法有机 地结合 、 对 如 相 评估法 、 评等法 、 语法 、 评 写实法和综 合评分 法等 方法 或 者过 于主观 ， 者通过 简单 的数学运 算 （ 加减 乘 或 如 除） 来评价教学效果 ， 忽视了各评价指标和教学效果之
过程而形成 的一种 自适应全局优化搜 索算法 。主要包
合理 ， 不能体现高职院校教 学的特 点 ； 评估体 系中往 ②
往含 有许 多非定量 的因素 ， 系输入输 出之间存在 复 体 杂 的非线性关系 ， 以建立一个合理 的、 难 科学 的数学模
括选择 、 交叉和变异等操作 ， 具有简单通 用、 鲁棒性强 、
常用的遗传 编码 方式有 实数 编码 （ｅ ｌ ｕ ｅ ｒａ —ｎ ｍｂ ｒ
ｅ ｃｄｎ ） 二进 制 编码 （ ｉ ｒ ｅ ｃｄｎ 。实数 编 ｎｏ ｉ 和 ｇ ｂｎ ｙ ｎｏ ｉ ａ ｇ）
码精度高 ， 便于大空间搜 索 ； 制编码符合 高等生物 二进 染色体 为双倍体 的重要 生物特性 ， 期记忆 作用 ， 有长 便 于实行各种遗 传操作 一 。为 了方便遗传操作 ， 对权系
数采用二进制编码 。
输 出层节 点
２ 训练 目标 函数 ）
定义 Ｐ 个样本训练 网络实际输 出与样本评估值 的
中间层节点，
误 差平方和 的均值为训练 目标 函数 ：
Ｅ Ｏｐ ９ Ｏｐ ／ ＝ ／） 一 】 ／） Ｚ［ ＺＥ
ｐ ＝ｌ ｐ＝ ｌ
优 化网络 的运行参数 ， 把优化 结果作为 Ｂ 算 法的初始 Ｐ 值 再用 Ｂ Ｐ算法训练网络 ， 样交 替运行 Ｂ 这 Ｐ算法和 遗
以被 人们接 受 ： 用传 统的方法评价某 些指标 的结果 ④ 很难做 出精确 的评价并且计算复杂 ， 求解 繁琐 ， 这些算 法也缺 乏 自学 习能 力。 Ｂ 神 经 网络 又 称 为 “ 差反 向传 播 神 经 网络 ” Ｐ 误 （ｒ ｒ ａ ｋＰ ｐ ｇ ｔ ｎ ， Ｅ ｏ ｃ ｒ ａ ａｏ ） 为高职院校教学 质量评估提 ｒ Ｂ ｏ ｉ
基于BP神经网络的信息系统运行质量评价模型
Microcomputer Applications V ol.27,No.12,2011研究与设计微型电脑应用2011年第27卷第12期文章编号：1007-757X(2011)12-0009-04基于BP神经网络的信息系统运行质量评价模型龚代圣，杨栋枢，王文清，杨德胜摘要：信息系统运行质量评价是供电企业信息系统运维的重要工作，其中关键的一项就是对信息系统运行质量进行分析评估，这对于信息系统运行可靠具有重要意义。
在分析影响信息系统运行质量因素的基础上，构建了信息系统运行质量评价指标体系，将遗传算法神经网络原理引入信息系统运行质量评价，构建了基于遗传算法和神经网络的信息系统运行质量评价模型，为供电企业的信息系统运行质量评估研究提供模型和方法的支撑。
实证结果表明：模型具有较强的自组织、自学习和自适应能力，模型评估结果比较客观合理。
关键词：信息系统；指标体系；运行质量评价；遗传算法；神经网络中图分类号：TP311文献标志码：A0引言供电企业是国内应用信息技术较早的行业之一，先后经历生产过程自动化、管理信息化等建设阶段。
目前，供电企业信息系统运行呈现出基础设备齐备、数据庞杂、应用广泛等特点，因此，对信息系统运行质量进行评估显得格外重要。
信息系统运行质量评价是为了提升信息化运行保障能力，准确而客观地评价信息系统运维水平，从而有效地指导信息系统安全、高效、经济运行。
如何积极开展信息系统运行质量评估来降低信息系统安全运行风险？通过何种指标来科学评价供电企业的信息系统运行质量发展水平？这是当前供电企业必须解决的一个问题，而目前供电企业还没有一套完整的供电企业的信息系统运行质量评价指标体系正式发布。
通过构建科学的、实用的、有效的供电企业信息系统运行质量评价指标体系，采用具有学习、记忆、归纳、容错及自学力、自适应能力的基于遗传算法的BP神经网络算法，科学有效地评价供电企业的信息系统运行质量，有利于规范和完善供电企业的信息系统运行水平建设，促进信息系统运维水平健康与快速的发展。
毕业设计论文基于遗传算法的BP神经网络的优化问题研究.doc
编号：审定成绩：重庆邮电大学毕业设计（论文）设计（论文）题目：基于遗传算法的BP神经网络的优化问题研究学院名称：学生姓名：专业：班级：学号：指导教师：答辩组负责人：填表时间：2010年06月重庆邮电大学教务处制摘要本文的主要研究工作如下：1、介绍了遗传算法的起源、发展和应用，阐述了遗传算法的基本操作，基本原理和遗传算法的特点。
2、介绍了人工神经网络的发展，基本原理，BP神经网络的结构以及BP算法。
3、利用遗传算法全局搜索能力强的特点与人工神经网络模型学习能力强的特点，把遗传算法用于神经网络初始权重的优化，设计出混合GA-BP算法，可以在一定程度上克服神经网络模型训练中普遍存在的局部极小点问题。
4、对某型导弹测试设备故障诊断建立神经网络，用GA直接训练BP神经网络权值，然后与纯BP算法相比较。
再用改进的GA-BP算法进行神经网络训练和检验，运用Matlab软件进行仿真，结果表明，用改进的GA-BP算法优化神经网络无论从收敛速度、误差及精度都明显高于未进行优化的BP神经网络，将两者结合从而得到比现有学习算法更好的学习效果。
