（计算机应用技术专业论文）水环境评价及系统仿真研究.pdf

摘要 水质污染问题已经成为我国环保领域的重要课题，它直接影响到人类的生 存与发展。水质监测与评价为水环境水资源管理和污染控制的主要手段之， 是进行水质治理和水资源开发利用的前期工作，为水资源的保护和综合应用提 供原则性的方案和依据。 本文在导师徐立中教授的国家自然科学基会项目( 编号：6 0 3 7 4 0 3 3 ) 的支 撑下，基于多源传感器地面监测数据，高分辨率、多光谱遥感卫星图像数据， 以m a t l a b 为平台，应用人工神经网络理论与方法，建立水质评价模型，实现对 水体的水质从点( 监测点) 、线( 监测断面) 到面( 水域水质分布) 的一个评 价过程。 论文主要内容有；回顾了国内外水质评价的基本方法及其在水质评价应用 中存在的不足和改进：认真研究了神经网络基本理论及应用于水质评价的几种 典型的网络模型；设计并构建了b p 网络模型，以地面观测资料为对象，分析长 江口水质状况，并与单因子评价方法和基于d s 理论的方法进行比较，b p 人：工= 神经网络模型的容错性和自学习、自组织等功能，使评价结果具有可靠、客观 和广泛的适用性等优点；利用空中监测和地面监测信息的关联性，构建水质反 演模型，通过从遥感图像提取的平均灰度值反演p h 值、溶解氧、高锰酸钾指数、 生化需氧量等指标值，实现利用遥感图像数据对地面监测数据的补充，以获取 更多的水质信息；综合前面研究成果，提出了基于数理统计与仿真研究的广义 回归神经网络模型，研究了太湖水质指标溶解氧浓度、水质级别空间分布状况， 实验结果表明，应用广义回归神经网络模型研究水质空间分布状况获得了很好 的效果。论文最后给出了进一步工作的主要工作内容和研究技术手段。 关键词：水质评价：b p 神经网络模型；地面监测数据；遥感图像；水质空弑 分布 a b s t r a c t w a t e r p o l l u t i o n ，、v h i c hi n l p e r i l s t h e d e v e l o p m e n t a n d 1 i v i n 2 c o n d i t i o n so fh u m a nb e i n g s ，h a sb e e nam a i ns u b j e c ti ne n v i r o n m e m p r o t e c t i o n r e a l m t h ew a t e r q u a l i t ym o n i t o r i n ga n d w a t e rq u a l i t y a s s e s s m e n ta r eo n eo f 也em o s ti m p o r t a n tw a y st om a n a g ea j l dc o n t r o lt h e q u a l i t ) ，o fw a t e rr e s o u r c e s a saf i r s t _ p h a s ew o r ko fw a t e r q u a l i t y i m p r o v e m e n ta 1 1 dw a t e r - r e s o u r c e sm a n a g e m e n t ，t h e yp r o v i d eap r a c t i c a l s c h e m ea 1 1 ds c i e m i f i cb a s i sf o r t h ep r o t e c t i o na n di n t e g r a t e de x p l o i t a t i o n s u p p o r t e db y t h en a t i o n a ln a t u r es c i e n c ef u n d p r o i e c t ( n o 6 0 3 7 4 0 3 3 ) ，t h en e u r a ln e t w o r km o d e l sf o rw a t e r _ q u a l i t ya s s e s s m e n ta r e e s t a b l i s h e d ， b a s e do nm a t l a b ，b ya n a l y z i n gm ed a t am o n i t o r e db v m u h i - s e n s o ro nm eg r o u n da n dt h em u l t i 。