曹棟華 陳佳袁 劉益志 余松林
(1. 河海大學(xué) 水利水電學(xué)院, 南京 210098; 2. 江蘇省宿遷市水務(wù)局,江蘇 宿遷 223800)
?
優(yōu)化神經(jīng)網(wǎng)絡(luò)模型在水質(zhì)預(yù)測(cè)中的運(yùn)用
曹棟華1陳佳袁1劉益志2余松林1
(1. 河海大學(xué) 水利水電學(xué)院, 南京210098; 2. 江蘇省宿遷市水務(wù)局,江蘇 宿遷223800)
針對(duì)當(dāng)前河道水質(zhì)資料不健全且難以監(jiān)測(cè)及預(yù)警的現(xiàn)狀,提出了將神經(jīng)網(wǎng)絡(luò)模型運(yùn)用于河道水質(zhì)預(yù)測(cè)分析.運(yùn)用神經(jīng)網(wǎng)絡(luò)模型對(duì)河道水質(zhì)指標(biāo)實(shí)測(cè)數(shù)據(jù)進(jìn)行優(yōu)化處理,深入分析水質(zhì)指標(biāo)數(shù)據(jù),并建立神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型.在此基礎(chǔ)上,采用歸一化和遺傳算法兩種方法對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化,并將優(yōu)化模型和原神經(jīng)網(wǎng)絡(luò)模型分別運(yùn)用于水質(zhì)指標(biāo)數(shù)據(jù)的預(yù)測(cè).結(jié)果表明:優(yōu)化后的神經(jīng)網(wǎng)絡(luò)模型可以實(shí)現(xiàn)對(duì)水質(zhì)的預(yù)測(cè),優(yōu)化前神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)誤差為8.57%,而采用歸一化和遺傳算法優(yōu)化后的神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)精度分別提高了6.36%和6.73%.同時(shí)分析得到了不同水質(zhì)指標(biāo)對(duì)葉綠素濃度值影響程度按大小依次為氨氮、溶解氧、高錳酸鉀指數(shù)、pH值、溫度.
水質(zhì)指標(biāo);神經(jīng)網(wǎng)絡(luò);歸一化;遺傳算法
隨著全國(guó)水質(zhì)惡化的加劇,水環(huán)境管理已經(jīng)成為解決水資源短缺與水污染加劇的重要措施.水質(zhì)預(yù)測(cè)及預(yù)警是水環(huán)境問(wèn)題的重要研究?jī)?nèi)容之一.水質(zhì)預(yù)測(cè)的方法一般分為機(jī)理建模和數(shù)據(jù)建模兩種方式.機(jī)理建模主要通過(guò)數(shù)學(xué)模型建立水質(zhì)控制方程,從而研究水質(zhì)的變化規(guī)律.隨著計(jì)算機(jī)技術(shù)的發(fā)展,一些專業(yè)的商用軟件逐漸運(yùn)用到水質(zhì)模擬中[1-4],如荷蘭的Delft3D軟件中有專門(mén)針對(duì)水質(zhì)模擬的WAQ模塊,美國(guó)環(huán)保局推薦使用的WASP水質(zhì)模型以及丹麥的MIKE11水質(zhì)模型等.機(jī)理建模預(yù)測(cè)精度較高,但是參數(shù)率定復(fù)雜,計(jì)算時(shí)間長(zhǎng).?dāng)?shù)據(jù)建模主要運(yùn)用統(tǒng)計(jì)分析等數(shù)學(xué)方法,根據(jù)已有的水質(zhì)數(shù)據(jù)來(lái)擬合水質(zhì)變化的規(guī)律或者推測(cè)未知條件下水質(zhì)的變化情況,常見(jiàn)的數(shù)據(jù)建模方法包括人工神經(jīng)網(wǎng)絡(luò)模型、遺傳算法、灰色預(yù)測(cè)等.隨著智能算法的優(yōu)化與普及,數(shù)據(jù)建模被越來(lái)越廣泛地運(yùn)用于水質(zhì)預(yù)測(cè).汪家權(quán)等[5]利用RBF神經(jīng)網(wǎng)絡(luò)建立了峽山口斷面實(shí)測(cè)水質(zhì)因子與下游鳳臺(tái)渡口、石頭埠兩斷面水質(zhì)因子之間的關(guān)系,通過(guò)峽山口斷面的實(shí)測(cè)數(shù)據(jù)對(duì)下游鳳臺(tái)渡口、石頭埠兩斷面的溶解氧DO、生化需氧量BOD5、高錳酸鉀指數(shù)進(jìn)行了預(yù)測(cè),指出了神經(jīng)網(wǎng)絡(luò)在水質(zhì)預(yù)測(cè)中的可行性及合理性.楊曉華等[6]將遺傳算法運(yùn)用于水質(zhì)模型的參數(shù)優(yōu)選,并指出在求解有關(guān)河流橫向擴(kuò)散系數(shù)的實(shí)際水質(zhì)模型中,該方法具有更高的精度及更快的收斂效果.
