神经网络在水环境影响评价方面的应用

程珽

摘要：水环境是一个多元、多相、在时间和空间上不断变化的复合开放巨系统，这就决定了水环境保护的复杂性和多变性。水环境系统内部涉及到相当多的状态变量，很多变量很难精确确定或根本无法确定；各状态变量之间和子系统之间的关系较为复杂，很难定量描述。将神经网络应用于水环境影响评价，采用改进的BP算法进行水质模拟（该方法较之原有的水质数学模型，结果更加精确，适用范围更广。

关键词：神经网络；水环境；影响评价方面；应用

1、前言

据环境监测结果统计分析，各项污染物排放总量很大，污染程度仍处于相当高的水平，我国水环境面临的严重问题依然是水体污染和水资源短缺，主要河流有机污染普遍，长期以来，环境信息的管理效率较低，汇总评价困难，迫切需要采用先进的方法来加大预测力度，提高管理水平。

2、人工神经网络在水质预测和评价中的应用现状

人工神经网络（ANN）是模拟生物神经网络的人工智能系统，用非线性处理单元模拟生物神经元，用处理单元之间的可变连接强度来模拟突触行为，大量单元依一定形式连接而成的网络[3]。它不需要任何先验公式，就能从已有数据中自动地归纳规则，获得这些数据的内在规律，具有自学习性、自组织性、自适应性和很强的非线性映射能力，特别适合于因果关系复杂的非确定性推理、判断、识别和分类等问题。人工神经网络模型共有几十种（如BP、RBF、Cohonen和PNN/GRNN模型等），这里重点介绍BP网络和RBF网络。

近年来，人工神经网络在水质预测和评价中的应用越来越广泛，并取得良好效果。研究者不断将人工神经网络模型的计算结果与其他方法的结果对比，证实人工神经网络法具有通用性、实用性和客观性。如研究者应用人工神经网络BP算法，构建了丹江口库区水环境质量评价模型，并与单因子评价法的综合评价结果进行了比较，二者评价结果基本一致。针对实际水质评价问题，建立了渭河地面水环境质量综合评价的BP神经网络模型，并与单因子法、主成分分析法进行了分析比较，表明BP神经网络可以较好地实现水质综合评价。应用人工神经网络理论与方法建立了滏阳河水质评价的RBF（径向基函数）神经网络模型，对滏阳河邯郸市区段的从南环到北环的7个监测断面水质进行了评价，并与灰色聚类结果进行对比，结果表明RBF神经网络模型能很好地解决评价因子与水质等级间复杂的非线性关系，评价水质简便可靠，预测精度高。

BP算法实际上是一个使均方误差最小化的近似梯度下降算法，其收敛过程也存在一些缺陷：①易陷入局部最小点；②收敛速度慢；③学习过程容易出现震荡。可采用学习率自适应和增加动量项相结合的方法对神经网络进行改进。运用学习率自适应动量BP算法建立了吉林西部地下水埋深人工神经网络模拟预测模型。采用引入动量项的自适应变步长来调整学习率的改进算法（即ABPM算法）。华祖林[5]利用双极性S型函数输出可为正或负的特性以及LM算法具有梯度下降法的全局特性和高斯-牛顿的局部特性，提出了基于双极性S型函数的改进型LM-BP神经网络模型的水质评价方法，改进后的算法收敛速度较快，预测精度很高，为水质评价提供了一种新方法。

采用模拟退火算法与神经网络相结合的方法建立了地下水水质评价的SA-BP神经网络模型。建立了用于水质综合评价的遗传神经网络模型。该模型运用遗传算法优化改进型BP神经网络的初始权值和阈值，有效解决了BP神经网络容易陷入局部极小点和训练结果不稳定的问题，并采用苏帕河梯级电站的水质监测数据对该模型进行了测试。还有文章提出尝试用径向基函数（RBF）来构造多层前馈BP神经网络来弥补传统BP法的不足。

