基于BP人工神經(jīng)網(wǎng)絡(luò)的海水水質(zhì)綜合評價

李雪，劉長發(fā),2，朱學(xué)慧，謝謝

（1．大連海洋大學(xué) 海洋環(huán)境工程學(xué)院，遼寧 大連 116023； 2．近岸海洋環(huán)境科學(xué)與技術(shù)遼寧省高校重點實驗室，遼寧 大連 116023）

基于BP人工神經(jīng)網(wǎng)絡(luò)的海水水質(zhì)綜合評價

李雪1，劉長發(fā)1,2，朱學(xué)慧1，謝謝1

（1．大連海洋大學(xué) 海洋環(huán)境工程學(xué)院，遼寧 大連 116023； 2．近岸海洋環(huán)境科學(xué)與技術(shù)遼寧省高校重點實驗室，遼寧 大連 116023）

為了能夠客觀地對海水水質(zhì)進行綜合評價，在分析人工神經(jīng)網(wǎng)絡(luò)概念和原理的基礎(chǔ)上，從閾值角度出發(fā)，通過對各類海水水質(zhì)污染指標濃度生成樣本的方法，生成了適用于BP人工神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練的樣本，并應(yīng)用基于誤差反向傳播原理的前向多層神經(jīng)網(wǎng)絡(luò)，建立了用于海水水質(zhì)評價的BP人工神經(jīng)網(wǎng)絡(luò)模型。將該模型用于渤海灣近岸海域水環(huán)境評價，通過模型的計算，得到該海域的水質(zhì)類別。結(jié)果表明，2004-2007年，渤海灣近岸海域污染指標總體上在河流豐水期時比枯水期時高，2005年和2006年污染較為嚴重，2007年有所好轉(zhuǎn)。經(jīng)訓(xùn)練的評價模型應(yīng)用于實例的評價結(jié)果表明，該模型設(shè)計合理、泛化能力強，對海水水質(zhì)評價具有較好的客觀性、通用性和實用性。

人工神經(jīng)網(wǎng)絡(luò)；海水水質(zhì)；訓(xùn)練樣本；連接權(quán)值；評價

海水水質(zhì)評價方法主要有單指數(shù)評價法和綜合評價法。環(huán)境管理部門將單指數(shù)評價法運用于環(huán)境影響評價以利于水環(huán)境的保護，但如果將其運用于水環(huán)境質(zhì)量評價，會大大降低水域功能，不能發(fā)揮水環(huán)境的綜合作用。水質(zhì)綜合評價是水環(huán)境質(zhì)量評價的重要內(nèi)容，它以定量的特征直觀地表示了水環(huán)境質(zhì)量的總體狀況，是現(xiàn)代環(huán)境科學(xué)基礎(chǔ)理論研究的重要課題。國內(nèi)外學(xué)者用于海水水質(zhì)綜合評價的方法有很多，如早期使用的綜合指數(shù)法、灰色聚類法、灰色模式識別法、模糊綜合評價法、模糊模式識別法等[1-5]。但這些方法都要事先假定模式或主觀規(guī)定一些參數(shù)，多數(shù)需要設(shè)計各評價指標對各級標準的隸屬函數(shù)及各指標的權(quán)重，評價結(jié)果具有很強的主觀性，因此它們還不能在實際中得到真正的應(yīng)用，在環(huán)境評價中只能作為參考，仍要求采用單指數(shù)評價法確定水質(zhì)類別[6]。所以，需要研究更具客觀性的水質(zhì)綜合評價方法。

人工神經(jīng)網(wǎng)絡(luò)是20世紀80年代以來得到迅速發(fā)展并應(yīng)用于眾多學(xué)科的非線性模擬技術(shù)，它具有大規(guī)模并行處理、分布式儲存、自適應(yīng)性、容錯性等優(yōu)點而被廣泛應(yīng)用于模式識別、智能控制、知識處理和預(yù)測等眾多領(lǐng)域，是目前最活躍的前沿學(xué)科之一，尤其適合于處理非線性系統(tǒng)[7-12]，這些特性正是海水水質(zhì)綜合評價所要求的。本文探討了應(yīng)用人工神經(jīng)網(wǎng)絡(luò)中的BP模型給出客觀的海水水質(zhì)評價方法。

