諸飛　俞阿龍

摘 要： 針對(duì)工廠污水水質(zhì)評(píng)價(jià)準(zhǔn)確性低、實(shí)時(shí)性差等問題，提出一種將改進(jìn)遺傳算法（GA）和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合對(duì)工廠污水的水質(zhì)進(jìn)行評(píng)價(jià)的方法。GA?BP神經(jīng)網(wǎng)絡(luò)不僅具有BP神經(jīng)網(wǎng)絡(luò)的非線性映射能力，還具有遺傳算法的全局搜索能力。采用自適應(yīng)算法對(duì)GA的交叉率和變異率進(jìn)行改進(jìn)，用GA優(yōu)化BP的權(quán)值和閾值，將最優(yōu)權(quán)值和閾值送給BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練、預(yù)測(cè)，并與傳統(tǒng)BP進(jìn)行比較。實(shí)驗(yàn)結(jié)果表明，改進(jìn)的GA?BP神經(jīng)網(wǎng)絡(luò)無論是收斂性、準(zhǔn)確性還是實(shí)時(shí)性都優(yōu)于傳統(tǒng)BP網(wǎng)絡(luò)。該方法用于污水水質(zhì)評(píng)價(jià)具有應(yīng)用推廣價(jià)值。

關(guān)鍵詞： 工廠污水； 水質(zhì)分類； 改進(jìn)GA； BP神經(jīng)網(wǎng)絡(luò)； 污水監(jiān)測(cè)； 自適應(yīng)算法

中圖分類號(hào)： TN711?34； TP183 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2018）11?0133?06

Research on factory sewage monitoring system based on improved GA?BP neural network

ZHU Fei1， YU Along2

（1. School of Physics and Electronic?Electrical Engineering， Ningxia University， Yinchuan 750021， China；

2. School of Physics and Electronic Electrical Engineering， Huaiyin Normal University， Huaian 223300， China）

Abstract： A water quality evaluation method of factory sewage is proposed to solve the problems of low accuracy and poor timeliness of factory sewage quality assessment， which is based on the combination of improved GA and BP neural network. The GA?BP neural network has the nonlinear mapping ability of BP neural network， and global search ability of genetic algorithm. The adaptive algorithm is used to improve the crossover rate and mutation rate of GA. The GA is used to optimize the weight and threshold of BP neural network. The optimal weight and threshold are sent to BP neural network for training， prediction and comparison with traditional BP neural network. The experimental results show that the convergence， accuracy and timeliness of the improved GA?BP neural network are better than those of traditional BP neural network. The method has a certain application and promotion value for water quality evaluation of sewage.

Keywords： factory sewage； water quality classification； improved GA； BP neural network； sewage monitoring； adaptive algorithm

0 引 言

目前，我國(guó)工廠污水處理技術(shù)較發(fā)達(dá)國(guó)家落后，污水水質(zhì)評(píng)價(jià)準(zhǔn)確性差，有很多主觀的判斷成分，導(dǎo)致未達(dá)標(biāo)的污水隨意排放[1]。水體污染日趨廣泛和嚴(yán)重，加劇了水資源的短缺狀況。從環(huán)境保護(hù)的角度來說，對(duì)工廠排放污水的水質(zhì)進(jìn)行準(zhǔn)確有效的評(píng)價(jià)顯得尤為重要。

針對(duì)工廠污水排放具有不確定性，處理過程多變、非線性、時(shí)變、強(qiáng)隨機(jī)等特點(diǎn)[2]，科學(xué)有效地對(duì)工廠污水水質(zhì)進(jìn)行準(zhǔn)確有效的評(píng)價(jià)是本文研究的內(nèi)容。對(duì)水質(zhì)評(píng)價(jià)的方法很多，文獻(xiàn)[3]使用單因子污染指數(shù)法對(duì)丹江口水庫(kù)水質(zhì)進(jìn)行評(píng)價(jià)；文獻(xiàn)[4]利用主成分分析法對(duì)黃河口及鄰近水域水質(zhì)進(jìn)行評(píng)價(jià)；文獻(xiàn)[5]采用人工神經(jīng)網(wǎng)絡(luò)法對(duì)大沽河濕地海水水質(zhì)進(jìn)行評(píng)價(jià)。但是這些方法都存在不足和缺點(diǎn)，單因子法需將評(píng)價(jià)因子與評(píng)價(jià)標(biāo)準(zhǔn)進(jìn)行比較，增加了復(fù)雜性；主成分分析法需要各指標(biāo)之間有較好的線性關(guān)系，而工廠污水具有很強(qiáng)的非線性；人工神經(jīng)網(wǎng)絡(luò)容易陷入局部最優(yōu)解。