s p e c 廿u mr e m o t es e n s i n gi m a g e t h ew a t e r - q u a l i t yc a nb ea s s e s s e dc o m p l e t e l y 疔o mp o i n t s ( s u r v e v e d p o i n t s ) a n dl i n e s( s u r v e y e dl i n e s ) t o p l a n e( w a t e 卜a r e aq u a h t v d i s t r i b u t i o n 、 t h em a i nr e s e a r c hc o m e n t si nt h e s i sa r el i s t e da sf o l l o w s f i r s t t h e p r i m a r ym e t h o d so fw a t e 卜q u a l i t va s s e s s m e n ta r ei m r o d u c e da n dt h e i r d i s a d v a n t a g ea n di m p r o v e m e n ta r ea l s os h o w e dh e r e a tt 量l es a m et i m e ， t h et h e o r vo fn e u r a ln e t w o r ka n ds e v e r a ln e u r a ln e t w o r km o d e l so fw a t e r q u a l i t va s s e s s m e n ta r es t l l d i e dd e e p l v t h e n ，t h eb pn e t w o d ( m o d e li s d e s i g n e da n de s t a b l i s h e dt oa n a l y z ew a 土e rq u a l i t v ，a c c o r d a n c ew i t ht h e g r o u n ds u r v e vd a t a b e c a u s ei tp o s s e s s e sm en m c t i o no fa s s o c i a t i v e m e m o r y ，s e l o o r g a n i z a t i o n ，s e l f _ a d a p t a t i o n ，s e i f _ l e 眦i n ga n dr o b u s t n e s s e ta l ，i th a sm u c hm o r ee x t e n s i v ea d a p t a b i i i t y ，a n dt h ec a l c u l a t i n gr e s u l ti s m u c hm o r ed e p e n d a b l ea n do b i e c t i v e ，b yc o m 口a r e dw i t hs i n g l ef a c t o r a s s e s s m e n tm e t h o da e l d 也em e t h o db a s e do nd s 也e o r v a n o t h e r a r t i 6 c i a ln e u r a ln e t w o f km o d e li sb u i ha n di ss u c c e e d e di nu s i n gg r a v d e g r e e v a l u e sp i c k e do u tf o mr e m o t e s e n s i n gi m a g et o i n v e r s et h e c o n c e n t r a t i o n so f p h ，b o d 5 ，d o ，c o d 【n t h er e m o t es e n s i n gi m a g e r v d a t ai sm a d e 如l lu s et oc o m p i e m e n t sg r o u n ds u r v e yd a t a ，s oa st oo b t a i n m o r ew a t e rq u a l i t yi n f o r m a t i o n t h e n ，s y n t h e s i z i n gt l l ea c h i e v e m e m si n a b o v er e s e a r c h ，ag r n nn e t w o r km o d e li ss e tt os t u d vw a t e r _ q u a l i t v s d a c ed i s t r i b u t i o n t h ec o n c e n t r a n o nd i s t r i b u t i o no fa u o t a 【) 0a n di t s w a t e rq u a l i t vd e g r e es p a c ed i s t r i b u t i o ni nt a il a k ea r es t u d i e d t h er e s u l t s u g g e s t st h a t 印p l y i n gg e n e r a l i z e dr c g r e s s i o nn e u r a ln e t w o r km o d e lt o r e s e a r c hw a t e rq u a l i t ys p a c ed i s t r i b u t i o nc