基于MATLAB6的BP人工神经网络的土壤环境质量评价方法研究_赵玉杰

1、农业环境科学学报 2006,25(1:186-189J o u r n a l o f A g r o -En v i r o n m e n t S c i e n c e 基于 MATLAB6.x 的 BP 人工神经网络的土壤 环境质量评价方法研究赵玉杰 1, 2,师荣光 2, 高怀友 2, 王跃华 2, 白志鹏 1,傅学起 1(1. 南开大学环境科学与工程学院, 天津 200071; 2. 农业部环境监测总站 , 天津 300191摘 要 :对基于 MATLAB 6.x 的 BP 人工神经网络工具箱进行了简要的介绍 , 并将 BP 人工神经网络应用到土壤环境质量现状评价中, 编制了基于

2、MATLAB 6.x 土壤环境质量评价程序, 并对影响评价结果的训练集的构建、 隐层神经元数量的选择、 训练过程的建 立等问题进行了探讨。结果表明, 用随机函数 rand 或线性函数 linspace 内插生成网络的训练集是可行的, BP 网络隐层的传递函数 为 tansig , 神经元数量为 5(用 rand 函数生成训练集 或 8(用 linspace 函数生成训练集 , 输出层的传递函数为 purelin , 神经元数量 为 1。训练集中加入一定的噪声更有利于提高网络的识别能力。在此基础上, 将构建的网络应用到实际土壤环境质量评价中, 并将 评价的结果与其他评价方法得出的结果进行了比较,

3、 表明 BP 人工神经网络应用到土壤环境质量评价中是切实可行的。 关键词:BP 人工神经网络 ; 土壤 ; 环境质量评价 ; MATLAB 中图分类号:S126,X825文献标识码:A文章编号:1672-2043(200601-0186-04收稿日期:2005-05-21基金项目:科技部科技基础性工作专项资金支持项目(2001DEB30065 , 男, 南开大学在读博士, 工程师, 主要研究方土壤环境质量评价方法有多种, 应用较多的如内 梅罗指数法、 模糊评价法、 污染损失率法等, 这些方法 各有其优缺点, 如内梅罗指数法易于计算, 应用广泛, 但存在扩大最大分指数或缩小次大分指数的问题, 模

4、糊评价法人为效应过强, 而污染损失率法虽有明确的 物理意义, 但评价公式中参数的确定及应用还有待进 一步研究。土壤环境质量评价实质上是依据土壤污染物浓 度分级标准比较待评价的土壤环境各污染物的监测 值与相应的标准浓度, 如果接近, 则其就被视为符合 该分级标准的土壤环境质量, 因此, 土壤环境质量评 价属于模式识别问题。Assessment Method for Soil Environmental Quality Based on BP Neural NetworkZHAO Yu-jie 1,2, SHI Rong-guang 2, GAO Huai-you 2, WANG Yue-hua

5、2, BAI Zhi-peng 1, FU Xue-qi 1(1. Agro-environmental Monitoring Centor, MOA, Tianjin 300191, China; 2. Department of Environmental Sciene and Engineering, Nankai University, Tianjin 300071, ChinaAbstract:BP neural network based on MATLAB 6.x and its application in soil environment quality assessment

6、 were introduced and the assessment program was built.The influencing factors of BP neural network on soil environmental quality assessment were discussed,which were the input vector, the numbers of neurons in the hidden layers and the training process. Using the interpolation function rand or linsp

7、ace in building the input vector is feasible. The transfer function of hidden layer is tansig and the numbers of neurons are five or eight when the interpolation function is rand or linspace, while, the transfer function of output layer is purelin and the number of neuron is one. The addition of noi

8、se in the input vectors is important to improve the correction of the network. Based on the research results, the constructed network was applied to a case of soil environmental quality assessment and the assessment results were compared with other assessment methods, which suggested that the method

9、 of BP network in soil environmental quality assessment was feasible and reason-able.Keywords:BP neural network; soil; environmental quality assessment; MATLAB第 25卷第 1期农 业 环 境 科 学 学 报 层前向神经网络,是由 D.E.Rumelhart 和 J.L.McCel-land 及其研究小组于 1986年设计出来的, BP 网络在 模式识别领域已有不少成功的应用实例。因此, 本文 试将 BP 人工神经网络应用于土壤环境质量评

