地下水水质评价中BP人工神经网络模型的应用研究
基于BP神经网络的地下水位预测系统设计
第 53 卷 第 4 期地 震 科 学 进 展Vol.53 No.4 2023 年 4 月Progress in Earthquake Sciences Apr., 2023廖绍欢，赵乃千，詹旭. 基于BP神经网络的地下水位预测系统设计[J]. 地震科学进展, 2023, 53(4): 165-170. doi:10.19987/ j.dzkxjz.2022-118Liao S H, Zhao N Q, Zhan X. Design of groundwater level prediction system based on BP neural network[J]. Progress in Earthquake Sciences, 2023, 53(4): 165-170. doi:10.19987/j.dzkxjz.2022-118基于BP神经网络的地下水位预测系统设计*廖绍欢1) 赵乃千1) 詹 旭2)※1) 四川省地震局成都地震监测中心站，四川成都 6117302) 四川轻化工大学自动化与信息工程学院，四川自贡 643000摘要 为了解四川德阳地下水位动态，进而分析地震前兆动态，本文设计了一个基于BP神经网络的地下水位预测系统。
采用SWY-Ⅱ数字式水位仪对德阳地下水位数据进行采集。
根据采集的2015年水位数据，利用BP神经网络对地下水位变化进行预测，以一年的采集数据进行训练和测试，采用3个输入节点、1个输出节点设计了BP神经网络结构。
为了进一步验证本预测系统，本文对2017年7月1日—10月26日地下水位情况进行了预测。
实验表明：该方案能有效实现地下水位的预测，为地震前兆工作提供可靠数据。
关键词 单片机；BP神经网络；预测中图分类号：P315.72+3 文献标识码： A 文章编号: 2096-7780(2023)04-0165-06doi：10.19987/j.dzkxjz.2022-118Design of groundwater level prediction system based on BP neural networkLiao Shaohuan1), Zhao Naiqian1), Zhan Xu2)1) Chengdu Earthquake Monitoring Center Station, Sichuan Earthquake Agency, Sichuan Chengdu 611730, China2) School of Automation and Information Engineering, Sichuan University of Science & Engineering, Sichuan Zigong643000, ChinaAbstract In order to understand the dynamic of groundwater level and master the earthquake precursor dynamic，we designed groundwater level prediction system based on BP neural network. According to the groundwater level of Deyang，Sichuan Province，SWY-II digital water level meter is used to collect the groundwater level data of Deyang. Based on the collected water level data in 2015，the BP neural network is used to predict the change of groundwater level，and the data collected for one year are trained and tested. The structure of BP neural network is designed with three input nodes and one output node. In order to further validate the proposal，the groundwater level from July 1 to October 26，2017 is predicted. The experiment shows that the scheme can predict groundwater level effectively and provide reliable data for earthquake precursor work.Keywords MCU; BP neural network; predict* 收稿日期：2022-07-21；采用日期：2022-10-20。