o u l dg e tp e r f e c te f 恐c t f i n a l l v ， t h es u g g e s t i o n sf b rf m e rr e s e a r c hc o m e n ta n dm e t h o da r ep u tf b r w a r d k e y w o r d s ：w a t e rq u a l i 西a s s e s s m e n t ：b pn e u r a ln e t w o r km o d e l ； g r o u n as u r v e y d a t a ； r e m o t e s e n s m gl m a g e ；w a t e r _ q u a n t ys p a c e d j s t r i b u t i o n 河海人学 i j l ： 学位论文 1 1 研究的意义 第一章绪论 由于工业和城市的快速发展，大量废弃物排入江、河、湖、海，给人类赖以 生存的水体环境造成了严重的污染。水质污染问题已经成为我国环保领域的重 要课题，它直接影响到人类的生存与发展。水质监测与评价为水环境水资源管 理和污染控制的主要手段之一，是进行水质治理和水资源开发利用的前期工 作。 水质评价的主要内容是根据水体的用途及水的物理、化学、及生物的性质， 按照一定的水质标准和评价方法，将参数数据转化为水质状况信息，获得水环 境现状及其水质分布状况，对水域的水质或水体质量进行定性或定量的评定。 主要内容是评价水体污染程度，划分其污染等级，确定其主要污染物。水质评 价的目标是能准确地指出水体的污染程度，了解掌握主要污染物对水体水质的 影响程度以及将来的发展趋势，为水资源的保护和综合应用提供原则性的方案 和依据。 为了对水质进行综合评价，目前已提出了几十种水质评价方法。但由于影 响水质因素较多，评价因子与标准级别之间的关系是非线性的，而且评价标准 与各级别之间的关系也是模糊的、灰色的，因而迄今为止还没有一种统一的、 确定的、规范的水质综合评价模型。因此，寻找一种有效而又实用的模型进行 水质评价具有重要的现实意义。 近年来，人工神经网络理论得到迅速发展，高度综合了计算机科学、信息 科学、生物科学、电子学、数学等多学科。它力图模拟人脑的一些基本特性， 如自适应性、自组织性和容错能力等来对事物进行分析判断，被广泛应用于模 式识别等领域。水质综合评价实质上是一种依据环境质量标准对待评样本进行 模式识别的问题，因此，将人工神经网络应用于水质评价是可行的，并具有重 要的现实意义和学术价值。 1 2 水质评价基本方法 早期用于水质评价的方法主要有生物学评定分类方法和专家评价法。生物 学评定分类方法是2 0 世纪初( 1 9 0 2 1 9 0 9 年) 柯克维支和英松( k o l k u i t z m o r s o n ) 等提出来的，是从河流受污染的结果来分析，提供水质污染所引起 水环境评价驶系统仿真训究 的后果。专家评价法【2 l 就是组织环境领域或相关领域专家，运用专业方面的知 识和经验对水质进行评价的一种方法，专家评价法的最大特点是对于某些难以 定量化的因素给予考虑和作出评价，在缺乏足够的数据资料的情况下，可以作 出定性和定量的估计。进入2 0 世纪6 0 年代，随着对水质评价研究深入，提出 用数学模型来进行水质评价，此后，水质评价蓬勃发展，不动涌现新的水质评 价方法，我国水质评价工作是在7 0 年代后才逐渐发展起来的。目前，国内外 水质评价方法有很多，在这主要简要介绍几种常用的评价方法：指数评价法、 基于模糊理论的水质评价、基于灰色系统理论的水质评价以及基于神经网络的 水质评价模型。 1 指数评价法 指数评价法可分单因子污染指数法和水质综合污染指数法，单因子污染指 数法表示单项污染物对水质污染影响的程度，水质综合污染指数表示多项污染 物对水质综合污染的影响程度。 ( 1 ) 单因子污染指数法。单因子污染指数法定义：，。= c ，c 。，( c ，第f 种 污染物实测浓度，c 。第f 种污染物的评价标准) 。即由每个水质监测参数依掘 国家地面水环境质量标准( g b 3 8 3 8 吨0 0 2 ) 确定水质类别，最后选择其中 最差级别作为该区域的水质状况类别。单因子污染指数只能代表一种污染物对 水质污染的程度，根据单一因子来评价水质污染是不能反映水质整体污染程 度。 ( 2 ) 水质综合污染指数法。在求出各个单一因子污染指数的基础上，再 经过数学运算得到个水质综合污染指数来评价水质，并据此来对水质分类。 对分指数的处理不同，使指数法存在着不同的形式。如简单迭加型、算术平均 型、加权平均型、罗斯水质指数、内梅罗指数、黄漓江污染指数、豪顿水质指 数等。这些不同形式指数中有不少涉及到评价因子权重的匹配，权重的取值直 接影响到评价的结果，因此，评价结果具有很大的主观性；并且各种指数形式 都存在不能很好地与国家统一的水质功能类别相一致，尚没有非常完善、比较 统一的环境质量分级系统，这样的评价结果只能定性地说明污染程度是轻、严 重还是非常严重，不能确定其功能类别为几类。为此，有不少学者对综合指数 法提出改进，目的是将综合污染指数与水质类别统一起来，以提高综合指数法 的适用性。