10、价中, 并编制了基于 MATLAB 6.x 人工神经网络工具箱的 评价程序, 收到了满意的效果。1BP 人工神经网络简介 11.1BP 神经网络结构BP 神经网络采用基于 BP 神经元的多层前向神 经网络的结构形式。典型的 BP 网络结构如图 1所 示。 BP 神经网络通常具有一个或多个隐层,其中, 隐 层神经元通常采用 Sigmoid 型传递函数(如 tansig, logsig 等, 而输出层神经元则采用线型传递函数。应 用于土壤环境质量评价的 BP 网络, 通常由一个输入 层, 一个隐层和一个输出层组成。 1.2BP 神经网络设计MATLAB 6.x 神经网络工具箱的 newff 函数可

11、以 用来生成 BP 网络。用于土壤环境质量评价的 newff 函数的常用格式为:net =newff (minmax(P , S 1S 2, TF 1TF 2, BTF 式中 :minmax(P 为训练集中的最大最小值矩阵; S 1,S 2分别为隐层和输出层神经元数量; TF 1TF 2分别为隐 层和输出层神经元的传递函数; BTF 表示神经网络训 练时所使用的训练函数 , 根据土壤环境质量训练集的 特点,一般多采用 traingdx (动量 +变速训练函数 或trainscg(共轭梯度函数 , 而 trainrp 函数由于收敛速 度过快易造成训练过程不稳。1.3BP 神经网络的训练和仿真在

12、BP 神经网络生成和初始化以后, 即可利用现 有的 “输入 -目标” 样本矢量数据对网络进行训练。 BP 网络的训练通常采用 train 函数来完成。针对不同的 问题, 在训练之前需对网络的训练参数 net.trainParam 进行适当的设置。 表 1列出了土壤环境质量评价网络 对象的一些主要训练参数及含义。训练参数设置完成后, 调用 train 函数对 BP 网络 进行训练。 train 函数的常用格式如下:net, tr=train (net, P, T 式中:P 为输入样本矢量集; T 为对应的目标样本矢量 集; 等号左、 右两侧的 net 分别用于表示训练前、 后的 神经网络对象;

13、tr 存储训练过程中的步数信息和误差 信息。2基于 MATLAB 6.x 的 BP 人工神经网络在 土壤环境质量评价中的实现基于 MATLAB 6.x 人工神经网络工具箱的土壤环境质量评价可分为四个步聚:一是培训数据选择, 二是网络对象的构建, 三是网络培训, 四是网络仿真。 2.1培训数据的选择土壤环境质量评价的目标之一是以土壤环境质 量标准为依据,评价监测点及监测区的土壤污染状 况, 因此, BP 网络的培训数据也必须以土壤环境质量 标准 (GB 15618-1995 为基础。但由于土壤环境质量 标准原始数据量太少,各重金属的标准值相差很大, 而且在实际监测中, 某些点的监测值超过了土壤的

14、三 级标准, 所以直接应用土壤环境质量标准作为培训数 据集有一定的缺陷。 为此, 我们结合实际情况, 对原标 准进行了改进,从而生成可直接利用的培训数据集。 主要改进点如下:(1对原标准中的镉和汞的标准数值分别乘以10、 100,以保证数据集在归一化处理中的整齐性。同 时对于待评价数据的镉和汞值也分别乘以 10、 100,图 1具有单隐层的 BP 人工神经网络Figure 1The BP neural network with a single hidden laye表 1几个主要的 BP 神经网络训练参数及含义Table 1The main training parameters and t

15、heir meanings in BP neural networ1872006年 2月 赵玉杰等:基于 MATLAB6.x 的 BP 人工神经网络的土壤环境质量评价方法研究以保证评价结果的正确性。(2为了防止网络在训练过程中产生过拟合现 象, 有必要增加训练集的数量, 因此在各标准值之间 以 rand 函数均匀产生 5个随机数 2, 并用 sort 函数将 产生的数据进行排序。 也可用 linspace ( 函数产生线 性分布的数据。(3 根据农业部环境监测总站全国土壤环境质量 历年的监测结果, 确定培训集中八个重金属的最高值 即 max(P 分别为:镉 4mg kg -1, 汞 2mg k

