基于MATLAB的BP神经网络在江安河水质评价中的应用
BP神经网络在水质参数预测中的应用
BP神经网络在水质参数预测中的应用张昕;许伟明;邓春龙【期刊名称】《微计算机信息》【年(卷),期】2012(000)004【摘要】In this paper, the well nonlinear mapping characteristics of BP neural network was used in the establishment of water quality prediction model. Different neural network with different training algorithms were established to predict ammonia, and Neural Network Toolbox in MATLAB was used to program. Largeamm ounts of data was choosed to be trained repeatedly to select a prediction neural network with a good fit of the model, small precision error and a good generalization performance,as a result of compari- son. To be based on the test samples, tests and analysis could be found,and the L-M BP Neural Network was selected as the ammonia content of neural network prediction program.%本文利用BP神经网络良好的非线性映射特性，建立了水质预测模型，分别建立三种不同训练算法的氨氮预测神经网络，利用MATLAB神经网络工具箱编程实现。
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
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。
基于Matlab人工神经元网络的水质信息管理软件系统
基于Matlab人工神经元网络的水质信息管理软件系统摘要：建立水质信息管理数据库，应用人工神经元网络建立BOD-DO水质模型和水质评价模型，所得到的神经元网络模型对水质中的BOD-DO指标有很好的模拟效果，同时也能根据地表水水质标准，对水质进行多参数评价。
关键词：水质模型人工神经元网络水质信息管理系统1、研究背景水质模型的建立以及多参数水质评价，往往需要很多算法，对这些算法的开发选择淘汰，需要很大的精力。
Matlab是一种较为理想的算法调试平台，但是其并不适合作为一种开发工具。
然而实际应用中又需要对多算法进行灵活组合比较。
因此应用matlab平台进行以数据库为基础，以算法为支撑的应用系统具有开发周期短，灵活性大的开发方式。
作者尝试以SQLserver2000 为数据库源，以matlab为平台开发水质综合信息管理系统。
2、基于神经元网络的BOD-DO耦合模型2.1BOD—DO耦合模型综述生化需氧量(简记为BOD5)是对水体中可生物降解的有机物浓度的一个度量，它用细菌在好氧条件下将有机物氧化为CO2H2O和NO3一等时所用掉的氧的数量来表示。
可以用溶解氧的变化说明河流的天然净化过程。
纯净的河水中溶解氧是饱和的，当一定数量的污水流入河流时，受到污染的水中的溶解氧在有机物分解时被消耗(耗氧作用)；同时由于河水中溶解氧不再饱和，所以大气中的氧又会溶解到水里(复氧作用)；假定污水不再流入，经过一段时间，原来污水中的有机物完全分解，河水又回复到溶解氧为饱和的状况。
