（技术经济及管理专业论文）基于灰色BP神经网络模型的淮河水污染预测.pdf

0 _ f f 崎 、： x o 摘要 水是生命的源泉，既是人类赖以生存和发展的最基本条件，也是自然生态系统中 最重要的因素然而。自二十世纪八十年代以来，随着沿淮流域各省的社会经济的发展， 水资源环境受到了严重的影响，已经成为社会经济可持续发展的重要制约因素。因此， 合理利用淮河水资源，维护其可持续的生态环境，对经济社会可持续发展及人类的生 存都具有十分重要的意义。 水质状况的好坏能够直接影响到社会经济的可持续发展，有必要建立一种有效地 预测体系来对水污染的治理进行指导。酸碱度、溶解氧、化学需氧量以及氨氮是重要 的水质指标，本文主要根据淮河流域阜南王家坝观测站点的这四个水质监测数据进行 分析研究，先建立了基于g m ( i ，1 ) 模型的淮河水质预测模型，通过与真实值进行模拟， 表明了该方法具有可行性，且需要的样本数据较少，精确度也较高，但会随着时间的 推移，其预测效果会逐渐变差。然后又建立了基于b p 神经网络的淮河水质预测模型， 虽然其预测效果也较为准确，但是却需要不断地对参数进行调整，才可能达到较高的 精确度，同时该模型还需要有大量的样本数据。考虑至e j g m ( i ，1 ) 模型能够弱化数据序列 波动性以及b p 神经网络所特有的非线性适应性信息处理的能力，于是提出了基于灰 色b p 神经网络组合模型的淮河水质预测模型，即先利用g m ( i ，1 ) 模型对真实值进行预 测，然后再将真实值预测值之差即残差值作为b p 神经网络模型的输入训练样本，并 通过选择适当的b p 神经网络结构以及相关参数等等，对样本进行训练，在能够达到 预期目标的情况下，再把通过b p 神经网络模型预测得出的残差值与6 m ( i ，1 ) 模型的预 测值相加，从而得到最终的灰色b p 神经网络模型的预测值。 研究结果表明，灰色b p 神经网络模型具有所需样本数较少和预测精度较高的优 点，能够在小样本、贫信息的条件下对水质状况做出更为准确的预测，从而取得较为 满意的结果。通过三个预测模型与实际数据的对比，表明了灰色b p 神经网络模型是 可行的，且较优于另外两个模型的预测效果，具有更大的应用前景和推广价值。 关键词：淮河水质预测，g m ( i ，1 ) 模型，b p 神经网络模型，灰色- b p 神经网络模型 a b s t r a c t w a t e ri st h ep r i m a r ys o u c eo fo u rh u m a nb e i n g s l i f e ，w h i c hi st h eb a s i ce l e m e n to f h u m a nb e i n g s s u r v i v a la n dd e v e l o p m e n t ，a sw e l la st h em o s ti m p o r t a n tf a c t o ro ft h en a t u r e e c o l o g ys y s t e m h o w e v e r ，s i n c et h e19 8 0 s ，a st h es o c i a le c o n o m ya n dt h ea r e aa l o n gt h e h u a i h er i v e ra r ed e v e l o p i n g ，w a t e re n v i r o m e n ti sb e c o m i n gm o r ea n dm o r ed e t e r i o r a t e d ， w h i c hh a sb e c o m et h ek e yr e s t r i c t i v ef a c t o rt ot h es u s t a i n a b l ed e v e l o p m e n to fs o c i a l e c o n o m y a c c o r d i n g l y ，t o u s et h ew a t e ro fh u a i h er i v e rr e a s o n a b l ya n dp r o t e c ti t s s u s t a i n a b l ee c o l o g ys y s t e mi sv e r yi n f l u e n t i a lf o r t h es o c i a le c o n o m y ss u s t a i n a b l e d e v e l o p m e n ta n dm a n k i n d ss u r v i v a l t h ec o n d i t i o no fw a t e r q u a l i t y h a st h ed i r e c ti n f l u e n c eo nt h