改进人工神经网络在河南部分河流的水质评价中的应用

赵颖 王建英 孙燕 孔海燕 张兰真

摘要：水环境质量评价为水环境政策提供依据。目前用于水环境评价的方法众多，每一种方法都有其优缺点、适应性，其中，人工神经网络法是一种对生物体进行模仿的方法，该方法有着较强的学习能力，能处理水环境评价因子与评价标准之间非线性关系。本文主要介绍了人工神经网络法和基于此法改进的方法，并将其应用到河南海河流域部分河流断面的水质评价中，结果表明，该新方法可靠且具有实用性。

关键词：人工神经网络；水质评价；河南

中图分类号：X832 文献标识码：A 文章编号：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；Henan

水环境评价为水资源的保护、开发利用和管理决策提供科学的依据。目前，我国的水环境质量评价方法主要有：单因子评价法、污染指数评价法、模糊评价法、灰色评价法等[1]。各种方法都有其优缺点和适应性问题。如单因子评价法计算简便，能很快的判定出水质类别，但以水质最差单项指标所属类别作为水体综合水质类别，评价结果表现为过保护；污染指数评价法能够直观判断综合水质是否达到功能区目标， 但是不能直观判断综合水质类别；模糊评价法和灰色评价法评价结果的水质类别不能完全反映国家水质控制标准的要求[2]。

目前发展的人工神经网络法是基于对生物体的模拟，具有较强的学习功能，能处理水环境评价因子与水质评价标准之间非线性关系[3]，具有一定的模糊性，符合水体客观环境，其中的BP神经网络应用广泛。本文对BP神经网络进行了介绍，并基于此对该方法进行了改进，将其应用到河南部分河流水质评价中去，结果可靠，可以应用到水环境水质评价中去。

1 人工神经网络模型

1.1 BP神经网络

误差反向后传BP神经网络过程由4个部分组成[4]：①输入层向输出层的顺向传播；②误差信号由输出层经隐含层向输入层的逆传播；③学习训练过程；④求取误差函数最小值。

1.1.1 模式顺传播

输入层模式向量Xk、输出层模式向量Yk可分别表示为：

Xk=（a1，a2，…，aN），K=1，2，…，L

Yk=（b1，b2，…，bM），K=1，2，…，L

其中N为输入层的节点数，M为输出层的节点数，L为样本数量。隐含层θj、输出层θi可分别表示为：

θj=f（）；θi=f（）

其中f為S型激励函数：f（x）=1/[1+exp（-x）]，W为连接权重，θ为阈值。

1.1.2 误差的逆传播

误差的逆传播过程是由输出层的误差向中间层的误差进行传递的过程。在传递过程中需要计算输出层、隐含层各单元的一般化误差，得出校正误差和，然后调整各单元之间的连接权和阈值。调整公式按下式给出：

Δvjt=ɑ；Δrt=ɑ

Δwij=β；Δθj=β

1.1.3 学习训练过程

学习训练过程是指根据希望输出结果与实际输出结果之间的误差调整连接权的反复学习过程。

1.1.4 收敛过程

收敛过程即求取全过程误差最小值的过程，全过程误差E最小值可由下式计算得出：

E=

1.2 改进的BP神经网络

传统的BP神经网络可操作性强，但存在一些缺陷，主要有：训练时间过长，由于BP算法需进行多次训练才能达到收敛要求，这样对于一些复杂问题学习效率低下；可能存在不能收敛问题，如果修正值过大，可能导致在修正过程中能不到最小误差值；得到的可能是局部最小值，训练过程是从误差函数斜面达到最小值的，而对于复杂网络呈现的是多维的空间结构，这会使得训练在某一维结构形成局部最小值。对于存在的这些问题可以通过加快收敛速度、改变隐含层的单元个数来予以解决。加快收敛速度是通过使学习系数取得较大值，加快学习速度来实现的。为了使学习系数取得较大值，学习过程中通过加入惯性冲量过滤掉了高频振荡，这个过程中需要对权值进行修正。

2 水环境质量评价

河南省地处我国中原地区，人口众多，是大的产粮区，对我国粮食安全意义重大，而水环境对河南的农业发展至关重要。本研究以河南省海河流域的几条河流的监测断面作为研究对象，采用改进的BP神经网络法对上述河流监测断面进行水质评价，发现此法结果可靠，运算速度快，适合河南地区河流水质评价。