这个过程一般要进行几天，为了确定过程中污染对河流的影响，需要沿水流方向查明生化需氧量和溶解氧量的变化的情况。
要定量地描述生化需氧量与溶解氧量在选定河段范围内某一时间间隔内的变化就要建立数学模型。
利用RBF网络来进行水环境影响评价,只要有充足的采样数据,就可以利用神经网络的自学习能力来进行河水的建模与预测,这种方法考虑的因素较少,并且结果准确,适用范围很广,是一种很好的水环境预测方法。
MATLAB神经网络工具箱在河流水质预测中的应用
MATLAB神经⽹络⼯具箱在河流⽔质预测中的应⽤五⾢⼤学学报（⾃然科学版） JOURNAL OF WUYI UNIVERSITY ( Natural Science Edition) 第23卷第1期2009年 2⽉ V ol.23 No.1Feb. 2009⽂章编号：1006-7302（2009）01-0069-05MATLAB 神经⽹络⼯具箱在河流⽔质预测中的应⽤陈龙1，张新政1，袁从贵1，宋华兵1,2（1. ⼴东⼯业⼤学⾃动化学院，⼴东⼴州 510009；2. 肇庆学院数学系，⼴东肇庆 526061）摘要：根据计算河流⽔质的数学模型，使⽤MATLAB 神经⽹络⼯具箱建⽴了河流⽔质预测系统的神经⽹络，并以长期监测的珠江流域东江⽔质状况为例，对建⽴的⽹络系统进⾏了仿真，结果表明了⽅法的有效性.关键词：神经⽹络；⽔质预测；MATLAB中图分类号：N945.12；TP275 ⽂献标识码：AApplication of MATLAB Neural Network’ Tool-box in River Water Quality PredictionCHEN Long 1, ZHANG Xin-zheng 1, YUAN Cong-gui 1, SONG Hua-bing 1,2(1. Guangdong University of Technology, Guangzhou 510090, China;2. Mathematics Department of Zhaoqing University, Zhaoqing 526061, China)Abstract: A neural network for predicting river water quality is built based on amathematical model for determining river water quality by using the GUI in the MATLABneural networks ’ tool box. Simulation of the network using the data derived fromlong-term monitoring of the water quality of the East River in the Peal River Systemshows the method is effective.Key words: neural networks; water quality prediction; MATLAB城市河流是⼀个开放的系统，其⽔质易受到⾃然和⼈为因素的影响. 从2007年8⽉份全国⽔资源质量概况总体来看，我国⽔体污染以耗氧有机物为主，且污染⼗分严重. 