es o c i a l e c o n o m y s u s t a i n a b l ed e v e l o p m e n t ，a n di t i sn e c e s s a r yt oe s t a b l i s ha ne f f e c t i v ef o r e c a s t s y s t e mt oi n s t r u c tt h em a n a g e m e n to fw a t e rp o l l u t i o n p hv a l u e ，d i s s o l v e do x y g e n ， c h e m i c a lo x y g e nd e m a n da n da m m o n i an i t r o g e na r et h ei m p o r t a n ti n d e x e so fw a t e rq u a l i t y b a s i n go nt h er e s e a r c ha n dt h ea n a l y s i so f t h ef o u rm o n i t o r i n gd a t ao fw a t e rq u a l i t yf r o m w a n g j i ad a m ，f u n a n ，h u a i h er i v e r ，f i r s to fa l l ，t h i st h e s i se s t a b l i s h e dt h ew a t e rq u a l i t y s p r e d i c t i o nm o d e lo fh u a i h er i v e ri nt e r m so fg r e ym o d e l u n d e rt h es i m u l a t i o no f t h er e a l d a t a , i ts h o w st h ef e a s i b i l i t yo ft h i sm e t h o d 谢ml i t t l es a m p l ed a t aa n di t sh i 曲a c c u r a c y ， a n di t sg r a d u a lw o r s e n i n gf o r e c a s te f f e c ta st h et i m eg o i n go n s e c o n d l y ，i te s t a b l i s h e st h e w a t e rq u a l i t yf o r e c a s tm o d e lo fh u a i h er i v e rb a s e do nb pn e u r a ln e t w o r km o d e l a l t h o u g hi t sf o r e c a s te f f e c ti sm o r ea c c u r a t e ，i tn e e d sm o u n t a i n so fs a m p l ed a t ea n d c o n s t a n ta d j u s t m e n ti nt h ep a r a m e t e r st oa c h i e v eh i g hp r e c i s i o n t h i r d l y ，c o n s i d e r i n gt h e f a c tt h a tg r e ym o d e lc a nw e a l ( e nt h ev o l a t i l i t yo fd a t as e q u e n c ea n db pn e u r a ln e t w o r k s s p e c i a ln o n l i n e a ra d a p t i v ei n f o r m a t i o np r o c e s s i n gc a p a b i l i t y ，t h i st h e s i sp u t sf o r w a r da n e w f o r e c a s tm o d e lo fh u a i h er i v e r sw a t e rq u a l i t yi nt e r m so fg r e y - b pn e u r a ln e t w o r k m o d e l i tf i r s t l yp r e d i c tt h et r u ev a l u ei nt e r m so fg r e ym o d e l t h e ni tt r e a t st h er e s i d u a l v a l u eb e t w e e nt h et r u ev a l u ea n dt h ep