【关键词】神经网络BP算法遗传算法ABSTRACTThe main research work is as follows:1. Describing the origin of the genetic algorithm, development and application, explain the basic operations of genetic algorithm, the basic principles and characteristics of genetic algorithms.2. Describing the development of artificial neural network, the basic principle, BP neural network structure and BP.3. Using the genetic algorithm global search capability of the characteristics and learning ability of artificial neural network model with strong features, the genetic algorithm for neural network initial weights of the optimization, design hybrid GA-BP algorithm, to a certain extent, overcome nerves ubiquitous network model training local minimum problem.4. A missile test on the fault diagnosis of neural network, trained with the GA directly to BP neural network weights, and then compared with the pure BP algorithm. Then the improved GA-BP algorithm neural network training and testing, use of Matlab software simulation results show that the improved GA-BP algorithm to optimize neural network in terms of convergence rate, error and accuracy were significantly higher than optimized BP neural network, a combination of both to be better than existing learning algorithm learning.Key words：neural network back-propagation algorithms genetic algorithms目录第一章绪论 (1)1.1 遗传算法的起源 (1)1.2 遗传算法的发展和应用 (1)1.2.1 遗传算法的发展过程 (1)1.2.2 遗传算法的应用领域 (2)1.3 基于遗传算法的BP神经网络 (3)1.4 本章小结 (4)第二章遗传算法 (5)2.1 遗传算法基本操作 (5)2.1.1 选择(Selection) (5)2.1.2 交叉(Crossover) (6)2.1.3 变异(Mutation) (7)2.2 遗传算法基本思想 (8)2.3 遗传算法的特点 (9)2.3.1 常规的寻优算法 (9)2.3.2 遗传算法与常规寻优算法的比较 (10)2.4 本章小结 (11)第三章神经网络 (12)3.1 人工神经网络发展 (12)3.2 神经网络基本原理 (12)3.2.1 神经元模型 (12)3.2.2 神经网络结构及工作方式 (14)3.2.3 神经网络原理概要 (15)3.3 BP神经网络 (15)3.4 本章小结 (21)第四章遗传算法优化BP神经网络 (22)4.1 遗传算法优化神经网络概述 (22)4.1.1 用遗传算法优化神经网络结构 (22)4.1.2 用遗传算法优化神经网络连接权值 (22)4.2 GA-BP优化方案及算法实现 (23)4.3 GA-BP仿真实现 (24)4.3.1 用GA直接训练BP网络的权值算法 (25)4.3.2 纯BP算法 (26)4.3.3 GA训练BP网络的权值与纯BP算法的比较 (28)4.3.4 混合GA-BP算法 (28)4.4 本章小结 (31)结论 (32)致谢 (33)参考文献 (34)附录 (35)1 英文原文 (35)2 英文翻译 (42)3 源程序 (47)第一章绪论1.1 遗传算法的起源从生物学上看，生物个体是由细胞组成的，而细胞则主要由细胞膜、细胞质、和细胞核构成。
基于遗传算法与神经网络的桥梁结构健康监测系统研究
基于遗传算法与神经网络的桥梁结构健康监测系统研究一、本文概述随着现代桥梁结构的日益复杂化和大型化，其健康监测与维护问题日益凸显。
为了有效应对这一挑战，本文提出了一种基于遗传算法与神经网络的桥梁结构健康监测系统。
该系统结合了遗传算法的全局优化能力和神经网络的强大学习功能，旨在实现对桥梁结构的实时、精确监测，以及及时预警和有效维护。
本文首先概述了桥梁结构健康监测的重要性和紧迫性，以及传统监测方法存在的局限性和不足。
然后，详细介绍了遗传算法和神经网络的基本原理及其在桥梁结构健康监测中的应用。
在此基础上，构建了一种基于遗传算法与神经网络的桥梁结构健康监测系统框架，并阐述了其工作流程和实现方法。
通过实验验证和对比分析，本文证明了所提系统的有效性和优越性。
该系统不仅能够实时监测桥梁结构的健康状态，还能够对潜在的安全隐患进行预警和评估，为桥梁结构的维护和管理提供了有力的技术支持。
本文总结了研究成果，并展望了未来的研究方向和应用前景。
