BP神经网络在地下水水质评价中的应用
地下水水质评价中BP人工神经网络模型的应用研究
水土保持应用技术
１ ９
实用技 术
地 下水 水质 评 价 中 Ｂ Ｐ人 工 神 经 网 络 模 型 的 应 用 研 究
邹 涛
（ 新疆下坂地水利枢纽工程建设管理局 ， 新疆喀什 ８ ４ ４ ０ ０ ０ ）
中图 分 类 号 ： Ｐ ３ ３ ４ ． ９ ２ 文献标志码 ： Ａ ｄ ｏ ｉ ： １ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ６ ７ ３—５ ３ ６ ６ ． ２ ０ １ ７ ． Ｏ １ ． ０ ７
Ｂ Ｐ人工网络模型 。 对新疆某 区域地下 水水质 情况进行 采样 分析评 价 ， 以此 通过对样 本数据 进行人 脑神 经模 拟计
算， 从 而对数据 结果进行优化评价 。 以此提 升水质评价 结果的科 学性 。
关键 词 ： 地下水水质 ； Ｂ Ｐ人 工神 经 网络 模 型 ； 评价； 应 用
型， 将信 息运 算结 果 通过 反 向传 输 到信 息 隐含 层 及 输 出层 ， 系 统模型 沿 网络结构 连接通 路 ， 对 系统相 关 采 样数 据进 行逐层 反 向运 算修 正 ， 以此 科学 输 出各 层 连接 权值 。 当各 个训 练模式 都与 预期运行 要求 一
和模型化处理 ， 以此提升 当地地下水水质评价结果 的科 学性 。
致时 ， 结束修正 ， 再次输 出数据运算结果 。
２ 地 下水 水 质 评 价 中 Ｂ Ｐ人 工 神 经 网 １ 地下水 水质评价 中 Ｂ Ｐ人工 神经 网 络模 型 的实 施 流 程 络模 型 简介 基于 Ｂ Ｐ神 经 网络 模 型 ， 对地 下 水 水 质 进 行 分
在现 阶段 我 国地 下 水 水 质评 价 过 程 中 ， 经 常采 用 的一种 数 据 分 析 模 型 就 是 Ｂ Ｐ人 工 神 经 网 络 模
三江平原地下水位的预测——基于RPROP的BP神经网络方法
三江平原地下水位的预测——基于RPROP的BP神经网络方法随着城市化的快速发展和人口的增加，地下水资源逐渐受到了严重的威胁。
为了有效地管理和保护地下水资源，对地下水位进行准确地预测是至关重要的。
本文将基于RPROP的BP神经网络方法，对三江平原地下水位进行预测分析。
首先，我们需要了解三江平原地下水位受到的影响因素。
在三江平原地区，地下水位主要受到降雨量、蒸散发和人类活动等因素的影响。
因此，我们需要收集并整理相关的气象数据、地下水位数据和人类活动数据，以建立地下水位的预测模型。
其次，我们将采用BP神经网络算法来进行地下水位的预测。
BP神经网络是一种反向传播神经网络，通过不断地调整神经元之间的连接权重，训练网络以实现目标输出。
在BP神经网络中，我们将采用RPROP算法作为权重更新的方法，以提高网络的收敛速度和准确性。
接下来，我们将进行数据的预处理工作。
首先，我们将对数据进行标准化处理，以提高网络的训练速度和泛化能力。
然后，我们将数据分为训练集和测试集，以便对网络进行训练和验证。
然后，我们将建立BP神经网络模型。
在建立网络结构时，我们需要确定输入层、隐藏层和输出层的神经元数量，并选择合适的激活函数和损失函数。
在网络训练过程中，我们将使用RPROP算法进行权重的更新，并设置合适的学习率和训练轮数，以使网络能够更好地逼近实际地下水位数据。
最后，我们将对网络进行评估和验证。
我们将使用测试集数据来验证网络的预测准确性，并通过计算误差指标来评估网络的性能。
同时，我们还将对网络进行参数调优和模型优化，以提高网络的预测精度和泛化能力。
综上所述，基于RPROP的BP神经网络方法可以有效地对三江平原地下水位进行预测。
通过建立合适的神经网络模型和进行数据处理优化，我们可以提高地下水位的预测准确性，为地下水资源的管理和保护提供重要的决策支持。
希望本文的研究可以为地下水位预测领域的进一步深入研究提供参考和借鉴。
基于BP神经网络—模糊数学串联模型的科左中旗地下水质量评价
基于BP神经网络—模糊数学串联模型的科左中旗地下水质量评
价
地下水水质是植物生长发育和影响生态环境的主要因素,是评估地下水环境的核心指标。
