基于BP人工神經網絡的海水水質綜合評價

李雪，劉長發,2，朱學慧，謝謝

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

基于BP人工神經網絡的海水水質綜合評價

李雪1，劉長發1,2，朱學慧1，謝謝1

（1．大連海洋大學 海洋環境工程學院，遼寧 大連 116023； 2．近岸海洋環境科學與技術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進行綜合評價，在分析人工神經網絡概念和原理的基礎上，從閾值角度出發，通過對各類海水水質污染指標濃度生成樣本的方法，生成了適用于BP人工神經網絡模型訓練的樣本，并應用基于誤差反向傳播原理的前向多層神經網絡，建立了用于海水水質評價的BP人工神經網絡模型。將該模型用于渤海灣近岸海域水環境評價，通過模型的計算，得到該海域的水質類別。結果表明，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。經訓練的評價模型應用于實例的評價結果表明，該模型設計合理、泛化能力強，對海水水質評價具有較好的客觀性、通用性和實用性。

人工神經網絡；海水水質；訓練樣本；連接權值；評價

海水水質評價方法主要有單指數評價法和綜合評價法。環境管理部門將單指數評價法運用于環境影響評價以利于水環境的保護，但如果將其運用于水環境質量評價，會大大降低水域功能，不能發揮水環境的綜合作用。水質綜合評價是水環境質量評價的重要內容，它以定量的特征直觀地表示了水環境質量的總體狀況，是現代環境科學基礎理論研究的重要課題。國內外學者用于海水水質綜合評價的方法有很多，如早期使用的綜合指數法、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定一些參數，多數需要設計各評價指標對各級標準的隸屬函數及各指標的權重，評價結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用，在環境評價中只能作為參考，仍要求采用單指數評價法確定水質類別[6]。所以，需要研究更具客觀性的水質綜合評價方法。

人工神經網絡是20世紀80年代以來得到迅速發展并應用于眾多學科的非線性模擬技術，它具有大規模并行處理、分布式儲存、自適應性、容錯性等優點而被廣泛應用于模式識別、智能控制、知識處理和預測等眾多領域，是目前最活躍的前沿學科之一，尤其適合于處理非線性系統[7-12]，這些特性正是海水水質綜合評價所要求的。本文探討了應用人工神經網絡中的BP模型給出客觀的海水水質評價方法。

1 BP人工神經網絡原理

人工神經網絡（artificial neural network，ANN）是在人類對其大腦神經網絡認識理解的基礎上，人工構造的能夠實現某種功能的神經網絡。它是理論化的人腦神經網絡的數學模型，是基于模仿大腦神經網絡結構和功能而建立的一種信息處理系統[13]。目前，常用的神經網絡模型有很多種，其中BP（back propagation）網絡算法先進成熟，工作狀態穩定，研究范例較多，便于借鑒，特別是它適合于模式識別和數據分類[14]。

從結構上講，BP網絡是多層網絡，分為輸入層、隱含層和輸出層，各層之間實行全互聯連接，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網絡實現了多層學習的設想，當給定網絡一個輸入模式時，它由輸入層單元傳到隱含層單元，經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生一個輸出模式，這是一個逐層狀態更新過程，稱為前向傳播，如果輸出響應與期望輸出模式有誤差，不滿足要求，則轉入誤差反向傳播，將誤差值沿連接通路逐層反向傳送并修正各層連接權值，當各個訓練模式都滿足要求時，則學習結束。

在實際訓練時，首先要提供一組訓練樣本，其中的每個訓練樣本由輸入樣本和理想輸出對組成。當網絡的所有實際輸出與其理想輸出一致時，訓練結束。否則，通過誤差反向傳播的方法來修正權值使網絡的理想輸出與實際輸出一致。反復學習直至樣本集總誤差達到某個精度要求，并記錄此時調整后的權值，用于計算[16]。

圖1 BP網絡拓撲結構Fig. 1 Topology of BP network

2 海水水質評價的BP網絡方法

2.1 建立計算模型及訓練樣本

2.1.1 輸入層、隱含層和輸出層的確定

以渤海為例，根據渤海灣近岸海域的污染特點，選取溶解氧、化學需氧量、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標準（GB 3097-1997）作為評價依據。需要說明的是，海水水質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，鑒于這兩個區間范圍較大，在進行綜合評價時容易對分類結果造成影響，因此，以取平均值法對這兩個區間進行劃分，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。

輸入層神經元個數為5，分別對應于5項污染指標（如圖2）。由于海水水質標準給出了對應于各類海水水質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規定的污染指標濃度區間內時，該海水水質屬于相應的類別，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，該海水水質屬于Ⅱ類。這樣在上述污染指標區間內進行隨機取值，可以生成足夠多屬于Ⅱ類海水水質的樣本，同理也可在其他區間內取值生成足夠多的其他各類海水水質的樣本。由于篇幅關系，表1僅給出分界值樣本和學習結果。

