本站小編為你精心準備了廣義回歸神經網絡在水質評的運用參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

《黔南民族醫專學報》2018年第1期

摘要:為了更加科學的評價水體水質，采用GRNN神經網絡對昆山某Ⅲ類功能的湖泊水體進行水質評價，同時與BP、單因子評價法進行了對比分析，論證了GRNN評價水質的可行性并分析了水質污染特征。評價結果顯示當GRNN光滑因子為0.4時，訓練誤差為0.5-4.7%，GRNN和BP水質評價結果相對誤差-0.4-18.6%；水質評價結果表明待評價水質不容樂觀，剛好達到功能區標準或者已經超過功能區標準。一年中污染最重的是2、3兩個月，污染最輕的是8月。該方法模型參數少、操作簡單，能夠反映綜合水質狀況，有助于管理人員通過復雜的監測數據快速掌握不同水體的污染程度，為水資源保護和管理提供重要的技術支持。

關鍵詞：GRNN；BP；水質評價；昆山科學評價

水質狀況是環境管理的基礎。一些學者嘗試運用新的方法評價水體，如灰色評價法、模糊數學法、主成分分析法、多元統計法、色聚類法等[1-8]，但這些方法多數需要設計各評價指標對各級標準的隸屬函數及各指標的權重，評價結果受的主觀因素影響較大，限制了評價方法的通用性，也影響了結果的可靠性[9]。神經網絡是20世紀40年代產生、80年展起來的模擬人腦生物過程的人工智能技術，特別適用于對因果關系復雜的非確定性推理、判斷、識別和分類等問題的處理，并被應用在水質評價中，如BP網絡模型、模糊神經網絡模型，但這些模型學習速度慢，受初始值、權值等多種因素影響，易陷入局部最優，重復性較差[10-13]。本文嘗試用廣義回歸神經網絡評價水體水質，并和其它評價方法對比說明其可行性。

1評價原理

1.1廣義回歸網絡原理

廣義回歸神經網絡（GRNN）是美國學者DonaldF.Specht在1991年提出，是徑向基函數神經網絡的一種特殊形式，用密度函數來預測輸出[14]。GRNN建立在非參數核回歸基礎上，樣本數據作為后驗概率驗證條件執行Parzen非參數估計，從樣本中計算自變量和因變量之間的聯合概率密度函數，算出因變量對自變量的回歸值[15]。

1.2BP網絡評價原理

BP網絡分為輸入層、隱藏層和輸出層。輸入信號通過權值鏈接作用于隱藏層，隱藏層通過激活函數的非線性變換后計算得到輸出層，產生輸出信號。如果沒有得到期望輸出，則根據實際輸出與期望輸出的誤差偏差調整輸入層節點與隱層節點、隱層節點與輸出層節點之間的聯接權值及閾值，使誤差沿梯度下降方向。經過反復迭代，當實際輸出和期望輸出達到設定誤差時訓練即告完成[12]。

2數據預處理及模型建立

訓練數據來源于《地表水環境質量標準》(GB3838-2002)，見表1，并用matlabR2013a中的linspace線性內插法生成500組數據。待評價數據來源于Ⅲ類功能水體的某湖泊采樣點，采樣時間為2016年每月4號，連續12個月，監測項目見表2。為了消除因變量及自變量量綱及濃度不同所帶來的影響，將原始數據進行歸一化處理后作為網絡輸入和輸出，并將網絡評價結果進行反歸一化得到了實際評價結果。