本文將改進(jìn)的GA?BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于工廠污水水質(zhì)評(píng)價(jià)中，不僅具有BP的非線性映射能力，而且具有GA的全局搜索能力，將兩者相結(jié)合，取長(zhǎng)補(bǔ)短，構(gòu)成GA?BP神經(jīng)網(wǎng)絡(luò)來評(píng)價(jià)污水水質(zhì)。對(duì)GA的交叉率和變異率采用自適應(yīng)算法進(jìn)行改進(jìn)，在大量歷史數(shù)據(jù)的基礎(chǔ)上，結(jié)合多個(gè)參數(shù)，利用GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，縮小范圍后利用BP對(duì)污水水質(zhì)進(jìn)行科學(xué)有效的評(píng)價(jià)，不僅結(jié)構(gòu)簡(jiǎn)單，而且具有很強(qiáng)的泛化能力。

1 污水監(jiān)測(cè)系統(tǒng)原理

在工廠污水的排放口處，放置不同類型的傳感器節(jié)點(diǎn)。當(dāng)工廠排放污水時(shí)，傳感器節(jié)點(diǎn)將檢測(cè)到污水參數(shù)值，通過ZigBee和移動(dòng)通信網(wǎng)絡(luò)發(fā)送給管理中心，管理中心將接收到的各個(gè)參數(shù)值送給經(jīng)GA優(yōu)化訓(xùn)練過的BP神經(jīng)網(wǎng)絡(luò)，GA?BP網(wǎng)絡(luò)對(duì)污水進(jìn)行分類識(shí)別，得出該工廠污水排放情況，監(jiān)測(cè)是否達(dá)到排放標(biāo)準(zhǔn)。污水監(jiān)測(cè)系統(tǒng)整體結(jié)構(gòu)如圖1所示。

2 GA?BP神經(jīng)網(wǎng)絡(luò)

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，由輸入層、輸出層和隱含層節(jié)點(diǎn)組成，只在相鄰神經(jīng)元之間有連接，可看作由一組內(nèi)聯(lián)的神經(jīng)元組成的高度并聯(lián)模型，其性能主要由拓?fù)浣Y(jié)構(gòu)、權(quán)值和閾值確定[6]。訓(xùn)練學(xué)習(xí)分為正向和反向。在正向傳播過程中，輸入信號(hào)通過隱含層處理并傳向輸出層，如果輸出層的信息與預(yù)期輸出之間的誤差未達(dá)到要求，則將誤差沿原路反向傳播，通過修正各連接的權(quán)值和閾值，使實(shí)際輸出和期望輸出誤差不斷減小。不斷重復(fù)此過程，使整個(gè)網(wǎng)絡(luò)誤差減小至目標(biāo)值[7]。BP神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自組織、較好的容錯(cuò)性和優(yōu)良的非線性逼近能力，用于對(duì)工廠污水的水質(zhì)分類識(shí)別非常適合。根據(jù)Kolmogorov定理：在一定范圍內(nèi)合理的結(jié)構(gòu)和恰當(dāng)?shù)臋?quán)值條件下，含有一層隱含節(jié)點(diǎn)的BP網(wǎng)絡(luò)可以完成任意[n]維到[m]維映射[8]。圖2為一個(gè)三層的BP神經(jīng)網(wǎng)絡(luò)。

2.2 遺傳算法改進(jìn)