BP神经网络在地下水水质评价中的应用
． ：
● 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
地下水水位预测的人工神经网络模型研究
人工神经网络得到 了迅速的发展 ， 而线 性神 经网络 是神经网络的一种模型 ， 由一个或多个线性神经 它 元构成 ， 中每个神经元 的传递函数都为线性函数 ， 其 其输入输出之间是 比例关系。 单个线性神经元计算式 ： ＝ ｕ ｌ （ ｐ＋ ） ０ ｐｒｉ Ｗｘ ６ ｅｎ 其 中Ｐ为输入矩阵 ， ｎ为输 出， Ｗ为权值矩 阵， ｂ 为阈值 向量。线性神经网络初始化之后 ， 权值矩阵
Ａｂ ｔａ ｔ Ｇｒｕ ｄ ａｅ ｙ ｔｍ ｓｉｔｃ ｔ ｄ ｓ ｃ ａｔ ．Ａｃｏｄｎ ｈ ｅａｉｎ ｈｐ ｂ ｔｅ ｎｇｏ ｎ ｗａｅ ｅｅ ｓ ｒ ｃ ： ｏ ｎ ｗ ｔｒｓ ｓ ｅ ｉ ｎｒ ａｅａ ｔ ｈ ｓ ｃ ｉ ｎ ｏ ｉ ｃ ｒｉｇ ｔ ｔｅ ｒｌｔ ｓｉ ｅｗ ｅ ｒｕ ｄ ｔｒｌｖｌ ｏ ｏ
维普资讯
２０ ０７年 ３月
贵州科技．－ 职业学院学报 ｒ／ －Ｉ
Ｇ ｉ ｏ ｃ— ｃ ｎ ｉｅ ｒ ｇＶ ｃｔ ｎ ｌ ｏ ｅ ｅ ｕｚ ｕ Ｓ ｉ ｅ ｈ Ｅ ｇｎ ｅｉ ｏ ａ ｏ ａ Ｃ Ｕ ｇ ｈ ｔ ｎ ｉ ・ ７・ ２
第 ２卷 第 １ 期
含水介质以裂隙 、 溶孔为主， 蓄水性好 ， 含丰富的岩
溶裂隙水 ， 由于水文地质条件的有利组合 ， 构成独立 的补给 、 径流、 排泄系统 ， 自成一完整的水文地质单
ａ ｄ ｉ ｎ ｌｅ ｔ ｌｆｃ ｏｓ ｄ ｅ ｆ ｒ ｆ ｉ ｅ ｒ ｅｗｏ ｋ ｉ ｓａ ｌ ｈ ｄ ａ ｄ ｕ ｅ ｏ ｈ ｒ ｄ ｃ ｉｎ ｏ ｒ ｕ ｄ ａ ｅ ｅ — ｎ ｔ ｉｆ ｎ ａ ａ ｔ ｒ ．ａ ｍｅ ｌｏ ｔ ｃ ａ ｎ ｕ ａ ｎ ｔ ｒ ｓｅ ｔ ｂｉ ｅ ｓ ｆ ｒ ｅ ｐ ｅ ｉｔ ｆ ｏ ｎ ｗ ｔｒｌｖ ｓ ｕ ｉ ａｉ ｌ ｉ ｌ ｓ ｎ ｄ ｔ ｏ ｇ ｅ ．Ｔ ｅＩ ｓｌ ｎ ｉａｅ ｈ ｔｉ ｈ ｓ ｈｇ ｅ ｒ ｃｓｏ ｎ ｐ ｅ ｉｔ ｎ １ ｈ ℃ ｌ ｔ ｄ ｃ ｔ ｓｔ ａ ａ ｈ ｒｐ ｅ ｉｉｎ ｏ ｒ ｄ ｃ ｏ ． ｌｉ ｔ ｉ ｉ
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。
遗传算法改进BP神经网络在地下水水质评价中的应用概要
2009年 9月郑州大学学报(工学版Sep 2009第30卷第3期Journa l of Zhengzhou U n i ve rs i ty (Eng ineer i ng Sc ience V o l 30 N o 3收稿日期:2009-01-18; 修订日期:2009-04-22 基金项目:国家自然科学基金资助项目(60774059作者简介:冯冬青(1958-, 男, 广东佛山人, 郑州大学教授, 博士, 研究方向为智能控制理论与应用. E -m ai:l dqfeng@zz u . edu . cn文章编号:1671-6833(2009 03-0126-04遗传算法改进BP 神经网络在地下水水质评价中的应用冯冬青, 郭艳(郑州大学电气工程学院, 河南郑州450001摘要:为了准确、高效地评定地下水水质, 提出了一种遗传算法与神经网络相结合的混合评价算法, 针对水质评价的多变量和非线性, 采用BP 神经网络对其进行综合评价计算, BP 算法易陷入局部极小的缺点则通过引入遗传算法来克服, 将两者有机的结合起来实现神经网络的训练和知识库的建立. 通过算法比较和实例结果分析, 证明了该算法的有效性. 关键词:BP 神经网络; 遗传算法; 水质评价中图分类号:T P 183 文献标识码:A0 引言地下水水质评价是水资源评价管理的重要组成部分, 它能为地下水资源的开发利用, 规划管理提供科学依据. 在实际工作中, 由于参与的评价因子众多, 并且各个评价因子与水质等级之间存在非常复杂的非线性关系[1], 所以水质评价是一个典型的多变量、非线性系统. 