地表水质监测模型中的几种人工智能方法

地表水质监测模型中的几种人工智能方法

2008-7-15 19:30:26  作者：王志红1,…  来源：工业水处理  【】 查看评论

( 1. 广东工业大学建设学院, 广东广州510006; 2. 华南理工大学环境科学研究所, 广东广州510641;3. 广东省水利电力勘察设计研究院, 广东广州510170)随着我国对环境问题的日益关注, 地表水质的变化也成为了众多研究的焦点。由于人民生活水平和社会经济的快速发展, 污废水排放总量大大增加,我国地表水水质有恶化的趋势。水质模型描述了污染物质在水中的物理、化学、生物作用过程的规律,可以很好地对地表水水质的变化趋势进行预测。已有的水质模型定量预测多采用水体水质模拟来进行, 但由于大多水质模型在建立的过程中进行了一些简化和假设, 影响了模型与实体之间的模拟精确度, 应用具有一定的限制。如今将人工智能计算引入水质预测模型是研究的热点, 数据的处理和统计分析甚至建模计算的大规模工作量都由计算机完成, 提高了建模的精度和效率。1 水质预测模型中的数学方法1.1 BP 神经网络水质预测模型及其改进BP 神经网络是指基于误差反向传播(BackPropagation) 算法的多层次向前神经网络。神经网络具有大规模并行处理、连续时间非线性动力学、全局集体作用、高度的容错性和鲁棒性、冗余性、自学习及突时处理等许多优良特性。将神经网络技术引入水质预测, 通过样本的自学习来识别影响因子与水质指标之间复杂的非线性映射关系, 可很好地提高水质预测模型的精度和实用性。地表水水质污染物浓度的变化具有较强的非线性特性, 而人工神经网络(ANN) 由大量神经元通过极其丰富和完善的联接而构成自适应非线性动态系统,是一种新型的黑箱方法, 不需要了解输入与输出之间的相互关系, 非常适合非线性系统的建模研究〔1~3〕。常规的水质预测模型因存在许多简化与假定而限制了其精度与实用性的提高。神经网络水质预测模型可全面地考虑影响水质指标的各种因素, 通过简单的非线性函数的多次复合, 可以克服线性和非线性拟合中的基函数选择与系数求解的困难, 并可进行高级的非线性的精确映射, 具有较强的自适应能力。由于神经网络在水质预测中的应用研究目前处于探索阶段, 存在一定的局限性, 传统的BP 网络只适用于确定性关系的学习, 不能处理矛盾样本和含有非实可测因素的样本这些不足, 因此引入了因素神经网络以进一步改善BP 神经网络在水质监测中的应用。因素神经网络是由因素神经元按一定规则构成的一种信息处理网络系统〔4, 5〕。因素神经网络描述了一个多单元多功能的信息加工网络系统, 它从功能及结构方面可反映人脑处理信息的一些主要特征: ( 1) 系统是串并联结构, 并且在使用过程中可人为地或自主地改变结构, 具有自组织特征。因此, 系统可有导师学习和自学习, 即具有学习功能; ( 2) 因素神经网络的信息处理功能能实现多种类型的信息处理, 包括数值的或符号的, 单值的或多值的, 精确的或模糊的, 并能实现有记忆的信息处理过程; ( 3)因素神经网络能从结构及知识表达方面实现联想,有时系统的终态即稳定态实现的是一种联想记忆,而系统的评价函数则可保证联想逐步趋向稳定; ( 4)因素神经网络以知识的因素表示方法作为知识及信息表示的基础, 其工程实现及实际应用有良好的人-机关系。因素状态BP 网络, 通过将信息扩散原理和落影技术结合, 形成信息扩散式落影, 并与因素状态BP 网络有机结合, 可以解决: 知识非完备性的问题;样本含有非实可测因素的问题; 由于训练样本有矛盾样点而使平凡BP 网络训练速度过慢甚至无法训练出结果的问题。1.2 地表水COD 灰色预测的模型GM( 1, 1) 模型是基于灰色模糊分析方法(GreyMethod) 建立的一种模型, 具有诸多优点和独特功效。经典的GM( 1, 1) 的五步建模方法, 是通过一阶或多阶累加生成方法, 从看似无规律可言的原始序列数据中整理出具有灰指数规律的数据序列。作为GM( 1, 1) 的各类派生模型如模糊模型GFM( 1) 、单线性模型GLM( 1) 、单变量灰色模型GSM(1) 、线性和常数项组成的模型GPIM(1) 、单变量和常数项组成的模型GPSM( 1) 、由幂函数与常数项组成的新的灰色模型GPM( 1) 等, 拓展了GM( 1, 1) 在环境系统中的应用范围。并非任何一个时间序列数据的动态变化都符合指数规律, 因此该类模型存在着一定的局限性。例如灰色动态模型GIM( 1) 是GM( 1, 1) 一种新的派生模型, 由幂指数与线性项组成, 被定义为灰色线性幂函数曲线模型, 其优点为: 适应于具有灰指数律的单调系统; 适应于幂指数律与线性律相耦合的非线性系统。该模型自问世以来被相继成功地应用于各类环境系统中〔6〕。但常规GIM( 1) 模型不适应具有阶跃趋势的灰色动态序列, 而在环境系统的建模、分析和预测中常会出现动态序列中具有阶跃趋势的情况。若结合某水域地面水BOD5 的预测实践, 通过引入阶跃函数, 给出一种带有阶跃函数的GIM( 1) 参数的估计方法, 则误差小、精度高、预测值呈非线性变化,符合客观事物的发展规律, 扩大了GIM( 1) 灰色模型在环境系统中的应用范围。因此在应用灰色系统理论处理复杂、多样的环境系统时, 必须选择与其相适应的合理模型。1.3 时间数列预测法时间数列又称动态数列, 它是将某种统计指标值按时间先后顺序排列起来, 以便研究其发展变化的水平和速度, 来预测未来的一种统计方法, 具有丰富的内涵。时间数列预测法按数列动态折线的特点分为直线趋势和非直线趋势, 所用的统计方法亦多种多样〔7〕。用于地表水质监测时, 具有如下特点:( 1) 适合水质受被迁移物质的污染负荷量的变化以及迁移媒介体的流量的变动所支配, 污染情况十分复杂的地区地表水预测。若用物理模型进行预测,则相当繁杂。( 2) 适合间隔长的一组延续的时间数列, 特别是时间较长的往往存在着某种结构的长期趋势的年度资料, 给它配合一条趋势线以作外推预测, 往往收到事半功倍的效果。( 3) 必须满足具备一定数量的数列项数、动态变化存在着某种发展规律、数列令各指标值之间具有可比性的条件才能用该方法进行预测。1.4 WASP5 模型系统WASP5 模型系统( 水质分析模拟模型系统) 是由美国国家环保局暴露评估中心提出的一种多箱式水质模型。它通过模拟地表水中污染物运移和转化,采用一系列微分方程, 可更为细致地进行污染物在水体中的运移和转化的动态描述。WASP5 模型研究的问题包括BOD、DO 动力学、营养物/富营养化、有毒化学成分运移等。此模型在国外被广泛地用悠涮氐闶钦庵址绞降募?伤?胶凸ぷ餍?示?哂谕饬?郊?