本文的研究工作不仅有助于推动桥梁结构健康监测技术的发展，也为其他领域的智能监测和维护提供了新的思路和方法。
二、桥梁结构健康监测技术概述桥梁结构健康监测技术是近年来土木工程领域的研究热点，它综合运用了传感器技术、信号处理技术、结构分析方法和等手段，旨在实时评估桥梁的安全性能和运营状态。
桥梁健康监测不仅对于保障交通安全、预防重大事故具有重要意义，同时也是桥梁养护和维修决策的重要依据。
传统的桥梁健康监测方法主要依赖于人工巡检和定期的结构检测，这些方法不仅效率低下，而且难以全面覆盖桥梁的各个关键部位。
随着科技的进步，尤其是传感器技术的发展，桥梁健康监测逐渐实现了自动化和智能化。
通过在桥梁关键部位布置传感器，可以实时监测桥梁的应力、变形、振动等关键参数，为后续的结构分析和健康评估提供数据支持。
在桥梁健康监测中，数据的处理和分析是至关重要的一环。
一方面，由于监测数据往往具有多维、海量、非线性的特点，传统的数据处理方法往往难以应对。
环境质量评估方法与模型建立
环境质量评估方法与模型建立随着经济的发展和人口的增长，环境问题日益引发人们的关注。
环境质量是可持续发展的基础，而环境质量评估就是衡量环境质量变化程度的方式。
本文将介绍一些环境质量评估的方法与模型建立。
一、常规环境质量评估法常规环境质量评估法是目前环境质量评价中常见的一种方法，包括车间环境质量评价、城市环境质量评价等。
这种方法通过对环境质量影响因素进行分析，对环境各项指标进行检测并分析数据，进行综合评价。
针对不同的评价对象确定合适的评价指标，分析各因素之间的相互关系，确定每项因素在综合评价中所占比重，最后得出综合评价结果。
二、环境风险评价法环境风险评价法是在常规环境质量评估法的基础上，增加对环境风险的评估，是一种更为全面的环境质量评估方法。
它在综合性评价结果的基础上，对不确定性、可预见性等因素进行评估，识别出潜在的环境风险并给出对策建议。
这种方法通常从环境质量评估指标、敏感性评估、暴露评估、风险判断等方面入手，通过建立概率模型等手段，对环境质量进行全面评价。
三、神经网络模型神经网络模型是一种人工智能技术，能够模拟人类的神经系统，对海量数据进行处理与分析，具有较高的分类、预测、识别、复合能力。
因此，它在环境质量评估等领域也得到广泛应用。
神经网络模型的建立过程一般包括数据预处理，建立网络结构，设置训练参数，训练网络，并最终得出网络输出结果。
在环境质量评估方面，神经网络模型可以对环境影响因素进行学习和预测，从而得到精确的结果，提高评估准确率。
四、GIS技术GIS（地理信息系统）技术是一种集空间计算、空间数据管理、时空数据分析和空间决策支持于一体的交叉学科，主要应用于电子地图、资源管理、城市规划、环境监测等领域，也在环境质量评估中得到广泛应用。
GIS技术可以对环境质量数据进行分析和建模，将环境质量问题呈现在地图上，对环境质量变化趋势进行分析和预测，通过GIS技术的应用，可以对环境质量监测结果的精度、实时度和科学性进行提升。
遗传神经网络在累积性环境风险评价中的应用
项 目 （ １ ） 中美 国际 合 作 项 目（ ００ Ｆ ９ ９０ 。 ９６ ； ２ １ Ｄ Ａ １ １ ）
作 者 简 介 ：陈凯 （９ ７ ） 男 ， 科 ， 事 环境 风 险分 析 与管 理 １ ８一 ， 本 从
方 向 的研 究 。
一
１一
第 ４卷
第 ２期
陈
凯 等 ． 传 神 经 网络 在 累 积 性 环 境 风 险 评 价 中的 应 用 遗
感 目标 等 风 险 受 体 是 造 成 太 湖 流 域 常 州 段 累 积性 水 环 境 风 险 较 大 的 主要 原 因 。 关 键 词 ： 传 神 经 网络 ； 积 性 环 境 风 险 评 价 ； 湖 流 域 遗 累 太
中图 分 类 号 ： ８ ４ Ｘ ２ 文 献 标 识 码 ：Ａ 文 章 编 号 ： ６４ ６ ３ （０ ２ ２ ０ ０ — ６ １ ７ — ７ ２ ２ １ 卜０ — ０ １ ０
一
笔 者采用 浮点 数编码 方式 ， 权值 和阈值 连在 将 起 组 成染 色体 ， 色体 的长 度 Ｓ ＝Ｒ×Ｓ 染 ＋Ｓ × 。 式 中 ： —— 输 入 数 量 ； ， Ｒ Ｓ —— 隐 含 层 结 点 数 ；
．— —输 出数 量 。 ｓ ：
Ｓ２ ＋ Ｓｌ ＋ Ｓ 。 ２
且 缺乏 自学 习 、 自适 应 能力 。Ｂ Ｐ神 经 网 络 （ ａ ｋ Ｂ ｃ．
２１ ０ ２年 ４月
当前 国 内主 流 的评 价 指标 筛 选 和综 合 评判 方 法 包括层 次分 析法 、 专家 咨询 法 、 主成分分 析法 、 灰 关 联分 析 法 、 值 法 等 。这 些 方 法 在 实 际 应 用 墒
中具有极 大 的主 观性 ， 处理 非 线 性 问题 能 力 较 差 ，
基于神经网络的农业生态环境质量评价
面 行 耕 各 面 积 覆 衣作物 管 地 积 盖 农 重 失 积 积
环
袭均 地 域 林
人 草 水 森
水 亟 土 灌 农 农 土 住 位 溉 田 田 流 面 面 水 土 大
改革开放 以来 ， 竭泽 而 渔式 的发 展方 式 使许 多 地 方 的 经济发展受 到前所未有 的限制 ， 改变这 种现状 使经 济可 持续 发展 和生态环 境的协调 推进 ， 为 当前重 大发展 战略 。我 国 成 作 为农 业 大 国， 以生 态文 明观 来指 导农 业发 展 、 建立 起 可持
（ 、 差 ）图 １ 。 好 中、 （ ）
衣业生态环境质量总体评价
农
业
大报 告 中首次 提出 了建设生 态文 明的新要 求 ， 并把 生态 文明
纳入到建设小康社会的总体 目标之中， 给小康社会注入了生