例如：粱德华 3 l 提出断面综合水质指数，综合水质指数由整数和小 数两部分构成，整数部分代表断面水质功能类别，使综合水质指数与水质类别 河海人学坝i 学位论文 统一起来；小数部分为各污染指数的加权平均，以区别同类水质的优劣，权重 的选取基于不同污染指标超标对水质类别贡献大小不同的思想。 2 基于模糊理论的水质评价 所谓模糊是指边界不清晰，这种边界不清的模糊概念，是由事物之间的差 异引起事物间存在中间过渡过程，引入模糊数学的概念符合水质评价的客观要 求。模糊数学法的关键是构造隶属函数或矩阵以及权重矩阵，应用模糊理论对 水质进行综合评价。模糊综合评价是指对多种模糊因素所影响的事物或现象进 行总的评价，又称模糊综合评判。其代表性的方法有：模糊综合评判法、模糊 概率法、模糊综合指数法等。其中应用较多的模糊综合评判法，模糊综合评判 法是根据各污染的超标情况进行加权，但污染物毒性与浓度不成简单的比例关 系，这种加权方法不一定符合实际情况。其中隶属函数以及权重的选择，仍在 探讨中。梅学彬等【4 】提出叛的权重确定方法，把指标区分为“对标准递增型指 标”和“对标准递减型指标”，再分别计算各指标权重。 3 基于灰色系统理论的水质评价 水环境质量系统除了模糊性以外，还有一种更为广泛，内容更为深刻的特 性，这就是系统的次色性一一信息的不完全性和非确定性【5j 。灰色聚类法就是 将水体作为个灰色系统，灰色聚类分析是建立在灰数的白化函数生成的基础 上，将聚类对象对于不同的聚类指标所具有的白化数据进行归纳，用以判断该 聚类对象属于哪一类。灰色聚类法中白化函数的建立与模糊数学中隶属函数建 立有相似之处，且灰色聚类法和模糊综合评判法都是根据最大隶属度原则来评 判的，灰色聚类法与模糊数学最重要的区别是在权重的计算上，模糊综合评价 法中计算权重的含义是，根据各污染物的超标情况进行加权，超标越多，加权 越大。根据这一原则计算权重，各污染物的权重都是相同的。而灰色聚类法认 为各污染物的危害性反映在变化幅度不同的分级标准中，各污染物的权重应该 是不同的，根据不同的水质类别确定相应级别各污染物的权重，这一点避免了 模糊数学方法只用一个权重划分水质级别的不合理之处，但这种权重计算方法 显然完全没有考虑超标污染物对水质的特别损害，有着其明显的缺陷。从郭劲 松【5 】和陈武【6 】的算例中可以看出，用模糊综合评判法易使评价结果偏重，丽用 灰色聚类法评价水质又容易使评价结果偏轻。 上述方法中综合污染指数法、模糊综合评判法、灰色聚类法等这些方法都 要事先假定模式或主观规定一些参数，如综合污染指数法涉及到评价因子权重 的匹配，模糊综合评判法要给定各水质参数的权重集，又如灰色聚类需要选择 白化函数，确定聚类权。这些效用函数和指标权重的给定往往因人而异，造成 水环境评价驶系统仿真川究 评价模式难以通用，而且增加了应用的困难和人为臆断因素对结论的影响，致 使评价结果具有很强的主观性。因此，这些评价方法并不能在实际中得到真i f 应用，在环境影响评价时只是作为一种参考方法，仍要求采用单指数评价法确 定水质类别。单指数评价方法运用于环境影响评价有利于水环境的保护，但如 果运用于水环境质量评价，将会大大降低水域功能，不能发挥水环境的综合作 用。所以，需要研究更具客观性的水质综合评价方法。值得欣慰的是，近年来， 人工神经网络理论的迅速发展为水质评价和预测提供了一种新的有效方 法一一基于神经网络的水质评价模型。鉴于其在本项研究中的重要性，在下一 节中详细介绍。 1 3 人工神经网络的概念与应用 1 3 1 人工神经网络概述 人工神经网络简称神经网络，研究背景工作始于1 9 实际末和2 0 世纪初， 早期的研究并没有包含有关神经元的数学模型。神经元概念是在2 0 世纪4 0 年代中期提出的，人工神经网络第一次实际应用是在2 0 世纪6 0 年代，到了 8 0 年代以后，随着计算机技术计算能力急剧增强和广泛应用，人工神经网络 得到了飞速的发展。 神经网络是由大量简单的人工神经元互联而成的复杂系统，模仿人的大脑 进行数据接收、处理、贮存和传输的一类算式”，反映了人脑功能的一些基本 特性，如自适应性、自组织性和容错能力等来对事物进行分析判断，是人脑的 某种抽象、简化和模拟。 人工神经网络由3 个基本要素构成，即人工神经元、网络结构及训练规则。 人工神经元是生物神经元的模拟，为神经网络的基本处理单元，它是，一个 多输入、单输出的非线性元件，图卜l 8 1 给出了一种简化的神经元结构。其输 入输出关系可描述为： n ，= 峋x ，一只 j = i 其中x ，( _ ，= 1 ，2 ，”) 为输入信号，q 为神经元的阈值，w 。为神经元连接权 值。n 为输入信号数目，咒为神经元输出。 水环境评价及系统仿真圳咒 评价模式难以通用，而且增加了应用的困难和人为臆断因素对结论的影响，致 使评价结果具有很强的主观性。因此，这些评价方法并不能在实际中得到真t f 应用，在环境影响评价时只是作为一种参考方法，仍要求采用荦指数评价法确 定水质类别。单指数评价方法运刚于环境影响评价有利于水环境的保护，但如 果运用于水环境质量评价，将会大大降低水域功能，不能发挥水环境的综合作 用。所以，需要研究更具客观性的水质综合评价方法。