3結果與討論

為了說明本文所提出的廣義回歸神經網絡的可行性，將其評價結果與比較成熟的BP神經網絡的評價結果進行了比較。從圖2中發現GRNN與BP神經網絡的水質評價結果基本一致，GRNN的和BP評價結果誤差-0.4-18.6%。2種評價方法都表明一年中2、3月份的水質最差，夏季的水質評價較好，8月份最好。通過分析原始數據發現影響水質的主要因素是TN，分析原因可能為：8月份雨水較充沛，在一定程度上稀釋了水體；高溫天氣，企業停產停工較多，也在客觀上減少了水體TN的排入;水體溫度高，硝化、厭氧硝化較為活躍，加速水體中TN的去除。2、3月份溫度低，硝化反硝化弱，導致水質自凈能力差；另一方面，春節期間可能違法行為較多，污染物偷排量大。單因子評價法是根據評價時段內的參評指標類別最高的一項來確定,選取水質最差的類別即為評價結果，是水質評價使用最多的方法，能夠明確影響水質的關鍵因素[17]。本例中主要污染因子是TN，從而有利于提出針對性的水環境治理措施，但其評價結果過于悲觀。盡管其它污染指標濃度很低，基本處于Ⅱ類水標準，但由于TN較高，導致所評價水體全部是Ⅴ類或劣Ⅴ類，無法評價水質的綜合狀況。GRNN和BP對標準方法的學習，自動計算因子間的權重系數，消除主觀誤差，兩者評價結果平均相對誤差為8.8%，說明將廣義回歸神經網絡用于水質評價是可行的。GRNN及BP評價結果顯示2，3月水質污染最嚴重，均超過水體功能區Ⅲ類水的標準，其余月份都符合Ⅲ類功能。BP網絡訓練時需要大量的數據，模型參數多，易陷入局部最優，而GRNN只需調整模型平滑因子，為全局收斂。

4結論

GRNN與BP神經網絡的水質評價結果基本一致，其評價結果相對誤差-0.4-18.6%，說明了GRNN評價水質的可行性。水質評價結果表明待評價水體水質不容樂觀，剛好達到或者已經超過功能區標準。一年中污染最重的是2、3兩個月份，污染最輕的是8月份。應該加大水體治理力度，特別是春節期間的2、3月份，嚴查企業偷排行為，減少水體污染物的輸入。GRNN用于水質評價時模型參數少、操作簡單，通過對標準方法的學習，自動計算因子間的權重系數，評價結果能夠綜合反映水質狀況，有助于管理人員通過大量的監測數據快速掌握不同水體的污染程度，為水資源管理提供重要的技術支持。

參考文獻

[1]沈陸娟,周念,蔡建平.基于灰色關聯理論的錢塘江河口段水質評價研究[J].數學的實踐與認識,2017,47(21):165-171

[3]吳青,趙華榮.基于層次分析的龍崗河水質評價灰色關聯分析[J].水利科技與經濟,2016,22(1):52-55

[4]孫國紅,沈躍,徐應明等.基于多元統計分析的黃河水質評價方法[J].農業環境科學學報,2011,30(6):1193-1199

[5]李清芳,姚靖,黃曉容等.多元統計分析在典型湖庫型飲用水水源地水質評價中的應用[J].,環境影響評價,2016,38(6):73-79

[6]周全超.灰色聚類法在地下水水質評價中的應用[J].商丘師范學院學報,2017,33(3):67-70

[8]孫玲玲,劉彬,石寶紅等.基于貝葉斯理論和主成分分析法耦合的水質評價[J].水電能源科學,2017,35(11):36-39

[9]華祖林,錢蔚,顧莉.改進型LM-BP神經網絡在水質評價中的應用[J].水資源保護,2008,24(4):22-26

[10]鄒濤.地下水水質評價中BP人工神經網絡模型的應用研究[J].水土保持應用技術,2017,23(1):19-21

[11]牛紅惠,尚艷玲.模糊神經網絡在水質評價中的研究[J].計算機仿真,2012,29(4):173-176

[12]李麗,張海濤.基于BP人工神經網絡的小城鎮生態環境質量評價模型[J].應用生態學報,2008,19(12):2693-2698

[13]周燕,王里奧.模糊神經網絡在重慶市飲用水原水水質評價中的應用[J].三峽環境與生態,2010,3(1):33-35

[15]陳明等.神經網絡原理與實例精解[M].北京:清華大學出版社,2012

[16]蘭海濤,李謙,韓春雨.基于廣義回歸神經網絡的邊坡穩定性評價[J].巖土力學,2009,30(11):3460-3463

[17]GB3838-2002,地表水環境質量標準[S]

作者：陳廣銀1,蔡灝兢,朱奕,夏飛 單位：昆山市環境監測站