基于智能計算的影響河流水質(zhì)的分類預(yù)測

1、基于智能計算的影響河流水質(zhì)的分類預(yù)測摘 要：為了有效地控制和治理河流水體污染，保障水資源的可持續(xù)利用，了解水資源現(xiàn)狀及發(fā)展變化趨勢，增加水質(zhì)預(yù)測系統(tǒng)具有十分重要的現(xiàn)實意義?；谟绊懰w水質(zhì)的因素眾多以及BP網(wǎng)絡(luò)存在的局限性，建立主成分分析法、BP神經(jīng)網(wǎng)絡(luò)、遺傳算法結(jié)合的水質(zhì)分類預(yù)測模型。本文首先采用主成分分析法進行降維，提高BP網(wǎng)絡(luò)訓(xùn)練速度。采用遺傳算法優(yōu)化BP網(wǎng)絡(luò)的參數(shù)，優(yōu)化出全局最優(yōu)的網(wǎng)絡(luò)參數(shù)，提高水質(zhì)預(yù)測分析的精度。該模型利用太湖某斷面的水質(zhì)指標實測數(shù)據(jù)進行訓(xùn)練和仿真。研究結(jié)果表明：23個指標因素可壓縮為15個綜合指標，未污染水質(zhì)的仿真?zhèn)€數(shù)為124，預(yù)測正確為100，準確率為80.65%

2、；污染水質(zhì)的仿真?zhèn)€數(shù)為44，預(yù)測正確為41，準確率為93.18%。總體預(yù)測率約為83%。關(guān)鍵詞：主成分分析；BP神經(jīng)網(wǎng)絡(luò)；遺傳算法；水質(zhì)預(yù)測中圖分號類： 文獻標識碼：ABased on Intelligent Computing the Classification of River Water Quality ForecastingAbstract: In order to effectively control and river water pollution control, protection and sustainable utilization of water resourc

3、es, understanding of situation and development trend of water resources, increasing water quality forecast system has great practical significance. Based on the factors that affect the water quality of many existing limitations and BP network, the establishment of principal component analysis, BP ne

4、ural network, genetic algorithm classification of water quality prediction model. Firstly, using principal component analysis to reduce the dimensionality and improve the training speed of BP network. BP network using genetic algorithm to optimize the parameters to optimize the global optimum of the

5、 network parameters to improve the accuracy of prediction of water quality. In this model, the water quality of Taihu Lake in a section of the measured data for training and simulation. The results show that: compressibility factor of 23 to 15 indicators of composite indicator, the number of unconta

6、minated water quality simulation 124, 100 prediction is correct, accuracy was 80.65%; pollution, water quality simulation number 44, correctly predicted 41 , accuracy was 93.18%. Overall prediction rate of about 83%.Keywords: Principal components analysis; BP neural network; Genetic algorithm; Water

7、 quality prediction 0 引言水資源不僅是一種控制生態(tài)環(huán)境的基礎(chǔ)自然資源和一切社會發(fā)展的物質(zhì)基礎(chǔ)，而且是一種戰(zhàn)略性的經(jīng)濟資源，是一個國家綜合國力的有機組成部分1。隨著經(jīng)濟的快速發(fā)展，水質(zhì)污染問題日益嚴重。為了有效的防治水污染，最近年來在很多重要區(qū)域建立了水質(zhì)自動監(jiān)測站。但由于水質(zhì)參數(shù)在線監(jiān)測技術(shù)的限制，水質(zhì)變化趨勢的在線預(yù)測依舊難以實現(xiàn)。水質(zhì)預(yù)測可用于隨機性非點源污染的監(jiān)控和防治,所以在建立水質(zhì)自動監(jiān)測站的同時,增加水質(zhì)預(yù)測系統(tǒng),對保護水資源和水環(huán)境的安全具有十分重要的意義。目前，水質(zhì)預(yù)測模式主要有數(shù)理統(tǒng)計預(yù)測法、灰色系統(tǒng)理論預(yù)測法、神經(jīng)網(wǎng)絡(luò)模型預(yù)測法、水質(zhì)模擬模型預(yù)測法以及