值得欣慰的是，近年来， 人工神经网络理论的迅速发展为水质评价和预测提供r 一种新的有效方 法一一基于神经网络的水质评价模型。鉴于其在本项研究中的重要性，在下一 节中详细介绍。 1 3 人工神经网络的概念与应用 1 3 1 人工神经网络概述 人工神经网络简称神经网络，研究背景工作始于1 9 实际未和2 0 世纪初 早期的研究并没有包含有关神经元的数学模型。神经元概念是在2 0 世纪4 0 年代中期提出的，人工神经网络第一次实际应用是在2 0 世纪6 0 年代，到了 8 0 年代以后，随着计算机技术计算能力急剧增强和广泛应用，人工神经网络 得到了飞速的发展。 神经网络是由大量简单的人工神经元互联而成的复杂系统，模仿人的大脑 进行数据接收、处理、贮存和传输的一类算式”，反映7 人脑功能的一些基本 特性，如自适应性、自组织- 眭和容错能力等来耐事物进行分析判断，是人脑的 某神抽象、简化和模拟。 人工神经网络由3 个基本要素构成，即人工神经元、网络结构及训练规则。 人工神经元是生物神经元的模拟，为神经网络的基本处理单元，它是一个 多输入、单输出的非线性元件，图卜l ”给出了一种简化的神经元结构。其输 入输出关系可描述为： i ，= w u x l 一8 i j = 【 其中x ，( = 1 ，2 ，n ) 为输入信号，q 为神经元的阈值，w ，f 为神经元连接权 值。n 为输入信号数目，弘为神经元输出。 值。月为输入信号数目，儿为神经元输出。 4 河海大学硕士学位论文 图1 1 神经元结构模型 单个神经元一般不能满足实际应用的要求，神经网络是由大量的神经元广 泛而互联成的网络，神经元之间的互连模式反映了神经网络的结构。网络结构 决定各神经元、各层之间信息的传递方式与途径，不同的神经网络模型都对神 经网络的结构和互连模式有一定的要求和限制。 网络的性能取决于全部神经元连接权值和阈值 w 。口， ，如何调整这些参 数，使网络具有所需要的特定功能，称为学习或训练，是神经网络研究的主要 课题f 9 。神经网络学习规则主要有：误差传播学习、联想式学习、竞争式学习。 ( 1 ) 误差传播学习。误差传播学习通过使误差平方和最小化过程来完成输 入到输出的映射。在网络训练时，通过使用一种合适的误差反向传播算法将计 算输出值与给定输出值之间的误差进行反向传播，误差反向传播算法可为下一 次学习试算修正加权值，这一过程会一直持续下去，宜至误差达到最小或达到 某一预置值。在b p 网络模型中，应用的j 下是这一学习规则。基于误差传播学 习算法，在水质评价模型中最为典型。 ( 2 ) 联想式学习】。所有的神经元之间都是相互联结，联结强度与两个神经 元之间作用的相关性成比例，学习( 记忆) 过程就是调整联结强度的过程。典型 联想学习规则是心理学家d o n a l bh e b b 提出的学习行为的突触联系和神经群 理论，即h e b b 学习规则，这一规则说明，如果两个神经元之间经常同时处于 激发状态或抑制状态，那么它们之间的联结强度就将加强，否则联结强度将会 减弱。 ( 3 ) 竞争式学习 竞争式学习就是通过简单函数( 如s i g m i o d 函数、余弦函数等) 的多次迭 代，实现对复杂映射的拟合和逼近，属于非监督学习方式。这种学习方式是利 用不同层浏的神经元发生兴奋性联结，以及同一层内距离接近的神经元发生同 一 k 水环境评价及系统仿真 i | = 究 样的兴奋性联结，而距离较远的神经元之间产生抑制性联结。竞争式学习的本 质特征在于神经网络中高层次的神经元对低层次神经元输入模式进行竞争式 识别。 1 3 2 人工神经网络在水质评中研究现状 人工神经网络是9 0 年代以来活跃于工程领域并迅速发展的一门前沿科 学，近年来人工神经网络己成为模式识别领域的一个研究热点。依据水质标准 进行水环境质量评价，实质上是一个典型的模式识别问题。人工神经网络在水 质评价中应用起步较晚，自1 9 9 4 年以后，b p 人工神经网络模型才逐渐被引入 到水环境质量综合评价中，近年来发展较快，现用于水质评价的神经网络模型 已有几十种，但大部分网络模型都是几种典型网络模型的变形和组合，几种典 型的应用于水质评价的网络模型有b p 人工网络模型，h o p 矗e l d 网络模型，径 向基函数人工神经网络( r b f ) 模型等。 1 水质评价b p 人工网络模型 b p ( b a c kp r o p a g a t i o n ) 网络即误差反向传播网络，是种由非线性变换 单元组成的前馈型网络，它需要一定数量的已知样本进行学习训练，以便找出 且记住输入样本模式与分类类别之间的关系。通常把要水质指标分级标准作为 b p 网络的输入模式，水质评价级别为期望输出模式。 b p 网络模型具有思路清晰、结构严谨、可操作性强等优点，在水质评价中 应用得最为广泛。薛建军，姚佳基【io l 建立水质综合评价的b p 网络模型，对山 西汾河于流进行评价，结果说明b p 网络模型评价合理且适应性强；y i m i n g k u o 【1 l 】应用b p 神经网络预测地下水水质变化，取得较好的评价效果；c n n e y t k a r u l 等【1 2 】将影响富营养化的水质参数通过b p 神经网络融合处理，获得叶绿素 值，反映水环境富营养化状况。