目前水质评价数学模型很多, 主要有综合指数法、模糊数学法、灰色聚类法[2]等. 但这些传统方法没有很好地解决评价因子与水质等级之间复杂的非线性关系, 而且评价过程中的效用函数、权重需要人为设计, 这就限制了评价模式的通用性, 也影响了结果的可靠性. 神经网络在解决非线性问题上具有明显的优势. 但在评价时, 神经网络参数的确定直接影响到评价的精度, 而且神经网络算法存在易陷入局部极小和引起振荡效应的缺点; 而遗传算法具有很强的宏观搜索能力, 且能以较大的概率找到全局最优解, 所以笔者把遗传算法和神经网络结合起来, 利用遗传算法来优化BP 网络的权值, 提出两种权值优化算法, 并进行比较分析, 通过在实际评价中加以应用, 使评价结果更客观和符合实际.1 基于遗传算法的神经网络训练遗传算法(Genetic A lgorithm -GA 是一种基于自然选择和基因遗传学原理的优化搜索方法.它将优胜劣汰, 适者生存的生物进化原理引入待优化参数形成的编码串群体中, 按照一定的适配值函数, 并通过遗传中的复制、交叉及变异对个体进行筛选, 从而使适配值高的个体被保留下来, 组成新的群体. 新的群体既继承了上一代的信息, 又优于上一代. 这样, 周而复始, 群体中的个体适应度不断提高, 直到满足一定的极限条件. 此时, 群体中适配值最高的个体即为待优化参数的最优解. 正是由于遗传算法这种独具的工作原理, 使它能够在复杂空间内进行全局优化搜索, 并且具有较强的鲁棒性.遗传算法[3]应用于神经网络主要有两个方面:一个方面是用来优化神经网络的拓扑结构; 另一个方面则是学习神经网络的权重. 而目前最主要的应用是后者, 也就是用遗传算法取代一些传统的学习算法. 评价一个学习算法的标准是:简单性、可塑性和有效性. 目前广泛研究的前馈网络中采用的学习算法是误差反向传播(BP 算法, BP 算法具有简单和可塑的特点, 但是BP 算法是基于梯度的算法, 这种方法收敛速度慢, 而且容易陷入局部极小点. 在神经网络结构固定的前提下, 将BP 学习算法由遗传算法代替, 进行网络权值的训练, 能够很好地解决以上问题.用遗传算法来学习神经网络的权重有两种方式:一是直接利用GA 来训练BP 神经网络的权重, 二是先用GA 求BP 的权重, 再用纯BP 算法直第3期冯冬青等遗传算法改进BP 神经网络在地下水水质评价中的应用127接训练BP 的混合GA -BP 算法. 下面分别来介绍两种算法.1. 1 用GA 直接训练BP 网络的权重算法设有三层BP 网络, I i 为输入层中第i 个结点的输出; H i 为隐含层中第i 个结点的输出; O i 为输出层中第i 个结点的输出; W I H ij 为输入层中第i 个结点与隐含层第j 个结点的连接权值; WHO ji 为隐含层中第j 个结点与输出层第i 个结点的连接权值. 遗传算法学习BP 网络的步骤如下:! 初始化种群P, 包括确定交叉规模、交叉概率p c 、突变概率p m , 以及对任一W I H ij 和WH O ji 进行初始化, 对神经网络的权值和阈值进行编码;∀计算每一个个体评价函数, 并将其排序. 可按下式概率值选择网络个体:p s =f i /#Ni=1f i式中:f i 为个体i 的适配值, 可用误差平方和E 来衡量, 即:f (i =1/E(i E (i =#p#k(V k -T k2式中:i =1, ∃, N 为染色体数; k =1, ∃, M 为输出层节点数; p =1, ∃, R 为学习样本数; T k 为教师信号; V k %T k , 即E (i >0.&以概率p c 对个体G i 和G i +1进行交叉操作, 产生新个体G ∋i 和G ∋i +1, 没有进行交叉操作的个体直接进行复制;(利用概率p m 突变产生G j 的新个体G ∋j ;将产生的新个体插入到种群P 中, 并计算新个体的评价函数;∗如果满足结束条件, 即找到了满意的个体, 则结束, 否则转&.如此重复以上操作, 直到达到所要求的性能指标为止. 最后将最终群体中的最优个体解码即可得到优化后的网络连接权系数.1. 2 混合GA-BP 算法混合GA-BP 算法就是先用GA 在随机点集中遗传出优化初值, 以此作为BP 算法的初始权值, 再由BP 算法进行训练, 这就是GA -BP 算法的原理.GA -BP 算法的步骤:! 