2.1 水环境质量监测

2.1.1 样品采集

本次样品采集于河南省海河流域的6条河流：卫河、共产主义渠、淇河、汤河、安阳河、马颊河。海河流域人口密集，流经我国主要的产粮区，但由于安阳河从太行山东麓流出之后流入平原，宣泄能量弱，常发生严重的洪涝灾害，对我国粮食安全和生态有严重影响，研究意义重大。淇河、汤河、马颊河各有1个监测断面，卫河、共产主义渠、安阳河监测断面分别为4个、2个和2个，总共11个监测断面（表1）。

2.1.2 评价因子及监测标准

根据河南海河流域实际情况，本文选取了高锰酸盐指数、五日生化需氧量、氨氮、化学需氧量和总磷等评价因子，监测结果见表1。评价标准依据《地表水环境质量标准》（GB3838-2002）。本次选取的5个评价因子对应的地表水环境质量评价标准如表2所示。

2.2 人工神经网络法

2.2.1 人工神经网络实现过程

根据表1的实测监测资料可以得出，网络有11个输入向量，每个向量包含5个变量，即网络的输入层包含5个神经元，其输出向量有11个。隐含层采用S型激励函数函数，输出层采用对数函数。根据表2的地表水环境标准，可得训练样品集P、目标向量t分别为：

人工神经网络的具体步骤包括以下8个步骤[5]：（1）首先对11个断面监测水样和水环境标准数据进行极差化处理，即将数据区间化为0～1之间；（2）将水质标准训练样品集P输入到网络；（3）BP神经网络创建；（4）学习过程（训练函数、参数设置）；（5）输出节点水质级别输出；（6）输入5项评价指标；（7）采用Matlab软件进行仿真计算；（8）经过多次训练，使误差达到规定要求，得出评价结果。

2.2.2 水质评价

根据改进人工神经网络进行分析可以得出修武水文站、卫辉水文站、汤阴五陵、南乐元村集、西永康桥、卫辉黄土岗、林州黄花营、汤河水库、彰武水库、冯宿桥、南乐水文站断面的输出值分别为：0.885、0.935、0.916、0.893、0.931、0.938、0.009、0.913、0.285、0.706、0.715，将输出结果与目标向量进行对比，得出其对应的水质等级分别为：Ⅳ类、Ⅴ类、Ⅴ类、Ⅳ类、Ⅴ类、Ⅴ类、Ⅰ类、Ⅴ类、Ⅱ类、Ⅳ类、Ⅳ类。从评价结果可以看出基于改進的BP神经网络法与单因子评价法结果相似。在单因子评价中，修武水文站、南乐元村集水质等级评价为Ⅴ类，而基于改进的BP神经网络法将修武水文站、南乐元村集水质等级评价为Ⅳ类，这可能是因为修武水文站、南乐元村集监测的5个因子中氨氮没有卫辉水文站、汤阴五陵、西永康桥、卫辉黄土岗、汤河水库这些断面超标严重，评价结果可能更符合实际情况。卫辉水文站、汤阴五陵、西永康桥、卫辉黄土岗、汤河水库水质为Ⅴ类，污染最为严重，卫河的4个断面水质情况都不好，不是Ⅳ类水质就是Ⅴ类水质，据此可以对其水质进行处理，采取及时有效的防范措施。改进的神经网络计算速度快、效率高，结果可靠，对模糊性、不确定规律性的处理效果好。

3 结束语

基于改进的BP人工神经网络法能解决多种评价因子与水质等级的复杂非线性关系，该方法速度快，准确性和精度高，该方法在河南海河流域部分河流断面的分析显示与单因子分析结果相似，对水体标准等级模糊性处理更好，可以广泛应用于水环境水质评价。另外，在实际评价过程中，应根据研究目的、研究区域地理环境合理选择影响水质因子进行分析，以期对水环境质量做出全面准确的评价。

参考文献

[1]李茜，张建辉，林兰钰，等.水环境质量评价方法综述[J].现代农业科技，2011，（19）：285-290.

[2]李名升，张建辉，梁念等.常用水环境质量评价方法分析与比较[J].地理科学进展，2012，31（5）：617-624.

[3]陈守煜，李亚伟.基于模糊人工神经网络识别的水质评价模型[J].水科学进展，2005，16（1）：88-91.

[4]倪深海，白玉慧. BP神经网络模型在地下水水质评价中的应用[J].系统工程理论与实践，2000，20（8）：124-127.

[5]娄申，干晓蓉.基于BP神经网络的水质评价[J].云南民族大学学报：自然科学版，2007，16（2）：165-167.

收稿日期：2018-01-10

作者简介：赵颖（1970-），女，本科，研究方向为水环境质量综合分析与评价。