内蒙古通辽地区农业灌溉主要依赖于地下水,目前该区正在进行大规模的“节水增粮行动”,此举可能会引起地下水环境的变化。
本文以科左中旗万亩示范田为研究对象,开展地下水环境监测,揭示研究区地下水环境的变化规律,应用构建的BP神经网络—隶属度串联模型对科左中旗地下水环境进行评价,成果将为农田地下水环境有效治理提供基础,对维持当地农业可持续发展具有不可忽视的价值意义。
主要研究成果如下:(1)作物生育期内地下水位降低,地下水埋深波动比较明显。
2016年地下水埋深在生育期内呈“U”型变化;2017年7月份由于降雨密集,水位上涨,地下水埋深在生育期内呈“W”型变化。
(2)地下水水质生育期内变化较大,伴随着地下水埋深的升降、降雨的补给、施肥的进行:7月地下水pH值升高;矿化度、全盐量、氨氮、硝酸盐、硫酸盐、钠离子、镁离子、氯化物和总硬度在6月份和8月份产生极大值,7月份产生极小值,波动较明显;重碳酸盐和总碱度呈现高低起伏的变化,全盐量与矿化度、重碳酸盐与总碱度存在极显著正相关关系。
8月末各离子浓度逐渐下降,生育期前后各离子浓度值相近,当地总体地下水质4月和10月优于其它各月。
(3)构建的BP神经网络一隶属度串联模型经率定检验,与实际监测数据吻合较好,该模型用于科左中旗地区农田地下水质量评价可行。
(4)以地下水Ⅳ类标准为基础,基于BP神经网络一隶属度串联模型评价结果
显示研究区地下水水质总体都位于Ⅳ类水以上,地下水质量情况良好,其中2017年地下水质量优于2016年。
BP神经网络信息融合技术在水质监控中的应用
邮局订阅号：82-946360元/年技术创新博士论坛《PLC 技术应用200例》您的论文得到两院院士关注BP 神经网络信息融合技术在水质监控中的应用The application of information fusion technology based on BP neural network in water monitoring(上海海洋大学)陈明朱文婷周汝雁何盛琪CHEN Ming ZHU Wen-ting ZHOU Ru-yan HE Sheng-qi摘要:目前我国对于集约化水产养殖的水质调控,仅处于单指标调节水平,忽略了水质因子间的相互作用对养殖环境产生的影响。
本文在现有的多传感器无线传感网络基础上,构建基于BP 神经网络的信息融合监控系统,对多元非线性水质因子进行信息融合以全面评估当前水质环境是否适合虾类生长并做出相应的调控决策。
文章最后通过实际水质数据对该系统算法进行测试分析,测试结果表明此监控系统具有较高的精确度,为集约化水质监控开辟了一条新路径。
关键词:BP 神经网络;信息融合;水质监控;无线传感网络中图分类号:TP391文献标识码:A Abstract:At present,the water quality controlling is only in single-factor processing level in intensive aquaculture in china,and weignore the interactions among factors.This paper builds a information fusion monitoring system based on BP neural network on the existing wireless sensor network,fuses multiple non-linear water factors,evaluates overall whether the present water environment suit -able for the growth of shrimp and makes controlling decisions.Finally,the paper tests the algorithm of the system through some ac -tual data,and test results show that this monitoring system is with high