為了實(shí)現(xiàn)水質(zhì)指標(biāo)數(shù)據(jù)的分析及預(yù)警,本文將神經(jīng)網(wǎng)絡(luò)模型運(yùn)用于水質(zhì)指標(biāo)的預(yù)測(cè),提出了基于神經(jīng)網(wǎng)絡(luò)模型的水質(zhì)指標(biāo)實(shí)測(cè)數(shù)據(jù)的插補(bǔ)及優(yōu)化,并結(jié)合歸一化及遺傳算法對(duì)模型進(jìn)行優(yōu)化,提高了預(yù)測(cè)精度,較好地實(shí)現(xiàn)了水質(zhì)指標(biāo)數(shù)據(jù)的預(yù)測(cè),為水質(zhì)分析提供了新思路.
1.1神經(jīng)網(wǎng)絡(luò)
神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)過(guò)程是通過(guò)對(duì)樣本的學(xué)習(xí)來(lái)模擬信息之間的內(nèi)在機(jī)制,進(jìn)而逼近實(shí)際系統(tǒng)的動(dòng)態(tài)過(guò)程.其主要特性是自學(xué)習(xí)能力強(qiáng),適應(yīng)性好,非線性映射能力強(qiáng).其中BP神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用最廣泛的智能算法,其基本原理如圖1所示.
圖1 神經(jīng)網(wǎng)絡(luò)模型圖
如圖1,BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層、一個(gè)或者多個(gè)隱含層和輸出層.輸入信息通過(guò)輸入層經(jīng)過(guò)隱含層輸出,如果輸出達(dá)不到要求的精度,誤差信息將反向傳播,重新通過(guò)輸入層輸入,通過(guò)學(xué)習(xí)函數(shù)不斷修正各層神經(jīng)元的權(quán)值與閾值,使得輸出結(jié)果達(dá)到所需要的精度.
BP神經(jīng)網(wǎng)絡(luò)模型包括輸入輸出模型、作用函數(shù)模型、誤差計(jì)算模型和自學(xué)習(xí)模型.
1)節(jié)點(diǎn)輸入輸出模型
隱含層第i個(gè)神經(jīng)元的輸出為:
輸出層第k個(gè)神經(jīng)元的輸出為:
其中f1、f2分別表示隱含層和輸出層的作用函數(shù),ω1ij、ω2ki分別表示隱含層和輸出層的神經(jīng)元的權(quán)值,b1i、b2k表示隱含層和輸出層的神經(jīng)元的閾值.pj表示神經(jīng)網(wǎng)絡(luò)的輸入值,a1i表示神經(jīng)網(wǎng)絡(luò)計(jì)算的中間值,即隱含層的輸出值,a2k表示神經(jīng)網(wǎng)絡(luò)的輸出值.
2)作用函數(shù)模型
作用函數(shù)又稱激活函數(shù),是一個(gè)神經(jīng)元及網(wǎng)絡(luò)的核心,網(wǎng)絡(luò)解決問(wèn)題的能力與功效除了與網(wǎng)絡(luò)結(jié)構(gòu)有關(guān)外,在很大程度上取決于網(wǎng)絡(luò)所采用的激活函數(shù).常用的激活函數(shù)包括:
①閥值型(硬限制型)
②線性型
A=f(W·P+b)=W·P+b
③S型(Sigmoid)
S型激活函數(shù)可以將任意值壓縮到(0,1)范圍內(nèi),常用的有對(duì)數(shù)S型和雙曲S型.
