摘要：为了解清水河水质变化趋势和水环境变化系统的规律，建立水质神经网络模型。选取PH值、高锰酸盐指数、溶解氧、生化需氧量、氨氮和总磷六项指标为学习样本参数，运用L-M优化算法对神经网络优化计算，对清水河2014-2015年监测断面水质指标进行训练。结果表明：神经网络具有很强的非线性映射能力和柔性网络结构，实际监测值与预测值误差较小，有良好的可行性和有效性。
关键词：清水河；BP神经网络；L-M优化算法；预测
近年来全国约有1／3的水功能区氨氮、化学需氧量超过其纳污能力，污染物入河量约为其纳污能力的5倍，造成水体环境不断恶化。影响到城市生活饮用水和集中供水的安全，对生态环境破坏、水环境生态功能退化等方面造成影响，水环境问题已成为制约我国经济可持续发展的重要瓶颈。因此加强水资源的综合利用，防治水污染，对水环境进行综合治理势在必行[1]。
由于影响河流水质因素较多，受自然因素、污染物排放、水体自身特性等因素影响，且各个因素之间呈现复杂的非线性关系，水环境系统呈现很强的随机性、非线性及非确定性特征，目前基于数学表达式的水质预测模型均是近似模型，不能完全反应水环境系统的非线性关系，限制了传统水质数学模型的适用性和准确性[2]。由于神经网络模仿人的大脑，采用自适应算法，与传统的数值计算方法比较，具有较强的容错能力、自学习、自组织功能、归纳能力、分布存储、联想记忆、大规模处理和并行处理信息的特点，人工神经网络借助神经系统的特点可以很好的解决非线性及费确定性等问题[3]，在求解实际问题中，神经网络对问题的结构要求较低，不必对变量之间的关系作出假设，预测精度高、参数自动修正等有点，人工神经网络模型已广泛应用于水质预测。
1 神经网络结构及原理
人工神经网络方法是建立在现代神经科学研究成果基础上的一种抽象数学模型，反映了大脑功能的若干基本特征，是对人脑或神经网络的简化、抽象和模拟。目前人工神经网络有数十种[4]，较典型的有BP网络、Hopfield网络等，应用较多的是具有非线性传递函数神经元构成的前馈网络中采用前馈网络中误差反向传播算法的前馈网络。
本文基于清水河老鸦庄断面水质指标数据，监测指标PH值、CODMn、DO、BOD、NH3-N、TP、TN等指标，用Levenberg-Marguardt算法优化学习样本，建立基于反向传播神经网络。
1.1模型结构
BP神经网络属于多层网格结构，包括输入层、隐藏层和输出层，神经网络各层结构各层之间则互相连接，同层神经元之间互不相连，神经网络结构模型见图1。神经网络的权重是由若干个神经元（计算因子）相互连接，这些神经元位于隐含层，并通过隐含层连接输入层和输出层。BP神经网络在进行数据培训前，需要事先确定隐含层数的确定。
图1 一个隐层的前馈神经网络模型
1.2 算法原理
BP神经网络是前馈网络的核心部分，由于其自身结构特点，BP网络在系统建模和控制方面有较为广泛的应用，自身学习过程主要由五部分构成：
（1）输入模式顺传播：输入模式由输入层经过隐含层传播计算；
（2）学习结果判别：当输出误差满足要求时，学习结束；误差不满足要求时，输出进行下一步；
（3）输出误差逆传播：网络实际输出与应有输出间的差值，有输出端开始逐层向后传播；
（4）重复记忆训练：输出误差经过学习模式提供给神经网络，至训练结束；
（5）学习结束：直至误差函数小于设定的值或学习次数大于设定值，学习结束。
2 数据处理与方法
2.1 神经网络设计
在进行神经网络设计时，为了消除各监测指标量纲不同造成的误差影响，统一各监测数据的变化范围，对原始数据进行归一化处理，使较大的输入处于输出函数梯度大的位置，对于已位于[0，1]范围内的数据无需处理。归一化公式为[5]：
（1）
式中，α、β为归一化系数分别为0.9和0.05，XI为归一化后的值，max（X）和min（X）分别为归一化过程中水质指标的最大值和最小值。
数据归一化处理之后，能大幅度提升训练速度和预测精度，监测断面监测数据归一化后的样本数据见表1。
表1 归一化处理训练样本数据
2.2 神经网络模型选择及网络训练