因此对河流⽔质的预测、控制变得极为重要.1 ⽔质预测和神经⽹络1.1 ⽔质预测⽔质预测是指在⼀定范围内，对⼀定时期的⽔质状况进⾏分析，对其未来发展状况进⾏预测，收稿⽇期：2008-09-09基⾦项⽬：国家⾃然科学基⾦资助项⽬（60574052），⼴东省科技计划资助项⽬（2005B33301008），⼴东省⾃然科学基⾦资助项⽬（05001820）作者简介：陈龙（1983— ），男，江西赣州⼈，硕⼠研究⽣，研究⽅向：⼤系统的优化、控制及管理，E-mail ：chenlong_20000@/doc/f0061751ad02de80d4d8404b.html ；张新政，教授，博⼠⽣导师，通信作者，研究⽅向：复杂⼤系统的建模与控制、变结构控制，E-mail:lucy@/doc/f0061751ad02de80d4d8404b.html .五⾢⼤学学报（⾃然科学版） 2009年 70 确定⽔质的状况及其变化的趋势、速度以及达到某⼀变化限度的时间等. 对⽔质进⾏预测可应⽤于防范各类突发事件，包括低概率和⾼风险的化学物质、微⽣物及放射性物质污染事件，污染物的有意排放及⼈为投加等，为政府部门提供决策⽀持，最⼤限度地降低突发事件的影响. ⽔质预测的常见⽅法有线性回归⽅法[1]、时间序列⽅法[2]、灰⾊系统⽅法[3]、神经⽹络⽅法等.1.2 神经⽹络⼈⼯神经⽹络经过多年的发展，在解决各种过程监控的技术问题中取得了很⼤的成功，例如语⾳识别、实时语⾔翻译、矿藏勘探、脑电图和⼼电图的分析，国防⽅⾯的武器操纵、⽬标的跟踪和识别，⼯业⽅⾯的过程控制、智能故障诊断等[4]. 神经⽹络就⽬前的应⽤来说，主要偏重于特征的提取、过程的控制和状态的预测.针对复杂、模糊、⾼度⾮线性河流⽔质的预测、预报问题，如果⽤常规⽅法来处理，要么是⽆从解决，要么是⾮常复杂且耗资巨⼤[5]. ⽽神经⽹络在对信息的加⼯处理过程中均表现出很强的容错能⼒，其在计算处理信息的过程中所表现出的容错性来⾃于其⽹络⾃⾝的结构特点. 神经⽹络的主要优势就在于它的学习性和⾃动调整性，所以⾮常适合处理⾮线性问题. 因⽽将其应⽤于河流⽔质监测预测系统中，前景⾮常⼴阔. 宋华兵等[6]将神经⽹络内嵌到⽔质模型中，构成⼀个具有学习功能的不确定性⽔质模型. 陈建秋等[7]利⽤时滞⼤系统理论分析流域⽔污染的控制，将⼩波神经⽹络应⽤于⽔质预测中.2 计算河流⽔质的数学模型河流⽔质预测依赖于计算河流⽔质的数学模型，QUAL -II 是⼀个具有多种⽤途的河流⽔质模型，它能按照使⽤者的要求，以各种组合⽅式描述各⽔质参数[8]. 模型的基本⽅程：AS x QC x x C EA tAC +=??)()()(，（1）式中C 为河段中某种污染物的浓度，t 为时间，x 为河⽔的流动距离，E 为河流纵向离散系数，A 为断⾯，Q 为流量.QUAL -II 模型假设流量处于稳定状态，即0=??t Q ，0=??t A ，于是式（1）可变成以下形式： ext int )()(S S xA QC x A x C EA t C ++=??，（2）式中int S 为⽔质变量C 的内部源和漏，ext S 为外部源和漏. 当源漏项∑i S 仅为反应衰减项C K 1时，则式（2）可变为：1()()=?+???C EA C QC x K C t A x A x. （3）对于均匀河段，断⾯A 为常量，u 为河段⽔流的平均速度，将uA Q =，=x ut 代⼊式（3）化简可得⽔质模型⽅程：21222??=+??C E C K C t u t . （4）第23卷第1期 71陈龙等：MATLAB 神经⽹络⼯具箱在河流⽔质预测中的应⽤3 MATLAB神经⽹络⼯具箱3.1 MATLAB 神经⽹络⼯具箱的GUI（图形⽤户界⾯）⼯具现有的⽤MATLAB 预测河流⽔质的模型，GUI 的所有功能绝⼤多数都是通过代码编程来实现的，它程序简洁，但不直观；⽽使⽤MATLAB 神经⽹络⼯具箱的GUI ⼯具建⽴⽹络并对⽹络进⾏初始化、训练、仿真和应⽤等各种操作⾮常⽅便，界⾯友好直观，只要运⽤少量神经⽹络的命令函数即可. 