3)誤差計(jì)算函數(shù)
其中tk為目標(biāo)值.
4)自學(xué)習(xí)模型
神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程,即連接下層節(jié)點(diǎn)和上層節(jié)點(diǎn)之間的權(quán)重矩陣Wij的設(shè)定和誤差修正過(guò)程.一般采用梯度下降法求權(quán)值變化及誤差的修正,改進(jìn)的神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法還包括附加動(dòng)量法,擬牛頓法,共軛梯度法等.
1.2遺傳算法
遺傳算法是通過(guò)對(duì)生物進(jìn)化機(jī)制的模擬來(lái)實(shí)現(xiàn)全局尋優(yōu)搜索的目的,現(xiàn)已廣泛運(yùn)用于各種工程中的優(yōu)化問(wèn)題[7],其建模過(guò)程步驟如下[8]:
1)初始種群生成.在一定范圍內(nèi)產(chǎn)生N個(gè)初始數(shù)據(jù)組,每個(gè)數(shù)據(jù)組即為一個(gè)個(gè)體,N個(gè)數(shù)據(jù)組為一個(gè)種群.
2)種群編碼.按照一定的規(guī)則將初始種群編碼成二進(jìn)制串,每個(gè)二進(jìn)制串代表一個(gè)可能解.
3)適應(yīng)度評(píng)價(jià).根據(jù)相應(yīng)的目標(biāo)函數(shù),將種群中的每個(gè)個(gè)體按照一定的適應(yīng)度評(píng)價(jià)標(biāo)準(zhǔn)進(jìn)行評(píng)價(jià).
4)遺傳選擇.根據(jù)適應(yīng)度評(píng)價(jià)結(jié)果,將從當(dāng)前種群中選擇適應(yīng)度高的個(gè)體,使它們進(jìn)入下一次的迭代,而適應(yīng)度低的個(gè)體被選中的概率較低,甚至被淘汰.
5)交叉過(guò)程.將被選中的優(yōu)良個(gè)體通過(guò)某種函數(shù)作用得到新的個(gè)體,新個(gè)體將遺傳父輩個(gè)體的優(yōu)良特性.
6)變異過(guò)程.按一定比例隨機(jī)選中種群中的某些個(gè)體,以一定的概率改變個(gè)體的編碼值,變異為新個(gè)體的產(chǎn)生提供了機(jī)會(huì).
重復(fù)執(zhí)行步驟3)~6),隨著迭代次數(shù)的增加,最終可以得到最適應(yīng)該問(wèn)題的個(gè)體,即找到了問(wèn)題的最優(yōu)解.
河道水質(zhì)指標(biāo)包括光照,溫度,氨氮,溶解氧,高錳酸鉀指數(shù),葉綠素濃度等,水質(zhì)系統(tǒng)具有明顯的動(dòng)態(tài)變化隨時(shí)性、指標(biāo)數(shù)據(jù)不完全及不確定性.因此針對(duì)水質(zhì)原始數(shù)據(jù)存在的誤差及不完整性,運(yùn)用神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)原始水質(zhì)指標(biāo)實(shí)測(cè)數(shù)據(jù)的優(yōu)化及插補(bǔ).
某河道為蘇北地區(qū)重要通航河流,現(xiàn)有2006年及2007年某水質(zhì)監(jiān)測(cè)站部分水質(zhì)實(shí)測(cè)資料(日平均值),水質(zhì)指標(biāo)實(shí)測(cè)數(shù)據(jù)包括溫度、氨氮、溶解氧、高錳酸鉀指數(shù)、pH值及葉綠素濃度,數(shù)據(jù)存在部分缺失,缺失數(shù)據(jù)占全部數(shù)據(jù)的7.31%.缺失數(shù)據(jù)的插補(bǔ)及原始數(shù)據(jù)的優(yōu)化步驟如下:
1)補(bǔ)充缺失數(shù)據(jù).考慮到數(shù)據(jù)的變化趨勢(shì),缺失數(shù)據(jù)的補(bǔ)充由缺失項(xiàng)前后時(shí)間段內(nèi)數(shù)據(jù)的插值或擬合得到.本文采用前后時(shí)間段內(nèi)各2個(gè)數(shù)據(jù),通過(guò)拉格朗日插值實(shí)現(xiàn)缺失數(shù)據(jù)的補(bǔ)充.