神经网络算法有BP法、Levenberg-Marguardt（L-M）法和BPX法，BP法隐含层节点数最多、训练误差最大、训练次数多；L-M法隐含层节点数最少、训练误差最小、训练次数少；BPX法结果居中。
MINNS[6]等认为，由多层神经元组成的隐含层对模型的性能改变不大，一般在水质建模中采用2到3层隐含层组成。对清水河选择含有3层隐含层，6个隐含层神经元的网络结构，学习速率默认值为0.01，最大训练次数2000-10000，误差目标控制在0.0001-0.001，选用L-M算法trainlm调用函数进行训练和模拟。预测模型描述为：
（2）
式中；D（t）为t时刻某指标数据，n为输入层接点数，F为输入至输出映射函数关系。
2.3预测结果与分析
选取2014年4月至2015年7月监测数据作为训练，2015年8月至11月数据为测试，检验神经网络精确度，验证水质变化趋势。得出2015年8月至11月清水河流域水质监测指标的实际监测值、预测值和预测误差见表2。
表2 水质指标监测值、预测值和预测误差
由表2可知，基于L-M优化算法建立的神经网络模型对老鸦庄监测断面的高锰酸盐指数预测最大相对误差为8.97%，氨氮最小相对误差为-6.21%，相对误差控制在±10%以内，表明优化神经网络模型对清水河流域水质预测具有较好可行性，神经网络具有良好的捕捉不同月份水质变化规律的能力，对于水质预测精度较高。
3 结论
运用L-M算法对传统BP神经网络模型进行优化，建立神经网络模型对清水河水质指标对进行预测：
（1）人工神经网络可用来进行水质评价，评价效果是客观的。基于优化算法建立的模型具有训练速度快、训练误差小河预测精度高的特点。
（2）由于水环境污染受排污口排放量、天气等诸多因素影响，水环境呈现非线性特点，神经网络与传统水质数学模型相比，神经网络可以通过增加隐含层神经单元解决，神经网络具有很好的捕捉能力，可以使结果更加量化、准确。
（3）神经网络模型可任意选取水质参数作为输入单元进行网络学习，建立不同的评价模型，对实测样本可得到可靠的评价结果，具有较广泛的适用性。
参考文献：
[1]高延耀，顾国维.水污染控制工程[M].北京：高等教育出版社，2007.
[2]ANDREWS K T，BARBAR J L，Surface water quality management using a multiple-realization chance constrained method[J].Water resources research，1999，35：1657-1699.
[3]杜伟.基于神经网络的水质评价与预测的探索[D].天津：天津大学，2007.
[4] Mikko Lehtokangas.Constructive Back propagation for Recurrent Networks[J].Neural Processing Letters，1999（9）：53-61.
[5] 谷晓平，王长耀，王汶，等.应用于水文预报的优化的BP神经网络的研究[J].生态环境，2004，13（4）：524-527.
[6]MINNS A W，HALL W J.Artificial neural networks as rainfall runoff models[J].Hydrological Science Journal，1996，41（3）：399-417.
作者简介：
周洋凯（1990-），男，河南许昌，硕士研究生，主要研究方向为河流水质工程技术与数学模型
通讯作者：罗义（1979-），男，副教授，主要研究方向为河流水质达标，雨水控制利用与低影响开发。
河北建筑工程学院研究生创新基金项目XA201816
论文作者:周洋凯,罗义,国艳红,李延博,李士波
论文发表刊物:《基层建设》2018年第18期
论文发表时间:2018/7/18
标签：神经网络论文; 水质论文; 清水河论文; 误差论文; 模型论文; 算法论文; 指标论文; 《基层建设》2018年第18期论文;