accuracy and find a new path for intensive water monitoring.Key words:BP neural network;Information fusion;water monitoring;Wireless sensor networks文章编号:1008-0570(2010)04-1-0015-031引言集约化水产养殖是近年来在一些科技发达国家迅速发展起来的现代化高密度养殖方式,由于其产量高、养殖时间不受季节限制、饲料系数低、水体利用率高等优点,越来越受到人们的重视。
SOFM 与 BP 神经网络在矿井水源判别中的应用
SOFM 与 BP 神经网络在矿井水源判别中的应用孙浩【摘要】介绍了SOFM神经网络与BP神经网络，以李咀孜煤矿为例，分别利用SOFM网络与BP网络，针对地下水化学特征分别建立突水判别模型，实例结果表明：SOFM网络模型比BP网络模型具有更高的判别精度，更快的运算速度，更好的反应地下水系统特性，为矿井水害防治提供了一种辅助决策手段。
%The discrimination of the mine water -bursting source is deemed to be a basic knowledge for the water control in the mines.A speedy and precise discrimination is of key importance to the safe production of the whole mine.This paper introduces SOFM neural networks and Back -propagation neural networks.Take Lijuzi Mine as an example , establishes the distinguishing model for water bursting by SOFM neural networks and BP neural networks with groundwater chemical characteristics , respectively.Experimental results show that the SOFM neural model is more precise and faster than BP neural model in discrimination.The SOFM neural model could better respond characteristics of groundwater systems.It provides an assistant means for decisiori -making to prevent water-inrush from coal floor.【期刊名称】《华北科技学院学报》【年(卷),期】2014(000)006【总页数】5页(P12-16)【关键词】突水水源;SOFM神经网络;BP神经网络;判别模型【作者】孙浩【作者单位】华北科技学院安全工程学院，北京东燕郊 101601【正文语种】中文【中图分类】TD745+.20 引言矿井突水是煤矿生产过程最具威胁的自然灾害之一，一旦矿井发生突水，如何及时准确地判断突水成因，查找突水水源，是解决和进一步预防突水灾害的关键问题［1］。
自适应变步长BP神经网络在水质评价中应用
自适应变步长BP神经网络在水质评价中应用输出层节点，每一层节点的输出只影响下一层节点的输入。
网络训练目标是使误差函数E最小，E的定义如下：式中：E为网络输出误差，P代表第P个样本，j为输出单元数，t jp为单元期望输出，O jp为单元的实际输出，(t jp-O jp)2输出层第j 个神经元在模式P作用下的实际输出和期望输出之差的平方。
1.2 BP算法存在的问题BP算法的基本形式为[3]:W(k+1)=W(k)+αD(k)(2)式中:W（k）为时刻的权值；α为学习率；（k）为k时刻的负梯度。
