李宇昊+宋耀蓮+楊美菊+杜慶治+趙繼東

摘要：水質(zhì)預(yù)測(cè)是水污染防治工作的前提，是實(shí)現(xiàn)水系統(tǒng)管理的重要基礎(chǔ)工作。在神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)基礎(chǔ)上，提出了基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的洱海水質(zhì)預(yù)測(cè)模型。該方法克服了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)收斂速度慢、算法容易陷入極小值、隱含層神經(jīng)元個(gè)數(shù)難以確定等問題。利用遺傳算法較強(qiáng)的全局搜索能力，提高了算法收斂度，能夠迅速得到全局最優(yōu)解。MATLAB仿真結(jié)果對(duì)比表明，優(yōu)化前神經(jīng)網(wǎng)絡(luò)模型平均誤差為25.1%，優(yōu)化后模型預(yù)測(cè)平均誤差為2.3%，證明該算法縮短了收斂時(shí)間，提高了預(yù)測(cè)精度。

關(guān)鍵詞關(guān)鍵詞：遺傳算法；BP神經(jīng)網(wǎng)絡(luò)；水質(zhì)預(yù)測(cè)；MATLAB

DOIDOI：10.11907/rjdk.171887

中圖分類號(hào)：TP319

文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)文章編號(hào)：16727800（2017）011018904

0引言

水是人類最寶貴的自然資源之一，是人類社會(huì)發(fā)展的基礎(chǔ)，2015年國家頒布了《水污染防治行動(dòng)計(jì)劃》，大型湖泊水質(zhì)管理是我國治理污染研究的重點(diǎn)[1]。洱海是云南省第二大高原淡水湖泊，既是大理市及周圍地區(qū)居民的飲用水源地，也是著名的蒼山洱海國家級(jí)風(fēng)景區(qū)，是大理州經(jīng)濟(jì)文化的重要組成部分。隨著經(jīng)濟(jì)的迅猛發(fā)展，居民生活廢水、企業(yè)及旅游產(chǎn)生的污染、畜牧養(yǎng)殖源污染對(duì)洱海水質(zhì)污染嚴(yán)重[2]。洱海近十年水質(zhì)均處于水體富營養(yǎng)化，常年處于Ⅲ類狀態(tài)，部分入湖口在汛期甚至處于劣Ⅴ類狀態(tài)[3]。因此，監(jiān)測(cè)洱海水質(zhì)，有效預(yù)測(cè)洱海水質(zhì)污染，對(duì)于保護(hù)洱海水質(zhì)生態(tài)系統(tǒng)尤為重要。

目前，針對(duì)地表水質(zhì)預(yù)測(cè)方法很多，例如魏智寬[4]利用灰色預(yù)測(cè)理論建立了龍江水質(zhì)預(yù)測(cè)模型，對(duì)突發(fā)性水事故中的水質(zhì)變化趨勢(shì)進(jìn)行了短期預(yù)測(cè)。但由于影響水質(zhì)變化的因素眾多，單一預(yù)測(cè)模型會(huì)受到數(shù)據(jù)不穩(wěn)定的影響導(dǎo)致預(yù)測(cè)誤差變大。石月[5]利用時(shí)間序列分析對(duì)松花江流域水質(zhì)進(jìn)行預(yù)測(cè)，但時(shí)間序列分析只考慮了水質(zhì)指標(biāo)的時(shí)間變化規(guī)律，準(zhǔn)確性相對(duì)較差，預(yù)測(cè)精度不高。水環(huán)境是一個(gè)非線性和不確定的綜合動(dòng)態(tài)問題，水質(zhì)預(yù)測(cè)影響因素較多，各因素之間又相互關(guān)聯(lián)。針對(duì)大理洱海水質(zhì)實(shí)際，本文提出一種基于洱海水質(zhì)中高錳酸鉀鹽含量的水質(zhì)預(yù)測(cè)模型[6]。通過建立遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)水質(zhì)預(yù)測(cè)模型，對(duì)洱海水質(zhì)中高錳酸鉀鹽含量進(jìn)行預(yù)測(cè)，為洱海水質(zhì)研究和預(yù)測(cè)提供科學(xué)依據(jù)。