水环境系统具有模糊性，人工神经网络具有并行计算、分布式信息存储、容错能力强及具备自适应学习功能等优点，但它不能处理和描述模糊信息。模糊评价法要事先确定各评价指标对各级标准的隶属函数及各指标的权重，主观影响较大且不具有自学习的能力，因此将人工神经网络与模糊理论有机结合起来，可以扬长避短，发展更合理的水质评价模型。工作者在此领域做了大量的研究。如在神经网络和模糊推理系统的基础上构造出模糊人工神经识别网络，从而使识别系统的柔性处理能力得到很大提高，并成功用于长江支流沱江枯水期的水质综合评价。针对水质综合评价问题，研究者提出了基于隶属度-遗传神经网络的水质综合评价模型。水质综合评价模型对反向传播神经网络初始权值和阈值用遗传算法优化，并将隶属度的概念引入遗传神经网络。

鉴于水质类型和分级标准存在模糊性，将模糊数学中的相对隶属度理论和概率神经网络相结合，构建了模糊概率神经网络水质评价模型，阐明了该模型的构建方法，提出了基于指标相对隶属度矩阵插值构建训练样本的方法。自适应神经模糊推理系统也充分考虑了神经网络和模糊系统之间的互补性，是一个集语言计算、逻辑推理、分布式处理和非线性动力学为一体的系统。人工神经网络的优点是具有逼近任意函数的能力，但有时会因此而影响泛化能力，将人工神经网络和灰色预测方法有机地组合在一起，组合预测模型既具有GM（1，1）模型对数据确定性方面把握的长处，也融合了人工神经网络在不确定因素预测领域的优势，使预测精度显著提高。

采用基于实数编码的加速遗传算法（RAGA）代替传统的最小二乘法以优化GM（1，1）模型参数，并与BP人工神经网络相组合，形成了基于RAGA的等维灰色递补BP神经网络预测模型。在分析河流水质动态变化的基础上，结合灰色理论中的GM（1，1），无偏GM（1，1）和RBF神经网络的特点，提出有机灰色神经网络预测模型，以某地区河流水质为例，根据其变化规律，应用有机灰色神经网络模型进行预测，结果表明，该模型拟合误差小，预测精度高。针对水质参数预测过程中样本数据少的特点，结合灰色新陈代谢GM（1，1）模型和BP神经网络模型，提出灰色新陈代谢BP神经网络组合模型。用灰色新陈代谢模型群的数据集作为BP神经网络的学习测试样本，解决了BP网络需要大量样本才能较好地逼近非线性函数的问题。

一般BP模型学习训练样本过少，没有检验样本，有研究者提出基于随机样本的BP模型。为在不损失信息的前提下能大大减轻水质评价工作量，有研究者提出了一种基于多元统计分析和RBFNNs的水质评价方法。其主要程序为：利用方差分析对各断面多年水质监测样本进行时间与空间尺度上的显著差异性分析，识别出具有显著差异的样本，然后通过层次聚类分析把上述样本进行聚类分组，最后应用径向基神经网络对各组样本进行水质评价，并把此评价结果再分解到各断面各时段，实验证明，这种方法客观可信，分辨率高。

3、结语

水环境系统是一个充满不确定性因素、变化复杂的大系统。截至目前，在水质管理的实践工作中，还没有一个可以广泛采用的统一的模型。因此，要得到一个评价结果更稳定、更可靠，计算过程更简单、更实用的评价方法，还需要广大工作者的共同努力，而前馈神经网络法以其独有的优势，有望在水环境影响评价中发挥更为巨大的作用。

参考文献：

[1]李波，张世英.基于神经模糊方法的复杂系统建模[J].信息与控制，2001，30（3）：231-233.

[2]龙腾锐，冯裕钊，郭劲松.考虑不确定因素的污水厂日进水量预测法[J].中国给水排水，2001，17（5）.