态文 明的 内涵 ， 国发 展现代化 农业 指 明了方 向。近年 来 为我 将环境 与发展进行 整合性思 考 、 以发展绿 色农业 与 可持续农 业为标 志的生态农 业 已成 为理 论研 究 的热 点 和现 代农 业 发 展的方 向＿ Ｊ 】 。当前对 农业 生 态文 明的研 究 着 重在 政 策法
安徽农 业科学 ，ｏｒａ ｏ Ａｈ ｉ ．ｃ．０ ８３ （ １ ：３３ —１８４ Ｊｕｎｌ ｆ ｎ ｕ Ａ Ｓｉ２０ ，６３ ）１８３ ３３
责任编辑
庆珞
责任校对
张士敏
基 于神 经 网络 的农 业 生态 环境 质 量 评 价
徐多 （徽 宣 市 党 经 教 室安 宣 ） 义 安省城委校管研 ， 城 徽
境
指标评价 体系 。笔者试 图从构建 指标评 价体 系着 手 ， 过研 通 究影响农业生 态 环境 的 １ 个 指 标 ， 定 了农 业 生态 环 境 的 ５ 确 评价指标体 系 。并通过 神经 网络 模型 的设计 ， 出客观 和智 得
BP神经网络的遗传优化及其在教学质量评价中的应用
BP神经网络的遗传优化及其在教学质量评价中的应用摘要由于bp神经网络算法容易陷入局部极小、收敛速度慢的缺点,用具有全局寻优特点的遗传算法对其进行改进,形成用遗传算法训练bp权值的ga-bp算法;通过将该算法应用于教学质量评价中,进一步验证了该算法的有效性和先进性。
关键词 bp神经网络;遗传算法;教学质量评价中图分类号tp18,g420 文献标识码a 文章编号1674-6708(2010)26-0184-011 基于遗传算法的神经网络训练方法1.1 ga-bp算法的概述遗传算法[1]从一组随机产生的初始解(称为群体)开始搜索过程,群体中的每个个体是问题的一个解,称为染色体,这些染色体在后续迭代中不断进化,称为遗传。
遗传主要是通过选择、交叉、变异、运算生成下一代群体,就这样经过若干代进化之后,算法收敛于最好的染色体,即为问题的最优解。
那么可以将遗传算法引入bp神经网络的训练,对权值的初始值进行全局优化,这样可避免 bp神经网络陷入局部极小值,并提高其收敛速度[2,3]。
1.2 用遗传算法学习和对神经网络权值的优化为了方便理解,我们以基础的三层bp神经网络来进行说明。
取wihij为输入层中第i个结点与隐含层第j个结点的连接权值;whoji为隐含层中第j个结点与输出层第i个结点的连接权值[4]。
遗传算法学习bp网络的步骤如下:1)初始化种群p,包括交叉规模、交叉概率pc、突变概率pm等,初始种群取60;2)计算每一个个体评价函数,并按权值将其排序。
3)以概率pc对个体gi和gi+1交叉操作产生新个体和无交叉操作的个体进行直接复制;4)利用概率pm突变产生gj的新个体;5)将新个体插入到种群p中,并计算新个体的评价函数;6)如果找到了满意的个体,则结束,否则转3)。
最后,将群体中的最优个体解码即可得到优化后的网络连接权系数。
接下来则与神经网络的基本算法相同。
2 实例分析算法效果测试根据《正方教学管理系统教学质量评价指标》以及[5]中建立的评价指标体系,我们选取10个二级指标作为输入神经元,取输入层的个数为10。
基于遗传算法的改进BP神经网络模型在水质评价中的应用
Ａｂｓｔｒａｃｌ Ｉｎ ｏｒｄｅｒ ｔｏ ｉｄｅｎｔｉｆｙ ｔｈｅ ｃａｔｅｆ ｌｏｒｙ ｏｆ ａ ｗａｔｅｒ ｂｏｄｙ．ｔｈｅ ｌｈｅｏｒｙ ｏｆ ａｒｔｉｆｉｃｉａＩ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｗａｓ ｉｎｔｒｏ．
ｄｕｃｅｄ ｔｏ ｓｅｔ ｕｐ ａ ｂａｃｋ·ｐｒｏｐａｇａｔｉｏｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ（ＢＰＮＮ）ｍｏｄｅｌ ｆｏｒ ｅｖａｌｕａｔｉｎｇ ｔｈｅ ｗａｔｅｒ ｂｏｄｙ ｑｕａｌｉｔｙ，ｕｔｉｌｉｓａｔｉｏｎ ｖａｌｕｅ，ａｎｄ ｒｅｑｕｉｒｅｍｅｎｔ ｔｏ ｄｅａｌ ｗｉｔｈ．Ｔｏ ｔａｃｋｌｅ ｐｒｏｂｌｅｍｓ ｏｃｃｕ ｒｒｉｎｇ ｉｎ ｔｈｅ ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｂａｃｋ—ｐｒｏｐａｇａｔｉｏｎ（ＢＰ）
第一 作 者 梁珊珊 ，女 ，１９８１年 出生，２００４年 毕 业于 河海 大 学 水文 水资 源 学院 ，在 读硕 士研 究生
一 １７５ห้องสมุดไป่ตู้
Ｓｈ日 增 ａ Ｅｔ７Ｖｆｌ＇Ｏ舢 ｅｎｔａｌ Ｓｃｉｅｎｃｅｓ 基于遗 传算 法的改进 ＢＰ神 经网络 模型在水质评 价中的应用 梁珊珊
不ｌ毛斜 ２００７年 第２６卷 第４期
Ｓｈａｎｇｈａｉ Ｅｎｖ／ＦｏｚＴｉＰ．ｅｎｔａＪ ＳｃＩ＇ ｅｎｃｏｓ
基于遗传算法的改进ＢＰ神经网络模型在水质评价中的应用
Ａｎ Ａｐｐｌ ｉｃａｔｉｏｎ ｏｆ Ｍ ｏｄｉｆｉｅｄ ＢＰＮＮ Ｍ ｏｄｅＩ Ｂａｓｅｄ ｏｎ Ｔｒａｎｓｍ ｉｔ Ａｒｉｔｈｍｅｔｉｃ ｔｏ Ｗ ａｔｅｒ Ｑｕａｌ ｉｔｙ Ｅｖａｌｕａｔｉｏｎ
动 态 系 统 问题 ，利用 神 经 网 络可 以 作 出客 观 、正 确 的 判 断 。
神经网络在水环境影响评价方面的应用
神经网络在水环境影响评价方面的应用摘要：水环境是一个多元、多相、在时间和空间上不断变化的复合开放巨系统，这就决定了水环境保护的复杂性和多变性。
水环境系统内部涉及到相当多的状态变量，很多变量很难精确确定或根本无法确定；各状态变量之间和子系统之间的关系较为复杂，很难定量描述。
将神经网络应用于水环境影响评价，采用改进的BP算法进行水质模拟（该方法较之原有的水质数学模型，结果更加精确，适用范围更广。