与用遗传算法学习神经网络的权值的前五步相同, 即先用GA 在随机点进行BP 初始权值的优化;∗计算BP 神经网络的误差平方和, 若达到预定值 GA , 则转+, 否则转&, 继续进行遗传操作;+以GA 得到的优化初值作为BP 网络的初始权值, 再利用BP 算法训练网络, 直到达到指定精度 BP ( BP < GA .2 水质评价神经网络知识库的组建笔者研究的区域位于江西省东部, 处于黄河中游, 为黄河冲击平原. 表2列出了2004年该区域5个地下水水质调查点的检测数据及模糊数学综合评价法的评价结果[4], 评价结果是科学有效的. 评价标准参照, 地下水质量评价标准−, 如表1. 主要考虑了NH +4、NO -3等六个因素, 并将水质分为五级.表1 地下水质量评价标准T ab . 1 Standards of groundwater qua lity eva l uation 分级标准评价指标NH +4NO -3C l -总硬度Cr 6+Fe 2+.0. 0022. 0501500. 0050. 1/0. 0025. 01503000. 010. 200. 2202504500. 050. 310. 5303505500.11. 521. 0404006000. 22. 0表2 地下水检测数据及评价结果Tab . 2 G roundwater testi ng da ta and evalua ti on results水样NH +4NO -3C l -总硬度C r 6+Fe 2+评价结果10. 12505. 65004. 500076. 00000. 00160. 0400. 20. 25004. 20008. 000023. 00000. 00320. 0400/30. 25008. 450030. 000066. 00000. 01800. 1600040. 25000. 350012. 000012. 00000. 04000. 5000150. 30004. 700080. 00080. 00000. 07100. 09202首先需要确定BP 神经网络结构, 也就是对隐层数目及隐层节点数的确定. 根据Ko l o m ogo r ov 定理:一个三层的BP 神经网络可以精确地实现任意的非线性函数. 所以, 笔者选择了一个单隐层的BP 网络模型. 输入样本则采用表2的五个检测数据, 虽然采用的样本数据不多, 但这些样本具128郑州大学学报(工学版 2009年有很好的代表性, 所以得到结果是准确可靠的. BP 网络模型对输入样本的输出期望值定为水质评价标准的五个等级:. (10000; /(01000; 0(00100; 1(00010; 2(00001.隐层单元节点数[5]选为11, 这样网络结构即可确定为531135. 其次要对样本数据进行预处理, 因为由于其中各个指标互不相同, 原始样本中各向量的数量级差别较大, 为了计算方便, 及避免部分神经元在训练时达到过饱和状态, 要对样本输入进行归一化处理[6]. 这里采用M atlab 中的Pre mnm x 实现.3 结果分析3. 1 单纯用GA 训练BP 网络的权重的算法设定遗传算法的初始种群数为60, 遗传代数选为1000代. 图1是单纯用遗传算法训练BP 网络权重得到的误差平方和及适应度曲线.图1 GA 学习BP 权值的误差平方和、适应度曲线F ig . 1 Su m of error square and fitn ess curve of the BPwe i gh ts learn ed on ly by GA训练结果为:TT =1. 0057 -0. 0027 -0. 0001 0. 0060 -0. 0080 0. 0219 0. 9847-0. 00380. 0129-0. 0090 0. 0128-0. 0085 0. 99780. 0104-0. 0085-0. 0028 0. 0007 0. 00201. 0000 0. 0005 0. 0119-0. 0093-0. 00090. 0095 0. 9916E lapsed ti m e i s 25. 108549seconds .将以上输出数据与表2中的标准评价结果进行对比, 可知基本相同, 可以达到预想效果. 这种方法的训练时间为25. 108549s . 3. 2 混合GA-BP 算法这里GA 的初始种群数选为30, GA 取为5. 0. 设定BP 神经网络的学习速率为0. 01, 训练目标为0. 002.经过仿真可以看到, GA 进行了45代遗传操作达到了目标值 GA , BP 算法进行了81步收敛到图2 混合GA-BP 算法Fig . 2 H ybrid GA-BP algorithm指定精度 BP .训练结果为:TT =1. 