基于GABP网络的洱海水质预测研究

李宇昊+宋耀莲+杨美菊+杜庆治+赵继东

摘要：水质预测是水污染防治工作的前提，是实现水系統管理的重要基础工作。在神经网络预测基础上，提出了基于遗传算法优化神经网络的洱海水质预测模型。该方法克服了传统BP神经网络收敛速度慢、算法容易陷入极小值、隐含层神经元个数难以确定等问题。利用遗传算法较强的全局搜索能力，提高了算法收敛度，能够迅速得到全局最优解。MATLAB仿真结果对比表明，优化前神经网络模型平均误差为25.1%，优化后模型预测平均误差为2.3%，证明该算法缩短了收敛时间，提高了预测精度。

关键词关键词：遗传算法；BP神经网络；水质预测；MATLAB

DOIDOI：10.11907/rjdk.171887

中图分类号：TP319

文献标识码：A文章编号文章编号：16727800（2017）011018904

0引言

水是人类最宝贵的自然资源之一，是人类社会发展的基础，2015年国家颁布了《水污染防治行动计划》，大型湖泊水质管理是我国治理污染研究的重点[1]。洱海是云南省第二大高原淡水湖泊，既是大理市及周围地区居民的饮用水源地，也是著名的苍山洱海国家级风景区，是大理州经济文化的重要组成部分。随着经济的迅猛发展，居民生活废水、企业及旅游产生的污染、畜牧养殖源污染对洱海水质污染严重[2]。洱海近十年水质均处于水体富营养化，常年处于Ⅲ类状态，部分入湖口在汛期甚至处于劣Ⅴ类状态[3]。因此，监测洱海水质，有效预测洱海水质污染，对于保护洱海水质生态系统尤为重要。

目前，针对地表水质预测方法很多，例如魏智宽[4]利用灰色预测理论建立了龙江水质预测模型，对突发性水事故中的水质变化趋势进行了短期预测。但由于影响水质变化的因素众多，单一预测模型会受到数据不稳定的影响导致预测误差变大。石月[5]利用时间序列分析对松花江流域水质进行预测，但时间序列分析只考虑了水质指标的时间变化规律，准确性相对较差，预测精度不高。水环境是一个非线性和不确定的综合动态问题，水质预测影响因素较多，各因素之间又相互关联。针对大理洱海水质实际，本文提出一种基于洱海水质中高锰酸钾盐含量的水质预测模型[6]。通过建立遗传算法优化BP神经网络水质预测模型，对洱海水质中高锰酸钾盐含量进行预测，为洱海水质研究和预测提供科学依据。

人工神经网络（Artificial Neural Networks，ANN），简称“神经网络”（ANN），是一种抽象人类大脑的多层无反馈前向网络结构，能够处理大量信息[7]，具有类非线性、非局限性、自适应性等特性，在水质分析和评价中应用广泛[811]。BP（Back Propagation）神经网络是其代表，但BP神经网络收敛速度慢，容易陷入局部极小值，无法找到全局最优解。

遗传算法（Genetic Algorithm，GA）是基于大自然优胜劣汰的一种智能优化算法[12]。遗传算法的优点在于拥有良好的全局搜索能力，能够迅速找到解空间中最优或次优解；具有并行特点，能够进行大规模并行分布处理，鲁棒特性强，简单通用。

本文通过引入遗传算法来优化神经网络的拓扑结构及阈值和连接权值[13]，利用遗传算法的全局寻优特性弥补BP神经网络容易陷入局部最小的缺陷，取长补短，从而找到全局最优解。

1BP神经网络算法

1.1BP神经网络

BP神经网络算法是一种基于误差反向传播的多层前馈网络迭代算法。一个标准的BP神经网络由输入层、隐含层、输出层构成。BP神经网络算法学习过程分为前向传播和反向传播两个阶段[14]。信息从输入层通过隐含层逐层传递至输出层，这个阶段称为前向传播。前向传播过程中，如果实际输出与期望输出之间的误差达不到要求，则进入反向传播过程，将误差反向通过隐含层传递至输入层，修改每层之间的连接权值和阈值。前向传播和反向传播交替进行，不断校正，直至满足收敛和精度要求[15]。

