基于BP神經(jīng)網(wǎng)絡(luò)的地表水污染指標(biāo)短期預(yù)測(cè)分析

鄭　淏， 薛惠鋒， 馮海濤

(1.西北工業(yè)大學(xué) 自動(dòng)化學(xué)院， 陜西 西安　710054; 2.陜西科技大學(xué) 文理學(xué)院， 陜西 西安　710021)

?

基于BP神經(jīng)網(wǎng)絡(luò)的地表水污染指標(biāo)短期預(yù)測(cè)分析

鄭淏1， 薛惠鋒1， 馮海濤2

(1.西北工業(yè)大學(xué) 自動(dòng)化學(xué)院， 陜西 西安710054; 2.陜西科技大學(xué) 文理學(xué)院， 陜西 西安710021)

摘要：取渭河興平點(diǎn)位2008年至2014年的地表水監(jiān)測(cè)數(shù)據(jù)，對(duì)溶解氧、高錳酸鹽指數(shù)、生化需氧量、氨氮、化學(xué)需氧量這5項(xiàng)污染指標(biāo)的變化規(guī)律進(jìn)行分析，分別建立雙隱層BP神經(jīng)網(wǎng)絡(luò)，預(yù)測(cè)未來(lái)一年的水質(zhì)變化情況.預(yù)測(cè)結(jié)果顯示BP神經(jīng)網(wǎng)絡(luò)對(duì)各項(xiàng)指標(biāo)的短期預(yù)測(cè)有較高的精度，而長(zhǎng)期預(yù)測(cè)的精度差異明顯，溶解氧和高錳酸鹽指數(shù)的預(yù)測(cè)精度較高，生化需氧量、氨氮、化學(xué)需氧量的預(yù)測(cè)精度較差.總體上看網(wǎng)絡(luò)可以有效反映各項(xiàng)指標(biāo)的增長(zhǎng)變化趨勢(shì)，能夠?yàn)楸O(jiān)測(cè)方案的制定和實(shí)施提供重要參考.

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)； 渭河地表水； 環(huán)境預(yù)測(cè)

0引言

由于近年來(lái)人類生產(chǎn)生活的程度逐步加劇，流域生態(tài)環(huán)境質(zhì)量逐年下降，生態(tài)環(huán)境承載力嚴(yán)重負(fù)載.隨著國(guó)家對(duì)環(huán)境監(jiān)測(cè)的重視和各個(gè)學(xué)科對(duì)環(huán)境預(yù)測(cè)方法的提出，地表水水質(zhì)預(yù)測(cè)成了環(huán)境保護(hù)領(lǐng)域里的熱點(diǎn)研究問(wèn)題.環(huán)境監(jiān)測(cè)是測(cè)定影響環(huán)境質(zhì)量因素的代表值，及時(shí)準(zhǔn)確的獲取環(huán)境監(jiān)測(cè)數(shù)據(jù)，客觀反映水質(zhì)和污染物的變化趨勢(shì)，為環(huán)境管理、環(huán)境規(guī)劃、污染源控制等提供了科學(xué)依據(jù).從信息技術(shù)的角度上看，環(huán)境監(jiān)測(cè)首先要獲取環(huán)境信息，然后傳遞給檢測(cè)部門進(jìn)行分析，最后綜合數(shù)據(jù)定量研究[1].

