摘要：本論文試圖應用BPANN網絡，來評價湖泊水庫的水質。文采用4層的網絡結構，兩層隱含層都是4個神經元節點，輸出層只有一個節點，代表評價結果，輸入層5個節點，代表5個評價參數。經過驗證，本訓練算法比傳統算法收斂速度快，魯棒性強。為湖庫水質評價提供新的思路和工具。
　　關鍵詞：河流論文，人工神經網絡，水質，GaussNewton算法
　　1.前言
　　河流水體作為淡水資源的重要組成部分，在灌溉、人類生活用水的供應、生活污水和工業廢水的接納等密切相關。水質的評價是一個復雜的問題，目前主要的評價方法主要有兩大類，一類是以水質的物理化學參數的實測值為依據的評價方法；另一類是以水生物種群與水質的關系為依據的生物學評價方法。較多采用的是物理化學參數評價方法，其中又分單因子法和多項參數綜合評價法。前者即用某一參數的實測濃度代表值與水質標準對比，判斷水質的優劣或適用程度。多項參數綜合評價法即把選用的若干參數綜合成一個概括的指數來評價水質。多因子指數評價法用兩種指數即參數權重評分疊加型指數和參數相對質量疊加型指數兩種。參數權重評分疊加型指數的計算方法是，選定若干評價參數，按各項參數對水質影響的程度定出權系數，然后將各參數分成若干等級，按質量優劣評分，最后將各參數的評分相加，求出綜合水質指數。數值大表示水質好，數值小表示水質差。用這種指數表示水質，方法簡明，計算方便。參數相對質量疊加型指數的計算方法是，選定若干評價參數，把各參數的實際濃度與其相應的評價標準濃度相比，求出各參數的相對質量指數，然后求總和值。根據生物與環境條件相適應的原理建立起來的生物學評價方法，通過觀測水生物的受害癥狀或種群組成，可以反映出水環境質量的綜合狀況，因而既可對水環境質量作回顧評價，又可對擬建工程的生態效應作影響評價，是物理化學參數評價方法的補充。缺點是難確定水污染物的性質和含量。隨著計算機計算的發展，神經網絡也被越來越多用在水質評價工程中。神經網絡是一種非常適合解決復雜的非線性響應關系的數學模型。它可以用在分類、聚類、預測等方面，通過歷史數據對神經網絡進行訓練，網絡可以學習到數據中隱含的非線性映射關系。本文試圖應用人工神經網絡，來評價河流的水質，并對訓練方法進行探討，采用MATLAB語言編寫相應的評價程序進行實例評價，試圖找出此種算法和傳統BP算法在水質綜合評價中的優缺點。
　　2.網絡結構和數據預處理
　　采用BPANN網絡，網絡分一層輸入層、一層輸出層和幾層隱含層組成。同一層之間的神經元之間沒有聯系，相鄰兩層的神經元之間通過連接權值和激活函數進行連接。在訓練的過程中，通過不斷調節連接權值來使網絡的仿真結果逐漸接近期望值。本文采用4層的網絡結構，兩層隱含層都是4個神經元節點，輸出層只有一個節點，代表評價結果，輸入層5個節點，代表5個評價參數。
　　評價標準選《國家地表水環境標準》（GB3838-2002），訓練樣本直接由該標準生成。輸出層和輸入層進行線性歸一化處理。
　　3.GaussNewton算法
　　針對傳統BPANN算法的收斂速度慢，魯棒性弱，容易陷入局部極小值的缺點，采用了改進的算法Gauss-ANN算法。激活函數采用sigmoid函數，層與層之間的連接權值和閾值隨著每次的訓練修正出新值。每次訓練用Gauss-ANN方法計算出權值和閾值的修正值。
　　4.結果
　　為了驗證Gauss-Newton算法的性能，將它與傳統BP算法進行比較。使用生成的訓練樣本進行訓練，兩種算法各訓練10次，每次訓練最多迭代200000次，網絡誤差函數為所有訓練樣本誤差的平方和。誤差為3.0的時候認為網絡收斂。表1為訓練過程對比，表2為水質的評價結果。從結果看，水質都在地表水環境質量標準里面的1類水水平。
　　
　　表1兩種算法訓練和評價結果比較
　　 傳統BP算法 RPROP算法
　　迭代次數 200000 22700
　　誤差 12.25 6.0
　　收斂次數 1 3
　　訓練樣本準確率（%） 75.1 92.5
　　驗證樣本準確率（%） 74.2 91.2
　　
　　表2評價結果
　　 NH3-N TP COD BOD 評價結果
　　斷面I 0.002 0.034 3 1.0 1.22
　　斷面II 0.002 0.020 4 1.0 1.17
　　斷面III 0.002 0.012 2 1.0 1.13
　　
　　
　　5.建議
　　（1）使用的訓練算法，使神經網絡的收斂速度加快，魯棒性加強，適合用在水質評價工作。
　　（2）建議對水質隨時間周期變化的規律進行跟蹤評價。
　　參考文獻
　　[3]馬宗仁，劉巖.Levenberg-Marquardt算法在湖泊富營養化評價中的應用.城市建設理論研究，2011(04)：