r e d i c t i o nv a l u ea st h ei n p u tt r a i n i n gs a m p l eo fb p n e u r a ln e t w o r km o d e la n ds e l e c t sp r o p e rb pn e u r a ln e t w o r ks t r u c t u r ea n dt h er e l a t e d p a r a m e t e r st ot r a i nt h es a m p l e a tl a s t ，i tg a i nt h ef i n a lp r e d i c t i o nv a l u eo fg r e y - b pn e u r a l n e t w o r km o d e lt h r o u g hp l u s i n gt h er e s i d u a lv a l u ep r e d i c t e db yb pn e u r a ln e t w o r km o d e l a n dt h ep r e d i c t i o nv a l u eo fg r e ym o d e lo nt h ec o n d i t i o no fa c h i e v i n gt h ea n t i c i p a t eg o a l t h er e s a r c hi n d i c a t e st h a tt h eg r e y b pn e u r a ln e t w o r km o d e lr e q u i r i n gl e s ss a m p l ed a t a a n dh a v i n gh i g h e ra c c u r a t ep r e c i s i o nc a l lh a v eam o r ea c c u r a t ep r e d i c t i o no fw a t e r 一 眵 v ；晦。 、 ? - ； v c o n d i t i o ni nt e r m so fl e s ss a m p l ea n di n f o r m a t i o n , a n da c h i e v e sc o m p a r a t i v es a t i s f i e d r e s u l t s t h r o u g ht h ec o n t r a s ta m o n gt h et h r e ef o r e c a s tm o d e l sa n da c t u a ld a t a , i ti s r e m a r k a b l yn o t i c e dt h a tg r e y - b pn e u r a ln e t w o r km o d e l w h i c hh a sb e t t e rp r e d i c t i v e e f f e c ta n di sm o r ef e a s i b l et h a nt h eo t h e rt w om o d e l s ，h a sb e t t e ra p p l i c a t i v ef u t u r ea n d p r o m o t i o n a lv a l u e k e yw o r d s ：t h ep r e d i c t i o no fw a t e rq u a l i t yo fh u a i h er i v e r ，g m ( 1 ，1 ) ，b pn e u r a l n e t w o r km o d e l ，g r e y - b pn e u r a ln e t w o r km o d e l i i i k百 l v _ ， ， i 。 v 目录 1 引言1 1 1论文的选题背景及研究意义1 1 1 1论文的选题背景1 1 1 2 论文的研究意义l 1 2 国内外研究现状2 1 2 1 国外研究现状2 1 。2 2 国内研究现状3 1 3 模型、观测站点及水质监测指标的选取依据。5 1 3 1模型的选取依据5 1 3 2 观测站点的选取依据5 1 。3 3 水质监测指标的选取依据6 1 4 论文组织7 1 5 论文的创新之处8 2 基于灰色模型的淮河水污染预测9 2 1灰色系统理论概论9 2 2 灰色系统序列9 2 2 1冲击扰动系统9 2 2 2 累加生成算子一1o 2 3g m ( 1 ，1 ) 模型10 2 3 1g m ( 1 1 ) 模型的建立11 2 3 2g m ( 1 ，1 ) 模型预测的精度检验1 1 2 4 淮河水质监测项目的g m ( 1 ，1 ) 模型分析1 1 2 5 本章小结15 3 基于b p 神经网络模型的淮河水污染预测1 6 3 1人工神经网络概论1 6 3 1 1人工神经网络的产生1 6 3 1 2 人工神经元的工作机理。