由于時(shí)間、氣候、工業(yè)發(fā)展、人群流動(dòng)等不確定因素的影響，監(jiān)測(cè)數(shù)據(jù)有著非線性的特點(diǎn).傳統(tǒng)的預(yù)測(cè)方法建立在實(shí)驗(yàn)判斷和經(jīng)驗(yàn)公式的基礎(chǔ)上，難以從具有相關(guān)性的多項(xiàng)指標(biāo)中剝離出相對(duì)獨(dú)立的影響因素，以至無(wú)法建立普遍適用的數(shù)學(xué)模型[2].21世紀(jì)以來(lái)，對(duì)于地表水污染指標(biāo)的預(yù)測(cè)已經(jīng)在各個(gè)學(xué)科中廣泛開(kāi)展，在定量研究的過(guò)程中，很多學(xué)者運(yùn)用多種研究方法對(duì)水質(zhì)的變化情況做出了預(yù)測(cè)分析.目前水質(zhì)預(yù)測(cè)主要有灰色預(yù)測(cè)法、支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)等.在水質(zhì)數(shù)據(jù)隨機(jī)且復(fù)雜的條件下建立GM(1,1)灰色預(yù)測(cè)模型，可以預(yù)測(cè)未來(lái)較長(zhǎng)時(shí)間內(nèi)的水質(zhì)變化趨勢(shì)[3,4]；支持向量機(jī)能夠利用少量的水質(zhì)樣本構(gòu)建回歸函數(shù)，并且具有較強(qiáng)的泛化能力，對(duì)于水質(zhì)評(píng)價(jià)和預(yù)測(cè)有較高的實(shí)用價(jià)值[5-7]；RBF神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)管網(wǎng)水質(zhì)余氯濃度時(shí)具有網(wǎng)絡(luò)快速收斂的特點(diǎn)，預(yù)測(cè)精度較高的并具備一定的泛化能力[8]；運(yùn)用遺傳算法來(lái)優(yōu)選RBF神經(jīng)網(wǎng)絡(luò)參數(shù)，對(duì)渭河陜西段的水質(zhì)參數(shù)進(jìn)行模擬評(píng)價(jià)[9]；BP神經(jīng)網(wǎng)絡(luò)運(yùn)用L-M算法克服了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)收斂速度慢和局部極小的問(wèn)題，利用Matlab的GUI建立并驗(yàn)證了天津于橋水庫(kù)水質(zhì)的預(yù)測(cè)模型[10-12]；在對(duì)洞庭湖葉綠素-a含量的測(cè)定中，貝葉斯正則化神經(jīng)網(wǎng)絡(luò)有效避免了過(guò)擬合問(wèn)題，提升了網(wǎng)絡(luò)的魯棒性，對(duì)于水生態(tài)數(shù)據(jù)預(yù)測(cè)有一定的借鑒作用[13].

本文主要利用了BP神經(jīng)網(wǎng)絡(luò)的自適應(yīng)與自組織能力，對(duì)渭河咸陽(yáng)段水質(zhì)數(shù)據(jù)進(jìn)行模擬并驗(yàn)證準(zhǔn)確性，以確定此方法用來(lái)預(yù)測(cè)水質(zhì)變化情況是否可行.渭河是黃河流域最大的支流，發(fā)源于甘肅省定西市，主要流經(jīng)天水、寶雞、咸陽(yáng)、西安，在渭南潼關(guān)匯入黃河，其流域總面積13.43 萬(wàn)平方公里，全長(zhǎng)818公里.其中，渭河咸陽(yáng)段位于渭河中下游地區(qū)，研究對(duì)于西安咸陽(yáng)兩市的地表水監(jiān)測(cè)和西咸新區(qū)的綠色開(kāi)發(fā)有著重要意義.

1研究方法

1.1BP人工神經(jīng)網(wǎng)絡(luò)原理

人工神經(jīng)網(wǎng)絡(luò)是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征，并進(jìn)行分布式并行信息處理的數(shù)學(xué)模型.1986年，以Rumelhart和McCelland為首的科學(xué)家小組提出了一種按照誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，即BP(Back Progagation)網(wǎng)絡(luò)[14].BP網(wǎng)絡(luò)是由不同的層級(jí)和其中所包含的人工神經(jīng)元構(gòu)成，網(wǎng)絡(luò)結(jié)構(gòu)包含了一個(gè)輸入層，若干隱藏層和一個(gè)輸出層，如圖1所示.

圖1　神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

其中，x1,x2,…,xn為網(wǎng)絡(luò)的輸入向量，同一層級(jí)中的神經(jīng)元無(wú)關(guān)聯(lián)，其傳遞函數(shù)是連續(xù)可微的非線性函數(shù)，通常采用S形的對(duì)數(shù)或正切函數(shù)，如logsig函數(shù)和tansig函數(shù).而層與層之間的神經(jīng)元通過(guò)權(quán)值wij、wki和閾值αi、βk連接，閾值的取值范圍通常為(-1,1).

