BP人工神经网络的地表水辐射环境质量评价

环境污染与防治 网络版 第 6 期 2008 年 6 月 1 基于基于 BP 人工神经网络的地表水辐射环境质量评价人工神经网络的地表水辐射环境质量评价 陈 涛 1 谢忠岩2 尹纯文3 赵家华4 张 伟1 张凤君1 1 吉林大学环境与资源学院 吉林 长春 130026 2 吉林省环境保护局 吉林 长春 130061 3 吉林省辐射环境监督站 吉林 长春 130015 4 集安市环境保护局 吉林 集安 134200 摘要摘要 利用 BP 人工神经网络对鸭绿江集安段辐射环境水质进行评价 提出了基于 BP 人工神经 网络评价地表水辐射环境质量的模型 并以鸭绿江集安段辐射监测数据为样本 采用自编神经网络插 件平台进行分析研究 研究结果表明 BP 人工神经网络应用于地表水辐射环境质量评价简单实用 并得到与常规评价方法一致的结论 是一种快捷有效的评价方法 关键词关键词 BP 人工神经网络 地表水 辐射环境质量 评价 Environmental quality assessment of radiation to surface water based on BP neural network Chen Tao1 Xie Zhongyan2 Yin Chunwen3 Zhao Jiahua4 Zhang Wei1 Zhang Fengjun1 1 College of Environment and Resources Jilin University Changchun Jilin 130026 2 Jilin Province Environmental Protection Bureau Changchun Jilin 130061 3 Jilin Province Radiative Environment Supercision Changchun Jilin 130015 4 Ji an Environmental Protection Bureau Ji an Jilin 134200 Abstract The BP neural network was used for evaluating the environmental quality of radiation to Ji an reach of Yalujiang and a new model of evaluating the radiant environment to surface water based on the BP neural network was put forward in this paper It was studied and analyzed by plug platform of the BP neural network that was programmed ourselves according to the monitoring data about radiation of Ji an reach of Yalujiang The research results showed that application of the BP neural network in environment quality assessment of radiation to surface water was simple feasible and practical The method was accurate and convenient so that the results it got were as good as those from traditional assessment methods Keywords BP neural network surface water environmental quality of radiation assessment 在人类活动对自然环境造成的物理性污染中 放射性污染算是危害较大 较受重视 的污染之一 由于核科学的前沿 深邃 核武器威慑的巨大 恐怖 另一方面 核辐射 往往触及和改变物质微观基本结构 所以使公众谈核色变 特别是 1986 年发生切尔诺贝 利核事故后 人们更加关注核辐射对人体造成的损伤以及环境污染 目前 辐射环境评价方法多采用公众剂量评价方法 通过放射性核素对人体的内外 照射来推算辐射环境的危害程度 1 由于影响环境质量的因素很多 评价因素与环境质 