1 6 3 1 3 人工神经网络的基本构成1 6 3 1 4 人工神经网络的特性18 3 2b p 神经网络模型18 3 3 淮河水质监测项目的b p 神经网络模型分析1 9 i v 3 3 1样本监测数据的预处理。1 9 3 3 2b p 神经网络拓扑结构的确定2 2 3 3 3b p 神经网络的训练2 3 3 3 4 b p 神经网络模型的预测结果2 4 3 4 本章小结2 5 4 基于灰色- b p 神经网络模型的淮河水污染预测。2 7 4 1灰色- b p 神经网络模型的提出2 7 4 2 灰色- b p 神经网络模型的建模思想2 7 4 3 灰色- b p 神经网络模型的建模方法2 7 4 4 淮河水质监测项目的灰色- b p 神经网络模型分析2 8 4 5 三种模型预测结果的对比3 2 4 6 本章小结3 5 5 结论。3 7 参考文献3 8 附勇毛4 1 j l 筻谢5 2 个人简介5 3 读研期间发表的学术论文5 3 v l ，1 1引言 1 1论文的选题背景及研究意义 1 1 1 论文的选题背景 伴随着改革开放、社会经济的高速发展，淮河流域污水排放量迅速增加，淮河各 主要支流日益受到严重污染，致使水质污染严重，水质急剧恶化。九十年代初，淮河 的1 6 条主要支流，有一半以上河段的水质超过国家v 类地表水的标准，丧失了任何利 用价值，一些水利设施因水质污染而报废，部分地区农作物减产或绝收，给淮河流域 城乡居民的生产生活以及身体健康都造成了严重危害。其中，较为严重的一次就是 1 9 9 4 年，淮河发生的特大污染事故。当时淮河持续干旱，主要闸坝全部关闭，7 月中 下旬出现大暴雨，降雨集中，主要闸坝先后开闸集中排水，入淮水质以污水团形式向 下推移，淮河干流形成污染带7 0 公里，使一些地区的群众饮水发生困难，直接危及了 下游人民的生活和生产，损失惨重。这一事故引起了国家领导人的高度重视，原国务 院环委会立即召开了淮河流域环保执法检查现场会，并提出了要让淮河水二十世纪内 变清的目标【l 训。 经过十五年的治理，淮河水质有明显的好转，然而每年发洪水时那些长期积累的 污染物又被洪水带入河道，造成淮河水的二次污染。尽管没有之前严重，但是由于上 游的污染物随着洪水流到下游，于是在汛期过后，水流量趋于平稳的时段，水质状况 会在一定程度上有所下降，而当枯水期来临时，由于水流量逐渐减少，水质状况也是 逐渐变差的，这主要是因为那些来自上游的污染物被水流带到并留在下游所导致的， 如此循环，下游是不断的被多次污染的。因此，如果能对水质状况进行分析预测，在 预测出污染严重时能够提早采取措施，将会在一定程度上降低污染所造成的损失，也 能够改善沿淮流域的人们的生活环圳】。 1 1 2 论文的研究意义 自二十世纪八十年代以来，淮河流域受到了严重的水质污染，农民又用受到污染 的淮河水进行农田灌溉，从而导致了许多农田遭受不同程度的重金属和有机物污染， 而且淮河流域所种植的作物大多为粮食作物，个别地区还有蔬菜和果树，那些有毒有 害的物质就很有可能会在种植作物体内残留下来，从而给人们的生命和财产带来不可 估计的损失，这些问题也引起了国家和地方的关注，从九十年代以来，国家和淮河流 域各个省市对控制洪涝灾害以及治理污染源的重视程度不断加深，关闭了许多向淮河 流域排污的工厂，加上人为的水质治理，使得淮河水质情况逐渐好转，但是由于污染 物的长期积累仍不乏会发生污染现象。近年来，淮河还是多次发生了水污染事件，淮 河的污染问题再次引起党中央、国务院的高度重视和社会各界的广泛关注。为了改善 l 淮河水环境，是需要社会各个部门都发挥积极的作用，但是要想在淮河水资源调度和 利用上发挥更大作用，就要进行淮河水坏境管理，而进行淮河水环境管理以及治理污 染的前提又是要把水质评价放在第一位，因为它是水环境管理的基础，会直接影响到 水资源的使用规划的制定【5 】，在淮河水环境管理中占有十分重要的位置。因此对于淮 河流域来说，进行重点观测站点的水质分析研究以及预测，就成为贯彻落实淮河流域 水污染防治、改善淮河水环境工作的一项重要任务。所以，分析研究淮河流域重点观 测站点的水质状况是十分迫切和必要的。 本文立足于对淮河水质状况的评价以及预测，主要目的就是通过对水质的分析预 测协助做好水环境管理的工作，实现社会和经济的可持续发展战略，综合协调社会、 经济发展与水环境保护的关系，以获得宏观的最佳社会、经济和环境效益。 1 2 国内外研究现状 1 2 1国外研究现状 随着西方国家的水质模型的不断研究与发展，其大致能够分为三个阶段：第一阶 段是从1 9 2 5 年至u 1 9 8 0 年的“自由体”阶段，其模型研究对象仅仅是水体水质本身；第 二阶段是从1 9 8 0 年到1 9 9 5 年的水质模型研究快速发展阶段，该阶段的模型不仅增加了 水质组分的数量，加入了水动力模型，还与流域模型进行连接，从而使得面污染源能 够被连入初始输入；第三阶段是从1 9 9 5 年至今。