关键词：神经网络；水环境；影响评价方面；应用1、前言据环境监测结果统计分析，各项污染物排放总量很大，污染程度仍处于相当高的水平，我国水环境面临的严重问题依然是水体污染和水资源短缺，主要河流有机污染普遍，长期以来，环境信息的管理效率较低，汇总评价困难，迫切需要采用先进的方法来加大预测力度，提高管理水平。
2、人工神经网络在水质预测和评价中的应用现状人工神经网络（ANN）是模拟生物神经网络的人工智能系统，用非线性处理单元模拟生物神经元，用处理单元之间的可变连接强度来模拟突触行为，大量单元依一定形式连接而成的网络[3]。
它不需要任何先验公式，就能从已有数据中自动地归纳规则，获得这些数据的内在规律，具有自学习性、自组织性、自适应性和很强的非线性映射能力，特别适合于因果关系复杂的非确定性推理、判断、识别和分类等问题。
人工神经网络模型共有几十种（如BP、RBF、Cohonen和PNN/GRNN模型等），这里重点介绍BP网络和RBF网络。
近年来，人工神经网络在水质预测和评价中的应用越来越广泛，并取得良好效果。
研究者不断将人工神经网络模型的计算结果与其他方法的结果对比，证实人工神经网络法具有通用性、实用性和客观性。
如研究者应用人工神经网络BP算法，构建了丹江口库区水环境质量评价模型，并与单因子评价法的综合评价结果进行了比较，二者评价结果基本一致。
针对实际水质评价问题，建立了渭河地面水环境质量综合评价的BP神经网络模型，并与单因子法、主成分分析法进行了分析比较，表明BP神经网络可以较好地实现水质综合评价。
基于隶属度-遗传神经网络模型的水质综合评价
向传播神经 网络初始权值和 阈值 用遗 传算法优 化 ， 并将 隶属度 的概念 引入遗传 神 经 网络 ， 以便 确定水 质污 染影响 因子和水质等级． 苏帕河梯级 电站水质监测数据 为例 ， 以 对该模 型进行 了测试 ， 与其他 方法进行 了比较 ． 并 结果表 明， 该方法提 高了运算精度 ， 减小 了全局误 差 ， 方误 差降低 至 ６ ３７ １ 均 ．３ ４×１ ‘ ， 于水质综合 评价 合理 、 ０ ’用 准确 ， 有
２ ｌ ｔｃＰ ｗ ｒ ｎｅｔｅ ｔ ｔ．ｏ Ｙ ｎ ａ ｒｖｎｅ Ｋ ｎ ｉｇ６０ ２ ， ｈｎ ） ．Ｅｅ ｒ ｏ ｅ ｖｓ ｎ ｄ ｆ ｕ ｎｎＰｏｉｃ ， ｕ ｍ ｎ ５０ １ Ｃ ｉ ｃｉ Ｉ ｍ Ｌ ａ
Ａｂ ｔ ａ ｔ： Ａ ｏ ｒ ｈ ｎ ｉｅａ ｓｓｍ ｅ ｔｍｏ ｅ ｆｗａｅ ｕ ｌｔ ｓｓｔｕ ａ ｅ ｎ ｓ ｂ ｒ ｉ ａｅ ｄ ｇｅ ｎｄ ｇ — ｓｒ ｃ ｃ ｍｐ ｅ ｅ ｓｖ ｓｅ ｓ ｎ ｄ ｌｏ ｔｒｑ ａｉ ｗａ ｅ ｐ ｂ ｓ ｄ ｏ ｕ ｏ ｄｎ ｔ ｅ ｒ ｅａ ｅ ｙ ｎ ｔｃ ｎ ｕ ａ ｅｗｏ ｋ Ｉ ｈ ｓｍｏ ｅ ，ｔｅ ｉ ｉ ａ ｉｈｓ ａ ｄ ｔ ｒ ｓ ｏｄ ｏ ａ ｋ— ｒｐ ｇ ｔ ｎ ｎ ｕａ ｅｗｏｋ ｗｅ ｅ ｅｉ ｅ ｒｌｎ ｔ ｒ ． ｎ ｔｉ ｄ ｌ ｈ ｎｔ ｌｗｅｇ ｔ ｎ ｈ ｅ ｈ ｌ ｆｂ ｃ ｐ ｏ ａ ａ ｉ ｅ ｒ ｌｎ ｔ ｒ ｒ ｉ ｏ
基 于隶 属 度 ． 传 神 经 网络 模 型 的水 质 综 合 评 价 遗
王晓玲 ，李松敏 ，段文泉 ，孙月峰
（． １天津大学环境科学与工程 学院 ， 天津 ３０ ７ ； ．云南省 电力投资有 限公 司 ， ００ ２ ２ 昆明 ６ ０ ２ ） ５０ １
基于遗传神经网络的机电产品绿色度评价
ｐｏ ｕｔｇｅｎｄｇｅ．Ａｃｒｉ ｈ ｃｒｓｏ ｔｅｅ ｅｍ ｎ，ｉｓｏ ｓ ｆｃｙｓｔ ａｔｒ ｓｌ． ｒｄ ｅ ｒ ｅ ｃｏｄｎ ｔ ｔｅ ｅｏｄ ｈ ｘ ｒ ｔ ｔｈｗ ￣ｆ ｔ ｉ ｃ ｙｒ ｕｔ ｃ ｒ ｅ ｇｏ ｒ ｆ ｐｉ ｅ ｅ ｌ ａｓ ｏ ｅ ｓ ｆ
Ｋｅ ｗｏ ｄ ： Ｂ ｎ ｕ ａ ｅ ｗｏ ｋ； Ｇｅ ｅ ｃ ａ ｇ ｒ ｔ ｍ ； Ｇｒ ｅ ｖ ｕ ｔ ｎ； Ｇｒ ｅ ｅ ｒ ｅ ｙ ｒｓ Ｐ ｅ ｒｌ ｎ ｔ ｒ ｎｔ ｏｉ ｉ ｌ ｈ ｅ ｎ ｅ ａ ａｉ ｌ ｏ ｅｎ ｄ ｇ ｅ ；
ｔａｎ ｎ ， ｔ ｅ ｎ ｕ ａ ｔ ｒ ａ ｈ ｅ ｅ ｔｓ ｏ ｃ ｍｉｇ ， Ｓ ｈ ｅ ｔ ａ ｒｐ ｓ ｄ ｔ ｐ ｉ ｚ ｈ ｕ ａ ｒ ｉ ｉｇ ｈ ｒ ｌ ｗｏ ｋ ｈ ｓｔ ｒｅｇ ａ ｈ ｒ ｏ ｎ ｓ Ｏ ｔ ｉ ｔ ｓ ｐ ｏ ｏ ｅ ｏ ｏ ｔ ｅ ｔ ｎ ｒ ｌ ｅ ｅ ｎ ｒ ｔ ｓ ｘ ｈ ｍｉ ｅ ｅ
维普资讯
第 ５期 ２０ ０ ６年 ５月
文 章 编 号 ：０ １ ９ ７ ２ｏ ｏ １０ —３ ９ （ｏ ６）５—０５ １ １—０ ３
机 械 设计 与制 造
Ｍａ ｈｎｅ ｖ Ｄｅ ｉ ｎ ｃ ｉ ｒ ｓｇ ＆ Ｍａ ｕ ａ ｔ ｒ ｎ ｆ ｃｕ ｅ —ｌ ５ｌ一
品绿 色度 评价 的 准确性 。 里 首先 阐述 了遗 传神 经 网络模 型 的原理 ， 这 然后 利用该 模 型对机 电产品进
行 实例 分 析 。分析 表 明 ， 用该 模 型获得 结果 是令 人 满意 的 。 采
关键 词 ： Ｐ神 经网 络 ；遗传 算 法 ；绿色 评价 ； 色 度 ；机 电产 品 Ｂ 绿
ＬＮ Ｇ ｎ ・Ｑ Ａ ｎ Ｃ ｌ ｇ ｆ ｌ ｔ ｍ ｃａ ｉａ Ｅ ｇｎ ｅｉｇ Ｈ ｈ ｉ ｎ ｅ ｉ 。 ｈ ｇｈ ｕ２ ３ ２ 。 ｈｎ ） Ｉ ａ ｇ Ｉ Ｎ Ｙａ ｇ（ ｏｌ ｅｏ ｅ ｒ ｅｈ ｎｃｌ ｎ ｉｅｒ 。 ｏ ａ Ｕ ｉ ｒ ｔ Ｃ ａ ｚ ｏ １ ０ ２ Ｃ ｉ ｅ Ｅ ｃｏ ｎ ｖ ｓｙ ｎ ａ
L—M神经网络在北海市城市环境质量评价中的应用
第 ３ ３卷
第 ６期 （ 第 １５期 ） 总 ９
基于ANN的环境质量评价