16、g -1, 砷 45 mg kg -1, 铜 600mg kg -1, 铅 800mg kg -1, 铬 350mg kg -1, 锌 800mg kg -1, 镍 250mg kg -1。如检测值大于以 上最大值, 可做适当调整, 但不会影响评价结果。 (4 将数据集分为四级, 一级为优, 既检测值在土 壤自然背景值以内, 二级为未污染, 既检测值小于土 壤二级标准而大于自然背景值, 三级为污染, 既检测 值在二级和三级标准之间, 四级为严重污染, 即检测 值大于三级土壤环境质量标准。 数据分级结果如表 2所示。表 2土壤环境质量评价训练集分级标准 (碱性土壤Table 2The class

17、ification criterion of soil environmental quality assessment training volume (alkaline soil 2.2网络对象的建立 3网络对象建立的主程序如下所示:Pi=;Ti=;%网络培训集及目标集R,Q=size(Pi;S1,Q=size(Ti;P=Pi;T=Ti;Pn,minP,maxP,Tn,minT,maxT=premnmx(P,T %对 数据进行前处理net=newff (minmax (Pn,5,1, tansig , purelin , traingdx ;文中所构建的 BP 网络为具有一个隐层和一个 输

18、出层的前向网络, 其中隐层共有 5个神经元, 输出 层为一个神经元,隐层和输出层的传输函数分别为 tansig 和 purelin, 网络采用的训练函数为 traingdx 。 2.3网络的培训为了增强网络的鲁棒性及容错能力, 采用对网络 进行三次训练的方法, 训练步聚为:(1 用不含噪声的训练集对网络进行初次训练。(2 在训练集中分别加入 10%和 20%的噪声 1。(3 为保证网络对训练集的正确识别, 再次用不 含噪声的训练集对网络进行第三次训练, 其训练步骤 与第一次相同。3.4数据仿真网络建立并经训练后, 用人工神经网络工具箱的 以得出监测点或监测区土壤污染状况。 数据仿真的程 序如下

19、所示:Tp=%待评价的数据集pnewn=tramnmx (Tp,minP,maxP%对评价集进行 后处理anew=sim(net,pnewn;anew=postmnmx(anew,minT,maxT %最终评价结 果为检验网络的性能, 用户可以对原始的训练集进 行仿真, 其程序和上面的程序段相同。3.5实例应用表 3为天津市某区域土壤环境质量监测数据, 将 其作为仿真数据 T , 采用工人神经网络方法对其污染 状况进行评价, 评价结果如表 3所示。4讨论4.1培训集的选择对土壤环境质量评价结果的影响 由于 BP 人工神经网络是以培训集作为模式识 别的依据, 培训集的选择直接关系到识别结果的正确

20、 性。 本文所选培训集及培训集的分类方式只是一种方 法学上的尝试, 不同地区及不同环境监测的目的可能 要对培训集作适当的调整, 以满足实际需要。188第 25卷第 1期 农 业 环 境 科 学 学 报表 4列出了各评价方法 (内梅罗指数法 , 模糊评价 法 4、 污染损失率法 5 对 11个监测点的评价结果。由 表 4可见, BP 神经网络的评价结果与灰色聚类和污 染损失率法评价结果基本一致, 而与内梅罗指数法评 价结果有一定的差异, 进一步验证了内梅罗指数法在 评价时过于突出污染严重因子而带来的评价误差。表 3土壤重金属检测值及评价结果Table 3Detection values of s

21、oil heavy metals and assessment results表 4不同评价方法对监测点的评价结果Table 4The assessment results for the monitoring site using different assessment methods4.3评价网络隐层神经元数量的确定隐层神经元数量的确定关系到评价结果的正确 性。 神经元数量太少, 无法实现监测数据的分类, 神经 元数量太多, 不仅网络庞大结果不稳定, 而且易产生 误差。 虽然各国科学家在隐层神经元数量的确定上做 了大量研究工作, 但至今没有很成熟的理论。 因此, 在 网络建立时, 用户一般根据网络规模的大小, 凭实际 经验确定隐层神经元数量。在本次评价中, 如果插值 数据是用 rand 函