随着发达国家增强了对面污染源控制， 使得面污染源逐渐减少，而大气中的一些有机化合物、金属和氮化合物等污染物质的 沉降对河流水质的影响就显得日益重要了7 j 。 美国地质调查局，简称为n a w q a ，进行了两个十年的全国水质评价计划，其中 第一个十年( 1 9 9 1 年2 0 0 1 年) 的研究提供了美国水资源质量状况新的重要成果。通过综 合分析全国水质评价计划研究单元的成果，对美国的农药、营养物质、挥发性有机物、 痕量金属以及水生生态学进行了全面评价。第二个十年( 2 0 0 1 年2 0 1l f f - ) 的研究不仅其 对水质的初始状况进行评价，还增加了对水质的长期变化趋势及其影响因素的评价。 n a w q a 的目标是通过与其它部门进行项目合作，来评价国家的水质状况及其变化趋 势，了解水质的影响因素。n a w q a 的发展旨在描述水质的总体健康状况和目前出现 的水资源问题，这就能够使得人们对美国的河流及地下水的主要污染模式等水质状况 有一个总体上的了解，并且可以了解水质随时间的变化趋势。美国通过不同范围内的 信息来建立起地方、州、地区和国家之间的桥梁，以便于更好地管理国家的水资源， 同时这对于水质管理和政策的制定也是具有十分重要意义的【8 。】。 莱茵河是欧洲最长的河流之一，传统的流域管理已有1 0 0 余年的历史，但是九十 年代以来，几乎年年面临洪水和水污染的问题，因此引发了关于流域洪水管理的新的 讨论。1 9 9 8 年1 月在荷兰鹿特丹举行的第1 2 届莱茵河流域部长级会议上通过了总投资 2 1 2 0 亿欧元的“水管理行动计划”，旨在未来2 0 年内提高和改善莱茵河的防洪和流域可 持续管理水平。之后欧洲又开发了水质预测系统，它所使用的是目前先进的大气预测 科学结合水质监测站点来发布洪水以及水污染预报的，该计划通过欧洲各气象预测中 心的环流模型以及各个流域监测站点的水质状况来计算出能够符合中期水质预测( 提 前4 1 0 天的预测) 资料。在实践中，由于预测效果受到干扰的因素还有很多，因此为 了改进水质预测的质量，该计划的工作组还就如何开发利用洪水以及水污染风险决策 者所能扶得的资料信息制定指导方针，进行了专门研究，以使该系统更好地为水资源 管理服务【i 引。 日本是一个水资源较为丰富的国家，其河流和小溪遍布全国，从而使得人们的生 产和生活都受到了极大的恩惠。然而，随着二次大战之后日本经济高速增长，其工业 化和城市化的进程不断加快，以及人们生活水平的不断提高，因此也造成了严重的水 质污染、过度使用地下水和地面下沉等问题。对于这些问题，日本政府和社会组织团 体主要是通过制定相关法律法规，依法实施水资源的保护与利用，并通过采取，植树 造林，净化环境，处理污水，促进水的循环利用等有效措施，从而较好地制止了水质 污染和地面下沉等问题的恶化，恢复了河流的纯净，同时也保护了日本多种多样的水 系资源【1 3 - 1 4 1 。 1 2 2 国内研究现状 目前，全国绝大部分流域和省( 区、市) 水文部门都实现了数据采集、传输、译电、 处理的自动化过程，摆脱了手工查算方式，实现了实时联机预报，能在几小时内，完 成数据采集、传输和处理工作，并在天气形势分析和实测降雨的基础上，完成对各大 江河干支流主要控制站、防洪重点地区、重点水库和蓄滞洪区具有不同预见期和精度 的洪水预报，为防洪决策提供依据。然而对于水质污染状况，一般只有实时的监测数 据，而缺乏污染预测体系。 孙仕军( 2 0 0 4 ) 使用的方法是通过取自历史资料的m 组已知样本，使。项枯季人库 径流量影响因子分别对应b p 网络模型的1 个输人层节点，枯季入库径流量对应b p 网 络模型的，个输出层节点，根据具体情况设定隐含层节点数m 。在建成枯季入库径 流量预报的b p 网络结构后，首先通过b p 神经网络训练了流域试点区观音阁水库枯季 入库径流量、上游汛期降水量、汛末入库径流量和枯季降水量等实测系列资料，然后 j经过检验和对比分析，得出所建立的枯季径流b p 预报模型是合理可行的，并且具备 较高的精度，可在同类地区推广使用的结论【1 5 】。这一研究表明利用b p 丰0 0 经网络进行 水流量分析预测是具有可行性的，其预测精度也较高，但是由于b p 神经网络的收敛 速度比较慢，因此需要结合其它的算法思想对其进行改进，以加快其收敛速度。该文 主要研究的是1 0 月份至翌年6 月份的枯季径流，缺乏对全年径流进行全面分析研究， 也具有一定局限性。 彭荔红( 2 0 0 5 ) 将b p 神经网络应用于城市综合环境质量评价模型，来解决一定程度 上的非线性、非正态问题，其选用了四个独立的子集组成了评价因素，而四个子集又 分别由3 个评价因子组成，其中评价因子包括有三废排放量，二氧化硫、总悬浮颗粒 物等等，建立了大气污染物浓度的预测模型，其预测建模样本的拟合合格率为9 6 ， 预留预测检验样本预测准确率为8 0 ，高于模糊识别模型的预测精度f 1 6 1 。