8、混沌理論預(yù)測方法等5大類方法2。其中的BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測法具有大規(guī)模信息處理、分布式聯(lián)想、自學(xué)習及自組織的特點，作為一個高度非線性系統(tǒng)，具有很強的容錯功能3，在水質(zhì)預(yù)測、水質(zhì)評價、模式識別、系統(tǒng)辨識等復(fù)雜問題的研究上具有非常好的適用性。實際工作中，由于參與的評價指標眾多，并且與水質(zhì)檢測結(jié)果之間存在的是非常復(fù)雜的非線性關(guān)系，所以用主成分分析法作為前處理過程進行樣本集的優(yōu)化與選擇。另外，BP神經(jīng)網(wǎng)絡(luò)中非線性傳遞函數(shù)有多個局部最優(yōu)解。尋優(yōu)的過程與初始點的選取關(guān)系很大，初始點如果更靠近局部最優(yōu)點，而不是全局最優(yōu)點4，會導(dǎo)致多層網(wǎng)絡(luò)無法得到最優(yōu)解。而遺傳算法不受搜索空間的限制性假設(shè)的約束,不要求連續(xù)性

9、,能以很大的概率從離散的、多極值的、含有噪聲的高維問題中找到全局最優(yōu)解。因此，本文將主成分分析法、BP神經(jīng)網(wǎng)絡(luò)算法和遺傳算法結(jié)合，構(gòu)造出基于水質(zhì)分類預(yù)測的智能計算模型。該模型既能在一定程度上提高處理速度，又能確保水質(zhì)預(yù)測的精度。1 方法1.1主成分分析法(PCA) 主成分分析是利用降維的思想，在保證原有數(shù)據(jù)信息損失最小的前提下，在各個原始指標相關(guān)關(guān)系研究的基礎(chǔ)上，把多個原始指標壓縮為少數(shù)幾個能反映原問題特征的綜合變量指標5。同時，綜合指標之間又彼此獨立，避免了信息重疊，同時保留了原始指標的主要信息，比原始變量具有某些優(yōu)越性質(zhì)，使得在研究復(fù)雜問題時更加容易6。假定有n個水質(zhì)樣本，每個樣本共有p個

10、指標變量描述，這樣就構(gòu)成了一個n×p階的水質(zhì)數(shù)據(jù)矩陣。在實際應(yīng)用中，各指標之間存在著量綱、數(shù)量級不同等方面的問題。因此，在主成分分析前，要對數(shù)據(jù)進行標準化，標準化后的水質(zhì)數(shù)據(jù)矩陣為：通過主成分分析法，根據(jù)精度分析要求（一般特征值的累計貢獻率達8590%），p個原始指標變量綜合成m個新指標Z1,Z2,Zm,主成分綜合指標的得分矩陣為：其計算公式為：Zi=j=1mejxj其中，ej(j=1,2,m)為對應(yīng)于特征值j的特征向量的分量，Xj為標準化后的原指標變量值。計算出所需要個主成分值，形成新的綜合指標樣本集。PCA具體計算步驟參考文獻7。1.2 BP神經(jīng)網(wǎng)絡(luò)算法BP（Back Propa

11、gation）網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，在人工神經(jīng)網(wǎng)絡(luò)的實際應(yīng)用中，絕大部分的神經(jīng)網(wǎng)絡(luò)模型都采用BP網(wǎng)絡(luò)及其變化形式 8。BP網(wǎng)絡(luò)是一種具有3層或3層以上的階層型神經(jīng)網(wǎng)絡(luò)，由輸入層、一個或多個隱含層及輸出層組成，三層BP網(wǎng)絡(luò)模型如圖1所示。輸入層接受外界信息, 輸出層則對輸入信息進行判別和決策, 隱層用來儲存知識。圖1 三層BP網(wǎng)絡(luò)模型BP 網(wǎng)絡(luò)的輸入與輸出關(guān)系是高度非線性映射關(guān)系。通過調(diào)整BP 網(wǎng)絡(luò)中的連接權(quán)值、閾值和隱層節(jié)點數(shù),可以實現(xiàn)非線性分類等問題, 并且能以任意精度逼近任何非線性函數(shù)9。BP神經(jīng)網(wǎng)絡(luò)在學(xué)習過程中由正向傳播和反向傳播反復(fù)交替, 網(wǎng)絡(luò)得到記憶訓(xùn)練, 當

