BP神经网络在于桥水库水质评价中的应用
开篇：润墨网以专业的文秘视角，为您筛选了一篇BP神经网络在于桥水库水质评价中的应用范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
[摘 要]水质评价是水环境容量计算和水资源系统规划管理的基础，有其独特的重要性。早期的一些评价方法多数需要设计各评价指标对各级标准的隶属函数及各指标的权重，因此，评价结果受评价者主观因素影响较大。水质评价是一个非线性较为复杂的问题，而神经网络方法因其具有非线性映射功能以及其具有能够模仿人脑进行自识别、自组织、自学习等特点而在非线性模糊类问题的评价与预测中得到了广泛的应用，bp神经网络技术在模式识别方面已表现出了很好的特性。
[关键词]BP神经网络 水资源系统 评价指标
中图分类号：TV213.4 文献标识码：A 文章编号：1009-914X（2015）04-0361-01
1、神经网络和BP学习算法
人工神经网络是模拟人脑的一些基本特性，因其具有大规模并行处理、分布式储存、自适应性、自组织性及很强的学习、联想、容错及抗干扰能力等优点而被广泛应用。人工神经网络有众多的模型，在众多的神经网络模型中，原理最简单，应用最广泛的是基于误差反向传播算法的BP神经网络模型。
BP神经网络由一个输入层、一个输出层和一个或多个隐含层组成。每一层都包含若干个神经元，神经元是一个多输入单输出的信息处理单元，且它对信息的处理是非线性的。神经元之间通过权重连接，但同层的神经元之间没有联系。BP神经网络的主要思想是根据样本的希望输出与实际输出的平方误差E，利用梯度下降法，求使E达到最小的网络权系数。
2、水质评价的BP神经网络模型
现用BP网络方法模拟某个样本水质评价因子和水质级别间的非线性关系，对该样本水质量进行评价，为水资源的合理保护与利用提供依据。
2.1 基本思想
水质评价是一个非线性较为复杂的问题，基于BP神经网络的水质评价模型的训练样本即为水质分级标准。网络训练完成后，网络将保存对分级标准学习的知识和有关信息，即各层间的连接权与各个神经元的阈值得以保存，然后从输入层输入待评资料，得到有关评价结论的信息，从而根据一定规则作出有关的评价结论的判断。
设待评的水质监测样本M个，每个样本选择具有典型代表的N项污染指标监测值，按照国家行业规范规定，相应于N项污染指标下的水质标准浓度可将水质划分为C个等级。因此，水质评价的神经网络结构的输入层和输出层的神经元数分别为N和C，即输入层的每一个神经元代表1种水质评价的污染指标，输出层的每一个神经元代表一个水质评价等级。
为了对于桥水库进行水质变化趋势评价，以便为进一步的决策管理提供依据，选取了2012年5月-10月、2013年5月-10月与富营养化密切相关的5个指标，即PH值、总氮、BOD、总磷和CODMn，其监测的平均值如表1所列。
应用人工神经网络中的BP网络算法进行评价，参照《中国地面水环境质量标准》（GB3838-88），并考虑各等级间的区分度，取标准如表2所列。
用上表数据作为学习样本模式，建立水质富营养化的BP模型。
经过多次尝试，最终选定BP网络结构如图所示，该BP网络具有3层，1个输入层，1个隐含层和一个输出层。输入层有5个神经元（对应PH值、总氮、BOD、总磷和CODMn5个输入），隐含层有4个神经元，输出层有1个神经元。
用表2给定的标准样本对本文所用的5-4-1结构的BP网络进行训练。当完成93566次训练之后，全局误差E=0.0001，小于预先给定的允许误差（E
由此可以认为该网络已从所选标准的样本模式中学到了评价水库富营养化的知识，可以用水库的富营养化的评价。因此用它对于桥水库2012年5-10月、2013年5-10月水质监测值进行评价，评价结果见表4
3、结论
神经网络用于水质评价大大提高评价的客观性，但网络的参数不同对评价结果有较大的影响，因此如何确定网络的参数是关键，今后还需对权和阈值初始值的取法、网络隐层结点数、输出值的设计等进行进一步的研究。