由于影响环 境质量的因素很多，该研究结果表明选取其中具有代表性的评价因子进行综合评价， 不仅降低了工作量，而且还有一定的通用准则，这为我们进行其它环境质量研究提供 了依据，但是由于该文章使用的评价种类仍然过多，增添了获取数据的难度，所以， 还应该进一步简化评价因子的个数，尽可能地做到用最少的评价因子得出误差最小的 环境质量评价。 周秀平( 2 0 0 6 ) 建立了一种新型耦合预测模型偏最小二乘与人工神经网络耦 合模型，该模型利用了偏小二乘方法有效处理自变量之间多重相关性问题和人工神经 网络可以较好地解决非线性问题的能力，在城市酸雨p h 值预测的应用中，城市降水 酸碱度主要是受到酸性离子和碱性离子的影响，这些离子主要是财一，n o ；，c a “， 7 ：2 ，通过对这些离子以及p h 值的研究表明，它们之间存在着多重的相关性，而且 该耦合模型的预测精度高于各自模型的预测精度【1 7 】。这篇文章通过对影响因子进行主 成分分析，既消除了影响因子中的线性相关性，也减少了神经输入层的节点数目，同 时简化了神经网络结构，增强了稳定性，该研究为本文在水质监测项目研究过程中对 影响因子的选择提供了一种思路，是值得学习借鉴的。 赵小勇( 2 0 0 7 ) 运用了基于偏最小二乘回归的神经网络投影寻踪耦合模型，采用了 一条先从审视数据到模拟再到预测的探索性数据分析新途径，对城市水资源承载能力 进行预测，由于该模型能充分利用存在于数据中的信息，能进行有效地处理，从而很 好地解决了城市水资源承载能力与总人口数、固定资产值、工业单位个数和国内生产 总值g d p 等变量之间的非线性问题，同时模型的稳定性较好，精度也较高，克服了传 统的投影寻踪模型的缺点，如计算较为复杂，编程实现困难等等，有利于寻找神经网 络与其它模型耦合方法的推广及应用，也提供了一条处理非线性时间序列预测问题的 新思路 1 s lo 这篇文章表明了神经网络与其它模型相结合得到的新模型能够更好地进行 水资源环境的预测，投影寻踪回归模型主要采用的是数值估计的岭函数对数据进行分 析，它首先利用计算机对数据进行降维优化处理，使其能够客观地审视数据结构，然 后再充分地获取那些具有非正态性及非线性的有效信息，最后用数值函数对其结构描 述后再用于预测，而在这个过程中不需要作任何假定、任何变换等人为干预，显示出 了明显的优势，但是由于这两个模型都是基于数理统计上的分析研究，这样就需要有 大量的数据，当数据量较小的时候就会导致误差变大，也有可能会得出失真的结果， 因此该组合模型具有一定的缺陷性。 4 1 3 模型、观测站点及水质监测指标的选取依据 1 3 ，1 模型的选取依据 本文选取灰色模型和b p ：0 p 经网络模型的耦合模型来对淮河流域的一个观测站点 进行水质分析预测的原因，是由于灰色模型和b p 神经网络模型各自的优缺点决定的。 灰色模型的优越性主要体现在它不需要过多的数据，是通过用数据来挖掘数据， 只要仅仅存在4 个以上的数据就能够经过生成变换进而建立灰色模型【1 9 1 。对于一般的 数理统计都是建立在大样本的基础之上的，需要的数据是越多越好，可是在实际生活 中，大量的数据是很难得到的，即使获得，由于数据不能满足平稳性的要求，进而使 得利用数理统计规律无法处理。但是也由于灰色模型所需要的数据不多，就降低了所 能够反映的数据间的关系，造成了信息的缺失，同时灰色模型用于短期预测精度较高， 但随着时间的推移，灰色预测的精度会逐渐下降，预测效果会越来越差【2 0 1 。因此需要 不断地加入新数据对其原数据进行补充，以得到较为准确的预测。 b p 0 0 经网络模型则属于一般的数理统计，它通过大量的数据进行反复的学习训 练，然后还会进行数据检验以及数据测试，尽可能地减少误差，这就是b p 神经网络 的优点。但是它自身也存在一些缺陷和不足，首先就是数据的数量要很多，其次由于 网络的学习速率是固定的，造成网络的收敛速度较慢，通常需要较长的训练时间。 因此，如果我们能够把灰色模型和b p 神经网络相耦合起来对原始序列进行分析 研究，首先用g m ( 1 ，1 ) 模型对多个原始序列分别建立分析预测模型后，就可以得到对 原始序列的预测值，把这些预测值和原始数据做差就可以得到残差序列，由于一般来 说残差序列中值都较小，能够使收敛速度变快，所以选择把残差序列作为b p 神经网 络的输入序列，b p 0 0 经网络模型经过大量的残差序列训练之后，可以通过不同的输 入序列得到相应的输出序列，同时通过b p 神经网络的训练我们也可以得到b p 神经网 络的权值以及阀值等等，最后再把预测所得的残差序列与原始序列进行还原运算，从 而得出最终的预测值。 