量等级间的关系也很模糊 所以至今仍没有一种统一的确定的评价模型 自 20 世纪 80 年代初以来 国内外众多学者已将人工神经网络应用于环境质量的分类与评价 应用较 为广泛的是基于误差反向传播算法的 BP 网络模型 2 在水质环境质量评价方面 田立慧 等 3 将 BP 神经网络应用于浑河沈阳区段水质评价 张昆实等 4 运用 BP 人工神经网络模 型对湖泊水质进行评价研究 获得较好的效果 但尚未见该种方法应用于辐射环境的水 质评价 本文采用自编神经网络插件平台 并首次将该方法应用于辐射环境的水质评价 第一作者 陈 涛 男 1982 年生 博士 主要从事环境工程方面研究 通讯作者 吉林省环境保护局基金资助项目 No 2005 08 环境污染与防治 网络版 第 6 期 2008 年 6 月 2 1 BP 人工神经网络模型人工神经网络模型 1 1 模型结构 BP 模型是一种用于前向多层神经网络的反向传播学习算法 于 1985 年提出 它之 所以是一种学习方法 就是因为用它可以对组成前向多层网络的各人工神经元之间的连 接权值进行不断修改 从而使该前向多层网络能够将输入它的信息变换成所期望的输出 信息 BP 网络学习算法 不仅有输入层节点 输出层节点 还可有 1 个或多个隐含层节 点 对于输入信号 要先向前传播到隐含层节点 经作用函数后 再把隐节点的输出信 号传播到输出节点 最后给出输出结果 该算法的学习过程由正向传播和反向传播组成 在正向传播过程中 输入信息从输入层经隐含层逐层处理 并传向输出层 每一层神经 元的状态只影响下一层神经元的状态 如果输出层得不到期望的输出 则转入反向传播 将误差信号沿原来的连接通道返回 通过修改各层神经元的权值 使得误差信号最小 目前 BP 算法是研究最多的网络形式之一 是前向网络得以广泛应用的基础 1 2 算法原理 BP 神经网络的学习过程以一次进行一个训练范例的方式进行 即每加载一个训练范 例即更新权重及阀值一次 直至误差满足要求为止 其算法的学习过程如下 1 选择一组训练样例 每个样例由输入信息和期望的输出结果两部分组成 2 从训练样例中取一样例 把输入的信息输入到网络中 3 分别计算经神经元处理后的各层结点的输出 4 计算网络的实际输出与期望输出的误差 如果误差达到要求则退出 否则继续 执行第 5 步 5 从输出层反向计算到第一个隐层 并按照某种能使误差向减小方向发展的原 则 调整网络中各神经元的连接权值 6 对训练样例集中的每个样例重复 3 5 直到对整个训练样例集的误差 达到要求为止 2 BP 神经网络应用于地表水放射性环境质量评价神经网络应用于地表水放射性环境质量评价 2 1 评价指标及分级标准 本次评价指标选取天然水中放射性核素 238U 232Th 以及226Ra 目前对于放射性核素 在水中的浓度没有明确的分级标准 本文根据适合于各类人员的最大容许浓度值或限制 浓 表表 1 核素相对于各种人员环境的浓度限值核素相对于各种人员环境的浓度限值 Bq L 类别 环境污染与防治 网络版 第 6 期 2008 年 6 月 3 238U 1 5 1041 5 1054 4 106 232Th 59 0 5 9 1021 8 104 226Ra 0 020 205 90 度值的换算关系 针对不同的人群将水环境划分为广大居民环境 放射性工作场所临近 及附近地区人员环境和职业性工作人员环境 相对应的水环境级别为 类水体 具体分类及最大容许浓度见表 1 2 2 评价数据来源 本次评价数据来源于吉林省放射环境监督管理站对于集安市水中放射性核素含量的 测试报告 具体数据见表 2 表 2 鸭绿江中游水质放射性核素检测结果 Bq L 放射性核素 238U232Th226Ra 太平江口表层水 2 35 10 33 99 10 31 66 10 2 太平江口深 22 m 1 25 10 31 64 10 31 51 10 2 朝鲜码头 1 4 06 10 4 1 03 10 39 07 10 3 朝鲜码头 2 4 06 10 4 1 85 10 36 04 10 3 国东大穴对面 1 5 07 10 4 1 24 10 4 1 19 10 2 国东大穴对面 2 4 06 10 4 1 24 10 4 1 34 10 2 水文站 1 4 06 10 4 1 38 10 31 27 10 2 水文站 2 4 06 10 4 1 24 10 4 1 19 10 2 一号水源 4 06 10 4 1 24 10 4 5 27 10 3 热闹木线头沟 4 06 10 