1.2BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程

BP網(wǎng)絡(luò)的信息傳導(dǎo)分為信號(hào)的前向傳播和誤差的反向傳播.在圖1的網(wǎng)絡(luò)中，輸入信號(hào)的函數(shù)計(jì)算按照網(wǎng)絡(luò)層級(jí)由輸入到輸出正向進(jìn)行，而權(quán)值和閾值則反向進(jìn)行修正.

1.2.1信號(hào)的正向傳播模型

激活函數(shù)采用值域在(0，1)內(nèi)連續(xù)的Sigmoid函數(shù)：

(1)

信號(hào)由輸入層xj傳遞到隱藏層第i個(gè)節(jié)點(diǎn)函數(shù)為：

(2)

因此，信號(hào)從隱藏層輸出的計(jì)算模型為：

(3)

而輸出層第k個(gè)節(jié)點(diǎn)的輸入為：

(4)

所以輸出層節(jié)點(diǎn)的計(jì)算模型為：

Yk=h(Sk)=

(5)

1.2.2誤差的反向傳播模型

網(wǎng)絡(luò)誤差是從輸出層開(kāi)始反向逐層傳遞，用一個(gè)均方誤差MSE(mean square error)函數(shù)E來(lái)表示每一個(gè)樣本預(yù)期輸出(Tk)與實(shí)際計(jì)算輸出(Yk)之間的誤差，則有：

(6)

而p個(gè)樣本的總誤差函數(shù)為：

(7)

1.2.3權(quán)值修正模型

BP網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程是指通過(guò)修正各層間的權(quán)值和神經(jīng)元的閾值，最終使網(wǎng)絡(luò)輸出逼近期望值.BP網(wǎng)絡(luò)通常采用梯度下降法來(lái)計(jì)算隱藏層及輸出層的權(quán)值修正量和閾值修正量，由于網(wǎng)絡(luò)學(xué)習(xí)時(shí)間較長(zhǎng)，采用動(dòng)量BP算法MOBP(momentum backpropagation)提升網(wǎng)絡(luò)收斂效率.

由于網(wǎng)絡(luò)輸出誤差對(duì)權(quán)值經(jīng)過(guò)t次迭代后的梯度向量為：

(8)

而經(jīng)過(guò)t次迭代后的權(quán)值向量為：

(9)

其中，η為學(xué)習(xí)速率.

為了減少網(wǎng)絡(luò)的學(xué)習(xí)時(shí)間，采用動(dòng)量BP算法，即引入動(dòng)量系數(shù)mc∈(0,1)

Δw(t+1)=mc+Δw(t)+

(10)

1.2.4閾值修正模型

閾值的修正算法和權(quán)值相同，因此在閾值的修正公式為：

Δα(t+1)=mc+Δα(t)+

(11)

根據(jù)誤差調(diào)整了網(wǎng)絡(luò)參數(shù)之后，再對(duì)算法進(jìn)行迭代，直到產(chǎn)生最小誤差并最終確定權(quán)值、閾值，神經(jīng)網(wǎng)絡(luò)訓(xùn)練即告停止.

2數(shù)據(jù)處理及網(wǎng)絡(luò)設(shè)計(jì)

2.1數(shù)據(jù)來(lái)源

本文的數(shù)據(jù)來(lái)源為咸陽(yáng)市環(huán)保局環(huán)境監(jiān)測(cè)站2008年至2014年環(huán)境質(zhì)量報(bào)告，渭河咸陽(yáng)段有四個(gè)主要監(jiān)測(cè)點(diǎn)位，分別是興平、南營(yíng)、鐵路橋、中隆，其中興平斷面位于咸陽(yáng)市區(qū)上游，其監(jiān)測(cè)數(shù)據(jù)能夠較好的反應(yīng)渭河進(jìn)入咸陽(yáng)市區(qū)時(shí)的地表水水質(zhì)狀況.本文選取了渭河咸陽(yáng)段上游的興平點(diǎn)位作為研究對(duì)象，根據(jù)《地表水環(huán)境質(zhì)量標(biāo)準(zhǔn)》(GB3838-2002)，對(duì)溶解氧(DO)、高錳酸鹽指數(shù)(CODMn)、生化需氧量(BOD5)、氨氮(NH3-N)、化學(xué)需氧量(CODCr)這五項(xiàng)指標(biāo)的未來(lái)變化趨勢(shì)做出合理預(yù)測(cè).

