BP神經網絡與粒子群算法的水質檢測評價方法

來源：http://www.ssygc.com/ 作者：余氯檢測儀時間：2018-08-06

　　針對水質檢測評價中BP神經網絡算法存在的收斂精度不高、泛化能力弱等問題，提出了一種粒子群算法和BP神經網絡算法相結合的改進型算法。該算法優化了BP神經網絡的網絡參數，提高了算法的收斂精度及網絡泛化能力。通過實驗驗證了算法的有效性。

　　目前，國內經常使用的水質評價方法主要有單指數評價法、灰色理論方法、模糊綜合評價法、人工神經網絡法等。單指數評價法的常用思想是“一票否決”，只選用一個指標評價水質缺乏一定的準確性[1]。孫偉光等[2]使用單因子法對某河流的水質進行評測，只能夠得出單一的污染因子，很難綜合性地評價河流水質。國內推廣了鄧聚龍[3]所提出的灰色理論方法，王平等[4]將灰色理論評價法用于滏陽河的水質評價。然而，灰色理論法應用于水質指標時不僅計算復雜度高而且需要對各項指標的最優值進行確定。此外，在最優值確定過程中，該方法主觀性過強，使得部分指標最優值難以確定。模糊綜合評價法主要是將水體中不同污染的指標按照一定權重進行加權，但是水中污染物質的有害性及其在水中的濃度不能用簡單的關系說明，這種方法在實際的水質評價中誤差很大[5]。人工神經網絡具有分布式聯想能力、自學習能力及自組織能力，在水質評價、人臉識別等領域被廣泛使用[6]。岳丹丹等[7]使用BP人工神經網絡對西鞍山鐵礦地下水水質進行評價，得出人工神經網絡能夠避免在評價中人為確定評價指標權重帶來的主觀誤差。郭慶春等[8]運用人工神經網絡算法對黃河水質進行評價，并對算法作出改進，改進后的算法能夠解決評價因子與水質等級之間復雜的非線性關系，具有很強的適用性。但是人工神經網絡算法也有其自身缺陷：收斂速度較慢、容易陷入局部極小值、泛化能力弱等[9]。

　　綜合以上問題，本文采用BP神經網絡算法和粒子群算法相結合的方式，使用粒子群算法優化BP神經網絡的連接參數，避免算法陷入局部極小值，并且提高算法收斂精度和網絡泛化能力。

　　1水質評價方法

　　其中，參數indim、hiddennum和outdim分別表示輸入層、隱含層和輸出層神經元數目。根據文獻[14]可得出D=25。

　　3.1評價指標選取

　　在進行水質評價時，收集到的主要水質數據有總磷、電導率、水溫、PH值、總磷、總氮、溶解氧、氨氮等。本文選取4種水體中富營養化最嚴重的指標，即：氨氮、溶解氧、總氮、總磷用于水質評價。

　　3.2評價標準確定

　　將2006年我國發布的《國家地表水環境質量標準》作為本文的水質評價標準，并使用該標準中不同水質等級的準確數據[15]。具體數據如表1所示。

　　3.3水質評價基本步驟

　　依據國家水質評價標準表，在對所選的四類水質評價指標進行樣本收集訓練時，每個區間段采集50組數據，其中40組用于訓練，10組用于測試。根據表1可知，當溶解氧在所要進行評價水質中的含量超過7.5mg/L時，才能達到I類水的評價標準。水中溶氧量很難超過14.64mg/L，由此可知隨機函數的隨機插值系數，因此采集的50組數據溶解氧的含量在[7.5，17.5]。可用相同的方法生成300組溶解氧水質評價數據。同理，對其余3種水質評價指標生成300組數據，生成的樣本數據如表2所示。

　　3.4實驗結果

　　實驗結果分別如圖2-圖9所示。

　　根據圖8和圖9得出BP神經網絡和改進型BP神經網絡在2012年水質評價結果對比，如表3所示。

　　由仿真結果可知，改進型BP神經網絡算法彌補了傳統BP神經網絡算法在水質評價中的一些缺陷。由圖2和圖6可知，BP神經網絡算法的水質評價測試結果和標準結果相當不吻合，算法收斂精度只能達到10-2，極有可能是算法陷入局部極小值，這就導致了在后續測試樣本中有許多評價不準確的結果。由圖7可知，在采用改進型BP神經網絡算法進行優化以后，算法的收斂效果能夠達到10-4，算法收斂精度得到很大提高。由圖3可知，測試結果和標準結果之間的相對誤差十分不穩定，有些誤差較大而有些誤差較小，網絡泛化能力較弱。由圖5可知，改進后的算法誤差相對較小，大部分相對誤差都在0.1以下，最高誤差也只有0.38，并且改進算法的網絡泛化能力得到提高。

　　從評分結果可知，春秋兩季的洱海水質明顯高于夏冬兩季且夏季水質出現急劇下滑趨勢。其主要原因是夏季水生物的生長相對較快，而旅游業的快速發展導致了大量生活污水及其它污染，使得夏季水質下滑較快。

　　4結語

　　本文對傳統BP神經網絡進行水質評價，發現傳統BP神經網絡算法在評價過程中容易陷入局部最小值，進而采用粒子群算法和BP神經網絡算法相結合的方式，建立評價模型，并提出了一種新的評價方法。通過所提的POS算法優化了BP神經網絡的連接參數，彌補了傳統BP神經網絡算法在水質評價時收斂精度不高、泛化能力弱等缺點，進一步提高了系統性能。仿真實驗表明，該算法具有有效性。

　　參考文獻參考文獻：

　　[1]匡耀求，黃寧生.中國水資源利用與水環境保護研究的若干問題[J].中國人口?資源與環境，2013(4)：2933.

　　[2]孫偉光，邢佳，馬云，等.單因子水質標識指數評價方法在某流域水質評價中的應用[J].環境科學與管理，2010(11)：181184，194.

　　[3]鄧聚龍.灰色理論系統[M].武漢：華中科技大學出版社，2002.

　　[4]王平，王云峰.綜合權重的灰色關聯分析法在河流水質評價中的應用[J].水資源保護，2013(5)：5254，64.

　　[5]潘妍妍，趙存.模糊評價法在潞安礦區水質評價中的應用[J].煤炭技術，2010(5)：1012.

　　[6]毛健，趙紅東，姚婧婧.人工神經網絡的發展及應用[J].電子設計工程，2011(24)：6265.

　　[7]岳丹丹，梁海濤，王天慧，等.BP人工神經網絡模型在西鞍山鐵礦地下水水質評價中的應用[J].環境監測管理與技術，2016(4)：2326.

　　[8]郭慶春，趙雪茹.基于人工神經網絡的黃河水質評價[J].計算機與數字工程，2013(5)：683685.

　　[9]李福，郭健.改進的BP神經網絡算法在水質監測中的應用[J].計算機系統應用，2015(10)：243247.

　　[10]華祖林，錢蔚，顧莉.改進型LMBP神經網絡在水質評價中的應用[J].水資源保護，2008(4)：2225，30.

　　[11]曹偉.基于改進型PSOBP神經網絡算法的水環境質量評價[D].昆明：昆明理工大學，2016.