遺傳算法（Genetic Algorithm，GA）利用遺傳操作和“優(yōu)勝劣汰”的自然選擇來指導(dǎo)學(xué)習(xí)和確定搜索方向，具有全局搜索能力。參數(shù)中交叉概率[Pc]和變異概率[Pm]的選擇是影響遺傳算法行為和性能的關(guān)鍵。但是傳統(tǒng)的遺傳算法對(duì)所有個(gè)體的交叉和變異概率都選取一個(gè)固定值，在整個(gè)遺傳算法過程中保持不變。在這種情況下，如果群體中的個(gè)體彼此非常接近，則個(gè)體的選擇概率相當(dāng)，交叉后不能產(chǎn)生新個(gè)體，不利于進(jìn)化，甚至停滯[9]。

本文采用自適應(yīng)調(diào)整規(guī)則對(duì)遺傳算法交叉率和變異率進(jìn)行改進(jìn)，使每個(gè)個(gè)體按適應(yīng)度值大小選擇不同的交叉概率[Pc]和變異概率[Pm]。在遺傳過程中根據(jù)適應(yīng)度變化自動(dòng)調(diào)節(jié)這兩個(gè)控制參數(shù)，這樣每個(gè)個(gè)體對(duì)環(huán)境變化就具有自適應(yīng)調(diào)節(jié)能力。如式（1）和式（2）所示：

[Pc=pc1-（pc1-pc2）（fmax-f）fmax-favg，f≥favgpc1，f

[Pm=pm1-（pm1-pm2）（fmax-f）fmax-favgf，f≥favgpm1，f

式中：[pc1]為初始交叉概率；[pc2]為交叉概率可以提高的最大值；[ fmax]為群體最大適應(yīng)度； [f]為交叉兩個(gè)個(gè)體中較大適應(yīng)度值；[favg]為每代群體平均適應(yīng)度值；[pm1]為初始變異概率；[pm2]為變異概率可提高最大值；[ f]為要變異個(gè)體適應(yīng)度值。

2.3 GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)雖然具有很強(qiáng)的非線性映射能力和簡(jiǎn)單的網(wǎng)絡(luò)結(jié)構(gòu)，但也存在很多缺點(diǎn)，如：算法收斂速度慢；容易陷入局部最優(yōu)解[10]。

本文用改進(jìn)過的遺傳算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，GA在優(yōu)化BP神經(jīng)網(wǎng)絡(luò)過程中能同時(shí)優(yōu)化網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)及其權(quán)重和閾值，使網(wǎng)絡(luò)模型依據(jù)樣本知識(shí)進(jìn)行選擇，并隨問題的復(fù)雜程度而改變，可以實(shí)現(xiàn)BP網(wǎng)絡(luò)的動(dòng)態(tài)自適應(yīng)性。GA具有全局性、并行性、快速性、較好的適應(yīng)性和魯棒性，能有效解決BP網(wǎng)絡(luò)易陷于局部極小、收斂速度慢甚至不收斂問題。GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)流程圖如圖3所示。

GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)具體步驟如下：

1） 初始化種群，選擇合適的編碼方式。針對(duì)工廠污水的特殊性，本文采用實(shí)數(shù)編碼，便于較大空間的遺傳搜索，提高遺傳算法精度要求，避免編碼和解碼的復(fù)雜性。

2） 適應(yīng)度函數(shù)的選擇。把預(yù)測(cè)輸出和期望輸出之間的誤差絕對(duì)值和[E]作為個(gè)體適應(yīng)度值[F]，計(jì)算公式為：

[F=ki=1nabs（yi-oi）] （3）

式中：[n]為網(wǎng)絡(luò)輸出節(jié)點(diǎn)數(shù)；[oi]為BP神經(jīng)網(wǎng)絡(luò)第[i]個(gè)節(jié)點(diǎn)的期望輸出；[yi]為第[i]個(gè)節(jié)點(diǎn)的預(yù)測(cè)輸出；[k]為系數(shù)。

3） 選擇操作采用輪盤賭法，即基于適應(yīng)度比例策略，每個(gè)個(gè)體[i]的選擇概率[Pi]為：

[fi=kFi，Pi=fij=1Nfj] （4）

式中：[Fi]為個(gè)體[i]的適應(yīng)度，由于適應(yīng)度值越小越好，所以在個(gè)體選擇前對(duì)適應(yīng)度值取倒數(shù)；[N]為種群數(shù)目；[k]為系數(shù)。