0099 -0. 0123 -0. 0068 0. 0044 0. 00300. 0080 0. 9949-0. 00510. 0057-0. 00230. 0072-0. 0040 0. 98600. 0026 0. 00490. 0008 0. 0034-0. 00620. 9982-0. 00090. 0213-0. 0205-0. 00390. 0138 0. 9938E lapsed ti m e is 4. 329101seconds .可见训练结果也完全达到预想效果, 且训练时间仅为4. 329101s .通过对以上两种方法的对比可以看出, 用GA 直接训练BP 的权值尽管可以得到满意的训练结果, 但相比混合GA-BP 算法, 其运行时间要长得多. 这是因为GA 收敛是依靠类似于穷举法的启发式搜索, 再加之网络结构的复杂型, 要运算的数据量相当大, 因而不可避免会出现搜索时间过长的问题. 而混合GA -BP 算法, 则结合了GA 算法和BP 算法的优点, 训练时间短, 而且不易陷入局部极小, 训练结果精确.4 结论混合GA-BP 算法能同时对解空间内的许多点进行遗传优选, 在找到优化点后, 再由BP 算法进行搜索, 既能避免BP 算法陷入局部极小点, 又第3期冯冬青等遗传算法改进BP 神经网络在地下水水质评价中的应用129的搜索时间过长, 速度慢的缺点, 是一种快速可靠的方法. 通过在地下水水质评价中的应用仿真, 可以验证, 水质评价准确, 可信.参考文献:[1] 虞凳梅, 江晓益. 地下水水质评价的人工神经网络方法[J].西安科技学院学报, 2003, 23(1 :27-30. [2] 郭红梅. 遗传算法在BP 神经网络学习中的应用[J].辽宁大学学报:自然科学版, 2007, 34(2:151-152.[3] 贺北方, 王效宇, 贺晓菊, 等. 基于灰色聚类决策的水质评价方法[J].郑州大学报:工学版, 2002, 23(1:10-13.[4] 谭璇, 罗定贵. 基于M ATLA B 实现BP 神经网络在地下水水质评价中的应用[J].科技广场, 2007, 18(5:139-140.[5] 马细霞, 贺晓菊, 赵道全, 等. BP 网络隐含层对水质评价结果的影响分析[J].水电能源科学, 2002, 20(3:16-18.[6] 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(2:165-16.Application of I m oproved BP N eural Net works Based on G enetic A lgorith m s toG round water Quality EvaluationFE NG Dong-qing , GUO Y an(Schoo l of E l ec trical Eng i neeri ng , Zhengzhou U niversity , Zheng zhou 450001, Ch i naAbst ract :A hybri d eva l u ation algorithm is proposed i n this paper by co mb i n i n g BP neura lnet w o r k w ith genet ic a l g orithm s , i n or der to evaluate groundwa ter quality accurate ly and e ffi c iently . I n v ie w o f the mu lti-variab le and non linear characteristics ofw ater assess m en, t BP neura l net w ork i s introduced here to m ake co m pre hensi v e eva l u ation and calcu lation . A s for the shortco m ing that BP a l g orit h m is easily trapped to a loca l opti m um , it can be overco m ed through the i n troduction of genetic algorithm s , and the t w o w illwo r k organically to ge t h er to ach