概率神经网络水质评价模型及其对三峡近坝水域的水质评价分析_陈永灿

程), 实现输入样本空间转换为数据空间 ;模式层计算出输入向量 p 与权值向量 IW 的距离 , 获得这样一组向量 : 它表示向量 p 与向量 IW 的相似程度 ;叠加层先计算出输入向量 p 对应于权值向量 IW 的输出和 n1 , 然后通过径
向基函数非线性映射作用获得输出向量 a1 ;竞争输出层先获得向量 a1 的加权和向量 n2 , 然后根据向量 n2 中的
分类问题的应用中 , 它的优势在于用线性学习算 法来完成以往非线性学习算法所做的工作 , 同时又能保 持非线性算法 的
高精 度等特性 。 本文结合三峡近坝水域黄陵庙 、太平溪 、乐天溪和 东岳庙等典 型断面多年 的水质 监测数 据 , 利 用概率 神
经网 络模型对坝区各监测断面 1997 年至 2002 年的水质进行 逐月评价 , 得到按 月分布的 水质评价结 果 , 分 析表明 :(1)坝
1 概述
三峡工程是当今世界最大的水利枢纽工程 , 具有防洪 、发电 、航运等综合效益 。 作为长江流域的控制性工程 ,
收稿日期 :2003-04-28 作者简介 :陈永灿 , 1963 年生 , 男 , 清华大学教授
8
水 力 发 电 学 报
2004 年
三峡工程在保障防洪安全和综合开发利用方面具有举足轻重的作用 , 但是工程的建设将可能对三峡坝区的生态 环境造成潜在的影响 。因此 , 根据目前的水质监测数据 , 分析目前三峡坝区水质现状并对水体环境质量做出正确 的评价 , 对于合理地控制坝区水体污染 , 保持坝区良好的水质具有重要的实用价值 。
值 n 为权值向量 w 与输入向量 p 的距离乘以阀值 b , 通常采用欧几里得范数来度量权值向量 w 与输入向量 p 之
间的距离 ;同时 , 径向基函数(一般采用 Gaussian 函数)radbas 作用于 n 得到神经元的输出 a , 即
n = ‖w -p ‖b
(1)
a =radbas(n)=exp(-n2)
最大值响应获得网络最终输出值 y(即 a2)。 图 1 中 , R 为输入向量的元素数目 , Q 为叠加层径向基函
数神经元的数 目 , 也 是输入 数据可 划分的 类别 数目 , 运算框
‖dist ‖计算输入向量 p 与权值向量 IW 的欧几里得距离 , 运算
符 .＊表示阀值向量 b1 与 ‖dist ‖的输出向量一一对应元素相 乘 , 即存在如下关系 :
(2)
Gaussian 核函数具有这样的特性 :当函数输入值为 0 时 , 输出最大值 1 。 这样 , 当权值向量 w , 与输入向量 p 的距离越小 , 径向基函数的输出值越大 , 当它们完全相同时 , 径向基函数的输出为 1 。
2.2 模型的数学结构
概率神经网络模型的数学结构如图 1 所示 。 输入层完成输入样本的预处理过程(即获得输入向量 p 的过
区总体水质良好 , 各监测断面水质满足国家对长 江干流所要求的地面水 Ⅱ 类标准 ;(2)各监测断面水 质均呈季 节性变化 ,
丰水期水质略次于平水期和枯水期 , 年际变化不 显著 ;(3)从不同 分类因子 的评价结果 可以看出 营养盐 类因子 水质评 价
结果较差 , 需要采取合理而有效的污染控制特别 措施 。
定网络目标输出向量 T(Q ×Q 维)为单位矩阵向量 。 这样 , 即可确定网络权值向量 , 即
IW =P′
(5)
第 3期
陈 燕等 :概率神经网络水 质评价模型及其对三峡近坝水域的水质评价分析
9
LW =T
(6)
网络的运行过程 , 实际上是将待确定分类样本(未知模式)X(R ×1 维)与学习模式样本(标准模式)P(R ×Q
的水质指标值或由其派生的数据作为训练样本 , 网络训练稳定后 , 再对水质监测数据进行相应的综合水质评价 。
2.1 神经元数学模型
在人脑的大脑皮层区域中 , 局部调节和交叠的感受野是视觉神经系统中视细胞与神经节细胞耦合反应的特
点 。 基于感受野这一特性 , 网络隐层采用径向基函数神经元 , 构成径向基函数网络结构 。 径向基函数神经元输入
本文介绍了概率神经网络模型的数学结构 , 构建了概率神经网络水质评价模型并利用模型对三峡近坝区典 型断面进行了水质评价 , 总结水质变化的规律 , 分析影响水质的主要原因 , 为三峡库区水环境保护提供了有力的 参考 。
2 概率神经网络模型的算法描述
自 Specht(1988)[ 6 , 7] 提出概率神经网络以来 , 它被广泛应用于模式识别分类领域 。 水质评价是一个典型的模 式分类问题 , 水质指标参数作为模型的输入参数 , 水质级别作为输出参数 。网络训练过程中 , 一般以水质标准中
传统的水质评价方法[ 1～ 5] 一般采用精确的数学模型进行描述 , 但由于影响水质因素较多 , 评价因子与标准级 别之间是非线性关系 , 而且评价标准各个级别之间的关系也是模糊与灰色的 , 采用确定性和不确定性方法等原有 的研究途径面临许多实际困难 ———基于显函数和线性假设的分析手段和数学模型很难真实模拟水环境系统的非 线性变化过程与系统的动力特性 。 而人工神经网络(ANN)有表示任意非线性关系和学习等能力 , 将它应用于水 体环境质量评价 , 可以克服传统水质评价方法原有的研究途径所面临的实际困难 。
CHEN Yongcan , CHEN Yan1 , ZHENG Jingyun2 , GAO Qianhong3 (1.Department of Hydraulic Engineering , Tsinghua University , Beijing 100084 ;
2.Wenzhou Peninsula Project Construction Headquarters , Wenzhou 325000 ; 3.Water Environmental Monitor Center of the Three Gorges Reach of Yangtze River , Yichang 443002)
