基于BP神经网络与粒子群算法的水质评价方法

张乐乐+曹伟+龙华+赵继东

摘要：针对水质评价中BP神经网络算法存在的收敛精度不高、泛化能力弱等问题，提出了一种粒子群算法和BP神经网络算法相结合的改进型算法。该算法优化了BP神经网络的网络参数，提高了算法的收敛精度及网络泛化能力。通过实验验证了算法的有效性。

关键词关键词：水质评价；神经网络；粒子群；网络参数

DOIDOI：10.11907/rjdk.171853

中图分类号：TP319

文献标识码：A文章编号文章编号：16727800（2017）011012104

0引言

目前，国内经常使用的水质评价方法主要有单指数评价法、灰色理论方法、模糊综合评价法、人工神经网络法等。单指数评价法的常用思想是“一票否决”，只选用一个指标评价水质缺乏一定的准确性[1]。孙伟光等[2]使用单因子法对某河流的水质进行评测，只能够得出单一的污染因子，很难综合性地评价河流水质。国内推广了邓聚龙[3]所提出的灰色理论方法，王平等[4]将灰色理论评价法用于滏阳河的水质评价。然而，灰色理论法应用于水质指标时不仅计算复杂度高而且需要对各项指标的最优值进行确定。此外，在最优值确定过程中，该方法主观性过强，使得部分指标最优值难以确定。模糊综合评价法主要是将水体中不同污染的指标按照一定权重进行加权，但是水中污染物质的有害性及其在水中的浓度不能用简单的关系说明，这种方法在实际的水质评价中误差很大[5]。人工神经网络具有分布式联想能力、自学习能力及自组织能力，在水质评价、人脸识别等领域被广泛使用[6]。岳丹丹等[7]使用BP人工神经网络对西鞍山铁矿地下水水质进行评价，得出人工神经网络能够避免在评价中人为确定评价指标权重带来的主观误差。郭庆春等[8]运用人工神经网络算法对黄河水质进行评价，并对算法作出改进，改进后的算法能够解决评价因子与水质等级之间复杂的非线性关系，具有很强的适用性。但是人工神经网络算法也有其自身缺陷：收敛速度较慢、容易陷入局部极小值、泛化能力弱等[9]。

综合以上问题，本文采用BP神经网络算法和粒子群算法相结合的方式，使用粒子群算法优化BP神经网络的连接参数，避免算法陷入局部极小值，并且提高算法收敛精度和网络泛化能力。

1水质评价方法

其中，参数indim、hiddennum和outdim分别表示输入层、隐含层和输出层神经元数目。根据文献[14]可得出D=25。

3.1评价指标选取

在进行水质评价时，收集到的主要水质数据有总磷、电导率、水温、PH值、总磷、总氮、溶解氧、氨氮等。本文选取4种水体中富营养化最严重的指标，即：氨氮、溶解氧、总氮、总磷用于水质评价。

3.2评价标准确定

将2006年我国发布的《国家地表水环境质量标准》作为本文的水质评价标准，并使用该标准中不同水质等级的准确数据[15]。具体数据如表1所示。

3.3水质评价基本步骤

依据国家水质评价标准表，在对所选的四类水质评价指标进行样本收集训练时，每个区间段采集50组数据，其中40组用于训练，10组用于测试。根据表1可知，当溶解氧在所要进行评价水质中的含量超过7.5mg/L时，才能达到I类水的评价标准。水中溶氧量很难超过14.64mg/L，由此可知随机函数的随机插值系数，因此采集的50组数据溶解氧的含量在[7.5，17.5]。可用相同的方法生成300组溶解氧水质评价数据。同理，对其余3种水质评价指标生成300组数据，生成的样本数据如表2所示。

3.4实验结果

实验结果分别如图2-图9所示。

根据图8和图9得出BP神经网络和改进型BP神经网络在2012年水质评价结果对比，如表3所示。

由仿真结果可知，改进型BP神经网络算法弥补了传统BP神经网络算法在水质评价中的一些缺陷。由图2和图6可知，BP神经网络算法的水质评价测试结果和标准结果相当不吻合，算法收敛精度只能达到10-2，极有可能是算法陷入局部极小值，这就导致了在后续测试样本中有许多评价不准确的结果。由图7可知，在采用改进型BP神经网络算法进行优化以后，算法的收敛效果能够达到10-4，算法收敛精度得到很大提高。由图3可知，测试结果和标准结果之间的相对误差十分不稳定，有些误差较大而有些误差较小，网络泛化能力较弱。由图5可知，改进后的算法误差相对较小，大部分相对误差都在0.1以下，最高误差也只有0.38，并且改进算法的网络泛化能力得到提高。

从评分结果可知，春秋两季的洱海水质明显高于夏冬两季且夏季水质出现急剧下滑趋势。其主要原因是夏季水生物的生长相对较快，而旅游业的快速发展导致了大量生活污水及其它污染，使得夏季水质下滑较快。

4结语

本文对传统BP神经网络进行水质评价，发现传统BP神经网络算法在评价过程中容易陷入局部最小值，进而采用粒子群算法和BP神经网络算法相结合的方式，建立评价模型，并提出了一种新的评价方法。通过所提的POS算法优化了BP神经网络的连接参数，弥补了传统BP神经网络算法在水质评价时收敛精度不高、泛化能力弱等缺点，进一步提高了系统性能。仿真实验表明，该算法具有有效性。

参考文献参考文献：

[1]匡耀求，黄宁生.中国水资源利用与水环境保护研究的若干问题[J].中国人口·资源与环境，2013（4）：2933.

[2]孙伟光，邢佳，马云，等.单因子水质标识指数评价方法在某流域水质评价中的应用[J].环境科学与管理，2010（11）：181184，194.

[3]邓聚龙.灰色理论系统[M].武汉：华中科技大学出版社，2002.

[4]王平，王云峰.综合权重的灰色关联分析法在河流水质评价中的应用[J].水资源保护，2013（5）：5254，64.

[5]潘妍妍，赵存.模糊评价法在潞安矿区水质评价中的应用[J].煤炭技术，2010（5）：1012.

[6]毛健，赵红东，姚婧婧.人工神经网络的发展及应用[J].电子设计工程，2011（24）：6265.

[7]岳丹丹，梁海涛，王天慧，等.BP人工神经网络模型在西鞍山铁矿地下水水质评价中的应用[J].环境监测管理与技术，2016（4）：2326.

[8]郭庆春，赵雪茹.基于人工神经网络的黄河水质评价[J].计算机与数字工程，2013（5）：683685.

[9]李福，郭健.改进的BP神经网络算法在水质监测中的应用[J].计算机系统应用，2015（10）：243247.

[10]华祖林，钱蔚，顾莉.改进型LMBP神经网络在水质评价中的应用[J].水资源保护，2008（4）：2225，30.

[11]曹伟.基于改进型PSOBP神经网络算法的水环境质量评价[D].昆明：昆明理工大学，2016.

[12]高峰，冯民权，滕素芬.基于PSO优化BP神经网络的水质预测研究[J].安全与环境学报，2015（4）：338341.

[13]程适，史玉回.基于L1范式的粒子群算法群体多样性研究[J].计算机科学，2011，38（7）：190193.

[14]杨维，李歧强.粒子群优化算法综述[J].中国工程科學，2004，6（5）：8794.

[15]吕占禄，王先良，王菲菲，等.国内外地表水环境质量标准制修订工作现状[C].中国环境科学学会环境标准与基准专业委员会2013年学术研讨会，2013：4146.

责任编辑（责任编辑：孙娟）endprint