研究人员应用b p 神经网络进行水质评价取得了 显著的成果，并在应用中，对b p 神经网络进行了改进和完善。杨志英【l j j 研究 表明，适当改变b p 网络隐含层的单元个数，可能便收敛过程避开局部极小点，而 最终收敛于全局最小点。黄胜伟【1 4j 提出引入动量项的自适应变步长来调整学 习率的改进算法( 即a b p m 算法) ，自适应变步长算法和常规b p 算法的主要区别在 于学习步长 随误差曲面的变化而进行调熬。如果误差下降则增大学习率：如 果误差反弹且在一定的范围内，则保持步长：若误差反弹超过一定限度则减小 学习率。马细霞l 则通过河南省菜市不同水域的水质评价，分析b p 网络隐含层 对水质评价结果影响，认为隐含层节点数可在一定范围内任意选取，对水质评 河海大学坝卜学位论文 价结果并无影响，并建议隐含层节点数在稍大于经验值( 取输入层节点数、输 出层节点数、估算式计算值三者中的较大者) 的范围内取值。 2 水质评价h o p f i e l d 网络模型 霍普菲尔德网络( h o p f i e l dn e u r a ln e t w o r k ) 又称为全互连网络，即在该 网络中，各个神经元之间均相互连接，且神经元之间的连接是双向的。故网络 中每个神经元的输出均反馈到同一层次的其他神经元的输入上，h o p f i e l d 网 络是一种联想式学习网络。联想式学习网络是从问题领域中取得训练范例，从 范例中学习其内在的记忆规则，把要记忆的模式存储进h o p f i e l d 网络并经训 练使网络稳定，网络稳定后，再输入有差异的模式，网络就能联想并输出与其 最相近的模式，使能量函数取得最小值。h o p f i e l d 网络显然适合解决水质综 合评价问题。以水质类别( m 个) 为横轴，水质指标参数( n 个) 为纵轴，构成m n 的h o p f i e l d 网络。把五类水质标准作为要学习的标准模式，让网络“记 忆”，再输入测试样本，网络经过迭代运算后就能联想出它应该归属于哪一种 标准模式，该标准模式就是这个水域的综合水质类别。 该方法的缺陷就是：h o p f i e l d 网络采用模式联想，网络未考虑水质是连续 变化的这一事实，因而不能给出指标污染物的权重，使评价结果从理论上讲只 能是接近某一类标准水质，贴近度多少不得而知。用于对水体进行概略地分类 时，该方法的优势十分明显。 3水质评价径向基函数人工神经网络模型 径向基人工神经网络( r a d i a lb a s i sf u n c t i o nn e t w o r k ，简称r b f 网络) 是近几年来应用较多的一种前向无反馈人工神经网络模型。用于水质评价的 r b f 网络是一个具有一个输入层，一个隐含层和一个输出层的3 层网络结构。 隐含层神经元采用径向基函数作为传递函数，通常采用高斯函数作为径向基函 数，具有形式简单、径相对称、光滑性好和任意阶导数存在的优点。r b f 网络 以其结构简单、训练简洁、学习收敛速度快而得到广泛应用。李兴旺，等【1 6 】 建立r b f 网络用于水质评价，表明该方法收敛速度较快，预测精度很高。郭 宗楼【1 7 l 建立径向基函数人工神经网络r b f 模型，以最小二乘算法训练r b f 模 型，水质评价应用表明，r b f 模型及其算法是合理、有效和通用的，其评价 结果也具有客观性。 r b f 网络具有很好的拟和效果，但会出现过拟和现象，将影响模型的泛化 性能和应用效果。r b f 网络模型的一种变形一一广义回归神经网络模型具有径 向基网络的优点，并且具有更明确的概率意义，其模型具有很好的泛化性能。 该模型末曾见在水质评价中应用，但在开照率、月平均太阳辐射、晴朗指数、 水环境评价发系统仿真= f i 】 究 岩石多孔性、地质曲面重建均有研究报道“吖，沈掌泉，周斌等1 应用广义 回归神经网络模型成功研究土壤空间分稚规律，其方法可为研究水质空间分布 提供参考，将是继应用遥感图像研究水体污染状况后一种新的尝试，且该方法 具有更明确的量化概念。 1 4 本文研究内容与组织结构 本项研究是基于多源传感器地面监测数据，高分辨率、多光谱遥感卫星图 像数据，以m a t l a b 为平台，应用人工神经网络理论与方法，建立水质评价模 型，实现水质评价并研究水域水质空间分布状况。本研究总体目标是利用神经 网络理论，构建水质评价模型，实现从点( 监测点) 、线( 监测断面) 到丽( 水 域水质分布) 的一个评价过程。本文的研究内容及结构简介如下： 第一章：绪论。主要论述了本论文的研究背景和实际意义，介绍几种常用 的水质评价方法，对神经网络的概念以及在水质评价中的应用进行较为详细的 论述，对本项研究的主要内容及组织结构进行简要的介绍。 第二章：基于b p 人工神经网络的水质评价模型。首先论述了b p 神经网 络结构与算法；以长江口区域的水质监测数据为对象，以我国地表水环境质 量标准g b 3 8 3 8 2 0 0 2 为基准，构建b p 神经网络水质评价网络模型，分析该 流域水质状况：将b p 神经网络评价结果与单因子评价方法和基于d s 理论 的方法评价结果进行比较；对b p 神经网络水质评价模型评价结果进行总结。 