基于RBF神经网络城市河湖水体富营养化预测.doc

基于RBF神经网络城市河湖水体富营养化预测 　　摘要：针对目前对水体富营养化状况预测困难的问题，采用RBF神经网络建模，对西湖水体富营养化状况进行预测。结果表明，在泛化能力、训练时间、预测精度等网络性能上，RBF网络要明显优于BP网络，相比于其它神经网络的设计则要简单实用，对水体的富营养化状况可以进行很好的预测。 　　关键词：RBF神经网络；富营养化；叶绿素a；西湖；预测 　　中图分类号： P461+.5 文献标识码： A 文章编号： 　　 　　湖泊水库等水体的富营养化是指湖泊水库等水体接纳过量的氮、磷等营养物质，使藻类和其它水生生物大量繁殖，水体透明度和溶解氧发生变化，造成水体水质恶化，加速湖泊水库等水体的老化，从而使水体的生态系统和水功能受到损害，严重的会发生水华和赤潮。水体中氮氧含量、温度、微生物种类、光照条件以及风和风浪强度均可以影响水体的营养状况，涉及到很多因子，由于内部机理复杂，人们对其认识还不深入，难以做到较为准确的预测，使得防治工作很盲目。所以，解决水体营养状况的预测问题就成为当务之急。 　　人工神经网络在水体富营养化研究中的概况 　　目前，我国对于水体富营养状况进行评价中所采用的主要方法包括营养状态指数法、层次分析——主成分分析营养度法等。由于水体富营养化内部机理的复杂性，生态系统各影响因子之间表现出高度的非线性和不确定性，而传统的方法过多依赖其生理、生态学机理，使得传统预测方法真正有效的并不多见。人工神经网络理论在处理非线性模式识别方面已表现出了很好的特性，它具有独特的信息处理和解算能力，适用于机制尚不清楚的高维非线性系统，在生态系统模拟、生态数据处理以及遥感生态参数的提取等方面已经得到广泛应用。 　　近些年，国内对采用人工神经网络方法进行水体富营养化评价和预测逐渐得到人们的认同，成为一个研究热点。在神经网络算法的选择上，不尽相同，楼文高采用BP网络建模[1]、曾光明等人提出运用小波神经网络[2]、吴利斌等人利用模糊神经网络技术[3]，目的都是根据评价标准对湖泊富营养状况进行预测，在各自的应用中都取得了比传统方法好的效果。但是，也存在一些问题，例如BP网络的泛化能力不够强，预测精度不够高，其它一些神经网络的算法复杂，设计上不实用等。 　　RBF神经网络建模 　　RBF(Radial Basis Function)即径向基函数神经网络，是一种在逼近能力、分类能力和学习速度等方面均优于BP网络的一种人工神经网络，而相比于其它如模糊神经网络、小波神经网络等更简单实用，利于推广。 　　 　　 　　图1RBF神经网络模型结构 　　RBF神经网络有三层组成，其结构如图1所示。输入节点只传递输入信号到隐层，隐层节点通常由径向对称的基函数构成，输出节点则是简单的线性函数。最常用的径向基函数是高斯函数： 　　 i =1,2,…,m 　　x是n维输入向量；是第i个基函数的中心，与x具有相同维数的向量，是第i个感知的变量（可以自由选择的参数），它决定了该基函数围绕中心点的宽度；m是感知单元的个数。是向量的范数，它通常表示x和之间的距离，在处有一个惟一的最大值，随着的增大，迅速衰减到零。对于给定的输入，只有一小部分靠近x的中心被激活。从图1可以看出，RBF神经网络的输入层实现从的非线性映射，输出层实现从的线性映射，即 　　 k=1,2,…p 　　其中，p是输出节点数，是权值。 　　从理论上讲，RBF网络和BP网络一样可近似任何的连续非线性函数。但众所周知，BP网络用于函数逼近时，权值的调整采用的是负梯度下降法，这种调整方法存在收敛速度慢和局部极小等缺点，本文的实例也证明，RBF的泛化能力和其它各种性能明显优于BP网络。 　　检测数据 　　本文所建模型采用裴洪平等人对杭州西湖的实际检测数据[4]作为研究数据，如表1所示。 　　表1 西湖某监测点的检测数据 　　 　　 　　水体富营养状况的影响因子选择 　　磷的含量对水体中藻类植物的生长起到了决定性作用，是绝大多数湖泊和水库富营养化形成的最关键的限制物质，当磷的含量增加时，会使藻类大量繁殖，造成水质恶化。70年代以来，湖泊学家们建立了多种以磷为主要参数的模型，来评价和预测湖泊的营养状态[5][6]。水温与光照辐射是藻类进行光合作用的必要条件，前者决定细胞内酶反映的速率，后者提供代谢的能源，二者的共同作用决定水体生物生产力水平，而浮游植物的初级生产力是湖泊营养状况的主要评价指标，它的光合作用速率与环境因子及细胞本身的内环境有关。水体中营养物质充足的条件下，浮游藻类的生长主要取决于水温和光照条件[7]。 　　湖泊水库的富营养化实质是水体中自养性生物（主要是藻类）在水体中建立优势的过程，因此，可以选择能反映藻类数量、种类的生物量或生物密