12、網(wǎng)絡(luò)全局誤差小于給定的值后, 學(xué)習終止, 即可得到收斂的網(wǎng)絡(luò)和相應(yīng)穩(wěn)定的權(quán)值和閾值10。BP神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點數(shù)的選取相對來說比較困難, 隱含層節(jié)點數(shù)確定的恰當與否也是影響B(tài)P網(wǎng)絡(luò)性能優(yōu)劣的關(guān)鍵因素。對于隱含層節(jié)點數(shù)的確定問題, 大多都是采用經(jīng)驗公式估算或是反復(fù)試算嘗試的方法來確定11 。Q=輸入節(jié)點數(shù)+輸出節(jié)點數(shù) +C，C=1,10。 （經(jīng)驗公式）但是，BP網(wǎng)絡(luò)具有局限性，具體表現(xiàn)在12：非線性網(wǎng)絡(luò)的誤差面比線性網(wǎng)絡(luò)的誤差面復(fù)雜得多，問題在于多層網(wǎng)絡(luò)中非線性傳遞函數(shù)有多個局部最優(yōu)解。尋優(yōu)的過程與初始點的選取關(guān)系很大，初始點如果更靠近局部最優(yōu)點，而不是全局最優(yōu)點，就不會得到正確結(jié)果。1.3 遺

13、傳算法（GA）為了克服BP神經(jīng)網(wǎng)絡(luò)算法的缺陷，實踐中已經(jīng)提出了多種對其改進的新算法，從不同角度對網(wǎng)絡(luò)進行改進，在一定程度上改進了BP學(xué)習算法的性能。通常采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的參數(shù)。遺傳算法(Genetic Algorithm, GA)是一種基于自然選擇和基因遺傳學(xué)原理的優(yōu)化搜索方法。它將“優(yōu)勝劣態(tài)，適者生存”的生物進化原理引入待優(yōu)化參數(shù)形成的編碼串群體中，按照一定的適配值函數(shù)及一系列遺傳操作對各個體進行篩選，從而使適配值高的個體被保留下來，組成新的群體，新群體包含上一代的大量信息，并且引入了新的優(yōu)于上一代的個體。這樣周而復(fù)始，群體中各個體的適應(yīng)度不斷提高，直至滿足一定的條件為止。遺傳算

14、法一般步驟如圖2所示。GA具有很突出的優(yōu)點13：1）GA不是從單個點，而是從多個點構(gòu)成的群體開始搜索；2）在搜索最優(yōu)解的過程中，只需要由目標函數(shù)值得到適應(yīng)值信息，而不需要導(dǎo)數(shù)等其它輔助信息；3）在搜索過程不容易陷入局部最優(yōu)極值。圖2 遺傳算法一般步驟神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的選擇尚無一種統(tǒng)一而完整的理論指導(dǎo)，因此優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)不容易實現(xiàn)，一般只能由經(jīng)驗選定。在應(yīng)用時，使用擅長全局搜索的遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值和閥值，從而彌補BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)難以優(yōu)化的缺陷，優(yōu)化好的權(quán)值和閾值在BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用中同樣可以提高最終預(yù)測結(jié)果的可信度。遺傳算法一般過程和基本操作詳見參考文獻14。1.4 主成分分析法（PCA）、B

15、P神經(jīng)網(wǎng)絡(luò)和遺傳算法（GA）相結(jié)合的模型在水質(zhì)分類預(yù)測中的應(yīng)用將PCA、BP、GA算法相結(jié)合，建立水質(zhì)檢測預(yù)測模型，目的是首先應(yīng)用PCA去除原始樣本數(shù)據(jù)見得相關(guān)性，刪除其中的部分冗余信息，以降低數(shù)據(jù)的維數(shù)，得到主成分。用得到的主成分作為網(wǎng)絡(luò)的輸入神經(jīng)元，減少網(wǎng)絡(luò)輸入層的節(jié)點數(shù)，簡化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)并提高BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度，采用GA優(yōu)化網(wǎng)絡(luò)參數(shù)，提高模型預(yù)測率的精度，建立改進模型如圖3所示。圖3 改進BP神經(jīng)網(wǎng)絡(luò)模型改進BP神經(jīng)網(wǎng)絡(luò)算法步驟：Step 1：將輸入樣本X1,X2,Xp進行主成分分析，轉(zhuǎn)化為綜合指標Z1,Z2,Zm，（m<p）。Step 2: 用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和