1 BP人工神經(jīng)網(wǎng)絡(luò)原理

人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）是在人類對其大腦神經(jīng)網(wǎng)絡(luò)認識理解的基礎(chǔ)上，人工構(gòu)造的能夠?qū)崿F(xiàn)某種功能的神經(jīng)網(wǎng)絡(luò)。它是理論化的人腦神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型，是基于模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的一種信息處理系統(tǒng)[13]。目前，常用的神經(jīng)網(wǎng)絡(luò)模型有很多種，其中BP（back propagation）網(wǎng)絡(luò)算法先進成熟，工作狀態(tài)穩(wěn)定，研究范例較多，便于借鑒，特別是它適合于模式識別和數(shù)據(jù)分類[14]。

從結(jié)構(gòu)上講，BP網(wǎng)絡(luò)是多層網(wǎng)絡(luò)，分為輸入層、隱含層和輸出層，各層之間實行全互聯(lián)連接，前層單元的輸出不能反饋到更前層，同層單元之間也沒有連接，如圖1所示[15]。BP網(wǎng)絡(luò)實現(xiàn)了多層學(xué)習(xí)的設(shè)想，當給定網(wǎng)絡(luò)一個輸入模式時，它由輸入層單元傳到隱含層單元，經(jīng)隱含層單元逐層處理后再送到輸出層單元，由輸出層單元處理后產(chǎn)生一個輸出模式，這是一個逐層狀態(tài)更新過程，稱為前向傳播，如果輸出響應(yīng)與期望輸出模式有誤差，不滿足要求，則轉(zhuǎn)入誤差反向傳播，將誤差值沿連接通路逐層反向傳送并修正各層連接權(quán)值，當各個訓(xùn)練模式都滿足要求時，則學(xué)習(xí)結(jié)束。

在實際訓(xùn)練時，首先要提供一組訓(xùn)練樣本，其中的每個訓(xùn)練樣本由輸入樣本和理想輸出對組成。當網(wǎng)絡(luò)的所有實際輸出與其理想輸出一致時，訓(xùn)練結(jié)束。否則，通過誤差反向傳播的方法來修正權(quán)值使網(wǎng)絡(luò)的理想輸出與實際輸出一致。反復(fù)學(xué)習(xí)直至樣本集總誤差達到某個精度要求，并記錄此時調(diào)整后的權(quán)值，用于計算[16]。

圖1 BP網(wǎng)絡(luò)拓撲結(jié)構(gòu)Fig. 1 Topology of BP network

2 海水水質(zhì)評價的BP網(wǎng)絡(luò)方法

2.1 建立計算模型及訓(xùn)練樣本

2.1.1 輸入層、隱含層和輸出層的確定

以渤海為例，根據(jù)渤海灣近岸海域的污染特點，選取溶解氧、化學(xué)需氧量、活性磷酸鹽、無機氮和石油類5項污染指標進行建模。采用1998年7月1日起實施的海水水質(zhì)標準（GB 3097-1997）作為評價依據(jù)。需要說明的是，海水水質(zhì)標準未對活性磷酸鹽指標的Ⅱ類和Ⅲ類進行詳細劃分，也未對石油類的Ⅰ類和Ⅱ類進行詳細劃分，鑒于這兩個區(qū)間范圍較大，在進行綜合評價時容易對分類結(jié)果造成影響，因此，以取平均值法對這兩個區(qū)間進行劃分，即活性磷酸鹽0.015 ～ 0.022 5 mg/L為Ⅱ類、0.022 5 ～ 0.03 mg/L為Ⅲ類，石油類≤0.025 mg/L為Ⅰ類，0.025 ～ 0.05 mg/L為Ⅱ類。