3.1 选取水质标准及评价因子 对于具有使用功能的地表水水域 , 一般采用国家最新颁布实施的《地面水环境质量标准》(GB3838-2002)来选
择水质标准和评价因子 , 本文根据所提供的水质监测资料的特征 , 选取溶解氧(DO)、高锰酸钾指数(CODMn)、五日
生化 需氧 量(BOD5 )、氨 氮(NH3-N)、总 氮 (TN)、铜 (Cu)、砷 (As)、汞 (Hg)、镉 (C d)、六 价 铬 (Cr)、铅 (Pb)、氰 化 物
Biblioteka Baidu
关键词 :环境水利 ;水质评价 ;概率神经网络 ;三峡
中图分类号 :X321 324
文献标识码 :A
Probabilistic neural network model and its application in evaluation of the water quality near the dam area of Three Gorges Reservoir
Abstract :Probabilistic neural networks(PNN)model is a kind of artificial neural networks which is simple in structure , easy for training and wide used .Practically the linear algorithm can be used to complete the work that was done by the non-linear algorithm while the high accuracy of the non-linear algorithm can be kept .PNN model is applied to monitoring data of water quality at the representative sections in Three Gorges Reservoir from the year 1997 to 2002 .The results are listed as follows :(1)Water quality in the reservoir is favorable , and is better than Class Ⅱ of Environmental Quality Standard for Water Quality(GB3838-2002).(2)Water quality at any monitoring section has seasonal changes in one year but unobvious varieties between many years .(3)Nutrients are the key factors that affect the water quality in the reservoir , which will potentially bring on water pollution near the dam of the reservoir .So , it is important to pay more attention to bring into effective measures for pollution control . Key words:environmental hydraulics ;water quality evaluation ;probabilistic neural networks ;Three Gorges Reservoir
的第 i 个元素 , IW 表示向量i IW 中的第 i 行元素构成的新向量 。
3 概率神经网络水质评价模型的构建
概率神经网络根据学习样本的特征及期望输出 , 即可直接获得网络隐层单元的连接权值 , 无需反复训练网
络 。 对于图 1 所示的网络结构数学模型 , Q 个学习模式 p(R ×1 维)构成新的学习模式向量 p(R ×Q 维), 同时假
(1 .清华大学水利水电工程系 , 北京 100084 ;2 .温州半岛工程建设总指挥部 , 温州 325000 ; 3 .长江三峡水环境监测中心 , 宜昌 443002)
摘 要 :概率 神经网络(PNN)是一种结构简单 、训练简捷 、应用相当广 泛的人工神 经网络 , 在实际应 用中 , 尤其是在解 决
(CN)、挥发酚(Phenol)等 13 个指标作为水质评价综合因子 。另外 , 根据水体的功能和水质特征 , 还分别采用氧平 衡因子 、营养盐类因子 、毒物因子等对评价因子进行分类如下 :
ai 1 =radbas(‖iIW -p ‖bi 1)
(3)
ai 2 =compet(LWa1)
(4)
图 1 概率神经网络数学模型
式(3)中 , ai 1 表示向量 a1 的第 i 个元素 , bi 1 表示向量 b1 Fig .1 Mathematic model of probabilistic neural networks
第 23 卷 第 3 期 2004 年 6 月
水 力 发 电 学 报 JOURNAL OF HYDROELECTRIC ENGINEERING
Vol .23 No .3 Jun., 2004
概率神经网络水质评价模型及其 对三峡近坝水域的水质评价分析
陈永灿1 , 陈 燕1 , 郑敬云2 , 高千红3
维)进行比较判别获得最大响应输出的过程 :模式层输出表示模式间相似程度的向量 ;竞争输出层获取未知模式
对每一标准模式贡献的大小 , 形成一个神经元输出的概率矢量 , 对最大概率的标准模式进行响应输出 。
构建一个概率神经网络水质评价模型 , 实际上就是根据国家水环境质量标准确定网络学习的标准模式 , 获得 标准模式向量 P(R ×Q 维)以及目标输出向量 T(Q ×Q 维)的过程 , 利用前述的概率神经网络的学习机理就可 以确定网络权重值 。 因此 , 构建概率神经网络水质评价模型的核心就是利用水质标准确定网络学习的标准模式 。