16、閾值。Step 3：BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練、仿真。根據(jù)kolomogorow定理,給定任一連續(xù)函數(shù)f:UnRm,fx=Y. 式中,U是閉單位區(qū)間0,1, f可以精確地用一個3層BP網(wǎng)絡(luò)實現(xiàn)，并保證了3層網(wǎng)絡(luò)精確地實現(xiàn)任意連續(xù)函數(shù)15。所以本次研究選擇只有一個隱層的BP網(wǎng)絡(luò)模型。隱含層數(shù)目的確定，目前一般按前文提到的經(jīng)驗公式進行選取。針對本實驗，分別隨機選取不同的數(shù)據(jù)進行反復(fù)實驗，在保證目標和梯度都盡量滿足的情況下，8比較合適。輸入神經(jīng)元個數(shù)為15, 輸出神經(jīng)元個數(shù)為1, 所以最終網(wǎng)絡(luò)結(jié)構(gòu)為15-8-1。BP神經(jīng)網(wǎng)絡(luò)的傳遞函數(shù)包括：PURELIN-純線性形函數(shù)；LOGSIG-對數(shù)S形函數(shù)；TANSIG

17、-雙曲正切S形函數(shù)。多層神經(jīng)網(wǎng)絡(luò)的隱含層大多采用S形傳遞函數(shù)，這類函數(shù)又稱為“擠壓”函數(shù)，因為它們將沒有邊界限制的輸入信號壓縮到有限的輸出范圍內(nèi)。在傳遞函數(shù)的選取上，需要多次嘗試，選取適合自己項目的傳遞函數(shù)。在我們的實驗中，將輸出值限定在0，1中，輸入層到隱層、隱層到輸出層的傳遞函數(shù)都選定為logsig比較合適。BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法Levenberg-Marguardt(LM)，適用于內(nèi)存足夠的中心型網(wǎng)絡(luò)。因此在水質(zhì)預(yù)測中運用LM 優(yōu)化算法可以明顯縮短學(xué)習時間，提高訓(xùn)練速度。BP神經(jīng)網(wǎng)絡(luò)在學(xué)習收斂過程中存在收斂速度慢和會出現(xiàn)“局部最小值”的問題。由于水質(zhì)指標預(yù)測具有復(fù)雜的輸入、輸出非線性隱性

18、關(guān)系，所以通過大量的樣本學(xué)習和訓(xùn)練去得到有用的模型是一種比較可行的方法。同時，為了避免BP神經(jīng)網(wǎng)絡(luò)的缺點，采用遺傳算法優(yōu)化網(wǎng)絡(luò)參數(shù)，提高網(wǎng)絡(luò)的準確度是很有必要的。采用遺傳算法優(yōu)化網(wǎng)絡(luò)權(quán)值和閾值，能使網(wǎng)絡(luò)跳出局部最優(yōu)，找到全局最優(yōu)，并且提高網(wǎng)絡(luò)預(yù)測率。3 結(jié)果實驗數(shù)據(jù)采用的是:太湖水2003年11月至2009年9月的相關(guān)指標檢測數(shù)據(jù)，水質(zhì)影響因素眾多，分別是：COD、pH、NH3-N、揮發(fā)酚、TN、六價鉻、CODmn、TP、BOD5、TCN、石油類、Cd、總銅、總鋅、Pb、Hg、As、Se、F-、硫化物、AS、溶解氧、電導(dǎo)率，總共涉及23個指標變量。采用的以上數(shù)據(jù)，是因為在此時間段中，太湖暴發(fā)了

19、"藍藻事件"，對這些數(shù)據(jù)進行分類預(yù)測分析實驗，構(gòu)建水質(zhì)分類預(yù)測模型，對日后預(yù)防水污染有重要的實用和研究價值。3.1主成份分析法采用SPSS軟件進行主成分分析，23個原樣本指標壓縮為15個綜合指標。主成分分析法過程中的相關(guān)系數(shù)矩陣如表1所示，特征值與貢獻率如表2所示，主成分載荷如表3所示。表1 相關(guān)系數(shù)矩陣CODpHNH3-N揮發(fā)酚TN六價鉻CODmnTPBOD5TCN石油類Cd總銅總鋅PbHgAsSeF-硫化物AS溶解氧電導(dǎo)率 COD1.00 -0.05 0.33 0.07 0.41 -0.05 0.41 0.28 0.19 0.07 0.18 -0.07 0.00 -0.