第三章：基于b p 人工神经网络的水质反演研究。首先介绍了应用遥感 数据进行水质监测评价的相关研究：论述了遥感技术应用于水质监测的原理 与水质遥感监测常用的方法：以1 9 9 7 年8 月美国l a n d s a t 5 卫星监测的太湖 t m 图像数据作为遥感信息源，对t m 图像进行校正和数据变换；利用人工神 经网络，构建水质反演模型；通过从遥感图像提取的平均灰度值，利用构建 的神经网络模型反演进行反演对选定的指标参数p h 值、d o ( 溶解氧) 、c o d m l l ( 商 锰酸盐指数) 、b o d 5 ( 5 日生化需氧量) 的浓度进行反演；分析反演计算结果： 第四章：基于广义回归神经网络的水质空间分布状况研究。简要介绍径 向基函数人工神经网络原理；介绍广义回归神经网络基本理论及其网络结构 与算法；建立广义回归神经网络模型，并确定网络模型相关参数：以2 0 0 ： 年太湖地面监测数据为例，应用广义回归神经网络模型计算太湖水质空涮分布 状况：计算结果分析。 河海人学碳士学位论文 第五章：总结与展望。总结前面的工作，展望以后需进一步做的工作主要 研究内容和研究的技术手段。 水环境评价及系统仿真料究 第二章基于b p 人工神经网络的水质评价模型 由于水环境质量综合评价涉及到的多项评价指标问通常存在不相容性和 模糊性，且一般认为各项指标与环境质量等级之间存在的是非线性关系。依据 水质标准进行水环境质量评价，实质上是一个典型的模式识别问题，b p 人工神 经网络以其自学习、自组织、自适应、较好的容错性及其优良的非线形逼近能 力，在模式识别、函数逼近以及分类等方面得到广泛应用。自1 9 9 4 年以来， b p 人工神经网络模型逐渐被引入到水环境质量综合评价中，并且在水环境质量 综合评价中取得了较好的结果“1 ”一8 。“，在这一章以长江口区域的水质监测 数据为对象，以我国地表水环境质量标准g b 3 8 3 8 2 0 0 2 为基准，构建b p 人】：神 经网络水质评价网络模型，分析该区域水质状况，将b 舛十经网络评价结果与单 因子评价方法和基于d s 理论的方法进行比较。 2 1b p 人工神经网络模型 2 1 1b p 人工神经网络模型结构 b p 人工神经网络( b a c k - p r o p a g a t i o nn e t w o r k ，简称b p 网络) ，于1 9 8 5 年由 p d p 小组提出，系统解决了多层网络中隐含单元连接权的学习问题，是前向网 络的核心部分，体现了人工神经网络最精华的部分，也是目前人工神经网络模 式中最具代表性、应用得最广泛的一种模型。b p 网络是一种单向传播的多层 亩订向网络，其网络结构如图2 1 所示。它由一个输入层、一个输出层和一个或 多个隐含层组成，同一层神经元之间是不存在任何相互联系，只有相邻层的节 点之间相互连接，传递之间的信息，其连接程度由网络权值表示，并通过样本 学习来调节其值。 网络的输入层设置了朋个神经元节点，输出层设置了胛个神经元节点，输 入层神经元数埘与输出层神经元数船由具体应用对象确定，输入层神经元数 研为输入向量的维数，输出层神经元数门为输出向量的维数，而隐含层数及隐 含层神经元数确定的最基本原则是，在满足精度要求的前提下，取尽可能紧凑 的结构，即取尽可能少的隐层数和隐层神经元数。输入信号从输入层节点依次 传过各隐含层节点，然后传到输出层节点，每层节点的输出只影响下一层节 点的输出。 河海大学碳士学位论义 z l x 2 x 卅一l x m 误差的反向传播 输入层隐台层螭出层 y 1 y 2 y n 一 一一篮皇的正向焦堡。! 一 - ， 图2 1 三层神经网络模型 2 1 2b p 网络模型的算法 b p 网络模型的学习过程分为信息的正向传播过程和误差的反向传播过 程两个阶段。对于输入信息，要先向前传播到隐含层的节点上，经过各单元的 特性为s i g m o i d 型的激活函数运算后，把隐含节点的输出信息传播到输出节点， 最后给出输出结果信息正向传播。如果在输出层得不到期望输出，则转入 逆向传播过程，将实际值与网络期望输出之间误差沿原来联结的通路返回，将 输出出现的误差逐层向输入层逆向传播并“分摊”给各层单元，以调整各单元 间相应的连接权值一一误差反向传播，然后再转入正向传播过程，反复迭代， 直到误差达到最小或小于给定的值为止。具体过程以下加以详细阐述。 ( 1 ) 前期工作 假设b p 网络模型输入层、隐含层及输出层的神经元数分别为朋、，、h ， 设输入学习样本为g 组：并1 ，x 2 ，9 ，x 4 ，每个向量维数为m ( 9 = x ，x ? ，x ：) ，对应期望输出值为r 1 ，r 2 ，丁9 ，r 9 ，输出向量维 数以( r ”= f ，f f 。f ：) ，通过网络后对应输出端的实际输出值为 l ，1 ，y 2 ，j ，9 ，y 9 ( y 9 = y 六，y f y ：) ，进行初始化，置所有可调参数 ( 权或阈值) 为某种形式的较小数值，设定允许误差s 。 ( 2 ) j 下向计算 水环境评价及系统仿真研究 将第p ( p = 1 ，2 q ) 个样本顺序输入到图1 所示的网络模型中，按下式 分别计算隐含层、输出层各神经元的激活值和输出值。 