用三层BP网络可以任意逼近任何连续函数，但是它主要存在如下缺点：(1) 从数学上看，它可归结为一非线性的梯度优化问题，因此不可避免地存在局部极小问题；(2) 学习算法的收敛速度慢，通常需要上千次或更多；(3) 络结构为前向结构，没有反馈连接，因此它是一非线性映射系统。
1.3 BP算法的改进（ABPM算法）由于BP算法存在以上的缺陷，因而用BP网络训练网络时常常会出现收敛慢、振荡和陷入局部极小等问题。
因此，采用引入动量项的自适应变步长来调整学习率的改进算法（即ABPM算法）。
自适应变步长算法和常规BP算法的主要区别在于学习步长λ随误差曲面的变化而进行调整。
由于BP网络的逼近误差曲面的梯度变化是不均匀的，即(k)在不同的位置大小不同。
如果采用固定的步长λ,当λ较小时，在误差曲面较平坦的区域，收敛较慢；当步长λ较大时，又会在峡谷区域引起振荡。
自适应变步长算法正是针对步长的缺陷提出来的。
这种算法是以进化论中的进退法为理论基础的，即连续两次观测训练的误差值，如果误差下降则增大学习率，误差的反弹在一定的范围内，则保持步长，误差的反弹超过一定限度则减小学习率。
学习率的调整可用如下公式进行描述。
W(k+1)=W(k)+α(k)[1-ηD(k)+ηD(k-1)] (3)其中：α(k)=2λα(k-1)；λ=sign[D(k)D(k-1)]。
基于遗传 BP神经网络的地下水位预测模型
的开 发利 用与 保护提 供 参考依 据 。
［ 关 键词 ］ 神 经 网络 ； 模型； 遗传 算 法 ； 地 下水位 ； 预 测 ［ 中图分 类 号］ Ｐ ６ ４ １ ． ７ ４ ［ 文献标 识码 ］ Ａ ［ 文章 编号 ］ １ ０ ０ ４—１ １ ８ ４ （ ２ ０ １ ５） Ｏ ３一ｏ ０ １ ９—０ ３
பைடு நூலகம்
Ｇｒ ｏ ｕｎｄｗａ ｔ ｅ ｒ Ｌｅ ｖ ｅ ｌ Ｐｒ ｅ ｄｉ ｃ ｔ ｉ ｏ ｎ Ｍ ｏ ｄｅ ｌ ｂａ ｓ ｅ ｄ ｏ ｎ Ｇｅ ｎ ｅ ｔ ｉ ｃ ＢＰ Ｎｅ ｕｒ ａ ｌ Ｎｅ ｔ ｗｏ ｒ ｋ
ＸＵ Ｊ ｊ
（ Ｘ ｉ ￣ｉ ａ ｎ ｇ ｗ ａ ｔ ｅ ｒ ｃ ｏ ｎ ｓ ｅ ｒ ｖ ａ ｎ ｃ ｙ ｓ ｃ ｉ ｅ ｎ ｃ ｅ ａ ｎ ｄ ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ｅ ｘ ｔ ｅ ｎ ｓ ｉ ｏ ｎ ｓ ｔ ａ ｔ ｉ ｏ ｎ ，Ｕ ｒ ｕ ｍｑ ｉ ８ ３ ０ ０ ０ ０， Ｘ ｉ ￣ｉ ａ ｎ ｇ ）
ｎ ｅ ｔ ｗｏ ｒ ｋ ｍｏ ｄ ｅ ｌ ｃ ａ ｎ ｂ ｅ ｔ ｔ ｅ ｒ ｅ ｘ ｐ ｒ ｅ ｓ ｓ ｔ ｈ ｅ ｎ ｏ ｎ ｌ ｉ ｎ ｅ ａ ｒ ｒ ｅ ｌ ａ ｔ ｉ ｏ ｎ ｂ ｅ ｔ ｗｅ ｅ ｎ ｇ ｒ ｏ ｕ ｎ ｄ ｗａ ｔ ｅ ｒ ｌ ｅ ｖ ｅ ｌ ａ ｎ ｄ ｔ ｈ ｅ ｍａ ｉ ｎ ｃ ｏ ｎ ｔ ｒ ｏ ｌ ｆ ａ ｃ ｔ ｏ ｒ ｓ ，ｔ ｈ ｅ ｍｅ ａ ｎ ａ ｂ ｓ ｏ － ｌ ｕ ｔ ｅ ｐ ｅ ｒ ｃ ｅ ｎ ｔ ａ ｇ ｅ ｅ ｒｏ ｒ ｂ ｅ ｔ ｗｅ ｅ ｎ ｔ ｈ ｅ ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｅ ｄ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ａ ｎ ｄ ｔ ｈ ｅ ｍｅ ａ ｓ ｕ ｒ ｅ ｄ ｖ ａ ｌ ｕ ｅ ｉ ｓ ０． ０ ４ ０ ３，ｔ ｈ ｅ ｔ ｅ ｓ ｔ ｓ ａ ｍｐ ｌ ｅ ｎ ｅ ｔ ｗｏ ｒ ｋ ｏ ｕ ｔ ｐ ｕ ｔ ｖ ａ ｌ ｕ ｅ ｏ ｆ
人工神经网络在地下水污染评价中的应用
人工神经网络在地下水污染评价中的应用
人工神经网络在地下水污染评价中的应用
人工神经网络系根据人类的生物神经系统结构设计的计算机网络模型,可用于模式识别.用于地下水污染评价,具有客观、实用、精度高、不受人为因素影响等优点,人工神经网络方法能准确评价地下水的污染状况和污染带分布,可以在水环境污染评价工作中推广.以聊城市地下水污染评价为例,探讨人工神经网络模型(BP模型)在地下水污染评价中应用的基本方法.