數(shù)據(jù)獲取主要包括樣品采集和水質(zhì)分析，渭河流經(jīng)兩省五地市，每年監(jiān)測(cè)次數(shù)不少于12次，每次監(jiān)測(cè)時(shí)間間隔3日以上，故每月月初進(jìn)行一次采樣分析.DO采用電化學(xué)探頭法現(xiàn)場(chǎng)測(cè)量(HJ 506-2009)，測(cè)量時(shí)確保無(wú)空氣泡截留；CODMn測(cè)定參照GB/T 11914-1989，采樣后加入H2SO4使樣品pH1～2并避光低溫保存；BOD5采用稀釋與接種法進(jìn)行測(cè)量(HJ 505-2009)，用水樣充滿并完全密閉的溶氧瓶在避光低溫的條件下保存運(yùn)輸.NH3-N采用納氏試劑分光光度法測(cè)量(HJ 535-2009)，樣品采集后加入H2SO4使樣品pH<2并在2 ℃～5 ℃保存；CODCr采用重鉻酸鹽法進(jìn)行測(cè)量(GB 11914-89)，采樣后需加入H2SO4使樣品pH<2并低溫保存[15].采樣頻率每月一次，從2008年1月至2013年12月，五個(gè)地表水監(jiān)測(cè)項(xiàng)目共分析獲得360個(gè)監(jiān)測(cè)數(shù)據(jù).

2.2數(shù)據(jù)處理

將360個(gè)數(shù)據(jù)按照類別分為5組，每組樣本包含72個(gè)數(shù)據(jù).由于監(jiān)測(cè)數(shù)據(jù)受環(huán)境氣候條件、采樣點(diǎn)位、監(jiān)測(cè)方法、儀器校準(zhǔn)以及突發(fā)情況的影響，監(jiān)測(cè)數(shù)據(jù)有著非線性的特點(diǎn).但是根據(jù)每年平水期、枯水期、豐水期的平均值和環(huán)境治理工作的進(jìn)展情況來(lái)判斷，本數(shù)據(jù)又存在季節(jié)性規(guī)律和指數(shù)同比降低的規(guī)律性特征.

將2008年至2013年的監(jiān)測(cè)數(shù)據(jù)作為訓(xùn)練樣本，確定網(wǎng)絡(luò)結(jié)構(gòu)；然后利用2014年的實(shí)測(cè)值來(lái)驗(yàn)證預(yù)測(cè)模型，最終實(shí)現(xiàn)利用BP神經(jīng)網(wǎng)絡(luò)的渭河水質(zhì)預(yù)測(cè).為了加快網(wǎng)絡(luò)訓(xùn)練速度，首先對(duì)各組數(shù)據(jù)進(jìn)行歸一化處理.

采用Matlab中的zscore函數(shù)對(duì)原始樣本進(jìn)行歸一化處理，表達(dá)式為：

(12)

2.3網(wǎng)絡(luò)設(shè)計(jì)

網(wǎng)絡(luò)的設(shè)計(jì)思路是分析第N組、N+1組、N+2組和N+3組的各項(xiàng)指標(biāo)，進(jìn)而預(yù)測(cè)第N+4組的數(shù)值.表達(dá)式為：

(13)

設(shè)計(jì)一個(gè)雙隱層BP神經(jīng)網(wǎng)絡(luò)，包含一個(gè)輸入層，兩個(gè)隱藏層和一個(gè)輸出層.其中輸入層包含四個(gè)神經(jīng)元，分別輸入第N組、N+1組、N+2組和N+3組的各項(xiàng)指標(biāo)；輸出層為一個(gè)神經(jīng)元，輸出第N+4組的數(shù)據(jù)；隱藏層神經(jīng)元理論上個(gè)數(shù)越多，網(wǎng)絡(luò)的預(yù)測(cè)精度就會(huì)越高，但是過(guò)多的神經(jīng)元會(huì)加大網(wǎng)絡(luò)的泛化誤差并使訓(xùn)練速度大打折扣[16].因此，采取實(shí)驗(yàn)比對(duì)的方法來(lái)確定隱藏層神經(jīng)元數(shù)目.使兩個(gè)隱層神經(jīng)元數(shù)目分別在[10,50]的范圍內(nèi)取值，使其網(wǎng)絡(luò)訓(xùn)練的均方誤差(MSE)最小.