3.3实验结果分析

为验证GABP神经网络水质预测模型的预测精度，本文采用GABP网络模型和BP神经网络模型对比验证。根据监测站实测数据，利用MATLAB神经网络工具分别建立BP神经网络水质预测仿真模型和GABP神经网络水质预测仿真模型，对大理洱海高锰酸钾盐含量进行预测，图2和图3为单BP神经网络模型仿真结果。

图2BP网络真实值与预测值相对误差曲线

图3BP网络真实值与预测值曲线对比

如图2和图3所示，单一BP神经网络预测高锰酸钾含量相对误差较大，预测值曲线与真实值曲线走势相差较大，预测不够精确。

图4至图7为GABP水质预测模型仿真结果。

对比单一BP神经网络实验结果（见图2、图3），通过计算发现：传统神经网络水质预测模型平均误差为25.1%。遗传优化神经网络水质预测模型平均误差为2.3%，优化后的神经网络预测效果远远优于未优化的神经网络，预测曲线走势较为接近真实数据走势。

4结语

本文通过优化神经网络连接权值和阈值，对大理洱海水质中高锰酸钾盐含量进行预测。预测结果显示，该优化算法具有收敛速度快、预测误差小等特点。利用遗传算法解决了BP神经网络容易陷入局部极小值问题。通过与未优化的传统BP神经网络对比，发现优化后的神经网络预测精度显著提高，真实值与预测值的相对误差降低了22.8%，预测结果更符合实际情况。本文模型能够较好地应用于大型湖泊水质监测和预测，为水质治理和预警提供可靠依据，具有良好的应用前景。

参考文献参考文献：

[1]中国环境保护产业协会水污染治理委员会.水污染治理行业2015年发展综述[J].中国环保产业，2016（9）：1121.

[2]卢少勇，张闻涛，邢奕.洱海10条入湖河流缓冲带三圈内氮含量沿程变化[J].中国环境科学，2016，36（5）：15611567.endprint

[3]羊华.洱海2005年-2014年水質状况及变化分析[J].水利化信息，2016（1）：2528.

[4]魏智宽，蒋世云，李少旦.灰色理论在龙江突发镉污染水质预测中的应用[J].水资源与水工程学报，2013，24（3）：135137.

[5]石月.基于时间序列分析的松花江流域水质预测[D].哈尔滨：哈尔滨师范大学，2015.

[6]魏恒.基于BP人工神经网络的大庆水库水质预测研究[D].哈尔滨：哈尔滨工业大学，2008.

[7]李为.规则与行为的网络入侵检测模型研究[D].重庆：重庆理工大学，2010.

[8]RAJURKAR M P， KOTHYARI U C， CHAUBE U C. Modeling of the daily rainfall runoff relationship with artificial neural network[J]. Journal of Hydrology，2004，285（4）：96113.

[9]SUPHARATID， SEREE. Application of a neural network model in establishing a stagedischarge relationship for a tidal river[J]. Hydrological Processes，2003，17（15）：30853099.

[10]王彤彤，张剑，涂川，等.PSOBP神经网络在渭河天水段水质评价中的应用[J].环境科学与技术，2013，36（8）：175181.

[11]郭庆春，郝源，李雪，等.BP神经网络在长江水质COD预测中的应用[J].计算机技术与发展，2014，24（4）：235242.

[12]王银年.遗传算法的研究与应用[D].无锡：江南大学，2009.

[13]ALAAl H ALY， RICHARD C， PERALTA. Optimal design of aquifer systems under uncertainty using neural network and a genetic algorithm[J]. Water Resource Research，1999，35（8）：25232531.

[14]刘杨.基于SGMAISPA模型的区域可持续发展评价研究[D].重庆：重庆大学，2012.

[15]王磊，王汝凉，曲洪峰，等.BP神经网络算法改进及应用[J].软件导刊，2016，15（6）：3840.

[16]王瑞.基于遗传优化BP神经网络的污水处理水质预测研究[D].广州：华南理工大学，2012.

责任编辑（责任编辑：杜能钢）endprint