作者：玉洪超聂秋月姜明新 Yu Hongchao Nie Qiuyue Jiang Mingxin 作者单位：玉洪超,姜明新,Yu Hongchao,Jiang Mingxin(聊城水文水资源勘测局,山东,聊城,252000)
聂秋月,Nie Qiuyue(河海大学水文院,江苏,南京,210098)
刊名：山东水利英文刊名：SHANDONG WATER RESOURCES 年，卷(期)：2008 ""(3) 分类号：X523 关键词：地下水污染评价人工神经网络。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
． ：
● Ｎ
输 ｍ 结 凇
计薜搦棒觚 输ｎ ； 赫的 簸ｌ
图 １所示 。
研 究区选取吉林省辉南县 ， 地 处 长 白山 系 龙 岗 山脉 的 中 北 部 。研 究 区 属 于 低 山 丘 陵 地 貌 ， 属 北 温 带 大 陆 性 季 风 气候 区， 主要 气 候 特点 是 夏季 温 热多 雨 ， 春 季风 大干 旱 ， 秋 季 凉爽 短促 ， 冬 季 寒冷 漫 长 。辉南 气象 站多 年 平均气 温 ４ ． １ ℃， 最 高气 温为 ３ ４ ． ６ ℃， 最 低气 温 为 一 ４ ０ ． ３ ℃， 无霜期 １ ３ ０天 ，≥ １ ０ ％积 温 ２ ６ ５ ０ ￣ Ｃ ， 多年平均降雨量为 ７ ５ ４ ． ７ ｍ ｍ， 多年平均蒸发量为 ７ ５ ２ ． ４ １ １ １ １ １ １ ， 多 年 平均 风速 为 ３ ． ４ ｍ ／ ｓ ， 风向Ｎ Ｗ， 多 年 平 均 日照 时 数 为 ２ ５ ７ ２小时 ， 最大 冻土 深度 １ ． ５ ｍ。 由于辉 南县 属 于低 山丘 陵 区 ， 且 由东南 向西北 倾 斜 ， 因此 ， 地 表水 系 统 发达 ， 县 城 内属 于辉 发 河水 系 １ ０ ｋ ｍ 以上河 流 就有 ２ ２条 ， 主 要 有 辉 发 河 、三 统 河 等 。辉 发河 发 源 于辽 宁 省 清源 县 ， 自西 向东 流 经县 城 ， 并 有大 沙河 、一统 河 、三 通 河 、亮子 河 、蛤 蟆河 、蛟河 汇 入辉 发 河 。俗有 “ 九行 下 哨 ”之 称 。辉 发 河历 年 平均 水位 高 程 ２ ９ ８ ｍ， 最 高供 水位 高程 ３ ０ ２ ． ２ ５ ｍ。 最 低水 位２ ９ ４ ｍ 。平 均 流速 ０ ． ５ ｍ ／ ｓ 一 ０ ． ８ ｍ ／ ｓ ， 最大 流量 ４ ８ ５ ０ ｎ ｌ ／ ｓ ， 含沙
我 国 随着 经济 步 伐 的加 快 ， 导致 地 下 水环 境 日趋恶 化 ， 地 下水 污 染 的 防治丁 作 俨 然 已成 为 自然 环 境 保护 迫 切需 要解 决 的 问题 。可 是 ， 地下 水 系统具 有复 杂性 、 多 变性 、 不确 定性 的特 点 ， 导致 传 统 的评 价方 法 难 以定 量 地描 述 。随 着计 算 机 网络 的不 断 发 展进 步 ， 模 糊数 学 评 判法 、灰色 聚类 法 、灰 色模 式 识 别法 应 用进 了地 下水 水质评 价 中 ， 然而 ， 这些方 法受 主观 因素影 响严 重 ， 导致 评价 结果 的精度 受 到质 疑 ， 本文 针对 地下 水水 环境 的特 点 ， 应用 Ｂ Ｐ神经 网络 的理 论与 方法评 价地 下水水 质 ， 通过 分析 地下 水环境要素间的非线性关系 ， 评价地下水水环境质量。 ２ ． １ 研 究 区概况