5項(xiàng)監(jiān)測(cè)指標(biāo)中每項(xiàng)包含72個(gè)數(shù)據(jù)，數(shù)據(jù)內(nèi)容參照2008年1月至2013年12月每個(gè)月進(jìn)行一次的地表水例行監(jiān)測(cè)結(jié)果.用Matlab實(shí)現(xiàn)網(wǎng)絡(luò)設(shè)計(jì)，隱層傳遞函數(shù)均為tansig，輸出層傳遞函數(shù)為purelin，訓(xùn)練函數(shù)為trainlm，最大訓(xùn)練次數(shù)1000次，設(shè)定網(wǎng)絡(luò)的目標(biāo)誤差為0.001.經(jīng)過(guò)多次實(shí)驗(yàn)驗(yàn)證，得到表1中的五種網(wǎng)絡(luò)結(jié)構(gòu)，均方誤差通過(guò)MSE函數(shù)計(jì)算得出，MSE值越小，訓(xùn)練的網(wǎng)絡(luò)模型精度越高，性能越穩(wěn)定，逼近真實(shí)數(shù)據(jù)的變化規(guī)律.

表1　網(wǎng)絡(luò)結(jié)構(gòu)及均方誤差

3結(jié)果與討論

3.1網(wǎng)絡(luò)預(yù)測(cè)結(jié)果

在Matlab中運(yùn)行表1的各組網(wǎng)絡(luò)，由于網(wǎng)絡(luò)的預(yù)測(cè)原理是通過(guò)輸入前4組數(shù)據(jù)來(lái)預(yù)測(cè)第5組數(shù)據(jù)， 所以2014年1月至4月各項(xiàng)指標(biāo)每月初一次例行監(jiān)測(cè)產(chǎn)生的4個(gè)實(shí)測(cè)數(shù)據(jù)作為網(wǎng)絡(luò)初始輸入，則每項(xiàng)指標(biāo)對(duì)應(yīng)的BP神經(jīng)網(wǎng)絡(luò)可以依次輸出5月至12月的8個(gè)預(yù)測(cè)值，通過(guò)Matlab將輸出結(jié)果與真實(shí)值做出對(duì)比，預(yù)測(cè)結(jié)果和實(shí)測(cè)值的對(duì)比如圖2～6所示.

圖2　溶解氧(DO)的預(yù)測(cè)值與真實(shí)值對(duì)比

圖3　高錳酸鹽指數(shù)(CODMn)的預(yù)測(cè)值與真實(shí)值對(duì)比

圖4　五日生化需氧量(BOD5)的預(yù)測(cè)值與真實(shí)值對(duì)比

圖5　氨氮(NH3-N)的預(yù)測(cè)值與真實(shí)值對(duì)比

圖6　化學(xué)需氧量(CODCr)的預(yù)測(cè)值與真實(shí)值對(duì)比

3.2網(wǎng)絡(luò)預(yù)測(cè)評(píng)價(jià)

根據(jù)圖2～6的實(shí)驗(yàn)結(jié)果得出預(yù)測(cè)結(jié)果的相對(duì)誤差如表2所示.

表2　預(yù)測(cè)值與實(shí)際值的相對(duì)誤差

分析預(yù)測(cè)結(jié)果的相對(duì)誤差.從時(shí)間上看，5月份的預(yù)測(cè)精度相對(duì)較高，6月份的預(yù)測(cè)精度略微降低，7～12月份預(yù)測(cè)精度較差.預(yù)測(cè)精度隨著時(shí)間推移逐步降低，說(shuō)明了本文中建立的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)于監(jiān)測(cè)目標(biāo)的長(zhǎng)期預(yù)測(cè)性能較差，但對(duì)于一個(gè)采樣期內(nèi)的短期預(yù)測(cè)有著較高的預(yù)測(cè)精度.由于適用于各個(gè)分析項(xiàng)目的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)不同，每項(xiàng)指標(biāo)的預(yù)測(cè)精度也存在差異性特征.從表2可以看出，DO的預(yù)測(cè)精度相對(duì)較高，且能反映未來(lái)8個(gè)月的指數(shù)變化特征；CODMn次之，基本可以反映預(yù)測(cè)指標(biāo)的改變趨勢(shì)；BOD5、NH3-N、CODCr的預(yù)測(cè)精度較差，除5月和6月的預(yù)測(cè)值較滿意外，7～12月的預(yù)測(cè)值僅能反映其指標(biāo)的未來(lái)變化趨勢(shì).

