MATLAB神经网络在湖库富营养化程度评价中的应用
- 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)。
第32卷第6期2011年12月
华北水利水电学院学报Journal of North China Institute of Water Conservancy and Hydroelectric Power
Vol.32No.6Dec.2011
收稿日期:2011-03-05
作者简介:包艳飞(1978—),男,云南曲靖人,工程师,主要从事水环境监测评价及水资源调查评价方面的研究.
文章编号:1002-5634(2011)06-0155-06
MATLAB 神经网络在湖库富营养化程度评价中的应用
包艳飞1,崔东文
2
(1.云南省水文水资源局曲靖分局,云南曲靖655000;2.文山州水务局,云南文山663000)
摘要:基于MATLAB 神经网络和我国湖库富营养化评价标准,运用人工神经网络模式识别理论和方法,分
别建立了BP ,
PNN ,GRNN 和Elman 神经网络湖泊富营养化等级评价模型,对全国24个主要湖泊富营养化程度进行评价,并与文献[5]和文献[9]的评价结果进行比较.结果表明:基于MATLAB 神经网络模型评价湖库富营养化程度是可行的,且评价模型简单易行,评价精度高,为湖库富营养化程度评价提供了一种新方法.关键词:MATLAB 神经网络;富营养化;湖泊
人工神经网络(Artificial Neural Networks ,
ANNs )也称为神经网络(NNs ),是模拟生物神经网络进行信息处理的一种数学模型,它以对大脑的生理研究成果为基础,模拟大脑的某些机理与机制,实现一些特定的功能
[1]
.由于神经网络具有并行分布
式处理、非线性处理以及自学习和硬件实现等功能,目前,已在人工智能、自动控制、计算机科学、信息处理、机器人、模式识别、空间科学等方面取得了令人瞩目的成果
[2]
.MATLAB 是美国Mathworks 公司20
世纪80年代推出的数值分析软件,也是当今世界上最优秀的数值计算软件之一.MATLAB 神经网络工具箱包含神经网络应用设计和分析的许多工具箱函数,涵盖了感觉器网络、线性神经网络、BP 神经网络、径向基函数网络、反馈网络、自组织网络和控制系统网络等神经网络模型
[3]
,提供了很多经典的学
习算法,能够快速实现对实际问题的建模求解.其编程简单,
使用者能够从繁琐的编程中解脱出来,从而提高工作效率和质量
[1]
.
笔者基于MATLAB 神经网络和我国湖库富营
养化评价标准,运用人工神经网络模式识别理论和方法,
分别建立了BP ,PNN ,GRNN 和Elman 神经网络湖库富营养化等级评价模型,对全国24个主要湖
泊富营养化程度进行了评价、
比较,旨在探寻MATLAB 神经网络在湖库营养状态评价中的应用
效果.
1
评价标准及网络设计
1.1
评价标准与数据来源
依据水利部《地表水资源质量评价技术规程》
(SL 395—2007)湖库营养状态评价标准,选取叶绿素α(Chla )、总磷(TP )、总氮(TN )、高锰酸盐指数(COD Mn )和透明度(SD )作为湖库营养状态评价因子
[4]
,见表1.选取我国主要湖泊的调查资料进行实例分析,见表2.1.2网络设计1.2.1
样本设计
由于目前训练样本数目的确定没有通用的方法,样本过少可能使网络表达不够充分,从而导致网络外推的能力不够;而样本过多可能会出现样本冗余,
增加了网络的训练负担,也可能出现信息量过剩使网络过度拟合.实践表明,网络训练所需样本数取
决于输入输出非线性映射关系的复杂程度,映射关系越复杂,样本中含的噪声越大,为保证一定的映射精度所需的样本数就越多,精度也很难再提高.一般
训练样本数取网络连接权总数的5 10倍[1]
.因此,
按照我国富营养化评价等级标准,将每一等级评价指标值利用线性插值方法等比例划分为10个训练
样本,
1—10号为贫营养;11—20号为贫中营养;
21—30号为中营养;31—40号为中富营养;41—50号为富营养;51—60号为重富营养(以待测试样本中各指标的最大值为重富营养学习上限值),将这60个样本作为学习样本.