晕
习
１ Ｂ Ｐ神 经网络理 论
人 工 神 经 网络 （ Ａ ｒ ｔ ｉ ｆ ｉ ｃ ｉ ａ ｌ Ｎ ｅ ｕ ｒ ａ ｌ Ｎ ｅ ｔ ｗ ｏ ｒ ｋ ，Ａ Ｎ Ｎ）是 一 种 非 线性 的动 力学 系统 ， 它 通过 对 人脑或 自然 的神 经 网络 若 干基 本 特性 进 行 抽象 和模 拟 ， 具有 将 强 的处理 和 分布 式 存储 信 息 的能 力 。Ｂ Ｐ神 经 网络 属 于前 馈人 工神 经 网络 ， 网络 由输人层 、隐含 层及 输 出层 组成 。Ｂ Ｐ神 经 网络 的建立首 先要 调 整输 出与 隐含 层 之 间 的权 值 ， 其次 调 整 隐 含层 单元 之 间 的权值 ， 最后 调 整 隐含 层各 个单 元 与输 出层 之 间 的权 值 。Ｂ Ｐ神经 网络 学 习训练 过程 如
Ｔ
Ｒ 如
Ｂ Ｐ 神经网络在地下水水质评价中的应用
欧妮妮
（ 辽 宁 省地质矿 产 调查 院 ， 辽 宁沈 阳 １ １ ０ ０ ３ １ ）
摘 要 地 下水在 水质分 类标 准上存 在模 糊性 ， 传 统的评 价 方法难 以克服 ， 针对 这 一 问题 ， 本 次研 究将 Ｂ Ｐ 神经网 络 理论 引入 地 下 水水质 评价 中 ， 选取 吉林 省辉 南县 作 为研 究 区 ， 以监 测点 的调 查 采样数 据 为基础 ， 应用 Ｂ Ｐ 神 经 网络 方法评 价研 究 区的地 下水 水质 ， 并与 尼梅 罗综合指 数 法进 行 比较 分析 。结 果表 明 ，Ｂ Ｐ 神 经 网络 评价 的 水质结 果 更加 准确 ， 表 达 形 式更加 清 晰 ， 它可 以反 映 出各 评价 因子质 量 的相对 状 态 ， 解 决 了以往传统 方 法局 限性 的问题 ， 为 吉林省 地 下水 资源 的开发 与保 护奠定 了科 学基础 。 关 键 词 Ｂ Ｐ 神 经 网络 ； 地 下水 水质 ： 水 井 中圈分 类号 ： Ｘ ８ ２ ４ 文献 标识 码 ： Ａ 文章 编 号 ：１ ６ ７ １ —７ ５ ９ ７（ ２ Ｏ １ ３ ）０ ３ ２ — ０ ４ ８ — ０ ２
量２ ． １ ４ ｋ ｇ ／ ｍ 。
２ ． ２ 数 据来 源与 处理 野外 样 品分别 在 ２ ０ １ １ 年 ５月 、７月和 ｌ ０ 月 进行 ｊ期 同点 采 集 。根 据辉 南 县 ６ １ ３水井 的地 下 水水 环境 质 量监 测 资 料 以及采 样 数据 ， 采 用 计 算污 染 分担 率 的方 法确 定水 质评 价 因子 。污 染
２ 应用
砷 ｝ ‘
铣 Ｉ
建 瑚 神 经 州 络张
０
一 — ＜ ／
＼
Ｊ
嫩
、
’
ቤተ መጻሕፍቲ ባይዱ
辅＿ ￣
ｉ ｌ 州 络 ｛ ＿ Ｉ ＝ ｊ 撕 化 舣 愤 和 聃ｌ １
Ｉ —
ｌ 糯 学
ｌ
Ｉ ＝
汁撺巾 ｌ ｎ ｊ 输｝ “ 的 饷 赫