2)建立神經(jīng)網(wǎng)絡(luò)模型.根據(jù)水質(zhì)指標(biāo)數(shù)據(jù)之間的相互影響,將溫度、氨氮、溶解氧、高錳酸鉀指數(shù)、pH值及葉綠素濃度中的5個(gè)實(shí)測(cè)指標(biāo)作為神經(jīng)網(wǎng)絡(luò)模型的輸入端,將另一個(gè)實(shí)測(cè)值作為神經(jīng)網(wǎng)絡(luò)的輸出端,從而建立了6個(gè)分別用于預(yù)測(cè)不同水質(zhì)指標(biāo)的神經(jīng)網(wǎng)絡(luò)模型,并通過(guò)模型參數(shù)的調(diào)整得到最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型如圖2所示.
3)將水質(zhì)指標(biāo)中的5個(gè)數(shù)據(jù)作為輸入端輸入神經(jīng)網(wǎng)絡(luò)模型得到第6個(gè)指標(biāo)的預(yù)測(cè)值,并與第6個(gè)指標(biāo)的實(shí)測(cè)值進(jìn)行比較,由于實(shí)測(cè)值存在錯(cuò)誤,因此當(dāng)實(shí)測(cè)值與預(yù)測(cè)值誤差超過(guò)15%時(shí),對(duì)實(shí)測(cè)值進(jìn)行修改,其中修改的數(shù)據(jù)不應(yīng)超過(guò)全部數(shù)據(jù)的15%~20%,否則,原始數(shù)據(jù)規(guī)律性不強(qiáng)或者錯(cuò)誤較多,不宜采用神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè),取實(shí)測(cè)值與預(yù)測(cè)值的平均數(shù)作為新的實(shí)測(cè)值數(shù)據(jù),從而得到修正后的6個(gè)新的水質(zhì)指標(biāo)實(shí)測(cè)序列.
4)重復(fù)2)與3),直到所有數(shù)據(jù)都能較好的擬合神經(jīng)網(wǎng)絡(luò)模型.
采用上述方法對(duì)該水質(zhì)監(jiān)測(cè)站2006年全年及2007年1~3月的水質(zhì)數(shù)據(jù)進(jìn)行優(yōu)化處理,建立的最優(yōu)神經(jīng)網(wǎng)絡(luò)模型輸入端共6個(gè)神經(jīng)元,訓(xùn)練模型目標(biāo)誤差為0.000 05,迭代次數(shù)為1 500.通過(guò)7次迭代修改,得到最終的優(yōu)化原始數(shù)據(jù).
圖2 最優(yōu)神經(jīng)網(wǎng)絡(luò)模型流程圖
3.1基于神經(jīng)網(wǎng)絡(luò)模型水質(zhì)預(yù)測(cè)
由于實(shí)測(cè)數(shù)據(jù)中存在錯(cuò)誤及數(shù)據(jù)缺失等,致使原始數(shù)據(jù)的關(guān)聯(lián)性較差,通過(guò)原始數(shù)據(jù)的插補(bǔ)及優(yōu)化,現(xiàn)已得到關(guān)聯(lián)性較好的2006年全年及2007年1~3月某河道水質(zhì)監(jiān)測(cè)站的優(yōu)化實(shí)測(cè)資料,實(shí)測(cè)水質(zhì)指標(biāo)包括溫度、氨氮、溶解氧、高錳酸鉀指數(shù)、pH值以及葉綠素濃度值.本文選取葉綠素濃度值作為預(yù)測(cè)水質(zhì)指標(biāo),將其余水質(zhì)指標(biāo)作為自變量數(shù)據(jù)輸入,如公式(1)所示,從而構(gòu)建神經(jīng)網(wǎng)絡(luò)模型,模型輸入端共6個(gè)神經(jīng)元,訓(xùn)練模型目標(biāo)誤差為0.000 05,迭代次數(shù)為1500.