Ｋｅ ｙ ｗｏｒ ：Ａｒｉｃａ ｅ ｒ ｅｗｏ ｋ；ｂ ｃ ｄｓ ｔ ｉ ｎ ｕａ ｎｔ ｒ ｉ ｆ ｌ ｌ ａ ｋ—ｐ ｏ ａ ａｉｎ ａｇ ｒｔ ｍ ；ｅ ｖｒｎ ｅ ｔｌ ｕ ｉ ｒ ｐ ｇ ｔ ｌｏ ｈ ｏ ｉ ｎ ｉｏ ｍ ｎ ａ ａ ｔ ｑ ｌ ｙ；ａ ｓｓｍｅ ｔ ｓｅｓ ｎ
Ａ ｂｓ ｒ ｃ ：Ｔｈ ｒｉｉｉ ｅ ｒｌｎ ｔ ｒ ａ ｏ ｐｅｅ ｔｅ ｉｆｒ ａｉｎ ｔｅ ｔ ｅ ｔｏ ｈ ｏｅ ｎ ｔ ｒ ｙ ｍ ｅｎ ｆａｍ ｕ ｕ ｌｆｎ ｔ ｎ ｔａ ｔ ｅａｔｆ ａ ｎ ｕａ ｅｗｏ ｋ ｃｎ ｃ ｍ ｌｔ ｈ ｎ ｏｍ ｔ ｒａｍ ｎ ｆｔ ｅｗｈ ｌ ｅｗｏ ｋ ｂ ａ ｓｏ ｔａ ｕ ｃｉ ｃｌ ｏ ｏ
随 着 我 国加 入 Ｗ Ｔ 和 全 民 环 境 意 识 的 提 高 ，环 Ｏ 保 的 呼声 日益 强 烈 ，环 境 与 健 康 已 成 为 人 们 关 注 的 问
题 。 为 了对 环 境 质 量 进 行 评 价 ， 目前 国 内外 已提 出 十
基于遗传算法和BP神经网络的通信网络效能评估
Ａ Ｎ）是在现代神经生物学研究成果基础上发展 Ｎ 起来的一种模拟人脑信息处理机制 的网络系统 ， 它具有处理知识的思维 、 学习和记忆能力， 在解决 非线性等复杂问题时具有较强的优越性 ，具有推 导过程严谨 、 精度较高 、 通用性较好等优点。 Ｐ Ｂ 神 经网络就是采用了 Ｂ Ｐ算法的前馈网络 。遗传算 法 （ ｅｅｃＡｇｒｈ Ｇ 是一 种基 于生 物进 化论 Ｇ ｎｔ ｌ ｉｍ，Ａ） ｉ ｏｔ 和 自然遗传学说的自适应随机全局优化算法 ， 它 适合求解那些带有多参数、 多变量 、 目标和在多 多 区域 但连 通较 差的 Ｎ — ａｄ 化 问题。 （ 图 １ Ｐ ｈｒ 优 见 ） 对通信网络效能评估的方法较多， 例如层次 分析法、 模糊综合评判法、 灰色关联法等。但使用 这些算法时，指标权重的确定受人为因素影响较 大，模型精确性稍显不足。 充分发挥遗传算法与 Ｂ Ｐ神经网络算法各自的优点，将两者结合起来 ， 构建 Ｇ — Ｐ神经网络模型 ， ＡＢ 用于对通信网络效能 进行评估 ， 具有较强高的精确性。 ２通信网络效能评估指标体系 影 响 通信 网络 效能 的 因素很 多 ， 了能从 中 为 选择出合适 的指标， 正确反映网络的整体效能， 需 要对通信网络的功能与结构组成进行分析 ，并考 虑其方面的特殊用途 ， 兼顾综合性能。 （ 见图 １ ） 响应时间是指网络服务请求和响应该请求 之间的时间，用于反映网络根据传输优先级别及 时交付信息的能力。延迟是指从报文开始进入网 络／ 链路到它离开网络， 点／ 节点， 链路之间的时间。 延迟 抖动是 指延 迟时 间 的变化 量 。 处理能力涉及吞吐量 、 呼损率和丢报率等方 面。吞吐量是指单位时间内节点之间成功传输的 无差错数据量。呼损率是连接请求失败的数量 占 总请求数量的比例。丢报率是丢失的报文 占 发送 的全部报文的比例。 丢报率又与信道带宽、 误码率 和信噪比有关。 有效性主要与信道和节点的利用率有关。 信 道利用率是指在特定时间段内所使用带宽 占全部 可用带宽的百分 比。节点利用率是指在特定时问 段内节点被使用的时间所 占的百分比。 可靠性是指当系统 的某一部分发生故障或 被毁时， 通信网络完成规定任务的能力。 系统的任 务和功能不同，那么地系统可靠性的要求也有所 不同。 从保障网络通信的畅通性角度出发， 主要考 虑生存性和抗毁性两个指标。 生存性指通信网络在故障条件下任意两个 或多个节点之间保持通信连通的能力 ，可以由连 通可靠度来表示。连通可靠度是规定时间内网络
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于遗传神经网络的环境质量评价系统 ①蒯圣龙②1,李云辉2(11安徽水利水电职业技术学院,安徽合肥 230601;21昆明理工大学国土资源工程学院,云南昆明 650093)摘 要:基于遗传神经网络的环境质量评价方法是用遗传算法和BP 算法相结合的混合算法来训练环境质量评价神经网络预测模型的权值,即先通过遗传学习算法进行全局训练,再用权重调整BP 算法进行精确训练,这一算法克服了BP 算法收敛速度慢、易陷入局部极小等缺陷,环境质量评价实例证明提高了预测精度。
又将三种评价方法的评价结果进行对比,得到该方法的评价结果比传统的专家评价法的评价结果更加准确。
因此该方法也为环境质量评价提供了一种新的研究思路和分析方法。
关键词:环境质量评价;遗传算法;BP 算法;预测精度;遗传神经网络中图分类号:X82012 文献标识码:A 文章编号:1672-7169(2006)01-0062-03 环境质量评价系统中各评价因子之间是复杂的非线性关系,传统的环境质量评价方法如专家评价法、常用的综合指数评价法等并不能精确地描述各因子之间的非线性关系。
而BP 神经网络是一个高度非线性的映射,正是BP 网络的这种非线性映射关系,可利用其有效地进行环境质量评价。
1 BP 神经网络反向传播(BP )算法又称为误差逆传播校正方法,它是1974～1985年P.Werbos (哈佛大学)提出的。
BP 算法用来训练多层前馈神经网络,属于监督学习算法。
BP 网络具有结构清晰、易实现、计算功能强大等特点,因而是目前最常见、使用最广泛的一种神经网络[1]。
但是在实际应用中传统的BP 算法存在以下问题:①收敛速度慢,若加快收敛速度易产生振荡;②存在局部极小和平台问题;③泛化能力差;④隐节点数和初始值的选取缺乏理论指导;⑤未考虑样本选择对系统学习的影响。
近年来国内外学者针对以上问题在学习算法、网络结构、训练方式及样本处理几方面提出了很多改进措施。