ieve the training and know ledge base estab lishm ent of the neura l net w ork . Through the co m pari son of the algo rithm s and analysis of the results of the exa m ples , the resu lt sho w s t h is a lg orith m is va li d . K ey words :BP neural net w or k; genetic algorithm; w ater quality assess m ent。
人工神经网络模型在白城地区枯季地下水位预测中的应用
模 型 中选 取
： 共 ３ 因子 作 为输 入变 量 ， ， ， ， 个 ｙ
（ 下转 第 ４ ２页 ）
作为输 出变 量 ， 已知 的样 本数 据进行 归 一化 处理 ， 将 采用
２ ・ ０
工程施 工
东北 水利水 电
２１ ０ ０年第 １ 期 ２
场 布药孔 做到逐 个检 查 ； 每天 定期 巡视 检 查两次 ， 及时 排 除不 安全隐患。在顺 利完成陕京 天然气 管道石方开 挖中充 分体现 了安 全监理的作用 ， 到业主高度认 可。 得
（ ６ ）
）
至 ２０ 年 共 ２ 系列资料进行 分析计 算 ， ０４ ３年 资料详见表 １ 。 以白城 ４ ６号井 的地 下水位时 间序列 为例 ，建立地 下水位
预测模型 。
表 １ 白城 ４ ６号井 ５月平 均水位 及有关 因子实测资料表
和阈值（ ） ， 来实现 ， Ｅ最小， 以使网络的实际输出尽可
（０ １）
（ １ １）
式 中 ： Ａ （、 Ａｐ ） 量项 ， 为 冲量 因子 取值 Ｏ ａ ｔ ａ ｗ Ｏ为动 ） ０ ｆ ～
１ ｔ 训练次数 。 ，为 第 ｔ 次训练 的输 出层 、 ＋１ 隐含层修正权值 为
（ （寺 肌（） 州） ￡ △ １ ） ＋ ＋ １
呲 十） ＋１Ｚ １ Ｗ ＿ △ 』
一
其 中 ， 含层 阈值修 正量 △ 、 出层 阈值 修正 量 △ 分 隐 输
别 为
△ ＝ 田踟 一 ０ （— 如 （ ０ ） 如１ ０ ） （ ６ １）
定时空范 围内具有相 当的稳定特性 ， 监测地 区 自然地 即
理特性 基本不变 ， 因此在建立 Ｂ Ｐ模 型时可 以不 予考虑。 经 分析 ， 该站 １ ０月平 均水位 、 汛期 ６ —９月降 水量 、 枯季 １一 １ 次年 ３月降水 量与次年 ５月平均水 位相 关关 系较好 ， 以 所 选取 １ ０月平 均水位 （ ） 汛期降 水 量 （ ）枯 季降 、 、
LM-BP神经网络在水质预测的应用
文章编号：1007-757X(2011)09-0044-03LM-BP 神经网络在水质预测的应用胡海清，周小丽，宋毅摘要：神经网络系统是由众多的神经元可调的连接权值连接而成，具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点，可实现非线性关系的隐式表达，它不需要预选确定样本的数学模型，仅通过学习样本数据即可以进行预测。
结合水质预测的一些实际情况，探讨了利用LM-BP 神经网络进行水质预测的方法，初步建立了基于LM-BP 神经网络的预测系统。
关键词：神经网络，LM 网络，固定权值，水质预测中图分类号：TP311文献标识码：A0引言水质预测是在水污染控制单元内建立水域功能区水质指标与陆域相应污染源之间的输入响应关系，以便为水质目标责任管理提供科学依据[1]。
水质预测，通常是利用历史数据，通过不同的预测方法推求环境变量与待预测水质指标之间的非线性关系或待预测水质指标本身随时间的变化规律。
目前，比较常用的预测方法有水质模拟预测、神经网络模型预测、时间序列预测法和灰色预测模型法和基于混沌理论的水质预测法等5大类。
人工神经网络(Artifical Neural Networks,简称ANN)是一种由大量简单的人工神经元广泛连接而成的,用于模拟人脑神经网络的复杂网络系统,具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点，在信息处理、模式识别、智能控制及系统建模等领域得到越来越广泛的应用[2]，是属于人工智能范畴的一种计算技术。
在数值预测方面，它不需要预先确定样本数据的数学模型，仅通过学习样本数据即可以进行相当精确的预测。
目前见诸于水质评价研究领域的有BP 多层前向网络、径向基函数神经网络(RBF)、Hopfield 网络等。
