人工神經網絡在地下水質量評價中的應用

劉玉生 陳晶 樊玲 郭旺

摘 要：本文運用matlab軟件，采用BP神經網絡構建模型，按照地下水質量標準分類隨機生成足量訓練樣本，對石渠縣包蟲病區打井工程地下水樣品進行數據仿真歸類，以評價該工程飲用地下水質量。通過神經網絡評價，確保了飲用水質量評價的準確性。模型有較高的靈活性和通用性，可進一步推廣運用。

關鍵詞：神經網絡 地下水質量評價 應用

中圖分類號：X824 文獻標識碼：A 文章編號：1672-3791（2016）08（b）-0000-00

1 前言

為解決包蟲病影響百姓健康和經濟發展問題，石渠縣實施了大量打井取水工程。為了客觀評價地下水質量，本文采取了人工神經網絡算法模型，取得了理想效果。

2人工神經網絡概述

近年來，人工神經網絡取得快速發展，越來越多的應用于地質礦產、能源等領域。韓國人機圍棋大賽，“AlphaGo”完勝李世石，讓人工神經網絡倍受眾人關注。人工神經網絡是一種模仿人腦神經網絡行為特征，進行分布式并行處理信息的數學算法模型，通過調整模型內部節點間連接關系，達到處理信息的目的。

人工神經網絡可以分為模型構建、訓練和仿真三個階段。模型構建就是根據數據的特征，有針對性的構建適于數據仿真的網絡模型結構。模型結構包括輸入層、隱含層和輸出層，每一層由神經元組成。神經元是模型的基本單元，通過閾值和激活函數把上層信息傳遞給下層。模型訓練是已知輸入—輸出數據樣本，把輸入數據代入模型計算，通過不斷調整模型內部參數，使輸出結果與已知輸出數據誤差減小至允許范圍內，從而確定模型參數。訓練樣本越多、越有規律性，仿真結果就越真實。模型仿真即使用訓練好的網絡模型，用新的輸入數據代入模型，得到輸出結果的過程。仿真可以實現模擬人腦神經進行識別、判斷、歸類等功能。

3 地下水質量評價模型建立

本文采用Matlab建立一個三層的BP人工神經網絡模型，包含輸入層、隱含層和輸出層。輸入層為地下水評價因子，本文選取總硬度、溶解性總固體、硫酸鹽、氯化物等21項主要指標作為評價因子，因此輸入層有21個神經元。地下水質量分為5類，輸入期望值為Ⅰ類（1，0，0，0，0）、Ⅱ類（0，1，0，0，0）、Ⅲ類（0，0，1，0，0）、Ⅳ類（0，0，0，1，0）、Ⅴ類（0，0，0，0，1），因此輸出層神經元有5個。隱含層可設為5個神經元，則網絡結構為21→5→5（圖1）。采用Matlab工具箱premnmx函數對數據進行歸一化處理，newff函數建立BP模型，sim函數進行仿真。

4 樣本數據準備及訓練

模型訓練階段需要對足夠量的樣本進行訓練，以賦予模型結構較為準確的內部參數。本文根據《地下水質量評價標準》隨機生成足量樣本數據。例如：總硬度、溶解性總固體、硫酸鹽、氯化物四個因子，按地下水質量分類指標，在每一類區間隨機生成3個樣本，則5類共隨機得到如表2所示15個樣本。生成的樣本數量應足夠多才能提高仿真準確性和減少訓練步數，但過多樣本則影響計算速度。本文對評價的21個因子，按分類指標每類隨機生成40個樣本，共200個樣本，輸出允許誤差設為0.01，訓練到540步時就達到了目標。

5 模型仿真

本文的模型仿真對象為石渠縣東區50口井地下水的化學分析數據，每口井1組樣品，選取總硬度、溶解性總固體、硫酸鹽、氯化物等21個主要評價因子。采用matlab的sim函數，把50組樣品作為輸入數據，得到輸出結果。

以上輸出數據顯示5口井水質均為Ⅰ類。通過模型仿真，50口井水質均達到Ⅰ類水質標準，與《地下水質量標準》的綜合評價評分法結果基本一致。

6 結論

人工神經網絡運用的準確度，在于模型構建的合理性、輸入—輸出數據的相關性、訓練樣本的普適性。如果樣本采集數據較窄，不能反映大部分背景特征，那么仿真時可能出現偏差。本文選取BP神經網絡，按標準分類隨機生成大量訓練樣本，保證了樣本的普適性，使模型更可靠，運用范圍更廣。在石渠縣包蟲病區打井工程中的成功運用，說明了模型的可靠性和通用性，可進一步運用于其它工程和問題。

參考文獻

[1] 焦李成.神經網絡系統理論[M].西安：西安電子科技大學出版社，1990：6～16.

[2] 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，1992：32～51.

[3] 于建華.應用神經網絡自動識別巖性[J].石油地球物理勘探，1993，28（1）：26.