本文所建立的BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果基本實(shí)現(xiàn)了對(duì)五項(xiàng)污染指標(biāo)的短期預(yù)測(cè)，輸入四個(gè)月的實(shí)測(cè)值能夠較好的預(yù)測(cè)第五個(gè)月的數(shù)值，而后續(xù)的預(yù)測(cè)精度隨著時(shí)間逐步降低，相對(duì)誤差較大，無(wú)法為實(shí)際應(yīng)用提供有效參考.從每項(xiàng)指標(biāo)的預(yù)測(cè)圖形上可以看出，采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)預(yù)測(cè)可以反映相關(guān)污染指標(biāo)的變化趨勢(shì)，能夠?yàn)榄h(huán)境監(jiān)測(cè)工作的實(shí)施提供合理信息，但無(wú)法將預(yù)測(cè)精度控制在較小的范圍內(nèi).

4結(jié)論

本文采用了BP神經(jīng)網(wǎng)絡(luò)分析了渭河咸陽(yáng)段興平點(diǎn)位的五項(xiàng)污染指標(biāo)的變化規(guī)律.首先利用Matlab中的zscore函數(shù)對(duì)原始數(shù)據(jù)進(jìn)行歸一化處理，然后建立包含雙隱層的BP神經(jīng)網(wǎng)絡(luò)對(duì)5項(xiàng)指標(biāo)的變化趨勢(shì)進(jìn)行模擬，逐一實(shí)驗(yàn)測(cè)試兩個(gè)隱藏層的神經(jīng)元數(shù)量，使網(wǎng)絡(luò)MSE相對(duì)最低，最后經(jīng)過(guò)訓(xùn)練確定5個(gè)不同結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò).利用訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)對(duì)2014年5～12月的數(shù)值進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果顯示本文中建立的BP神經(jīng)網(wǎng)絡(luò)對(duì)于短期預(yù)測(cè)表現(xiàn)良好，對(duì)于長(zhǎng)期預(yù)測(cè)性能較差，僅能反映變化趨勢(shì).預(yù)測(cè)地表水污染物的含量可以為環(huán)境監(jiān)測(cè)工作開(kāi)辟一條更為合理便捷的道路，然而如何提高預(yù)測(cè)精度和預(yù)測(cè)范圍仍然是亟待解決的問(wèn)題.由于本文可用的訓(xùn)練樣本數(shù)量較少是影響預(yù)測(cè)精度的主要原因，在未來(lái)的研究中如何采用有限的樣本，取得較高的預(yù)測(cè)精度仍是值得考慮的問(wèn)題.

參考文獻(xiàn)

[1] 奚旦立，孫裕生.環(huán)境監(jiān)測(cè)[M].北京：高等教育出版社，2010.

[2] 蘇彩虹，向娜，金梅林.基于ABC優(yōu)化算法的神經(jīng)網(wǎng)絡(luò)水溶解氧預(yù)測(cè)[J].計(jì)算機(jī)仿真，2013，30(11)：325-329.

[3] 張冉，孫寶盛，王永亮，等.黃河入?？谒|(zhì)評(píng)價(jià)與預(yù)測(cè)[J].環(huán)境工程學(xué)報(bào)，2013，7(8)：3 089-3 093.

[4] 尚曉鍶,林衛(wèi)東,唐艷葵.指數(shù)平滑和GM(1,1)組合法在水質(zhì)預(yù)測(cè)中的應(yīng)用——以邕江水源地鐵、錳濃度為例[J].環(huán)境科學(xué)與技術(shù)，2011，34(1)：191-195.

[5] 李祚泳,張正健.基于回歸支持向量機(jī)的指標(biāo)規(guī)范值的水質(zhì)評(píng)價(jià)模型[J].中國(guó)環(huán)境科學(xué)，2013，33(8)：1 502-1 508.

