基于BP神经网络的污染传播模型

1、基于基于BPBP神经网络的污染神经网络的污染传播模型传播模型城市表层土壤城市表层土壤HgHg污染分析污染分析 现对某城市城区土壤地质环境进行调查。为此，将所考察的城区划分为间距1公里左右的网格子区域，按照每平方公里1个采样点对表层土（010 厘米深度）进行取样、编号，并用GPS记录采样点的位置。应用专门仪器测试分析，获得了每个样本Hg元素的浓度数据。 对于Hg浓度，采用国家一级土壤标准，即土壤中Hg浓度应小于等于150mg/kg。城市表层土壤城市表层土壤HgHg污染分析污染分析输入变量： x-横坐标 y-纵坐标 h-高度输出变量： 0-Hg浓度150mg/kg 1-Hg浓度150mg/kgv

2、分析重金属污染物的传播特征，由此建立模型BPBP神经网络原理简介神经网络原理简介 BP神经网络是一种多层前馈神经网络,该网络的主要特点是信号前向传递,误差反向传播。在前向传递中,输入信号从输入层经隐含层逐层处理,直至输出层。每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出,则转入反向传播,根据预测误差调整网络权值和阈值,从而使BP神经网络预测输出不断逼近期望输出。 BP神经网络 在 Weka 中就是由MultilayerPerceptron算法实现的。在在WEKAWEKA中的实现中的实现1.打开Weka，点击 Explorer2.Preprocess（选择和修改要处理的数据）

3、Openfile（打开一个对话框，允许你浏览本地文件系统上的数据文件），选择数据文件 data-Hg 。3.Classify （训练和测试关于分类或回归的学习方案）Choose(选择 WEKA 中可用的分类器) functionsMultiLayerPreceptron 。左键点击文本框会打开一个 GenericObjectEditor，可以配置当前的分类器,将GUI(允许我们在神经网络训练的过程中暂停和做一些修改)改为true。在在WEKAWEKA中的实现中的实现4.应用选定的分类器后得到的结果会根据 Test Option 一栏中的选择来进行测试。共有四种测试模式：Using traini

4、ng set. 根据分类器在用来训练的实例上的预测效果来评价它。Supplied test set. 从文件载入的一组实例，根据分类器在这组实例上的预测效果来评价它。Cross-validation. 使用交叉验证来评价分类器，所用的折数填在Folds 文本框中。Percentage split. 从数据集中按一定百分比取出部分数据放在一边作测试用，根据分类器这些实例上预测效果来评价它。取出的数据量由% 一栏中的值决定。 在此选择Usetrainingset在在WEKAWEKA中的实现中的实现5.在 Start 按钮上方选择输出层Hg，然后单击 Start 按钮。出现对话框NeualNetwo

5、rk，点击 Start，运行完成后选择 Accept 。初始的网络，如图：在在WEKAWEKA中的实现中的实现6.在Classifier output可以看到运行结果。输出结果 可分为几个部分：vRun information. 给出了学习算法各选项的一个列表。包括了学习过程中涉及到的关系名称，属性，实例和测试模式。vClassifier model (full training set). 用文本表示的基于整个训练集的分类模型。在在WEKAWEKA中的实现中的实现 可以看到这里对应的是右边的黄色节点，其weight分布对应的node 1 2 是左边的红色隐层节点的权重。在在WEKAWEKA中的实现中的实现这个显示的是对应的是左边绿色输入向量的weight 。vSummary. 一列统计量，描述了在指定测试模式下，分类器预测 class 属性的准却程度。在在WEKAWEKA中的实现中的实现在在WEKAWEKA中的实现中的实现各评估指标：Correlation coefficient(相关系数）:0.4573Mean absolute error（平均绝对误差）:0.3008Root mean squared error（均方根误差）:0.3785Relative absolut