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANN），簡稱“神經(jīng)網(wǎng)絡(luò)”（ANN），是一種抽象人類大腦的多層無反饋前向網(wǎng)絡(luò)結(jié)構(gòu)，能夠處理大量信息[7]，具有類非線性、非局限性、自適應(yīng)性等特性，在水質(zhì)分析和評(píng)價(jià)中應(yīng)用廣泛[811]。BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是其代表，但BP神經(jīng)網(wǎng)絡(luò)收斂速度慢，容易陷入局部極小值，無法找到全局最優(yōu)解。

遺傳算法（Genetic Algorithm，GA）是基于大自然優(yōu)勝劣汰的一種智能優(yōu)化算法[12]。遺傳算法的優(yōu)點(diǎn)在于擁有良好的全局搜索能力，能夠迅速找到解空間中最優(yōu)或次優(yōu)解；具有并行特點(diǎn)，能夠進(jìn)行大規(guī)模并行分布處理，魯棒特性強(qiáng)，簡單通用。

本文通過引入遺傳算法來優(yōu)化神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)及閾值和連接權(quán)值[13]，利用遺傳算法的全局尋優(yōu)特性彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)容易陷入局部最小的缺陷，取長補(bǔ)短，從而找到全局最優(yōu)解。

1BP神經(jīng)網(wǎng)絡(luò)算法

1.1BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)算法是一種基于誤差反向傳播的多層前饋網(wǎng)絡(luò)迭代算法。一個(gè)標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層、輸出層構(gòu)成。BP神經(jīng)網(wǎng)絡(luò)算法學(xué)習(xí)過程分為前向傳播和反向傳播兩個(gè)階段[14]。信息從輸入層通過隱含層逐層傳遞至輸出層，這個(gè)階段稱為前向傳播。前向傳播過程中，如果實(shí)際輸出與期望輸出之間的誤差達(dá)不到要求，則進(jìn)入反向傳播過程，將誤差反向通過隱含層傳遞至輸入層，修改每層之間的連接權(quán)值和閾值。前向傳播和反向傳播交替進(jìn)行，不斷校正，直至滿足收斂和精度要求[15]。

3.3實(shí)驗(yàn)結(jié)果分析

為驗(yàn)證GABP神經(jīng)網(wǎng)絡(luò)水質(zhì)預(yù)測(cè)模型的預(yù)測(cè)精度，本文采用GABP網(wǎng)絡(luò)模型和BP神經(jīng)網(wǎng)絡(luò)模型對(duì)比驗(yàn)證。根據(jù)監(jiān)測(cè)站實(shí)測(cè)數(shù)據(jù)，利用MATLAB神經(jīng)網(wǎng)絡(luò)工具分別建立BP神經(jīng)網(wǎng)絡(luò)水質(zhì)預(yù)測(cè)仿真模型和GABP神經(jīng)網(wǎng)絡(luò)水質(zhì)預(yù)測(cè)仿真模型，對(duì)大理洱海高錳酸鉀鹽含量進(jìn)行預(yù)測(cè)，圖2和圖3為單BP神經(jīng)網(wǎng)絡(luò)模型仿真結(jié)果。

圖2BP網(wǎng)絡(luò)真實(shí)值與預(yù)測(cè)值相對(duì)誤差曲線

圖3BP網(wǎng)絡(luò)真實(shí)值與預(yù)測(cè)值曲線對(duì)比

如圖2和圖3所示，單一BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)高錳酸鉀含量相對(duì)誤差較大，預(yù)測(cè)值曲線與真實(shí)值曲線走勢(shì)相差較大，預(yù)測(cè)不夠精確。

圖4至圖7為GABP水質(zhì)預(yù)測(cè)模型仿真結(jié)果。

對(duì)比單一BP神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)結(jié)果（見圖2、圖3），通過計(jì)算發(fā)現(xiàn)：傳統(tǒng)神經(jīng)網(wǎng)絡(luò)水質(zhì)預(yù)測(cè)模型平均誤差為25.1%。遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)水質(zhì)預(yù)測(cè)模型平均誤差為2.3%，優(yōu)化后的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)效果遠(yuǎn)遠(yuǎn)優(yōu)于未優(yōu)化的神經(jīng)網(wǎng)絡(luò)，預(yù)測(cè)曲線走勢(shì)較為接近真實(shí)數(shù)據(jù)走勢(shì)。