1 3 2 观测站点的选取依据 淮河发源于河南省南部桐柏山，东流经河南，湖北，安徽，江苏四省，在三江营 南流入江，北流入海，主要分为上游、中游、下游三部分，河南省洪河口以上为上游， 长3 6 0 公里，流域面积为3 1 万平方公里；洪河口以下至江苏省洪泽湖出1 ：3 中渡为中游， 长4 9 0 公里，流域面积约为1 3 万平方公里；中渡以下至三江营为下游入江水道，长1 5 0 公里，流域面积为3 万平方公里1 2 1 1 。 淮河全长1 0 0 0 公里，安徽省境内淮河干流流域全长4 3 0 公里，流域面积约为1 5 8 万平方公里，因此不论从长度上来说，还是流域面积上来说，淮河对安徽省的影响远 大于其它各省，而阜南王家坝观测站点是淮河水流入安徽省的第一个观测站点，因此 选择该站点作为本文的研究对象，对水质状况进行研究分析以及预测，对安徽省全省 的人民生活与农业生产都有非常重要的指导意义。 图1 1 王家坝观测站点水质级别汇总 f i g m e l - lt h et o t a lw a t e rl e v e lo f w a n g j i ad a mo b s e r v a t i o np o i i 吐 图1 1 给出了阜南王家坝观测站点2 0 0 5 年至2 0 0 9 年内共2 5 9 个星期的水质状况级 别汇总表1 2 列( 具体数据见附件a ) ，该站点的水质满足i i i 类的占4 8 ，类的占3 3 ， v 类的占4 ，可以看出大部分都是处于i i i 类和类水平的，通过这些数据可以表明， 在安徽境内的淮河水水质状况最好也只能是i 级和级水平，如果在流域中在发生污 染事件，那么水质状况会更差，但是如果我们根据该站点测出的水质状况数据，在预 测出水质较差的时段对安徽段采取相关的预防和治理措施，那么将会大大降低水质污 染给安徽人民造成的经济损失，从而也能够为安徽的经济发展作出贡酬2 3 l 。 1 3 3 水质监测指标的选取依据 根据地表水环境质量标准( g b 3 8 3 8 2 0 0 2 ) t 2 4 】的规定，地表水环境质量标准基 本项目规定检验地表水的监测项目包括酸碱度( p h 值) 、溶解氧( d 0 ) 、化学需氧量 ( c o d ) 、氨氮( n h ，一n ) 、高锰酸盐指数、五日生化需氧量( b o d 3 ) 、氯化物、总磷 等等，这些指标能够在一定程度上反映出水质状况，因此常被用于水质评价。 本文考虑到所能获取监测项目数据的客观局限性，经过筛选，从化学性指标中选 取较为有代表性的p h 值( 它能够影响生物的生长、物质的沉淀与溶解、水及废水的处 理等，如果p h 值异常，就表示水体受到污染) 、d o ( 它能够评价水体自净能力，含量 较高，表示水体自净能力较强；含量较低，表示水体中污染物不易被氧化分解) 、 c o d ( 它是指在一定条件下采用一定的强氧化剂处理水样时所消耗的氧化剂量，该值 越大，说明水体受有机物的污染越严重，它的测定是研究水体受到有机物污染的重要 指标之一) 、n h ，一( 指水中以游离氨和铵离子形式存在的氮，它既是水体中的营 6 养素，也是水体中的主要耗氧污染物，可导致水富营养化现象产生并对鱼类及某些水 生生物有毒害，具有一定的研究价值) 四个水质主要监测项目，来对水质状况进行评 价【2 5 2 8 1 。 1 4 论文组织 本文依据安徽阜南王家坝观测站点的监测数据对淮河水质的p h 值、d o 、c o d 、 n h ，一n 四个水质主要监测项目进行了灰色b p 神经网络模型预测，并通过与g m ( 1 ，1 ) 模型和b p 神经网络模型预测结果的对比分析，表明灰色b p 神经网络模型是一种较为 稳定、先进的预测方法，从而可以借助该模型对未来的水质污染状况进行预测。 本文第一章首先介绍了选题背景、国内外研究现状、研究的目的和意义以及模型 和观测站点的选取依据；第二章、第三章介绍了灰色系统、人工神经网络的基本理论， 以及建寺g m ( 1 ，1 ) 模型、b p 神经网络模型的原理和方法，然后根据这两种模型分别对 淮河王家坝观测站点的四种水质监测指标进行水质状况分析及预测，并通过与实际情 况的比较，来验证模型的可行性以及精确度；第四章针对两个模型各自存在的问题， 提出并建立了灰色b p 神经网络模型，进行了水质状况预测，并通过与其它两个模型 预测精度的对比，表明该组合模型可以同时考虑两种非线性模型的优势，具有一定的 优越性，是可以用于水质状况的分析预测研究，这是本文的重点部分；第五章主要是 对全文进行总结。 本文组合模型结构图如图1 2 所示： 图1 - 2 组合模型结构图 f i g u r e1 - 2c o m b i n e dm o d e lc h a r t 7 1 5 论文的创新之处 本文的创新之处在于在对淮河水质状况预测研究中引入了灰色一b p 神经网络模 型，该模型有效地融合了两个模型的各自的特点，通过- 与g m ( 1 ，1 ) 模型和b p 神经网络 模型的预测结果对比，证明了该组合模型的预测效果明显高于另两个模型，具有一定 的优越性，对于淮河水质状况的改善也有一定的参考价值。 