本文选取遗传算法与神经网络相结合来解决上述问题,使网络训练达到比较理想的效果。
2 基于遗传算法的BP 神经网络遗传BP 网络的主要机理是利用遗传算法全局搜索能力强的特点,先用遗传算法对BP 网络的权值和阈值进行全局粗精度的预学习,定位最优解区域,使得权值和阈值种群聚集在参数解空间的某几处,再用BP 算法在这些小的解空间中进行梯度细搜索,最终求得最优解[2]。
本文讨论遗传算法与神经元网络相结合进行环境质量评价,对网络结构和权值同时优化,具有全局搜索最优解的优点。
211 遗传BP 网络权值、阈值优化已知某一网络结构(网络层数、隐节点、输入节点、输出节点),用遗传BP 算法对该网络进行权值、阈值优化(先通过遗传学算法进行全局训练,再用权重调整BP 算法进行精确训练),具体方法如下:1)参数初始化,包括遗传算法(种群大小n 为20(个体是权值和阈值),交叉率p c 、变异率p m ,最大进化代数k N 等)和BP 网络(学习率μ、动量因子η等)各个参数,输入样本数据;2)个体评价(计算适应度);遗传操作(选择、交叉、变异)到最大代数(令为k N ),如果代数<k N 返回2),否则保存群体n 个个体值,以备后用,令i =0;3)用2)产生的第i 个个体基因值解码初始化BP 网络的权值、阈值;4)BP 网络训练权值和阈值,直到到达一定次数或达到一定精度。
如果i <n ,i =i +1,返回3);5)选择4)中达到精度最高的一组权值和阈26 第3卷 第1期 华北科技学院学报 2006年3月①②作者简介:蒯圣龙(1980-),男,安徽人,安徽水利水电职业技术学院,主要从事环境教学工作。
收稿日期:2005212203值作为最优值,即为该网络的固定权值和阈值。
212 遗传BP神经网络的网络结构优化在BP人工神经网络拓扑结构中,输入结点与输出节点是由问题的本身决定的,关键在于隐含层的层数与隐节点的数目。
对于隐含层的层数,从理论上讲:有两个隐层,就可以解决任何形式的分类问题;只有一个隐层的神经网络,只要隐节点足够多,就可以以任意精度逼近一个非线性函数[3]。
相对来说,隐节点数的选取很困难。
隐节点少了,学习过程不可能收敛;隐节点多了,网络性能下降,节点冗余。
为了找到合适的隐节点数,最好的办法是在网络的学习过程中,根据环境要求,自组织地学习、调整自己的结构,最后得到一个大小合适的神经网络模型。
本文实例选取的是三层网络结构,通过遗传BP算法对网络结构优化,即来确定隐含层节点个数的最佳值,具体方法如下:1)参数初始化(种群大小m为10(个体是隐结点数));2)个体评价(计算适应度),计算当前个体适应度的方法就是:先用上述遗传BP算法(311)对当前网络进行权值、阈值优化,得到该网络的最佳权值和阈值(同时也可得到训练样本的误差平方和e);然后利用311的(1)式求出F i,即为当前个体的适应度;3)遗传操作(选择、交叉、变异)并产生下一代个体;4)判断是否满足要求(个体平均适应度是否相等或是否迭代到指定的次数),如果满足要求就结束,即得到最佳的隐节点数及相应的最优权值、阈值;否则转到2)。
由上述可知权值、阈值的优化是网络结构优化(隐节点个数的优化)的基础,而网络结构优化的同时也在进行权值、阈值的优化,因此在得到最优网络结构的同时也能得到网络相应的最佳权值、阈值,然后就可以用最优网络进行预测。
3 遗传神经网络与BP算法的对比及其环境质量评价中的应用 已知某矿山地下水指标的水质级别标准值和该地区10个地下水采样点实测值及评价结果,分别见表1和表2。
表1 地下水指标的水质级别标准值水质级别总硬度/(mg/L)溶解性总固体/(mg/L)Cl-/(mg/L)SO2-4/(mg/L) 1150100300100501005010023001005001001501001501003450100100010025010025010045001002000100350100350100515001003000100500100500100630001005000100600100600100表2 实测值及评价结果采样点总硬度/(mg/L)溶解性总固体/(mg/L)Cl-/(mg/L)SO2-4/(mg/L) 11849170292010097100160110217011525210014172251243164147250100121413610442031285411003410051183516991542411003119814107660013896517576150416195754115860100521927119883661506091000104191789594116115010041432191591065717114041002166351144建立此矿山地下水预测的三层神经网络模型:输入节点有4个(总硬度、溶解性总固体、Cl-和SO2-4);隐含层节点有4个;输出节点有1个(水质级别)。
