摘要：水環(huán)境質(zhì)量評(píng)價(jià)為水環(huán)境政策提供依據(jù)。目前用于水環(huán)境評(píng)價(jià)的方法眾多，每一種方法都有其優(yōu)缺點(diǎn)、適應(yīng)性，其中，人工神經(jīng)網(wǎng)絡(luò)法是一種對(duì)生物體進(jìn)行模仿的方法，該方法有著較強(qiáng)的學(xué)習(xí)能力，能處理水環(huán)境評(píng)價(jià)因子與評(píng)價(jià)標(biāo)準(zhǔn)之間非線(xiàn)性關(guān)系。本文主要介紹了人工神經(jīng)網(wǎng)絡(luò)法和基于此法改進(jìn)的方法，并將其應(yīng)用到河南海河流域部分河流斷面的水質(zhì)評(píng)價(jià)中，結(jié)果表明，該新方法可靠且具有實(shí)用性。
　　關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；水質(zhì)評(píng)價(jià)；河南
　　中圖分類(lèi)號(hào)：X832文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：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(píng)價(jià)為水資源的保護(hù)、開(kāi)發(fā)利用和管理決策提供科學(xué)的依據(jù)。目前，我國(guó)的水環(huán)境質(zhì)量評(píng)價(jià)方法主要有：?jiǎn)我蜃釉u(píng)價(jià)法、污染指數(shù)評(píng)價(jià)法、模糊評(píng)價(jià)法、灰色評(píng)價(jià)法等[1]。各種方法都有其優(yōu)缺點(diǎn)和適應(yīng)性問(wèn)題。如單因子評(píng)價(jià)法計(jì)算簡(jiǎn)便，能很快的判定出水質(zhì)類(lèi)別，但以水質(zhì)最差單項(xiàng)指標(biāo)所屬類(lèi)別作為水體綜合水質(zhì)類(lèi)別，評(píng)價(jià)結(jié)果表現(xiàn)為過(guò)保護(hù)；污染指數(shù)評(píng)價(jià)法能夠直觀判斷綜合水質(zhì)是否達(dá)到功能區(qū)目標(biāo)， 但是不能直觀判斷綜合水質(zhì)類(lèi)別；模糊評(píng)價(jià)法和灰色評(píng)價(jià)法評(píng)價(jià)結(jié)果的水質(zhì)類(lèi)別不能完全反映國(guó)家水質(zhì)控制標(biāo)準(zhǔn)的要求[2]。
　　目前發(fā)展的人工神經(jīng)網(wǎng)絡(luò)法是基于對(duì)生物體的模擬，具有較強(qiáng)的學(xué)習(xí)功能，能處理水環(huán)境評(píng)價(jià)因子與水質(zhì)評(píng)價(jià)標(biāo)準(zhǔn)之間非線(xiàn)性關(guān)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(luò)應(yīng)用廣泛。本文對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了介紹，并基于此對(duì)該方法進(jìn)行了改進(jìn)，將其應(yīng)用到河南部分河流水質(zhì)評(píng)價(jià)中去，結(jié)果可靠，可以應(yīng)用到水環(huán)境水質(zhì)評(píng)價(jià)中去。
　　1 人工神經(jīng)網(wǎng)絡(luò)模型
　　1.1 BP神經(jīng)網(wǎng)絡(luò)
　　誤差反向后傳BP神經(jīng)網(wǎng)絡(luò)過(guò)程由4個(gè)部分組成[4]：①輸入層向輸出層的順向傳播；②誤差信號(hào)由輸出層經(jīng)隱含層向輸入層的逆?zhèn)鞑�；③學(xué)習(xí)訓(xùn)練過(guò)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(diǎn)數(shù)，M為輸出層的節(jié)點(diǎn)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(lì)函數(shù)：f（x）=1/[1+exp（-x）]，W為連接權(quán)重，θ為閾值。
　　1.1.2 誤差的逆?zhèn)鞑?br>　　誤差的逆?zhèn)鞑ミ^(guò)程是由輸出層的誤差向中間層的誤差進(jìn)行傳遞的過(guò)程。在傳遞過(guò)程中需要計(jì)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(diào)整各單元之間的連接權(quán)和閾值。調(diào)整公式按下式給出：
　　Δvjt=ɑ；Δrt=ɑ
　　Δwij=β；Δθj=β
　　1.1.3 學(xué)習(xí)訓(xùn)練過(guò)程
　　學(xué)習(xí)訓(xùn)練過(guò)程是指根據(jù)希望輸出結(jié)果與實(shí)際輸出結(jié)果之間的誤差調(diào)整連接權(quán)的反復(fù)學(xué)習(xí)過(guò)程。
　　1.1.4 收斂過(guò)程
　　收斂過(guò)程即求取全過(guò)程誤差最小值的過(guò)程，全過(guò)程誤差E最小值可由下式計(jì)算得出：
　　E=
　　1.2 改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)
　　傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)可操作性強(qiáng)，但存在一些缺陷，主要有：訓(xùn)練時(shí)間過(guò)長(zhǎng)，由于BP算法需進(jìn)行多次訓(xùn)練才能達(dá)到收斂要求，這樣對(duì)于一些復(fù)雜問(wèn)題學(xué)習(xí)效率低下；可能存在不能收斂問(wèn)題，如果修正值過(guò)大，可能導(dǎo)致在修正過(guò)程中能不到最小誤差值；得到的可能是局部最小值，訓(xùn)練過(guò)程是從誤差函數(shù)斜面達(dá)到最小值的，而對(duì)于復(fù)雜網(wǎng)絡(luò)呈現(xiàn)的是多維的空間結(jié)構(gòu)，這會(huì)使得訓(xùn)練在某一維結(jié)構(gòu)形成局部最小值。對(duì)于存在的這些問(wèn)題可以通過(guò)加快收斂速度、改變隱含層的單元個(gè)數(shù)來(lái)予以解決。加快收斂速度是通過(guò)使學(xué)習(xí)系數(shù)取得較大值，加快學(xué)習(xí)速度來(lái)實(shí)現(xiàn)的。為了使學(xué)習(xí)系數(shù)取得較大值，學(xué)習(xí)過(guò)程中通過(guò)加入慣性沖量過(guò)濾掉了高頻振蕩，這個(gè)過(guò)程中需要對(duì)權(quán)值進(jìn)行修正。

相關(guān)熱詞搜索：神經(jīng)網(wǎng)絡(luò) 河南 水質(zhì) 河流 改進(jìn)