(1)
其中,Li,ti,ani,gai,doi,phi分別表示葉綠素濃度和葉綠素濃度值有重要影響的量:溫度、氨氮、高錳酸鉀指數(shù)、溶解氧、pH值.
利用訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型對(duì)2007年4月的該監(jiān)測(cè)站葉綠素濃度進(jìn)行預(yù)測(cè),其中溫度、氨氮、溶解氧、高錳酸鉀指數(shù)及pH值采用實(shí)測(cè)值,模型預(yù)測(cè)得到的葉綠素濃度與實(shí)測(cè)值比較如圖3所示.
圖3 基于神經(jīng)網(wǎng)絡(luò)模型的葉綠素濃度預(yù)測(cè)值與實(shí)測(cè)值比較
3.2基于優(yōu)化神經(jīng)網(wǎng)絡(luò)模型的水質(zhì)預(yù)測(cè)
在上述神經(jīng)網(wǎng)絡(luò)模型中,由于水質(zhì)指標(biāo)的數(shù)據(jù)單位不同,各個(gè)指標(biāo)在數(shù)值上相差較大,甚至不在一個(gè)數(shù)量級(jí)上,因此直接將數(shù)據(jù)帶入模型計(jì)算會(huì)產(chǎn)生不可避免的誤差,預(yù)測(cè)精度相對(duì)較低.基于此,本文提出了歸一化處理和遺傳算法兩種方法對(duì)原始數(shù)據(jù)進(jìn)行進(jìn)一步優(yōu)化處理,得到優(yōu)化后的神經(jīng)網(wǎng)絡(luò)模型.
1)歸一化處理方法
為了避免數(shù)據(jù)的范圍存在較大的差距,采用歸一化方法可以有效的減小由于數(shù)據(jù)本身造成的誤差,常用的歸一化方法有最大最小值法,均值法,中間值法等,考慮到本文數(shù)據(jù)的范圍及其特點(diǎn),采用最大最小值法將所有水質(zhì)數(shù)據(jù)進(jìn)行歸一化處理,見(jiàn)公式(2),從而使得任何一個(gè)水質(zhì)指標(biāo)的范圍處于[0,1],減小由于數(shù)值范圍引起的誤差,從而建立葉綠素濃度預(yù)測(cè)模型,見(jiàn)公式(3),并根據(jù)公式(4)將模型預(yù)測(cè)的葉綠素濃度值還原到原數(shù)量級(jí).
(2)
其中Xmax,Xmin為某一時(shí)間序列內(nèi)的最大值和最小值.
(3)
(4)
2)基于遺傳算法的數(shù)據(jù)優(yōu)化
歸一化方法雖然消除了數(shù)據(jù)范圍對(duì)葉綠素濃度預(yù)測(cè)的影響,然而事實(shí)上,溫度、氨氮、溶解氧、高錳酸鉀指數(shù)及pH值對(duì)葉綠素濃度值的影響程度并不相同,歸一化的方法等同于將各指標(biāo)對(duì)葉綠素濃度值的影響程度歸為相同,這顯然與事實(shí)不符,將會(huì)增大誤差.因此,在構(gòu)建神經(jīng)網(wǎng)絡(luò)模型時(shí),考慮模型水質(zhì)輸入值按一定的權(quán)重輸入神經(jīng)網(wǎng)絡(luò)模型,見(jiàn)公式(5).
(5)
其中α1,α2,α3,α4,α5等分別對(duì)應(yīng)葉綠素濃度相應(yīng)影響因素的權(quán)重值,且滿足∑αi=1.權(quán)重的確定采用遺傳算法,其流程圖如圖4所示.