20、05 -0.06 -0.08 0.06 0.09 0.31 -0.01 0.01 -0.08 0.29 pH-0.05 1.00 -0.16 0.01 -0.13 0.05 -0.21 -0.15 0.02 -0.06 -0.10 0.17 -0.06 -0.26 -0.03 0.15 -0.09 -0.10 -0.02 -0.09 0.04 0.15 -0.14 NH3-N0.33 -0.16 1.00 0.41 0.66 0.12 0.38 0.45 0.31 0.08 0.11 -0.10 0.20 0.08 -0.03 -0.10 0.22 0.02 0.29 0.14 0.02 -0

21、.12 0.39 揮發(fā)酚0.07 0.01 0.41 1.00 0.30 0.50 0.16 0.13 0.10 0.02 -0.04 -0.12 0.34 0.00 0.00 -0.07 0.09 0.04 0.05 0.15 -0.01 -0.06 0.20 TN0.41 -0.13 0.66 0.30 1.00 0.10 0.25 0.44 0.28 0.06 0.01 -0.02 0.09 0.05 -0.06 -0.03 0.09 0.15 0.23 0.11 0.11 -0.03 0.38 六價鉻-0.05 0.05 0.12 0.50 0.10 1.00 0.00 0.00 0.

22、04 -0.01 0.00 0.01 0.29 0.00 0.00 -0.01 0.08 0.00 -0.06 0.02 0.00 -0.01 -0.14 CODmn0.41 -0.21 0.38 0.16 0.25 0.00 1.00 0.38 0.54 0.09 0.20 -0.16 0.22 0.01 0.01 -0.07 0.35 -0.03 0.20 0.19 -0.07 -0.12 0.27 TP0.28 -0.15 0.45 0.13 0.44 0.00 0.38 1.00 0.33 0.04 0.00 -0.10 -0.04 -0.02 -0.15 -0.02 0.07 -0.

23、01 0.27 0.27 0.00 -0.09 0.32 BOD50.19 0.02 0.31 0.10 0.28 0.04 0.54 0.33 1.00 0.02 0.12 0.04 0.18 -0.06 0.21 -0.06 0.26 -0.02 0.13 0.19 -0.04 -0.05 0.12 TCN0.07 -0.06 0.08 0.02 0.06 -0.01 0.09 0.04 0.02 1.00 -0.02 -0.01 0.01 0.19 0.00 -0.01 0.00 0.00 0.07 0.03 0.02 0.00 0.08 石油類0.18 -0.10 0.11 -0.04

24、 0.01 0.00 0.20 0.00 0.12 -0.02 1.00 -0.26 0.00 0.04 0.06 -0.05 0.40 -0.02 0.12 -0.05 -0.03 -0.04 0.11 Cd-0.07 0.17 -0.10 -0.12 -0.02 0.01 -0.16 -0.10 0.04 -0.01 -0.26 1.00 0.03 0.11 0.01 0.14 -0.10 0.01 -0.16 -0.12 0.01 0.05 -0.19 總銅0.00 -0.06 0.20 0.34 0.09 0.29 0.22 -0.04 0.18 0.01 0.00 0.03 1.00

25、 0.00 0.02 0.00 0.48 -0.02 -0.26 0.00 0.01 -0.05 -0.16 總鋅-0.05 -0.26 0.08 0.00 0.05 0.00 0.01 -0.02 -0.06 0.19 0.04 0.11 0.00 1.00 -0.07 0.00 -0.05 0.06 -0.05 -0.01 0.08 0.04 -0.06 Pb-0.06 -0.03 -0.03 0.00 -0.06 0.00 0.01 -0.15 0.21 0.00 0.06 0.01 0.02 -0.07 1.00 0.05 0.23 -0.01 -0.06 -0.01 0.00 -0.

26、03 -0.11 Hg-0.08 0.15 -0.10 -0.07 -0.03 -0.01 -0.07 -0.02 -0.06 -0.01 -0.05 0.14 0.00 0.00 0.05 1.00 0.02 0.00 -0.36 0.04 0.26 0.45 -0.23 As0.06 -0.09 0.22 0.09 0.09 0.08 0.35 0.07 0.26 0.00 0.40 -0.10 0.48 -0.05 0.23 0.02 1.00 -0.03 -0.08 -0.03 0.03 -0.04 0.03 Se0.09 -0.10 0.02 0.04 0.15 0.00 -0.03

27、 -0.01 -0.02 0.00 -0.02 0.01 -0.02 0.06 -0.01 0.00 -0.03 1.00 -0.04 -0.01 -0.01 -0.01 0.06 F-0.31 -0.02 0.29 0.05 0.23 -0.06 0.20 0.27 0.13 0.07 0.12 -0.16 -0.26 -0.05 -0.06 -0.36 -0.08 -0.04 1.00 0.11 -0.18 -0.30 0.52 硫化物-0.01 -0.09 0.14 0.15 0.11 0.02 0.19 0.27 0.19 0.03 -0.05 -0.12 0.00 -0.01 -0.