4） 交叉操作。由于個(gè)體采用實(shí)數(shù)編碼，所以交叉操作方法采用實(shí)數(shù)交叉法，第[k]個(gè)染色體[ak]和第[l]個(gè)染色體[al]在[j]位的交叉操作如下：

[akj=akj（1-b）+aljbalj=alj（1-b）+akjb] （5）

式中[b]是[0，1]的隨機(jī)數(shù)。

5） 變異操作。選取第[i]個(gè)個(gè)體的第[j]個(gè)基因[aij]進(jìn)行變異，變異操作方法如下：

[aij=aij+（aij-amax）*f（g），r>0.5aij+（amin-aij）*f（g），r≤0.5] （6）

式中：[amax]為基因[aij]的上界；[amin]為基因[aij]的下界；[f（g）=r21-gGmax2]，[r2]為一個(gè)隨機(jī)數(shù)，[g]為當(dāng)前迭代次數(shù)，[Gmax]為最大進(jìn)化次數(shù)；[r]為[0，1]的隨機(jī)數(shù)。

6） 用新染色體代替原來染色體，計(jì)算適應(yīng)度，如果滿足條件，跳到步驟7）；否則，轉(zhuǎn)到步驟3）繼續(xù)優(yōu)化。

7） 將最優(yōu)權(quán)值和閾值賦給BP神經(jīng)網(wǎng)絡(luò)用于訓(xùn)練，直到達(dá)到設(shè)定的誤差值。

8） 將訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)用于工廠污水分類識(shí)別，得到排放情況。

3 實(shí) 驗(yàn)

由于不同工廠排放的污水參數(shù)各有差異，本文選取淮安某一氨氮化肥廠作為實(shí)驗(yàn)對(duì)象。氨氮化肥廠排放的污水成分比較復(fù)雜，主要包括COD、BOD、懸浮物、氨氮、硫化物等。由于這里檢測(cè)的污水是直接排放到地表水中的，結(jié)合目前傳感器技術(shù)的發(fā)展，選取最能反映水質(zhì)情況的溫度、溶解氧（DO）、氨氮、pH、濁度這5個(gè)參數(shù)作為排污口污水是否達(dá)標(biāo)的參考指標(biāo)。

根據(jù)《地表水環(huán)境標(biāo)準(zhǔn)》（GB3838?2002）和《合成氨工廠水污染物排放標(biāo)準(zhǔn)》[11]（GB13458?2013），對(duì)污水參數(shù)劃分一個(gè)判斷標(biāo)準(zhǔn)，如表1所示。分為6個(gè)等級(jí)，每個(gè)等級(jí)各參數(shù)對(duì)應(yīng)一個(gè)排放限值和一個(gè)期望輸出。期望輸出≤0.2為‘Ⅰ，0.2～0.4為‘Ⅱ，0.4～0.6為‘Ⅲ，0.6～0.8為‘Ⅳ，0.8～1.0為‘Ⅴ，>1.0為‘劣Ⅴ。

3.1 構(gòu)建BP神經(jīng)網(wǎng)絡(luò)

根據(jù)前面給出的Kolmogorov定理[12]：一個(gè)三層的BP神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)任意維的非線性映射。針對(duì)選定的氨氮化肥廠，本文構(gòu)建一個(gè)三層BP神經(jīng)網(wǎng)絡(luò)，包括輸入層、一層隱含層和輸出層。因?yàn)楸疚倪x定5個(gè)參數(shù)作為指標(biāo)，故輸入層神經(jīng)元個(gè)數(shù)為5；隱含層神經(jīng)元的個(gè)數(shù)沒有確定的公式，只能根據(jù)經(jīng)驗(yàn)公式（7）計(jì)算出大致范圍[13]，然后用試湊法不斷調(diào)整嘗試，本文正是采用這種方法。當(dāng)節(jié)點(diǎn)為11個(gè)時(shí)效果最佳；輸出層根據(jù)前面的規(guī)定，對(duì)應(yīng)為1個(gè)神經(jīng)元。故BP結(jié)構(gòu)確定為5?11?1，如圖4所示。

[Sh=Si+So+a，a∈[1，10]] （7）

式中：[Sh]為隱含層神經(jīng)元數(shù)；[Si]為輸入層神經(jīng)元數(shù)；[So]為輸出層神經(jīng)元數(shù)；[a]為整數(shù)。