表1我国湖泊富营养化评价标准
富营养化程度富营养化
等级
评价指标
ρ(Chla)/(mg·m-3)ρ(TP)/(mg·m-3)ρ(TN)/(mg·m-3)ρ(COD Mn)/(mg·L-1)SD/m
贫营养1≤1.0≤2.5≤30.0≤0.3≥10.0贫中营养2(1.0,2.0](2.5,5.0](30.0,50.0](0.3,0.4][5.0,10.0)中营养3(2.0,4.0](5.0,25.0](50.0,300.0](0.4,2.0][1.5,5.0)中富营养4(4.0,10.0](25.0,50.0](300.0,500.0](2.0,4.0][1.0,1.5)富营养5(10.0,64.0](50.0,200.0](500.0,2000.0](4.0,10.0][0.4,1.0)重富营养6>64.0>200.0>2000.0>10.0<0.4
表2我国主要湖泊调查资料[5]
湖泊
ρ(Chla)/
(mg·m-3)
ρ(TP)/
(mg·m-3)
ρ(TN)/
(mg·m-3)
ρ(COD Mn)/
(mg·L-1)
SD/m
洱海(云南)1.86222463.092.77高州水库(广东)1.49463581.471.72博斯腾湖(新疆)3.52239325.961.46淀山湖(上海)3.002910862.870.67于桥水库(天津)10.792512204.111.42固成湖(江苏)4.995223742.750.28南四湖(山东)3.7719432016.960.44磁湖(湖北)14.477710003.740.36达理湖(内蒙古)7.24153167116.250.48巢湖(安徽)11.8011517864.010.28滇池外海(云南)44.4310813097.110.49滇池草海(云南)298.869311527316.580.23西湖(淅江)58.9516124786.940.43甘棠湖(江西)75.6914114177.230.38蘑菇湖(新疆)54.77287220610.380.53麓湖(广东)119.5137230389.920.34东山湖(广东)149.45428535013.400.22墨水湖(湖北)153.592321569213.510.22荔湾湖(广东)162.92743733714.460.31流花湖(广东)323.51643677725.260.15玄武湖(江苏)168.14663407310.080.22镜泊湖(吉林)4.9631612705.960.73南湖(吉林)120.6022826308.220.22邛海(四川)0.881304101.432.98
1.2.2输入输出向量设计
以叶绿素α(Chla)、总磷(TP)、总氮(TN)、高锰酸盐指数(COD Mn)和透明度(SD)作为输入向量(因子),以湖库富营养化等级作为输出(目标)向量.以表2中资料作为测试样本,即待评价样本.依据我国湖泊富营养化评价标准(分为6个等级),目标输出模式为(000001)(000010)(000100)(001000)(010000)和(100000),分别对应湖泊营养程度的1,2,3,4,5和6级,见表3.
1.2.3数据处理
由于网络的各个输入数据常常具有不同的物理意义和不同的量纲及数量级,采用最大最小法对原
表3湖泊富营养化程度评价学习样本及输出模式
学习样本
富营养化
等级
输出
模式
富营养化
程度1—10号1100000贫营养11—20号2010000贫中营养21—30号3001000中营养31—40号4000100中富营养41—50号5000010富营养51—60号6000001重富营养
始数据归一化,公式如下:
x^=(x-x
min
)(x
max
-x
min
)-1,
式中:x^为经过标准化处理的数据;x为原始数据;
x
max
和x min分别为数据序列中的最大数和最小数.经过标准化处理后,数据处于[0 1]范围之内,有利于网络训练.选取60组数据为学习样本,24组数据(我国主要湖泊)作为测试样本.湖泊富营养化程度中透明度越大,表明富营养化程度越低;而其他因子则是数据越大,表明富营养化程度越高.因此,需要对透明度的原始数据进行倒数处理.
2评价方法概述
2.1BP神经网络
2.1.1BP网络概述
BP网络是一种单向传播的多层前馈神经网络,其主要特点是信号前向传播,误差反向传播.在前向传播中,输入信号从输入层经隐含层逐层处理,直至输出层.每一层的神经元状态只影响下一层神经元状态,如果输出层得不到期望输出,则转入反向传播,根据预测误差调整网络权值和阈值,从而使BP 神经网络预测输出不断逼近期望输出.由非线性变换单元组成的BP神经网络,不仅结构简单(仅含输入、输出和隐节点3层),而且具有良好的非线性映射能力[6-7].
BP网络的输入层和输出层的神经元数是由输
651华北水利水电学院学报2011年12月