28、01 0.04 -0.03 -0.01 0.11 1.00 0.00 -0.01 0.14 AS0.01 0.04 0.02 -0.01 0.11 0.00 -0.07 0.00 -0.04 0.02 -0.03 0.01 0.01 0.08 0.00 0.26 0.03 -0.01 -0.18 0.00 1.00 0.68 -0.03 溶解氧-0.08 0.15 -0.12 -0.06 -0.03 -0.01 -0.12 -0.09 -0.05 0.00 -0.04 0.05 -0.05 0.04 -0.03 0.45 -0.04 -0.01 -0.30 -0.01 0.68 1.00 -0

29、.12 電導(dǎo)率0.29 -0.14 0.39 0.20 0.38 -0.14 0.27 0.32 0.12 0.08 0.11 -0.19 -0.16 -0.06 -0.11 -0.23 0.03 0.06 0.52 0.14 -0.03 -0.12 1.00 從相關(guān)矩陣中可以看出：揮發(fā)酚和NH3-N之間；TN、COD和NH3-N之間；六價鉻和揮發(fā)酚之間；CODmn和COD之間；TP、NH3-N和TN之間；BOD5和CODmn之間有較大相關(guān)性，故在此實驗中，有必要使用主成分分析法。表2 特征值與貢獻率特征值貢獻率 %累計貢獻率%13.9016.9716.9722.269.8526.8131.9

30、28.3435.1541.657.1942.3451.416.1348.4861.295.6054.0771.185.1259.2081.054.5863.7891.014.3868.16100.893.8672.03110.833.6175.64120.763.2978.93130.743.2082.13140.632.7584.88150.592.5587.43160.572.4989.92170.472.0591.97180.421.8293.80190.351.5195.31200.331.4196.72210.271.1797.90220.261.1299.02230.230.981

31、00.00從上表可以看出，前15個綜合指標已經(jīng)包含了全部數(shù)據(jù)87.43%的信息。23個原始數(shù)據(jù)可用15個綜合指標代替。表3 前15個主成分載荷123456789101112131415COD0.55 -0.08 0.21 0.17 0.06 -0.02 0.42 0.03 -0.09 0.24 0.04 -0.02 -0.40 0.34 0.06 pH-0.28 0.07 0.08 -0.09 0.65 -0.08 0.23 0.28 0.11 0.23 0.19 0.06 0.25 -0.07 -0.28 NH3-N0.76 0.17 0.14 -0.18 -0.05 -0.01 0.11

32、0.04 0.01 -0.21 -0.03 -0.20 0.12 -0.05 -0.14 揮發(fā)酚0.41 0.35 -0.13 -0.59 0.03 -0.28 -0.07 0.02 0.17 0.01 0.03 0.01 0.00 0.15 -0.17 TN0.67 0.14 0.34 -0.21 -0.02 0.06 0.25 -0.11 0.05 -0.15 -0.04 -0.20 0.03 -0.09 -0.03 六價鉻0.11 0.41 -0.25 -0.56 0.04 -0.24 -0.01 0.10 0.10 0.03 0.33 0.06 -0.25 -0.12 0.31 COD

33、mn0.68 0.17 -0.09 0.30 0.03 0.20 -0.11 0.05 -0.17 0.19 0.00 0.19 -0.21 0.12 -0.12 TP0.62 -0.03 0.30 -0.02 0.13 0.19 -0.20 -0.05 -0.24 -0.04 0.05 -0.18 -0.04 -0.37 0.16 BOD50.52 0.26 -0.09 0.25 0.32 0.40 -0.06 0.00 0.11 -0.01 0.13 0.30 -0.05 -0.24 -0.14 TCN0.13 -0.01 0.11 -0.02 -0.37 0.21 -0.06 0.52

34、0.38 0.52 -0.20 -0.13 0.05 -0.14 0.12 石油類0.25 0.05 -0.24 0.54 -0.18 -0.41 0.11 0.07 -0.03 0.02 0.46 -0.07 0.15 -0.03 0.11 Cd-0.26 0.12 0.10 -0.20 0.13 0.62 0.37 0.11 -0.04 -0.18 0.14 0.09 0.22 0.21 0.34 總銅0.19 0.63 -0.43 -0.17 -0.08 0.05 0.06 0.03 -0.23 0.09 -0.30 0.09 0.12 0.13 -0.03 總鋅0.01 0.06 0.