4結(jié)語

本文通過優(yōu)化神經(jīng)網(wǎng)絡(luò)連接權(quán)值和閾值，對(duì)大理洱海水質(zhì)中高錳酸鉀鹽含量進(jìn)行預(yù)測(cè)。預(yù)測(cè)結(jié)果顯示，該優(yōu)化算法具有收斂速度快、預(yù)測(cè)誤差小等特點(diǎn)。利用遺傳算法解決了BP神經(jīng)網(wǎng)絡(luò)容易陷入局部極小值問題。通過與未優(yōu)化的傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)對(duì)比，發(fā)現(xiàn)優(yōu)化后的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度顯著提高，真實(shí)值與預(yù)測(cè)值的相對(duì)誤差降低了22.8%，預(yù)測(cè)結(jié)果更符合實(shí)際情況。本文模型能夠較好地應(yīng)用于大型湖泊水質(zhì)監(jiān)測(cè)和預(yù)測(cè)，為水質(zhì)治理和預(yù)警提供可靠依據(jù)，具有良好的應(yīng)用前景。

參考文獻(xiàn)參考文獻(xiàn)：

[1]中國環(huán)境保護(hù)產(chǎn)業(yè)協(xié)會(huì)水污染治理委員會(huì).水污染治理行業(yè)2015年發(fā)展綜述[J].中國環(huán)保產(chǎn)業(yè)，2016（9）：1121.

[2]盧少勇，張聞濤，邢奕.洱海10條入湖河流緩沖帶三圈內(nèi)氮含量沿程變化[J].中國環(huán)境科學(xué)，2016，36（5）：15611567.endprint

[3]羊華.洱海2005年-2014年水質(zhì)狀況及變化分析[J].水利化信息，2016（1）：2528.

[4]魏智寬，蔣世云，李少旦.灰色理論在龍江突發(fā)鎘污染水質(zhì)預(yù)測(cè)中的應(yīng)用[J].水資源與水工程學(xué)報(bào)，2013，24（3）：135137.

[5]石月.基于時(shí)間序列分析的松花江流域水質(zhì)預(yù)測(cè)[D].哈爾濱：哈爾濱師范大學(xué)，2015.

[6]魏恒.基于BP人工神經(jīng)網(wǎng)絡(luò)的大慶水庫水質(zhì)預(yù)測(cè)研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2008.

[7]李為.規(guī)則與行為的網(wǎng)絡(luò)入侵檢測(cè)模型研究[D].重慶：重慶理工大學(xué)，2010.

[8]RAJURKAR M P， KOTHYARI U C， CHAUBE U C. Modeling of the daily rainfall runoff relationship with artificial neural network[J]. Journal of Hydrology，2004，285（4）：96113.

[9]SUPHARATID， SEREE. Application of a neural network model in establishing a stagedischarge relationship for a tidal river[J]. Hydrological Processes，2003，17（15）：30853099.

[10]王彤彤，張劍，涂川，等.PSOBP神經(jīng)網(wǎng)絡(luò)在渭河天水段水質(zhì)評(píng)價(jià)中的應(yīng)用[J].環(huán)境科學(xué)與技術(shù)，2013，36（8）：175181.

[11]郭慶春，郝源，李雪，等.BP神經(jīng)網(wǎng)絡(luò)在長江水質(zhì)COD預(yù)測(cè)中的應(yīng)用[J].計(jì)算機(jī)技術(shù)與發(fā)展，2014，24（4）：235242.

[12]王銀年.遺傳算法的研究與應(yīng)用[D].無錫：江南大學(xué)，2009.

[13]ALAAl H ALY， RICHARD C， PERALTA. Optimal design of aquifer systems under uncertainty using neural network and a genetic algorithm[J]. Water Resource Research，1999，35（8）：25232531.

[14]劉楊.基于SGMAISPA模型的區(qū)域可持續(xù)發(fā)展評(píng)價(jià)研究[D].重慶：重慶大學(xué)，2012.

[15]王磊，王汝涼，曲洪峰，等.BP神經(jīng)網(wǎng)絡(luò)算法改進(jìn)及應(yīng)用[J].軟件導(dǎo)刊，2016，15（6）：3840.

[16]王瑞.基于遺傳優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的污水處理水質(zhì)預(yù)測(cè)研究[D].廣州：華南理工大學(xué)，2012.

責(zé)任編輯（責(zé)任編輯：杜能鋼）endprint