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

隱含層神經元數目理論上由下面公式確定[19]：隱含層神經元數目= m+n＋a，其中m為輸入層神經元數，n輸出層神經元數，a為1 ～ 10的常數，根據此公式及試錯法取隱含層神經元數為3，從而得到一個結構為5-3-1的BP網絡。

圖2 5-3-1 BP網絡結構圖Fig. 2 Structure of BP network

2.1.2 訓練樣本與學習結果

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類的訓練樣本。為了使BP網絡加快收斂，需將訓練樣本無量綱化，使各樣本元素在0 ～ 1之間，然后對網絡進行訓練，訓練樣本與學習結果見表1。

表1 BP網絡訓練樣本與學習結果Tab. 1 Training sample and learning result of BP network

2.2 網絡參數的確立

通過對樣本的學習和對網絡的反復訓練，確定學習誤差為10-5，學習率為0.8，動量項為0.2，訓練次數為105，得到了BP網絡的權值和閾值（見表2），由此也就確立了渤海灣近岸海域海水水質評價的人工神經網絡模型。

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

2.3 應用實例

以渤海灣近岸海域5個測試點（001－005，如圖3所示）為例，其水環境質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。應用以上建立的BP海水水質人工神經網絡模型，選取這5個測試點2004－2007年枯水期和豐水期的實測數據作為測試集，對已經建立的BP網絡進行測試，測試結果見表4。

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

表4 BP網絡海水水質評價模型測試實例Tab. 4 Sea water quality assessment model testing case of BP network

由表4中的5個測試點的網絡輸出水質類別可知，渤海灣近岸海域水質總體上在河流豐水期時比枯水期時污染嚴重。比較5個測試點的水質類別，北排水河附近海域水質較好，只在2006年豐水期時為Ⅳ類水質，其余都為Ⅰ類和Ⅱ類；獨流減河附近海域次之，出現一次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，水質有好轉趨勢。

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

3 結 論

將人工神經網絡技術應用于海水水質綜合評價建模時，不必了解變量之間的具體關系，只需根據實際問題確定網絡結構，通過典型樣本的學習，獲得有關該問題知識的網絡權值，從而進行海水水質的評價分析，具有結構簡單、建模方便、評價結果直觀、客觀的特點。由于水環境污染程度與水質等級相互聯系并存在模糊性，同時水質變化又是連續的，因此用BP網絡評價海水水質可以使結果更加量化、準確。不僅如此，BP模型可以選取任意多的水質參數進行學習，建立不同的評價模型。學習成功后對任意的實測樣本均可得到可靠的評價結果，因此具有廣泛的適用性。BP人工神經網絡在海水水質評價問題上有著良好的應用前景與推廣價值。

[1] 史曉新, 夏軍. 水環境質量評價灰色模式識別模型及應用 [J]. 中國環境科學, 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評價 [J]. 水利學報, 1991, 6： 35-40.

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

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

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

[6] 陳麗華, 馬德山. 黃河水質綜合評價的人工神經網絡模型 [J]. 西北民族學院學報, 2002, 23(3)： 28-32.

[7] 閻平凡, 張長水. 人工神經網絡與模擬進化計算 [J]. 北京： 清華大學出版社, 2000： 1-37.

[8] 閻平凡. 人工神經網絡的容量、學習與計算復雜性 [J]. 電子學報, 1995, 23(1)： 63-67.

[9] 趙林明, 胡浩之, 魏德華, 等. 多層前向人工神經網絡 [J]. 鄭州： 黃河水利出版社, 1999： 9-68.

[10] 董聰, 多層前向網絡的逼近與泛化機制 [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工具箱的神經網絡理論與應用 [M]. 合肥： 中國科技大學出版社, 1998： 1-29.

[14] 樓文高. BP神經網絡模型在水環境質量綜合評價應用中的一些問題 [J]. 水產學報, 2002, 26(1)： 90-96.

[15] 劉增良, 劉有才. 模糊邏輯與神經網絡——理論研究與探索 [M]. 北京： 北京航空航天大學出版社, 1996： 1-38.

[16] 胡守仁, 余少波, 戴葵. 神經網絡理論 [M]. 北京： 國防科技大學出版社, 1993, 21(3)： 312-317.

[17] 李祚泳. BP網絡用于水質綜合評價方法的研究 [J]. 環境工程, 1995, 13(2)： 51-53.

[18] 薛建軍, 姚桂基. 人工神經網絡在水質評價中的應用 [J]. 水文, 1997, 3： 37-39.

[19] 張立明. 人工神經網絡的模型及其應用 [M]. 上海： 復旦大學出版社, 1993： 55-70.

[20] 天津市海洋環境質量公報. 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專項（200805069）

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

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