2 基于灰色模型的淮河水污染预测 2 1灰色系统理论概论 由于人类认知的局限性，我们对客观系统的认识往往处于信息部分确知、部分信 息不确知的不充分状态，上世纪八十年代，我国学者邓聚龙的第一篇中文灰色系统 ( g r e ys y s t e m ) 论文“灰色控制系统”在华中工学院学报上发表，其英文灰色系统论文 “灰色系统控制问题”也在北荷兰出版公司的系统与控制通讯外文杂志上发表，这 两篇论文的发表开创了灰色系统理论，为我们研究人类未知信息提供了一种理论方 法。灰色系统理论之所以受到如此多的学者的青睐，是因为它不需要大量的数据，对 于预测来说，影响所得结果准确性的一个重要因素就是需要尽可能多的数据，就算是 利用较为流行的时间序列的方法，它也必须要有至少5 0 个数据。然而，灰色系统把 所以随机量都视为是在一地范围内变化的灰元，通过用对原始数据进行整理、归纳， 从而找寻出一定的规律，生成新的数据p 0 。3 1 j 。 。 灰色系统，就是指部分信息己知、部分信息未知的系统，它的命名不同于其它的 许多系统，是按照颜色而命名的。它将系统划分为三部分，分别是白色系统、黑色系 统以及灰色系统。所谓“白色系统”就是指所有的信息都已知的系统；“黑色系统”就是 指所有的信息都未知的系统；“灰色系统”就是指部分的信息为已知，而部分的信息为 未知的系统p 引。 灰色系统一般都是用灰元，灰数，灰度，灰色矩阵以及灰色方程等综合描述的， 其中灰数被认为是灰色系统的基本单元，定义为只知道大概范围而不知道其确切的数 值的数，可以分为仅有上界的灰数，仅有下界的灰数，区间灰数，黑数和白数，连续 灰数和离散灰数等类别【3 3 】；灰度就是灰的测度，假设在估计某一个数值真值时得到一 个灰数，若估计的可靠程度一定时，该灰数的测度越大，那么这个估计的意义就越小， 不确定性也就越大，相反，灰数的测度越小，那么这个估计的意义就越大，不确定性 就越小【3 4 】；灰色矩阵就是已知行数与列数，却含有灰元的矩阵【3 5 】。 2 2 灰色系统序列 虽然许多系统较为复杂，数据杂乱，但是灰色系统理论仍认为它们总是有整体功 能的，而我们所要做的就是利用这些己知数据去推导出更多的未知数据，并且得到一 定的规律性。 2 2 1冲击扰动系统 冲击扰动系统预测是进行预测之前必须要解决的问题，真实序列会因为系统本身 受到某一种或某几种冲击波的干扰而失真，在这基础上进行的评估，建模，预测，决 9 策等也都会因为序列的失真而产生错误的描述。因此，必须阻止存在过多的冲击扰动 系统，防止各种冲击波的干扰，以确保序列尽可能少的失真，从而达到较好的评估， 建模，预测等效果。 2 2 2 累加生成算子 累加生成( a c c u m u l a t e dg e n e r a t i n go p e r a t i o n ，a g o ) ，就是对原始数据中的数据以 此累加，形成新的数据，是一种不同于以往的数据处理方法，是灰色系统理论中非常 重要的一个组成部分，它给我们提供了一种通过己知信息把未知信息推算出来的方 法，也就是说，它使得我们能够利用数据来寻找数据的途径，通过这种方法，我们能 过得出灰量不断积累的一种发展进程，从那些杂乱无章的数据中得出一种规律。 总体来说对于那些原始的非负时间序列，累加生成次数越多，该时间数列的随机 性被弱化的也就会越多，在累加生成次数很大的情况下，这个时间序列就会由随即序 列变为非随机序列了。而在g m 模型里通常只是对原始数据进行一次累加生成，实际 上一次累加就相当于一次积分，能够降低系统的阶次，因此，g m 模型就是通过低阶 建模从而达到复杂的问题简单化。数据生成还可以提高数据的光滑程度，使得我们能 够通过离散的数据序列，建立动态的微分方程，从而便于系统进行预测【3 6 1 。 2 3g m ( 1 ，1 ) 模型 随机过程通常都是按照一定的统计规律预先处理数据，一般都是建立在大样本的 基础上，所以数据越多越好，可是在实践中，大量的数据是很难得到的，即使获得， 由于数据不能满足平稳性的要求，使得利用统计规律无法处理。于是这就体现了灰色 系统的优越性，它不需要过多的数据，只要仅仅存在4 个以上的数据就能够经过生成 变换从而建立灰色模型。 灰色模型( g r a ym o d e l ，g m ) p7 。，是灰色系统中最基本的模型，实质上就是先对 原始数据进行序列生成，然后再列出微分方程。灰色系统理论之所以能够建立微分方 程模型，原因有六点：其中，第一，灰色系统理论认为，在一定范围内的灰数可以视 为随机变量，而在一定时间，一定范围内进行变化的灰色过程也可以视为随机过程； 第二，g m 模型不同于一般的建模方式，它先进行原始数据生成，灰色系统理论确保 了这些数据够使变成了较为有规律的序列，然后再对这些行生成的序列进行建模；第 三，那些经过g m 模型处理过的数据还要经过逆生成这一步骤