35、13 -0.08 -0.72 0.26 -0.03 0.20 0.01 -0.20 0.37 0.12 0.05 0.07 -0.29 Pb-0.03 0.20 -0.28 0.31 0.12 0.17 -0.01 -0.16 0.73 -0.27 -0.06 -0.15 -0.18 0.07 -0.01 Hg-0.29 0.47 0.39 0.15 0.11 0.08 -0.07 -0.09 -0.05 0.17 0.19 -0.50 0.02 0.16 -0.07 As0.32 0.49 -0.42 0.41 -0.06 -0.09 0.09 0.02 -0.05 -0.02 -0.10

36、-0.07 0.32 -0.02 0.16 Se0.06 -0.02 0.11 -0.12 -0.26 0.04 0.31 -0.71 0.21 0.40 0.09 0.18 0.16 -0.12 0.01 F-0.52 -0.55 0.07 0.00 0.14 -0.14 0.05 0.20 0.18 -0.08 0.10 0.13 0.08 0.08 0.12 硫化物0.28 0.03 0.14 -0.08 0.12 0.12 -0.74 -0.18 0.07 0.14 0.16 0.07 0.19 0.29 0.13 AS-0.13 0.47 0.61 0.16 -0.09 -0.25

37、0.00 0.07 0.08 -0.17 -0.17 0.29 -0.04 -0.04 0.13 溶解氧-0.30 0.49 0.62 0.20 0.02 -0.21 -0.04 0.05 0.05 -0.01 -0.01 0.19 -0.01 -0.01 0.01 電導(dǎo)率0.60 -0.34 0.25 0.02 0.02 -0.22 0.02 0.01 0.13 -0.06 -0.18 0.06 0.29 0.17 0.01 從主成分載荷表中，可以得出：COD、NH3-N、TN、六價鉻、CODmn、TP、BOD5、總銅、Hg、As、F-、AS、溶解氧、電導(dǎo)率在主成分載荷中占較大比重。3.2

38、遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)將現(xiàn)有的268組樣本數(shù)據(jù)轉(zhuǎn)化為對應(yīng)的268組綜合指標樣本數(shù)據(jù)，將其為BP網(wǎng)絡(luò)的輸入，以對應(yīng)時間的河流是否被污染作為BP網(wǎng)絡(luò)的輸出（1為污染，0為未污染），建立BP網(wǎng)絡(luò)。將對應(yīng)的268組綜合指標樣本數(shù)據(jù)分為兩部分，隨機取100組（污染和非污染數(shù)據(jù)隨機均勻選?。┯糜贐P神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，遺傳算法用于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的參數(shù)，另168組用于預(yù)測檢驗。遺傳算法工具箱需要自行下載，比較權(quán)威的是英國設(shè)菲爾德大學(xué)開發(fā)的遺傳算法工具箱。本實驗在matlab中，遺傳算法用于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，遺傳算法經(jīng)過200次迭代后種群目標函數(shù)的最優(yōu)解變化如圖4所示。訓(xùn)練好的參數(shù)見表4至表6。圖

39、4 經(jīng)過200次迭代后物種的最優(yōu)解變化表4 遺傳算法優(yōu)化的輸入層到隱層的權(quán)值 輸入層隱含層123456789101112131415123.19 -18.62 9.68 -5.88 -12.33 -24.27 -5.72 5.75 2.56 21.93 14.03 -12.27 16.11 24.34 9.61 222.78 0.80 -10.44 27.15 -33.70 -12.02 6.24 15.16 29.15 9.71 -8.88 -31.38 11.83 -2.16 24.98 322.76 -31.00 -5.05 0.13 -21.80 -5.86 -16.01 0.38 -

40、1.28 -4.55 9.47 -2.96 -9.69 -26.66 7.02 4-22.83 -15.04 -14.66 16.34 19.27 -0.85 -9.65 7.76 19.43 -10.61 -5.87 11.34 4.40 -16.41 -28.45 523.07 -27.24 -10.02 12.02 22.73 2.50 3.27 31.18 3.49 10.65 -2.63 9.11 -16.76 8.89 22.63 6-12.55 -31.75 -12.85 -10.88 11.77 -34.31 18.47 23.50 17.70 -12.41 -27.53 7.