3.2 數(shù)據(jù)預(yù)處理和參數(shù)設(shè)定

由于各維數(shù)據(jù)間數(shù)量級(jí)差別和不同參數(shù)之間的量綱不同，仿真之前對(duì)輸入數(shù)據(jù)進(jìn)行歸一化預(yù)處理，本文采用Matlab自帶函數(shù)mapminmax將數(shù)據(jù)歸一化到[-1，1]。函數(shù)形式如式（8）所示，[ymax=1，ymin=-1]，[xmax]和[xmin]分別為樣本中的最大值和最小值，[xk]為要?dú)w一化的樣本值，[y]為歸一化后的值。根據(jù)表1的污水參數(shù)分類標(biāo)準(zhǔn)，共有6個(gè)等級(jí)，每個(gè)等級(jí)使用20組數(shù)據(jù)，共120組數(shù)據(jù)進(jìn)行訓(xùn)練，最后用12組數(shù)據(jù)進(jìn)行測(cè)試，歸一化后訓(xùn)練樣本數(shù)據(jù)見表2。

[y=（ymax-ymin）?xk-xminxmax-xmin+ymin] （8）

BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)確定好以后，個(gè)體編碼串也就確定下來，輸入層和隱含層的權(quán)值矩陣[W1]為11×5，隱含層閾值[B1]為11×1；隱含層和輸出層[W2]為1×11，輸出層閾值[B2]為1。因此編碼串長(zhǎng)度為11×5+11×1+1×11+1=78。輸入層到隱含層傳遞函數(shù)使用tansig，隱含層到輸出層的傳遞函數(shù)使用purelin，網(wǎng)絡(luò)訓(xùn)練函數(shù)選擇trainlm函數(shù)。目標(biāo)誤差設(shè)置net.trainParam.goal=0.001。學(xué)習(xí)速率設(shè)置net.trainParam.lr=0.01。

遺傳算法的種群規(guī)模取10，交叉率和變異率按式（1）和式（2）進(jìn)行自適應(yīng)調(diào)整，初始值為：[Pc1=0.4]，[Pc2=0.99]，[Pm1=0.01]，[Pm2=0.1]。

3.3 實(shí)驗(yàn)結(jié)果

將GA?BP神經(jīng)網(wǎng)絡(luò)用訓(xùn)練樣本數(shù)據(jù)進(jìn)行訓(xùn)練，然后用測(cè)試數(shù)據(jù)進(jìn)行測(cè)試，并從收斂性、準(zhǔn)確性以及實(shí)時(shí)性三個(gè)方面與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比。

圖5為BP神經(jīng)網(wǎng)絡(luò)均方差變化曲線。從圖5中可看出迭代151步，網(wǎng)絡(luò)已達(dá)到設(shè)定值0.001，同時(shí)將每步的迭代時(shí)間記錄下來，然后用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，預(yù)測(cè)之前對(duì)預(yù)測(cè)樣本數(shù)據(jù)利用與訓(xùn)練樣本數(shù)據(jù)一樣的方法歸一化處理，mapminmax（‘a(chǎn)pply，input_test，inputs）。歸一化后測(cè)試數(shù)據(jù)見表3。

同樣對(duì)GA?BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，如圖6所示，迭代8步就達(dá)到了設(shè)定值0.001。

圖7為GA?BP神經(jīng)網(wǎng)絡(luò)的適應(yīng)度曲線，在進(jìn)化0～7代時(shí)適應(yīng)度值下降得比較厲害；由于局部最優(yōu)值的存在，7～14代時(shí)趨于平緩；因?yàn)镚A的優(yōu)化作用，14～16代時(shí)又開始下降；在20代以后就達(dá)到了最佳適應(yīng)度值，至此進(jìn)化完成。提取最佳權(quán)值和閾值，進(jìn)行預(yù)測(cè)。

從上述實(shí)驗(yàn)過程可以看出：

1） 收斂性：BP神經(jīng)網(wǎng)絡(luò)需要151步才能收斂，而改進(jìn)的GA?BP神經(jīng)網(wǎng)絡(luò)只需要8步就已經(jīng)收斂，說明改進(jìn)的GA?BP神經(jīng)網(wǎng)絡(luò)收斂性遠(yuǎn)遠(yuǎn)快于BP神經(jīng)網(wǎng)絡(luò)。