隐含层各神经元的激活值： s ，= 砖x ? 一目j ( j = l ，2 z ；f = l ，2 ；p = l ，2 g ) ( 2 - 1 ) 拦l 式中，w ；为输入层至隐雷层连接权；彰为隐岔层币点的i 词值。 激活函数采用非线性的s i g m o i d 型函数 ，g ) 2 专 。2 将隐含层激活值代入s i g m o i d 型函数即可得隐含层第j 节点的输出值 ) ：，) ：，f 兰。一口；1 ( 2 _ 3 ) l i l 同理可求得输出层第k 节点的激活值s ，和输出值y f 卅 醒= w 知够一味( 七= 1 ，2 n ：，= 1 ，2 f ；p = 1 ，2 9 ) ( 2 4 ) 忙i 式中，w 磊为隐含层至输入层连接权；酲为输出层节点的阈值 y f ：，) ：，f 芝w 弘，一口：1 ，k ：l ，2 ”；，= l ，2 “p = 1 ，2 g ) ( 2 - 5 ) f ；l ( 3 ) 计算总误差 e = 艺去( f f 一硝) 2 ( 2 6 ) 口= l = ll 若e 占( 设定的控制误差) ，则停止迭代，否则执行下一步的反向计算。 ( 4 ) 反向计算 当输出层的实际输出值满足不了计算精度的要求，就要对网格进行校f 。 校正是反向进行的。b p 算法利用误差梯度下降的方法来调整连接权，使其输 出误差单调减小。 a ) 计算输出层、隐含层校正误差 河海大学硕【一学位论文 占f = ( f f y f ) y f ( 1 一y 1 ) 。o ， k 2 1 ，2 月；，2 1 ，2 f ；p2 1 ，2 g ( 2 7 ) 劈= 卵w 知够( 1 一 ；) 。 ，= l 彤计算输出层至隐含层、隐合层至输入层连接权和阈值校正量，其目的 是对连接权值和阈值进行校正，在某种情况下，可以采用变系数的方法对连接 权进行修正，以加快网络的收敛速度。 嵋k = q 6 h l 蛳铲叩掣峭，( ，2 川- 2 _ f p - 1 ，2 g ) ( 2 _ 8 ) 9 ：= q - 6 l 口j = 玎占， 式中叩为学习步长，o 叩 o ，则称为证据的焦元( f o c u se l e m e n t ) 。所有焦 元的集合称为核。证据是由证据体0 ，棚0 ) ) 组成的，利用证据体可以定义2 ”上 的信任函数( b e l i e f f u n c t i 。n ) 占e ，：2 。啼 o ，l 】与似真函数( p l a u s i b i l i t yf u n c t i 。n ) p f 2 。斗【o ，1 】 & 如) 2 善“o )v _ 。 ( 2 - 1 1 ) j c vlu【一i lj j d f ( ) = 1 一丑p ，( 一)vc 。 ( 2 1 2 ) 信任函数曰p ，0 ) 表示全部给予命题的支持程度，似真函数j d ? 0 ) 表示不反对 命题的程度，陋e ，0 ) p ，0 ) 】构成证据不确定区间，表示证据的不确定程度 【3 】。 2d s 理论组合规则3 2 1 假设8 e f 和舵7 ，是相同辨识框架2 8 上的信任函数，具有基本可信度分配函 数。和。，以及核 ，：，_ 。 和扣。，口：，口，并假设。磊暑( 。r h2 忸，) “，于是， 基本可信度分配函数m ：2 ”+ 【0 ，l 】对于所有基本概率分配的非空集，有： m ( a 。k ：忙，) m ( 一) = 型鼍丁一( 2 _ 1 3 ) 其中，2 。磊盘。h ：悖) ，它反映了证据冲突的程度。系数l 1 一称为归一化 因子，它的作用就是避免在合成时将非o 的概率赋给空集中。 3目标判定原则 目标判定的基本原则有【3 3 1 ： ( 1 ) 判定的目标类型应具有最大的测度函数分配值； ( 2 ) 判定的目标类型和其它类型的测度函数分配值之差要大于某一阈值； ( 3 ) 不确定性测度函数分配值m ( 。) 必须小于某一阈值； ( 4 ) 判定的目标类型测度函数分配值必须大于不确定性测度函数分配值州引。 * 海大学坝1 学位论义 4d s 理论评价模型 在水质监测中，每种监测项目的测量值相当于一个证据组，地面水环境质 量国家标准中将其划分为五类 i ，i i ，i i i ，v ，如表2 2 ，可看作为一个辨识 框架。其次，对每组证据赋予相应的可信度分配，通过d e m d s t e r 合成规则，构 成新的信度函数分配，形成一个新的证据组。最后，我们可以依据这个新的证 据以及目标判定原则对水质进行评价。 在实际水质监测过程中，传感器对同一物理量的测量值受两个因素的影 响：传感器本身的工作性能：传感器工作时的各种干扰情况如机械噪声， 电磁波的影响。一般的传感器由于机械、温度、压力等原因使其输出产生线性 漂移，也就是说，测定值的平均值也在一定范围内产生漂移。因此我们采用模 糊逻辑理论来确定传感器的实际测量值与各个水质等级的相关程度。每种证据 对应的基本可信度分配值由监测人员或专家系统根据经验得到，具体情况见表 2 5 ： 表2 5 水质监测数据的基本可信度分配值 基于d s 理论，对表2 5 中水质指标数据进行融合，其结果如表2 - 6 、2 7 表2 6b o d 5 和溶解氧指标数据融合 水环境评价灶系统仿真讲