圖4 基于遺傳算法的神經(jīng)網(wǎng)絡(luò)模型輸入值權(quán)重確定流程圖
首先設(shè)定迭代次數(shù)、初始種群及數(shù)據(jù)長(zhǎng)度等基本信息.迭代次數(shù)視具體情況而定.本文采用迭代100次,初始種群采用30組,每組4個(gè)數(shù)據(jù),分別表示a1,α2,α3,α4,而α5=1-(α1+α2+α3+α4),同時(shí)滿足ai∈[0,1].然后將權(quán)重與實(shí)測(cè)值相乘輸入神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練,適應(yīng)度函數(shù)用訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)值與實(shí)測(cè)值的平均相對(duì)誤差表示,遺傳算法的交叉率為0.8,變異率為0.005.通過(guò)循環(huán)往復(fù),最終從30組最優(yōu)結(jié)果中再進(jìn)行選擇,將適應(yīng)度最大的數(shù)據(jù)作為最優(yōu)的權(quán)重.
運(yùn)用優(yōu)化后的神經(jīng)網(wǎng)絡(luò)模型,根據(jù)相同時(shí)間序列的水質(zhì)指標(biāo)對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練,模型參數(shù)與上文相同,并對(duì)同樣時(shí)間的葉綠素濃度值進(jìn)行預(yù)測(cè),結(jié)果如圖5所示.
圖5 基于優(yōu)化神經(jīng)網(wǎng)絡(luò)模型的葉綠素預(yù)測(cè)值與實(shí)測(cè)值比較
3.3預(yù)測(cè)結(jié)果分析
通過(guò)比較傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型與優(yōu)化后神經(jīng)網(wǎng)絡(luò)模型對(duì)葉綠素濃度值的預(yù)測(cè),如圖3和圖5所示,采用優(yōu)化算法后的神經(jīng)網(wǎng)絡(luò)模型對(duì)葉綠素濃度的預(yù)測(cè)精度顯著提高,預(yù)測(cè)結(jié)果更加符合實(shí)際情況,結(jié)果更為精確.同時(shí)采用公式(6)計(jì)算不同模型預(yù)測(cè)的平均相對(duì)誤差,結(jié)果見(jiàn)表1.傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)誤差為8.57%,而采用歸一化和遺傳算法后的神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)精度分別為2.21%和1.84%.
(6)
表1 不同優(yōu)化方法時(shí)神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)誤差
另外,通過(guò)遺傳算法得到了不同α1,α2,α3,α4,α5的值,該值從一定程度上也反映了溫度、氨氮、溶解氧、高錳酸鉀指數(shù)及pH值對(duì)葉綠素濃度影響的程度,見(jiàn)表2, 不同水質(zhì)指標(biāo)對(duì)葉綠素濃度值影響大小依次為氨氮、溶解氧、高錳酸鉀指數(shù)、pH值、溫度.
表2 不同水質(zhì)指標(biāo)權(quán)重
由于神經(jīng)網(wǎng)絡(luò)模型具有復(fù)雜的數(shù)學(xué)結(jié)構(gòu),對(duì)其內(nèi)部規(guī)律的分析往往需要較高的數(shù)學(xué)基礎(chǔ).因此,將神經(jīng)網(wǎng)絡(luò)模型看做黑箱,通過(guò)優(yōu)化輸入數(shù)據(jù),也能從一定程度上起到了優(yōu)化模型的作用.在上述的優(yōu)化方式中,盡管運(yùn)用遺傳算法優(yōu)化后的神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度比歸一化處理的模型精度高0.37%.但是,遺傳算法的計(jì)算效率遠(yuǎn)遠(yuǎn)低于歸一化方法.因此,可以根據(jù)計(jì)算精度及具體情況,適當(dāng)選擇優(yōu)化輸入值的方法,有時(shí)候,僅僅只需將原始數(shù)據(jù)通過(guò)擴(kuò)大10倍或100倍,將數(shù)據(jù)轉(zhuǎn)化至同一數(shù)量級(jí),亦能達(dá)到較高的精度要求.
本文通過(guò)神經(jīng)網(wǎng)絡(luò)模型對(duì)水質(zhì)實(shí)測(cè)值進(jìn)行了插補(bǔ)優(yōu)化,并建立了水質(zhì)預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)模型,結(jié)合歸一化方法和遺傳算法對(duì)模型進(jìn)行優(yōu)化,并運(yùn)用該模型對(duì)某水質(zhì)監(jiān)測(cè)站的葉綠素濃度值進(jìn)行了預(yù)測(cè),得到如下結(jié)論:
1)根據(jù)水質(zhì)指標(biāo)間的互相影響,建立水質(zhì)指標(biāo)預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)模型可以實(shí)現(xiàn)水質(zhì)指標(biāo)實(shí)測(cè)數(shù)據(jù)的插補(bǔ)及優(yōu)化.