其中以BP 神经网络的应用研究最多,本文就BP 神经网络在水质预测中的应用作些探讨。
1BP 神经网络及改进1.1BP 神经网络BP 神经网络就是采用BP （Back propagation ）算法进行训练的网络，该网络具有一个输入层，一个输出层和至少一个隐藏（中间）层[3]。
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)。
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
提上 了重要 日程 。本 文 正 是 在此 背 景 下 ， 重 点采 用 现 阶 段 水 质 评 价 分 析 中经 常采 用 的数 学模 型—— Ｂ Ｐ人 工神经 网络模 型 ， 对相关 采样 数据 进行 数 字化
的信息之间存在一定 的误差 ， 则无法满足地下水水 质 评 价的客 观性要 求 。故此模 型会通 过人 工神经 模
摘要 ： 采 用神 经 网络 人 工 模 型 对 地 下 水 水 质 进 行 分析 评 价 ， 不 仅 应 用 范 围广 ， 而且操作过程相 对灵 活， 尤 其 是 这 一
人工技 术模型适用于我 国现 阶段任何 区域 、 任 意地质环境 的水 资源质量 分析 评价。故正是 在此 背景下 ， 重点基 于
型 。这 种 神 经 网络 模 型 又 称 之 为 Ａ ｒ ｔ ｉ ｉ ｆ ｃ ｉ ａ ｌ Ｎ ｅ ｕ ｒ ａ的 简 称 。这 一 网
析评 价时 ， 一般 只需 采 用上 述 模 型对 地 下水 水 质 标 准进行 科学 训练 ， 即可 自动 获 得 地 下水 水 质不 同参 数 之间 的合 理 规则 。因此 ， 在分 析评价 过程 中 ， 不需
隐 含层 以及 输 出层 ， 然 后 着 力 构 建 系统 的 Ｂ Ｐ人 工
物神经网络的相关功能进行模仿 ， 能够及时获取外界
环境 中的信 息资源 ， 然后对相关信 息数据 进行 简单运 算、 处理 ， 即可得到十分完整而科学 的数据结果 。 Ｂ Ｐ神 经 网络也被 称 为反 向传 播 网络 ， 相关 神 经
以及 阈值 ， 对不 属于 该 训 练群 集 的 水样 数 据 进行 分
析评 价 。 因 此 ， 从 这 一 模 型 的 具 体 应 用 过 程 来
是利用 Ｂ Ｐ人工 神经 网络模 型中 的人工 神经 元 ， 对 生
看， 其 适应 于不 同等 级 以及 不 同参 数水 质 的 质量 分 析 和评价 。而 在对水 质 的标 准样 本数据 进行结 果修 正时， 在模 型 中只要 对 输 出节 点 以及输 入 节 点 的数 目进 行调整 即可 。但 是 ， 在具 体应 用实施 过程 中 ， 需 要按 照一 定 的标 准流 程 进行 分 析 。具 体 而言 ， 首先 需要 科学 确 定 Ｂ Ｐ人 工 神 经 网 络模 型 中 的输 入 层 、
要人 工进行 干 预 ， 而且 相关采 样数 据一旦 运行 结束 ， 技术 人员就 可采 用该 人工神 经 网络 模 型的具体 权值
络结 构 主要 由大量 神经 元 ， 通 过 极 其 丰 富 以及 完 善
的组 织进 行 连 接 ， 从 而形 成 一 种 非 线 性 动 态 系统 。 因此 ， 这一技术具有 一定 的创新性 以及科 学性 。特别
元在这一网络结构 中分层排列 ， 通过信息输入层以 及信 息 隐含层 和信 息 输 出层 ， 以此 实 现对 相 关 网 络
结 构进行 全 面连接 。在此 网络 模 型 中 ， 各层 既 相 互
连 接又独 立连 接 。
神经网络参数模型。最后 ， 对采样数据运算结果进 行 修正 ， 具 体操 作运 行流程 如 图 １所示 。
随着我 国新环 境 保 护 法 的 出 台 ， 人 们 对 区域 生 态 环境保 护监 管 的力度 也 在 加 大 。对 于新 疆 而 言 ，
当采 用上 述人 工神经 网络模 型对 地下水 水质进
行 分析评 价 时 ， 如果 模 型 的 输 出层 与 期望 输 出模 式
在“ 十三五” 发展时期 ， 国家大力倡导节能 、 绿色 以 及环保的发展理念。因此 ， 地下水水质评价工作作 为 当地 区域 水资 源管 理 的 重要 任 务 ， 也 被 相关 部 门
水土保持 应用技术
２ ０ １ ７年第 １ 期
更新学习模式
网络初始化权值 和阈值
学 习次 数 限值
计 算输 出值 与 预期 值之 间的 误差
图 １ 地 下 水水 质 评 价 中 Ｂ Ｐ人 工神 经 网 络模 型 实施 流程