神经⽹络⼯具箱的GUI ⼯具主要包括：1）神经⽹络GUI ⼯具主窗⼝；2）神经⽹络的建⽴窗⼝；3）⽹络训练对话框；4）⾃适应参数设置对话框；5）权值显⽰窗⼝. 通过神经⽹络⼯具箱的GUI ⼯具按钮就能很⽅便地打开所建⽴的神经⽹络的结构图进⾏察看，也可以看到⼀个训练过程的偏差曲线变化图.3.2 神经⽹络⼯具箱解决问题的⼀般步骤1）对待解决的问题进⾏分析，根据各种⽹络的特点选⽤合适的⽹络模型；2）建⽴⽹络；3）对⽹络初始化；4）对⽹络进⾏训练；5）对⽹络进⾏仿真检验；6）应⽤⽹络解决问题.4 系统的预测仿真经过长期对珠江流域东江河流⽔质状况的研究，我们获得了⼤量的河流⽔质数据，这⾥采⽤⽔质参数耗氧量（mg/L ）30 d 的数据进⾏研究.4.1 使⽤神经⽹络GUI ⼯具建⽴神经⽹络的输⼊样本和⽬标样本1）在MATLAB 命令窗⼝输⼊nntool ，打开图形⽤户界⾯⼯具主窗⼝，如图1所⽰.2）单击New Data 按钮，打开数据⽣成对话框. 建⽴输⼊样本P ，数据的输⼊和设置如图2所⽰，单击Create 按钮关闭对话框.3）依照上⼀步，输⼊⽬标样本T ，数据类型选Targets. 回到GUI ⼯具的主窗⼝，单击Export 按钮弹出导出对话框，选中变量P 和T ，然后单击Export 按钮，把变量P 和T 导出到⼯作区. 这为仿真⽂件从⼯作空间调⽤导⼊数据做好了准备.图1 GUI ⼯具主窗⼝图2 数据⽣成对话框五⾢⼤学学报（⾃然科学版） 2009年72 4.2 建⽴仿真模型⽂件进⾏预测运⾏MATLAB 软件中的Simulink 仿真环境，在神经⽹络模块库中调⽤神经⽹络预测控制模块NN Predictive Controller ，⽤模块封装技术建⽴河流⽔质数学⽅程模块，连接信号源模块和⽰波器模块后就建⽴了河流⽔质预测仿真⽂件predwq.mdl ，如图3，其中From Workspace 模块中是⽬标样本T 的数据，可以直接从⼯作区导⼊.双击神经⽹络预测控制模块NN Predictive Controller ，弹出如图4的窗⼝，此窗⼝⽤于设计模型预测控制器，输⼊控制器变量空间2N 和u N 、权值参数ρ和控制最优化参数α的值. 然后点击Plant Identification 按钮，打开系统辨识窗⼝，从⼯作区导⼊输⼊样本P ，设置好其它参数后训练⽹络，单击OK 按钮，将训练好的神经⽹络模型导⼊到神经⽹络预测控制模块中，在NN Predictive Controller 窗⼝中单击OK 按钮，将控制器参数导⼊到NN Predictive Controller 模块中.系统模块System Model 是⽤模块封装技术封装的河流⽔质微分⽅程式（4）的仿真模块，如图5所⽰.在predwq Simulink 主窗⼝，仿真时间输⼊100，再单击Start simulation 命令按钮开始仿真. 仿真结束后，双击⽰波器模块就可以查看仿真结果，如图6所⽰. 对仿真结果和⽬标样本的值进⾏⽐较，根据它们的差值绘出预测误差变化曲线，如图7所⽰.图3 predwq.mdl 仿真⽂件图4 神经⽹络预测控制模块窗⼝图5 河流⽔质微分⽅程仿真模块图6 ⽬标和预测结果图陈龙等：MATLAB神经⽹络⼯具箱在河流⽔质预测中的应⽤第23卷第1期73 Array 5 结果与讨论⽐较图6、图7知，本⽂建⽴的⽹络系统对⽔质参数耗氧量的预测图像和⽬标样本基本⼀致. 把仿真预测结果数据和实际⽬标样本数据进⾏⽐较，正、负最⼤误差分别为0.11和－0.06，最⼩误差为0，虽然还有偏差，但误差是在满意的范围之内. 因此，把河流⽔质的数学模型⽤MATLAB神经⽹络进⾏仿真预测，具有较⾼的精度，为河流⽔质预测提供了⽅便的⽅法.图7 预测误差的曲线变化参考⽂献：[1] 宛筝，李晔，汪晓露，等．