輸入層神經(jīng)元個數(shù)為5，分別對應(yīng)于5項污染指標（如圖2）。由于海水水質(zhì)標準給出了對應(yīng)于各類海水水質(zhì)的污染指標濃度的上（下）限，因此，當各項污染指標值都在各類海水水質(zhì)規(guī)定的污染指標濃度區(qū)間內(nèi)時，該海水水質(zhì)屬于相應(yīng)的類別，如上述5項污染指標值分別在 5 ～ 6 mg/L、2 ～ 3 mg/L、0.015 ～0.022 5 mg/L、0.20 ～ 0.30 mg/L和 0.025 ～ 0.05 mg/L時，該海水水質(zhì)屬于Ⅱ類。這樣在上述污染指標區(qū)間內(nèi)進行隨機取值，可以生成足夠多屬于Ⅱ類海水水質(zhì)的樣本，同理也可在其他區(qū)間內(nèi)取值生成足夠多的其他各類海水水質(zhì)的樣本。由于篇幅關(guān)系，表1僅給出分界值樣本和學(xué)習(xí)結(jié)果。

在輸出層，為了能夠識別海水水質(zhì)類型和預(yù)測變化趨勢，將海水水質(zhì)類別用數(shù)值表示，即取對應(yīng)于各類海水水質(zhì)的目標輸出值分別為1，2，3，4和5（對應(yīng)于Ⅰ ～ Ⅳ類和超Ⅳ類海水水質(zhì)），輸出層選用一個神經(jīng)元[17-18]。

隱含層神經(jīng)元數(shù)目理論上由下面公式確定[19]：隱含層神經(jīng)元數(shù)目= m+n＋a，其中m為輸入層神經(jīng)元數(shù)，n輸出層神經(jīng)元數(shù)，a為1 ～ 10的常數(shù)，根據(jù)此公式及試錯法取隱含層神經(jīng)元數(shù)為3，從而得到一個結(jié)構(gòu)為5-3-1的BP網(wǎng)絡(luò)。

圖2 5-3-1 BP網(wǎng)絡(luò)結(jié)構(gòu)圖Fig. 2 Structure of BP network

2.1.2 訓(xùn)練樣本與學(xué)習(xí)結(jié)果

由上述輸入層5項污染指標的分類所述，建立了Ⅰ類、Ⅱ類、Ⅲ類、Ⅳ類和超Ⅳ類的訓(xùn)練樣本。為了使BP網(wǎng)絡(luò)加快收斂，需將訓(xùn)練樣本無量綱化，使各樣本元素在0 ～ 1之間，然后對網(wǎng)絡(luò)進行訓(xùn)練，訓(xùn)練樣本與學(xué)習(xí)結(jié)果見表1。

表1 BP網(wǎng)絡(luò)訓(xùn)練樣本與學(xué)習(xí)結(jié)果Tab. 1 Training sample and learning result of BP network

2.2 網(wǎng)絡(luò)參數(shù)的確立

通過對樣本的學(xué)習(xí)和對網(wǎng)絡(luò)的反復(fù)訓(xùn)練，確定學(xué)習(xí)誤差為10-5，學(xué)習(xí)率為0.8，動量項為0.2，訓(xùn)練次數(shù)為105，得到了BP網(wǎng)絡(luò)的權(quán)值和閾值（見表2），由此也就確立了渤海灣近岸海域海水水質(zhì)評價的人工神經(jīng)網(wǎng)絡(luò)模型。

表2 輸入層與隱含層之間的連接權(quán)值和閾值Tab. 2 Connection weight and threshold between input layer and hidden layer

2.3 應(yīng)用實例

以渤海灣近岸海域5個測試點（001－005，如圖3所示）為例，其水環(huán)境質(zhì)量受入海河流的影響較大。這5條河流分別是薊運河、北塘排污河、大沽排污河、獨流減河和北排水河。應(yīng)用以上建立的BP海水水質(zhì)人工神經(jīng)網(wǎng)絡(luò)模型，選取這5個測試點2004－2007年枯水期和豐水期的實測數(shù)據(jù)作為測試集，對已經(jīng)建立的BP網(wǎng)絡(luò)進行測試，測試結(jié)果見表4。

圖3 渤海灣水質(zhì)測試點分布圖Fig. 3 Distribution of water quality testing points in Bohai Bay