4 1 24 10 4 3 83 10 3 3 基于基于 BP 人工神经网络评价模型实例人工神经网络评价模型实例 鸭绿江流域辐射现状评价模型采用 3 层结构 由输入层 一层隐含层 输出层组成 本次评价选取的评价项目包括 238U 232Th 226Ra 等项 神经网络的输入层神经元数目由 评价因子决定 因此输入层神经元数目为定为 3 分别对应 238U 232Th 226Ra 等 3 项 网络输出应为分类结果 本研究设定 类 类 类水环境的期望输出结果分别为 1 0 0 0 1 0 0 0 1 因此输出层神经元数目为 3 隐节点的作用是从样本中提取并存储其内在规律 每个隐节点有若干个权值 而每 个权值都是增强网络映射能力的一个参数 根据隐节点计算公式得隐层节点数为 2 以 3 3 3 作为网络结构进行试凑 最终确定网络结构为 3 4 3 本研究采用自编神经网络插件平台进行训练 将水环境标准作为训练样本输入 期 望误差 0 001 采用自适应学习率附加动量算法 网络训练样本见表 3 网络误差与迭代 次数的关系见表 4 和图 1 表表 3 网络训练样本网络训练样本 238U232Th226Ra 样本输出 1 5 104 59 00 02 1 0 0 环境污染与防治 网络版 第 6 期 2008 年 6 月 4 1 5 1055 9 102 0 20 0 1 0 4 4 1061 8 104 5 90 0 0 1 表表 4 学习过程网络误差表学习过程网络误差表 学习次数010 00020 00030 00040 00048 766 网络误差1 0300 6340 2450 0120 0030 002 学习步数 图图 1 网络误差与迭代次数的关系网络误差与迭代次数的关系 由图 1 可知 在迭代次数 25 000 与测试集的网络误差急剧下降 但随着训练的继 续进行 迭代次数增加 网络误差的下降趋势变缓 且当迭代次数等于 48 766 时 网络 误差为 0 001 9 满足网络误差要求 网络停止训练 如果继续训练很可能是出现过拟合 的缘故 过拟合产生是由于网络模型刻意去契合个别样本所致 此时 网络对参加学习 的样本可以给出较好的拟合 但对于不参加训练的样本 拟合偏差反而增大 因此不管 此时训练集的误差是否继续下降 均应停止迭代 综合训练集与测试集的网络误差考虑 迭代次数应定为 48 766 次为宜 4 网络有效性的验证网络有效性的验证 对于测试集 网络输出与理想输出 实际值 的对比见表 5 由表 5 可以看出 网 络的输出值与实际值非常接近 这说明网络具有较好的模拟效果 表表 5 网络输出与理想输出的对比网络输出与理想输出的对比 238U232Th226Ra 样本输出 1 样本输出 2 样本输出 3 预测输出 1 预测输出 2预测输出 3 15 000590 021000 9760 0350 002 150 0005900 200100 0230 9620 013 4 400 00018 0005 9000100 0170 989 15 000590 021000 9760 0350 002 5 评价评价结果结果 将鸭绿江流域辐射剂量原始资料数据整理带入已学习训练好的 BP 神经网络进行仿真 计算的结果见表 6 从表 6 可以看出 鸭绿江流域集安段辐射环境水质均为 类 即低于广大居民环境 下放射性核素浓度 属正常水平 这与吉林省放射环境监督管理站对于集安市水中放射 学习误差推移 环境污染与防治 网络版 第 6 期 2008 年 6 月 5 性核素含量测试报告中的评价结果一致 6 结结 语语 将人工神经网络模型应用于地表水辐射环境质量评价中 并根据适合于各类人员的 最大容许浓度值或限制浓度值的换算关系确定相应的水质标准 采用自编神经网络插件 平台 表表 6 神经网络评价结果表神经网络评价结果表 流域 238U232Th226Ra 预测输 出 1 预测输 出 2 预测输 出 3 评价 类别 太平江口表层水0 002 3500 003 9900 016 600 9870 0210 002 太平江口深 22 m0 001 2500 001 6400 015 100 9870 0210 002 朝鲜码头 1 0 000 4060 001 0300 009 070 9880 0190 001 朝鲜码头 2 0 000 4060 001 8500 006 040 9880 0180 001 国东大穴对面 1 0 000 5070 000 1240 011 900 9870 0200 002