多元线性回归与灰⾊联合模型在湖泊⽔质预测中的应⽤[J]．江苏环境科技，2006，19(2): 59-61.[2] 吴涛，颜辉武，唐桂刚．三峡库区⽔质数据时间序列分析预测研究[J]．武汉⼤学学报：信息科学版，2006，31(6): 500-507．[3] 焦瑞峰，吴昊，师洋．基于灰⾊关联分析的蒙特卡罗法建⽴⽔库出库⽔质预测模型[J]．环境⼯程，2006，24(4): 63-65.[4] 张铮，杨⽂平. MATLAB程序设计与实例应⽤[M]. 北京：中国铁道出版社，2003.[5] 范⽂飙，陈宇. ⽔源⽔质预警系统研究[J]. ⿊龙江科技信息，2007, 10: 43.[6] 宋华兵，张新政. 内嵌神经⽹络的不确定⽔质模型研究[J]，⽔资源与⽔⼯程学报，2008，19(1): 12-14.[7] 陈建秋，张新政. 基于⼩波神经⽹络的⽔质预测应⽤研究[C]//中国控制与决策学术年会论⽂集，天津：[出版者不详]，2006: 723-725.[8] 雒⽂⽣，宋星原. ⽔环境分析与预测[M]．武汉：武汉⼤学出版社，2004: 201-202.[责任编辑：孙建平]。
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]。
基于Matlab的水质监测系统设计与数据处理算法优化
基于Matlab的水质监测系统设计与数据处理算法优化一、引言水质监测是保障水环境安全和人类健康的重要手段，而基于Matlab的水质监测系统设计与数据处理算法优化则是提高监测效率和准确性的关键。
本文将探讨如何利用Matlab工具设计水质监测系统，并对数据处理算法进行优化，以实现更精准、高效的水质监测。
二、Matlab在水质监测系统设计中的应用1. Matlab在数据采集与传输中的作用Matlab提供了丰富的数据采集和传输函数，可以实现与各类传感器设备的连接和数据交互。
通过Matlab编程，可以实现实时监测水质参数，并将数据传输至监测系统进行处理。
2. Matlab在数据处理与分析中的应用Matlab拥有强大的数据处理和分析功能，可以对采集到的水质数据进行清洗、滤波、分析和建模。
利用Matlab的工具包，可以快速准确地分析水质参数的变化趋势，为后续决策提供支持。
三、水质监测系统设计1. 系统框架设计基于Matlab的水质监测系统主要包括数据采集模块、数据传输模块、数据处理模块和结果展示模块。
其中，数据处理模块是整个系统的核心，需要设计合理的算法来提高数据处理效率和准确性。
2. 界面设计与用户交互良好的用户界面设计能够提升系统的易用性和用户体验。
利用Matlab GUI工具，可以设计直观友好的监测界面，并实现用户与系统之间的交互操作。
四、数据处理算法优化1. 数据清洗与异常值处理在实际监测过程中，采集到的数据可能存在噪声和异常值，影响监测结果的准确性。
通过优化数据清洗算法，可以有效去除干扰信号和异常值，提高数据质量。
2. 数据滤波与平滑处理针对采集到的原始数据，常常需要进行滤波和平滑处理，以消除信号中的高频噪声和波动。
优化滤波算法可以有效改善数据质量，使监测结果更加稳定可靠。
3. 数据分析与建模优化利用Matlab强大的数学建模功能，可以对水质参数进行深入分析和建模。
通过优化建模算法，可以更准确地预测水质参数变化趋势，并为后续决策提供科学依据。
基于人工神经网络的水质检测方法研究
基于人工神经网络的水质检测方法研究近年来，物联网技术的普及与发展，以及人工智能的快速发展，为水源及其水质监测带来了新的机遇与挑战。
传统的水质检测方法在很多方面都存在一些局限性，比如成本高、检测效率低、检测数据不够精确等问题。
随着人工神经网络技术的出现，基于人工神经网络的水质检测方法成为了一个新的研究领域。