由于神经网络输出节点值的范围为[0,1],因此表1中水质级别的值进行处理,如下:评价结果(水质级别)123456处理后对应值011670133301500016670183301999把表1、2的数据分别导入数据库,将表1的数据作为训练样本,表2的数据作为预测样本,运行系统结果如下:网络训练模拟结果:样本号期望输出结果实际模拟值绝对误差相对误差(%) 101167000117067-0100367-2119801 20133300013244401008562156993301500000151035-0101035-2107021 40166700016604101006590198809501833000183545-0100245-0129390 60199900019890101009991100000学习误差:919999E-005;训练平均绝对误差:114447E-003;样本最大绝对误差:110351E36 第1期 蒯圣龙等:基于遗传神经网络的环境质量评价系统-002预测样本预测结果:水质级别样本号12345预测评价值0164201964019510197801659对应水质级别41114样本号678910预测评价值0162801315013240145301637对应水质级别42234传统的BP算法的预测结果:样本号12345预测评价值0158301931018530192601604对应水质级别41214样本号678910预测评价值0157501482012850140601614对应水质级别33234通过上述遗传神经网络的评价结果和传统的BP算法评价结果可以看出,前者的评价结果更加准确,精度更高。
同时上述的预测结果都是在网络训练模型的学习误差为110E-004的条件下得来的。
前者的网络训练模型收敛需要时间6188秒,而后者的网络训练模型收敛则需要13136秒。
很显然,遗传神经网络比传统的BP算法要更快,并且预测精度更高。
若用模糊聚类法,评价结果如下:样本号12345678910水质级别4111342234 若用传统的专家评价法,评价结果如下:样本号12345678910水质级别4121432334从上述遗传神经网络、模糊聚类法和专家评价法的评价结果来看,遗传神经网络和模糊聚类法的评价结果大相径庭,而专家评价法则有三个结果不同,显然经过对比遗传神经网络要比传统的专家评价法更精确些。
4 结论通过实例表明用遗传算法学习神经网络权值,充分发挥了神经网络的广泛映射能力,克服了BP算法易于陷入局部极小的问题,收到了比较好的效果,达到了较高的逼近精度;再则将遗传神经网络、模糊聚类法和专家评价法的评价结果进行对比,发现遗传神经网络要比传统的专家评价法更精确。
因此将该方法应用于环境质量评价更能精确的模拟评价因子及评价结果间复杂的非线性关系,使评价结果更加准确、客观、合理。
参考文献:[1] 张立明.人工神经网络的模型及其应用[M].上海:复旦大学出版社,1995[2] 李敏强,寇纪淞,林丹,李书全.遗传算法的基本理论与应用[M].北京:科学出版社,2002[3] 阎平凡,张长水.人工神经网络与模拟进化计算[M].北京:清华大学出版社,2000E nvironmental Q u ality Assessment B ased On G enetic2N eural N et w orkKUA I S heng2long1,L I Y un2hui2(11Anhui Technical College of water Resource and Hydroelectric Power,Anhui Hefei230601;21Faculty of land Resources Engineering,Kuming University of Science and Technology,Kunming Yunnan650093,China)Abstract:A new method for training Artificial Neural Network(ANN)based environmental quality assessment prediction model is presented.In this method,the genetic algorithm(G A),a general purpose global search algorithm is used to train the neural network prediction model by updating the weights to minimize the error between the network output and the desired output.It overcomes the limitations of the back propagation algorithm in slow convergent rate and getting into local optima.The environ2 mental quality assessment demonstrates that this method improves the prediction precision.Also contrasting the assessment re2 sults from three kind of assessment methods,obtaining this method the assessment result is more accurate than the traditional expert assessment method appraisal result.S o this method has offered a kind of new thinking of research and analytic method for environmental quality assessment.K ey w ords:environmental quality assessment;genetic algorithm;BP algorithm;prediction precision;genetic neural network 46 第3卷 第1期 华北科技学院学报 2006年3月。