[6] 王成杰,張森.基于主成分和粒子群優(yōu)化支持向量機(jī)的水質(zhì)評(píng)價(jià)模型[J].環(huán)境工程學(xué)報(bào)，2014，8(10)：4 545-4 549.

[7] 房平,邵瑞華,司全印，等.最小二乘支持向量機(jī)應(yīng)用于西安霸河口水質(zhì)預(yù)測(cè)[J].系統(tǒng)工程，2011，29(6)：113-117.

[8] 謝昕,郭鵬飛,詹小麗.基于RBF神經(jīng)網(wǎng)絡(luò)的余氯濃度預(yù)測(cè)模型研究[J].傳感器與微系統(tǒng)，2012，31(8)：64-65.

[9] 何同弟,李見(jiàn)為,黃鴻.基于GA優(yōu)選參數(shù)的RBF神經(jīng)網(wǎng)絡(luò)水質(zhì)評(píng)價(jià)[J].計(jì)算機(jī)工程，2011，37(11)：13-15.

[10] Zhao Ying，Nan Jun，Cui Fuyi，et al.Water quality forecast through application of BP neural network at Yuqiao reservoir[J].Journal of Zhejiang Univeristy Science A，2007，8(9)：1 482-1 487.

[11] 崔東文.水質(zhì)綜合評(píng)價(jià)的LM-BP神經(jīng)網(wǎng)絡(luò)通用模型應(yīng)用[J].水資源保護(hù)，2013，29(6)：18-25.

[12] 趙英,崔福義,郭亮，等.基于BP神經(jīng)網(wǎng)絡(luò)的天津于橋水庫(kù)CODMn預(yù)測(cè)研究[J]. 南京理工大學(xué)學(xué)報(bào)(自然科學(xué)版)，2008，32(3)：377-380.

[13] Xu Min，Zeng Guangming，Xu Xinyi，et al.Application of bayesian regularized BP neural network model for analysis of aquatic ecological data-A case study of chlorophyll-aprediction in Nanzui water area of Dongting lake[J].Journal of Environmental Sciences，2005，17(6)：946-952.

[14] 史忠植.神經(jīng)網(wǎng)絡(luò)[M].北京：高等教育出版社，2009.

[15] 中國(guó)環(huán)境監(jiān)測(cè)總站.水環(huán)境監(jiān)測(cè)技術(shù)[M].北京：中國(guó)環(huán)境出版社，2014.

[16] 申浩洋,韋安磊，王小文，等.BP人工神經(jīng)網(wǎng)絡(luò)在環(huán)境空氣SO2質(zhì)量濃度預(yù)測(cè)中的應(yīng)用[J].環(huán)境工程，2014，32(6)：117-121.

【責(zé)任編輯：蔣亞儒】

Pollution index of surface water predicting analysis based on BP neural network

ZHENG Hao1， XUE Hui-feng1， FENG Hai-tao2

(1.College of Automation, Northwestern Polytechnical University, Xi′an 710054, China; 2.College of Arts and Sciences， Shaanxi University of Science & Technology, Xi′an 710021, China)

Abstract:Surface water data of Wei River was collected from 2008 to 2014 to analyze concentrations of DO,CODMn,BOD5,CODCr, NH3-N. Double hidden layer BP neural network models were established respectively to forecast relative surface water index next year.The results illustrated that BP neural network models can be used in short-term forecast with higher precision.However,long-term forecast had diversity among different elements,DO and CODMnhad higher precision to compare with BOD5,NH3-N and CODCr,which was difficult to forecast reliable index.Therefore,adapting BP neural network was an efficient way to predict the trend of surface water index.The method can be referenced in terms of making monitoring projects.

Key words:BP neural network; Wei river surface water; environmental prediction

中圖分類號(hào)：X830.3

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1000-5811(2016)03-0161-05

作者簡(jiǎn)介:鄭淏(1988-)，男，陜西咸陽(yáng)人，在讀博士研究生，研究方向：資源環(huán)境系統(tǒng)工程

基金項(xiàng)目：陜西省科技廳社會(huì)發(fā)展科技攻關(guān)項(xiàng)目(2016SF-454)

收稿日期:2016-01-04