本文将从该领域的研究现状、应用前景和未来发展方向等方面进行探讨。
一、基于人工神经网络的水质检测方法研究现状1、研究背景众所周知，水资源是人类生存和发展的基础，而水质则是保证人类健康和经济发展的重要保障。
目前，在我国的水资源保护和水环境治理中，水质检测是不可或缺的手段。
但传统的水质检测方法存在许多弊端，如检测效率低、检测项繁多、样品采集、提取和分析等工作量大等问题，所以需要新的方法来优化水质检测。
2、研究进展基于人工神经网络的水质检测方法已经得到了广泛的研究和应用。
如何应用人工神经网络模型对水质数据进行建模、分析和预测，是该领域的研究重点。
3、研究挑战在运用人工神经网络进行水质检测的过程中，还存在一些挑战。
如样本数据的获取、模型精度的提升、模型的推广和应用等。
二、基于人工神经网络的水质检测方法的应用前景自从应用人工神经网络技术进行水质检测以来，其逐渐普及，应用价值逐渐显现。
经过多年的研究和实践，基于人工神经网络的水质检测方法已经得到了广泛的应用和推广。
具体可分为以下几个方面：1、水质监测的自动化和智能化程度不断提高传统的水质监测方法通常需要手动采集和分析数据，费时费力。
现在，应用人工神经网络技术就可以自动化地对水质数据进行处理和分析，从而提高了水质监测的效率和准确性。
2、预测水质状况基于人工神经网络的水质检测方法可以通过对历史数据和实时数据进行分析，预测未来的水质状况，以便采取相应的措施加以处理和控制。
3、优化水质控制措施在人工神经网络模型的帮助下，可以更加精确地对水质进行分析和评估，准确地判断水的污染情况，从而优化水质控制措施，提高水环境的整体质量。
- 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)。
ＢＰ网络 的训 练方式大致分为 两种 ， 即递 增处理 方式和批
处理方式 。在递增处理 方式中 ，每提交一个输 入样 本 ，网络
权 重和阈值都 更新一 次。在 批处理方式 中，仅仅 当所有的输 入样本都被提交 以后 ，网络权 重和阈值才被更新 。对于递增 处理方式的一般步骤 为 ： （ １ ）确定 网络结构 ，即网络层数 ，各层节点数 。
经 网络的设计、仿真上的简洁、准确和灵活性 ，表明 ＢＰ神经 网络法在 水质评价 上是可行 和高效 的。 关键词：ＭＡ Ｔ Ｌ Ａ Ｂ；ｎ ｎ ｔ ｏ ｏ ｌ ；ＢＰ神经 网络 ；江 安河 ；水 质评价
中 图 分 类 号 ：Ｘ ８ ２ ３ 文 献 标 识 码 ：Ａ 文 章编 号 ： １ ０ ０ ６ — ７ ９ ７ ３（ ２ ０ ｔ ５ ）０ ９ — ０ １ ４ ５ — ０ ５
向网络 ，分为输入 层 ，隐含 层 （ 中间层 ）和输 出层 。每一层 包含 若干神经元 ，同层之 间的神 经元没有联系 。输 入层的神
经 元的输入数据 即为输 出 ，中间各层神经元接受前一 层神经
（ ６ ）讲 期望输出和计算输 出带入误 差函数计算误 差值 ， 并与期望误差 比较 。若小于等于期望误差则算法终 止 ，若大
堰 ，止于双 流华阳 ，流入锦江 ，途 中流经 都江堰市、成都市 温江 区、武侯区和双流县等地 ，是一条 贯穿成都 南北的河 流。
有两部分构成 ：信 息的正向传播和误差 的反 向传播 。信 息从
输 入层进 入到输 出层输 出结果 ，此为正向传播 。之后根据输
Hale Waihona Puke 出结果与期望输 出得 出误差值 ，利用误差值从输 出层 向输 入 层逐层 修正连 接权 值和 阈值 ，此 为误 差反向传播 。两个过程 交替进行 ，知道误差达到要求为止 。
元 的输 出作为该层 的输入 ，经过权值 阈值 和激活 函数 的计算
收稿 日期 ： ２ ０１ ５ — ０ ７ — １ ４
作者 简介：朱