表4 BP網(wǎng)絡(luò)海水水質(zhì)評價模型測試實例Tab. 4 Sea water quality assessment model testing case of BP network

由表4中的5個測試點的網(wǎng)絡(luò)輸出水質(zhì)類別可知，渤海灣近岸海域水質(zhì)總體上在河流豐水期時比枯水期時污染嚴重。比較5個測試點的水質(zhì)類別，北排水河附近海域水質(zhì)較好，只在2006年豐水期時為Ⅳ類水質(zhì)，其余都為Ⅰ類和Ⅱ類；獨流減河附近海域次之，出現(xiàn)一次Ⅳ類和一次超Ⅳ類；大沽排污河附近海域污染最為嚴重，4次超Ⅳ類、2次Ⅳ類。從時間上比較，2005年和2006年渤海灣近岸海域水質(zhì)污染較為嚴重，其中2006年豐水期最為嚴重，除北排水河附近海域水質(zhì)為Ⅳ類以外，其余4個海域均為超Ⅳ類。2007年又都在不同程度上有所減輕，水質(zhì)有好轉(zhuǎn)趨勢。

由以上結(jié)果與2004－2007年海洋環(huán)境質(zhì)量公報[20]進行比對可知，BP網(wǎng)絡(luò)對測試實例的水質(zhì)類別所做出的評價結(jié)果具體、準確，符合實際。BP網(wǎng)絡(luò)評價方法具有很高的精度，將水質(zhì)類別更加量化，得出了各水質(zhì)樣本屬于或接近于哪一類水質(zhì)的隸屬關(guān)系，顯然，這種方法客觀、有效。

3 結(jié) 論

將人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于海水水質(zhì)綜合評價建模時，不必了解變量之間的具體關(guān)系，只需根據(jù)實際問題確定網(wǎng)絡(luò)結(jié)構(gòu)，通過典型樣本的學(xué)習(xí)，獲得有關(guān)該問題知識的網(wǎng)絡(luò)權(quán)值，從而進行海水水質(zhì)的評價分析，具有結(jié)構(gòu)簡單、建模方便、評價結(jié)果直觀、客觀的特點。由于水環(huán)境污染程度與水質(zhì)等級相互聯(lián)系并存在模糊性，同時水質(zhì)變化又是連續(xù)的，因此用BP網(wǎng)絡(luò)評價海水水質(zhì)可以使結(jié)果更加量化、準確。不僅如此，BP模型可以選取任意多的水質(zhì)參數(shù)進行學(xué)習(xí)，建立不同的評價模型。學(xué)習(xí)成功后對任意的實測樣本均可得到可靠的評價結(jié)果，因此具有廣泛的適用性。BP人工神經(jīng)網(wǎng)絡(luò)在海水水質(zhì)評價問題上有著良好的應(yīng)用前景與推廣價值。

[1] 史曉新, 夏軍. 水環(huán)境質(zhì)量評價灰色模式識別模型及應(yīng)用 [J]. 中國環(huán)境科學(xué), 1997, 17(2)： 127-130.

[2] 陳守煜, 趙瑛琪. 模糊模式識別理論模型與水質(zhì)評價 [J]. 水利學(xué)報, 1991, 6： 35-40.

[3] 劉廣吉, 郭淑文. 灰色聚類法在水質(zhì)評價中的應(yīng)用 [J]. 水利水電技術(shù), 1988, 12： 1-5.

[4] 鮑永恩, 黃水光. 海洋環(huán)境質(zhì)量評價芻議 [J]. 海洋環(huán)境科學(xué), 1996, 15(3)： 1-9.

[5] 徐恒振, 尚龍生. 海水水質(zhì)評價的灰色局勢決策水質(zhì)級數(shù)法 [J]. 海洋環(huán)境科學(xué), 1994, 1(4)：36-41.

[6] 陳麗華, 馬德山. 黃河水質(zhì)綜合評價的人工神經(jīng)網(wǎng)絡(luò)模型 [J]. 西北民族學(xué)院學(xué)報, 2002, 23(3)： 28-32.

[7] 閻平凡, 張長水. 人工神經(jīng)網(wǎng)絡(luò)與模擬進化計算 [J]. 北京： 清華大學(xué)出版社, 2000： 1-37.