2） 準(zhǔn)確性：從表4可以看出，對(duì)于同樣的12組預(yù)測(cè)數(shù)據(jù)，BP預(yù)測(cè)中2組有錯(cuò)誤，準(zhǔn)確率為83.3%，而GA?BP的準(zhǔn)確率為100%。說明GA?BP神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性更好，能更好地對(duì)污水水質(zhì)進(jìn)行分類識(shí)別。

3） 實(shí)時(shí)性：如圖8所示， GA?BP神經(jīng)網(wǎng)絡(luò)每步運(yùn)行時(shí)間都比BP神經(jīng)網(wǎng)絡(luò)少0.02～0.03 s，說明同樣運(yùn)行一步GA?BP神經(jīng)網(wǎng)絡(luò)的實(shí)時(shí)性要好于BP神經(jīng)網(wǎng)絡(luò)。

從三個(gè)方面將GA?BP神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比，得出GA?BP神經(jīng)網(wǎng)絡(luò)無論是在收斂性、準(zhǔn)確性還是實(shí)時(shí)性都遠(yuǎn)遠(yuǎn)優(yōu)于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)。

4 結(jié) 論

本文將改進(jìn)的GA?BP神經(jīng)網(wǎng)絡(luò)用于對(duì)工廠污水的水質(zhì)進(jìn)行分類識(shí)別，根據(jù)相關(guān)標(biāo)準(zhǔn)劃分為6個(gè)級(jí)別并設(shè)定相應(yīng)期望值。根據(jù)輸出的期望值判斷排放的污水類別，從而起到監(jiān)測(cè)污水排放是否達(dá)標(biāo)的目的，并從收斂性、準(zhǔn)確性和實(shí)時(shí)性三個(gè)方面與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行比較。通過實(shí)驗(yàn)表明，改進(jìn)的GA?BP神經(jīng)網(wǎng)絡(luò)無論是收斂性、準(zhǔn)確性還是實(shí)時(shí)性都比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)更具有優(yōu)勢(shì)，該方法在工廠污水水質(zhì)評(píng)價(jià)中具有應(yīng)用推廣價(jià)值。

注：本文通訊作者為俞阿龍。

參考文獻(xiàn)

[1] 傅其鳳，楊亞磊，陳萬軍，等.工業(yè)污水在線監(jiān)測(cè)系統(tǒng)的應(yīng)用[J].工業(yè)水處理，2015，35（3）：106?108.

FU Qifeng， YANG Yalei， CHEN Wanjun， et al. Application of on?line monitoring system for factory sewage [J]. Industrial water treatment， 2015， 35（3）： 106?108.

[2] 劉翊.淺談城市工廠污水處理及水資源保護(hù)[J].節(jié)能環(huán)保，2015，5（18）：13?15.

LIU Yi. The city sewage treatment plant and water resources protection [J]. Energy saving and environmental protection， 2015， 5（18）： 13?15.

[3] 王文靜，高鵬程，李捷，等.丹江口水庫(kù)典型入庫(kù)支流水質(zhì)評(píng)價(jià)與趨勢(shì)分析[J].水資源保護(hù)，2016，32（3）：127?130.

WANG Wenjing， GAO Pengcheng， LI Jie， et al. Water quality evaluation and trend analysis of typical inflow tributaries of Danjiangkou reservoir [J]. Water resources protection， 2016， 32（3）： 127?130.

[4] 劉瀟，薛瑩，紀(jì)毓鵬，等.基于主成分分析法的黃河口及其鄰近水域水質(zhì)評(píng)價(jià)[J].中國(guó)環(huán)境科學(xué)，2015，35（10）：3187?3192.

LIU Xiao， XUE Ying， JI Yupeng， et al. Water quality evaluation of Yellow River Estuary and adjacent waters based on principal component analysis [J]. Chinese environmental science， 2015， 35（10）： 3187?3192.