瑞 （ １ ９ ９ ２ 一 ） ，男 ，河北邯郸人 ，四川大学水利水 电学院 ，水利水 电工程专业 。
基金项 目：Ｉ ａＪ Ｉ Ｉ 省大 学生创新创￣ｉ ； ｌ ｌ 练计划项 目 （ ２ ０１ ４ １ ２ ３ ５ ） 。
一
、
引 言
得到输 出，作为下一 层神经元的输入 。学 习方法采 用有导师
制的学 习规则 ，具体来 说为误差反 向传播算法 。该 算法 主要
随着人 类社会 的发展 ，人们对 环境质 量的关注和要求也
越来越高 。地 表河流 的水质是环境质 量检测的重要 内容 。尤 其是穿城河流 更是与人们 的生活息息相 关。江安河始于都江
２ ．Ｂ Ｐ算 法 的具 体 步骤
能 ，因而具有 自组织 、自学习、联想记忆、并行信 息处理等能
力。 基于 误差反 向传播 （ Ｂａ ｃ ｋ ｐ ｒ ｏ ｐ ａ ｇ ａ ｉ ｔ ｏ ｎ ）算法的多层 前馈 网络 （ Ｍｕ ｌ ｉ ｔ ｐ ｌ ｅ — ｌ ａ ｙ ｅ ｒ ｆ ｅ ｅ ｄ ｆ ｏ ｒ ｗａ ｒ ｄ ｎ ｅ ｔ — ｗｏ ｒ ｋ，筒记为 ＢＰ 网络） ，是 目前应用最多也是最成功 的网络之一 。它具有 良好的分类和预测能力，适合用于水质评价。
法。 它采用物理 可实现的系统来模仿人脑神经细胞 的结构和功
和预测 （ 模 式识 别） ：用一个特定 的输 出矢量将它与输人矢
量联系起来 ； （ ３ ）分类 ：把输人矢量 以所定义 的合适方式进 行分类 ； （ ４ ）数据压缩 ：减少输 出矢量维数 以便于传输或存 储。水质监测的应用即属于分类方面的应用。
训 练 函数 。
（ ３ ）确定 网络参数 ，如最大训练次数 ，期望误差 ，学习
速率 ，样 本集个数 等。
（ ４ ）对学 习样本进行归一化处理 。 （ ５ ） 将任意一个 归一化处理后 的样本输入 网络 ， 逐级计 算得到输 出值 。
Ｂ Ｐ（ Ｂａ ｃ ｋ Ｐ ｒ ０ ｐ ａ ｇ ａ ｔ ｉ ｏ ｎ ）神经 网络的 网络拓扑结构为前
第１ ５卷 第 ９期
２０１ ５住
中 国
水
运
Ｖｏ１ ．１ ５
Ｎｏ ９
９月
Ｏｈ ｉ ｎ ａ Ｗａ ｔｅｒ Ｔｒ ａｎ ｓｐ ｏｒ ｔ
Ｓ ｅｐ ｔｅ ｍｂ ｅ ｒ
２ Ｏ１ ５
基于 ＭＡ Ｔ Ｌ Ａ Ｂ的 Ｂ Ｐ神经网络在
江安河水质评价中的应用
朱
摘
瑞 ，郭 顺 ，肖欣宏 ，李 旭 ，杜 陈杰
（ 四川大学水利水 电学院，四川 成都 ６ １ ０ ０ ６ ５）
要 ：文 中利 用 ＭＡ Ｔ Ｌ Ａ Ｂ 的神经 网络工具箱 的 ｎ ｎ ｔ ｏ ｏ ｌ 工具 ，建立了 ＢＰ神经 网络 ，就 网络创建 的相关 问题进行
了讨论 ，归纳 了改进 ＢＰ网络 的相关方法 。并对江 安河 部分 河段 水质进行 了评价 。结果体现 了 ｎ ｎ ｔ ｏ ｏ ｌ 工具在 Ｂ Ｐ神
ＢＰ神经 网络主要用于 ： （ １ ）函数逼近 ：用输入矢量和 相应 的输 出矢量训练一个 网络逼近一个函数 ； （ ２ ）系统辨识
近年来 ，随着河 流水资源的利用加剧 ，江 安河 水环境污染 问
题也随之而来 并 日渐突 出。因此 ，对江 安河武侯区段 的水质
情 况进行 监测和评 价就显得尤为重要 。 Ｉ １ 前水质评价 的方法有很 多， 如综合指数法、 模糊数学法、 灰色聚类法、单 因子评价法、内梅罗法等 。其 中，人工神经 网 络法 是新 近发展起来 的在 水质评价 中有着广泛 应用的评价方
Ｔ ｏ ｏ ｌ ｂ ｏ ｘ ）， 为用户提供 了大量 的函数 ， 方便神经 网络 的实现。 本文采用 Ｂ Ｐ神 经 网络方法 ，应 用 ＭＡ Ｔ Ｌ ＡＢ 软件 中的 Ｎ Ｎｔ ｏ ｏ ｌ 工具 ，对 江安河水质进行评价。
二、Ｂ Ｐ网络 简 介
１ ．Ｂ Ｐ神 经 网络
（ ２ ） 初始化连接权值和 阀值 ， 确定传递 函数 ， 误差函数 ，