[8] 閻平凡. 人工神經(jīng)網(wǎng)絡(luò)的容量、學(xué)習(xí)與計算復(fù)雜性 [J]. 電子學(xué)報, 1995, 23(1)： 63-67.

[9] 趙林明, 胡浩之, 魏德華, 等. 多層前向人工神經(jīng)網(wǎng)絡(luò) [J]. 鄭州： 黃河水利出版社, 1999： 9-68.

[10] 董聰, 多層前向網(wǎng)絡(luò)的逼近與泛化機制 [J]. 控制與決策, 1998, 13(增刊)： 413-417.

[11] Anderson J A. An Introduction to Neural Networks [M]. London： MIT Press, 1995： 1-62.

[12] Bishop C M. Neural Network for Pattern Recoggnition [M]. Oxford： Clarendon Press, 1995： 5-28.

[13] 從爽. 面向Matlab工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用 [M]. 合肥： 中國科技大學(xué)出版社, 1998： 1-29.

[14] 樓文高. BP神經(jīng)網(wǎng)絡(luò)模型在水環(huán)境質(zhì)量綜合評價應(yīng)用中的一些問題 [J]. 水產(chǎn)學(xué)報, 2002, 26(1)： 90-96.

[15] 劉增良, 劉有才. 模糊邏輯與神經(jīng)網(wǎng)絡(luò)——理論研究與探索 [M]. 北京： 北京航空航天大學(xué)出版社, 1996： 1-38.

[16] 胡守仁, 余少波, 戴葵. 神經(jīng)網(wǎng)絡(luò)理論 [M]. 北京： 國防科技大學(xué)出版社, 1993, 21(3)： 312-317.

[17] 李祚泳. BP網(wǎng)絡(luò)用于水質(zhì)綜合評價方法的研究 [J]. 環(huán)境工程, 1995, 13(2)： 51-53.

[18] 薛建軍, 姚桂基. 人工神經(jīng)網(wǎng)絡(luò)在水質(zhì)評價中的應(yīng)用 [J]. 水文, 1997, 3： 37-39.

[19] 張立明. 人工神經(jīng)網(wǎng)絡(luò)的模型及其應(yīng)用 [M]. 上海： 復(fù)旦大學(xué)出版社, 1993： 55-70.

[20] 天津市海洋環(huán)境質(zhì)量公報. http：//www.coi.gov.cn. 2004-2007.

Integrated assessment of sea water quality based on BP artificial neural network

LI Xue1, LIU Chang-fa1,2, ZHU Xue-hui1, XIE Xie1

(1. College of Marine Environment Engineering, Dalian Ocean University, Dalian 116023, China;2. Key Lab of Offshore Marine Environmental Research of Liaoning Higher Education, Dalian 116023, China)

In order to carry out an integrated assessment of sea water quality objectively, this paper based on the concept and principle of artificial neural network, generated appropriate training samples for BP artificial neural network model through the method of producing samples to the concentration of various pollution index of sea water quality from the viewpoint of threshold, established the BP artificial neural network model of sea water quality assessment using multi-layer neural network with error back-propagation algorithm. This model is used to assess water environment and obtain sea water quality categories of offshore area in Bohai Bay through calculating. The calculations show that the pollution index in river’s wet season is higher than that of the dry season from 2004 to 2007,and the pollution is particularly serious in 2005 and 2006, but a little better in 2007. The assessment results show that the model is reasonable in design and higher in generalization, meanwhile, is common, objective and practical to sea water quality assessment.

artificial neural network; sea water quality; training sample; connection weight; assessment

X820.2

A

1001-6932(2010)02-0225-06

2009-12-05；

2010-02-23

國家海洋公益性行業(yè)專項（200805069）

李雪 ( 1982－ )，女，天津人，碩士研究生，主要從事海洋環(huán)境科學(xué)研究。電子郵箱：helen_li7056@sina.com

劉長發(fā) ( 1964－ )，博士，教授。電話/傳真：0411-84762700，電子郵箱：liucf@dlfu.edu.cn