[5] 徐勇，趙俊，過鋒，等.基于BP人工神經(jīng)網(wǎng)絡(luò)的大沽河濕地海水水質(zhì)綜合評(píng)價(jià)[J].漁業(yè)科學(xué)進(jìn)展，2015，36（5）：31?37.

XU Yong， ZHAO Jun， GUO Feng， et al. Integrated quality assessment of Dagu river wetland sea water based on back propagation （BP） artificial neural network [J]. Progress in fishery sciences， 2015， 36（5）： 31?37.

[6] 張旭東，高茂庭.基于IGA?BP網(wǎng)絡(luò)的水質(zhì)預(yù)測(cè)方法[J].環(huán)境工程學(xué)報(bào)，2016，10（3）：1566?1571.

ZHANG Xudong， GAO Maoting. Water quality prediction method based on IGA?BP network [J]. Journal of environmental engineering， 2016， 10（3）： 1566?1571.

[7] 潘雨紅，張宜龍，蔡亞軍，等.基于GA?BP算法的公路工程造價(jià)估算研究[J].重慶交通大學(xué)學(xué)報(bào)（自然科學(xué)版），2016，35（2）：141?145.

PAN Yuhong， ZHANG Yilong， CAI Yajun， et al. Research on highway engineering cost estimation based on GA?BP algorithm [J]. Journal of Chongqing Jiaotong University （natural science）， 2016， 35（2）： 141?145.

[8] 馬威，馬飛，郭榮，等.GA?BP網(wǎng)絡(luò)在鑿巖防卡閥推進(jìn)壓力預(yù)測(cè)中的應(yīng)用[J].工礦自動(dòng)化，2016，42（7）：44?50.

MA Wei， MA Fei， GUO Rong， et al. Application of GA?BP network to prediction of pressure of rock drill valve propulsion [J]. Industrial and mine automation， 2016， 42（7）： 44?50.

[9] 張志英，計(jì)峰，曾建智.基于改進(jìn)GA的分段堆場(chǎng)計(jì)劃調(diào)度方法研究[J].哈爾濱工程大學(xué)學(xué)報(bào)，2015，36（8）：1103?1108.

ZHANG Zhiying， JI Feng， ZENG Jianzhi. Based on improved GA based subsection yard planning and scheduling method [J]. Journal of Harbin Engineering University， 2015， 36（8）： 1103?1108.

[10] 孔祥松，單仁亮，趙文峰，等.基于GA?BP的煤巷圍巖穩(wěn)定性分類與應(yīng)用[J].煤礦安全，2016，47（5）：219?222.

KONG Xiangsong， SHAN Renliang， ZHAO Wenfeng， et al. Classification and application of stability of surrounding rock of coal roadway based on GA?BP [J]. Coal mine safety， 2016， 47（5）： 219?222.

[11] 段付崗，李清位.合成氨工廠污水排放標(biāo)準(zhǔn)的比較及建議[J].化肥工廠，2015，42（1）：46?48.

DUAN Fugang， LI Qingwei. Comparison and suggestion of sewage discharge standard in synthetic ammonia plant and suggestion [J]. Chemical fertilizer plant， 2015， 42（1）： 46?48.

[12] 蔡超.一類Kolmogorov型方程的系數(shù)反演問題[J].山東大學(xué)學(xué)報(bào)（理學(xué)版），2016，51（4）：127?134.

CAI Chao. Coefficient inversion of a type of Kolmogorov type equation [J]. Journal of Shandong University （science edition）， 2016， 51（4）： 127?134.

[13] 王小川，史峰，郁磊，等.Matlab神經(jīng)網(wǎng)絡(luò)43個(gè)案例分析[M].北京：北京航空航天大學(xué)出版社，2013.

WANG Xiaochuan， SHI Feng， YU Lei， et al. Matlab neural network 43 cases analysis [M]. Beijing： Beihang University Press， 2013.

[14] 李俊龍，鄭丙輝，張鈴松，等.中國(guó)主要河口海灣富營(yíng)養(yǎng)化特征及差異分析[J].中國(guó)環(huán)境科學(xué)，2016，36（2）：506?516.

LI Junlong， ZHENG Binghui， ZHANG Lingsong， et al. Characteristics and difference analysis of eutrophication in the main estuarine estuary of China [J]. China environment science， 2016， 36（2）： 506?516.