41、42 29.11 -8.53 26.52 7-30.18 19.21 -13.35 -31.52 7.26 26.87 30.07 -24.40 15.71 17.33 13.16 15.51 1.62 -31.81 39.26 831.28 1.66 31.90 -11.67 30.07 -29.58 -5.85 18.91 -7.52 -5.16 -24.80 -19.68 -1.63 12.56 -18.02 上表中，行代表隱含層各神經(jīng)元，列代表輸入層各神經(jīng)元。表5 隱含層到輸出層的權(quán)值 隱含層輸出層第1個神經(jīng)元第2個神經(jīng)元第3個神經(jīng)元第4個神經(jīng)元第5個神經(jīng)元第6個神經(jīng)元第7個神經(jīng)元第8

42、個神經(jīng)元輸出節(jié)點3.72 8.52 8.82 -3.17 11.57 -1.31 -17.74 -13.50 表6 隱含層和輸出層的閾值隱含層閾值第1個神經(jīng)元-19.14 第2個神經(jīng)元-10.94 第3個神經(jīng)元29.44 第4個神經(jīng)元8.97 第5個神經(jīng)元28.19 第6個神經(jīng)元-20.66 第7個神經(jīng)元-3.05 第8個神經(jīng)元3.73 輸出層神經(jīng)元-3.12 將訓(xùn)練好的參數(shù)賦給創(chuàng)建的BP網(wǎng)絡(luò)，然后用matlab中的神經(jīng)網(wǎng)絡(luò)工具箱進行BP網(wǎng)絡(luò)的訓(xùn)練和仿真。 通過遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)，用100組數(shù)據(jù)進行訓(xùn)練，其中，污染樣本和非污染樣本各隨機選取50組。用168組數(shù)據(jù)進行仿真，其中，未污染水

43、質(zhì)的樣本個數(shù)為124，平均預(yù)測正確為100，準確率為80.65%；污染水質(zhì)的樣本個數(shù)為44，平均預(yù)測正確為41，準確率為93.18%。總體預(yù)測準確率維持在83%左右，預(yù)測結(jié)果如表7所示，預(yù)測結(jié)果分布圖如圖5所示。而且通過遺傳算法仿真的BP神經(jīng)網(wǎng)絡(luò)輸出的預(yù)測值都逼近于1或0，即能很好的預(yù)測出水質(zhì)是否污染。采用遺傳算法優(yōu)化后和未采用遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)預(yù)測率統(tǒng)計如表8所示。表7 預(yù)測結(jié)果序號仿真值修正值實際值序號仿真值修正值實際值序號仿真值修正值實際值序號仿真值修正值實際值12E-150043111852E-15001277E-1300211044111861101281E-110039E

44、-040045111874E-35001293E-250042E-210046111883E-25001302E-310051E-1100477E-2001893E-14001318E-020062E-210048111901101322E-25007110491E+0011913E-09001331E-250081E+001050111921E+00101344E-190092E-2100511E+0011931E-05001352E-2500101E+0010524E-1901948E-02001369E-1200111E-1100531E+0011951101374E-1900124E-

45、1900541E+0011962E-11001382E-2500131E-0900551E+0011971E-0500139110143E-190056111981E+00101406E-0800159E-011057111992E-31001412E-2500162E-1500581E+00111001101424E-2900173E-0900591E+00111012E-1100143110183E-0900601111022E-31001444E-1900193E-0900611E+00111031101456E-0800208E-1100621111043E-2500146110211

46、11631111051E-11001473E-3400229E-1201641111063E-25001484E-1900231E+0011652E-21001071E-110014911024111662E-09001081E+00101503E-190025111671101091E-05001513E-210026111688E-18001109E-21001524E-1900271E+0011691101111E-05001536E-1200281E+0011702E-19001123E-25001549E-1200291E+0011713E-25001137E-13001551E+0010301E+0011723E-25001141E-27001561E-1100311E+0011731101151E-11001579E-120032111743E-25001161E-30001582E-1100331E+0011753E-24001171E-11001599E-120034111761101181E-11001604E-150035111771101191E-11001613E-170036111782E-31001208E-30001621E-110037111791E-05