2)利用優(yōu)化后的實(shí)測(cè)水質(zhì)指標(biāo)數(shù)據(jù)建立神經(jīng)網(wǎng)絡(luò)模型,并用歸一化方法和遺傳算法對(duì)模型輸入數(shù)據(jù)進(jìn)行優(yōu)化,優(yōu)化后的神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度顯著提高,傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)誤差為8.57%,而采用歸一化和遺傳算法后的神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)精度分別為2.21%和1.84%.
3)通過(guò)遺傳算法同時(shí)得到了不同水質(zhì)指標(biāo)對(duì)葉綠素濃度值影響按大小依次為:氨氮、溶解氧、高錳酸鉀指數(shù)、pH值、溫度.
[1]李吉學(xué),汪中華.MIKE11在入河排污口設(shè)置研究中的應(yīng)用[A].中國(guó)水利學(xué)會(huì)2010學(xué)術(shù)年會(huì)論文集(上冊(cè))[C].2010.
[2]常旭,王黎,李芬,等.MIKE11模型在渾河流域水質(zhì)預(yù)測(cè)中的應(yīng)用[J].水電能源科學(xué),2013(6):58-62.
[3]唐大元.WASP水質(zhì)模型國(guó)內(nèi)外應(yīng)用研究進(jìn)展[J].安徽農(nóng)業(yè)科學(xué),2011(34):21265-21267.
[4]Delft3D_WAQ_User_Manual[M]. 2007:21-22.
[5]于瓅,汪家權(quán).基于RBF神經(jīng)網(wǎng)絡(luò)的水質(zhì)多因素預(yù)測(cè)[J].中國(guó)科技信息,2011(10):56-57.
[6]楊曉華,酈建強(qiáng).混沌實(shí)碼遺傳算法在水質(zhì)模型參數(shù)優(yōu)選中的應(yīng)用[J].水電能源科學(xué),2006(5):1-4.
[7]HongwooL.ComparisonofaGeneralizedPatternSearchAlgorithmandaGeneticAlgorithmintheStructuralOptimizationofGeodesicDome[J].JournaloftheArchitecturalInstituteofKoreaStructure&Construction, 2010, 26(7):3-10.
[8]AkhtarS,HeL.OptimizationandSizingforPropulsionSystemofLiquidRocketUsingGeneticAlgorithm[J].ChineseJournalOfAeronautics, 2007,20(1): 40-46.
[責(zé)任編輯王康平]
Application of Optimization Neural Network Model to Water Quality Prediction
Cao Donghua1Chen Jiayuan1Liu Yizhi2Yu Songlin1
(1 .College of Water Conservancy & Hydropower Engineering, Hohai Univ., Nanjing 210098, China; 2.Water Conservancy Bureau of Suqian, Suqian 223800, China)
The paper develops a neural network model to forecast the river water quality in the condition of incomplete and difficult to monitor and early warning rivers. A prediction model of neural network is established based on the optimized and analyzed index data of river water quality. The results are compared with ones by using traditional neural network model. The simulations are more accurate by the optimized neural network model than that by the traditional neural network model. And then the model is applied to predict the water quality. Meanwhile, the effects of different water quality indexes on the chlorophyll concentration are analyzed. Lastly, we find the fact of that the extent of effects from high to low is as follows: ammonia-nitrogen, dissolved oxygen, permanganate index, pH value, temperature.
water quality index;neural network;normalization;genetic algorithm
2016-04-09
曹棟華(1991-),男,碩士研究生,研究方向?yàn)樗娤到y(tǒng)規(guī)劃及工程經(jīng)濟(jì).E-mail: hhusgcdh@163.com
10.13393/j.cnki.issn.1672-948X.2016.04.003
TP183
A
1672-948X(2016)04-0012-05