1、農業環境科學學報 2006,25(1:186-189J o u r n a l o f A g r o -En v i r o n m e n t S c i e n c e 基于 MATLAB6.x 的 BP 人工神經網絡的土壤 環境質量評價方法研究趙玉杰 1, 2,師榮光 2, 高懷友 2, 王躍華 2, 白志鵬 1,傅學起 1(1. 南開大學環境科學與工程學院, 天津 200071; 2. 農業部環境監測總站 , 天津 300191摘 要 :對基于 MATLAB 6.x 的 BP 人工神經網絡工具箱進行了簡要的介紹 , 并將 BP 人工神經網絡應用到土壤環境質量現狀評價中, 編制了基于

2、MATLAB 6.x 土壤環境質量評價程序, 并對影響評價結果的訓練集的構建、 隱層神經元數量的選擇、 訓練過程的建 立等問題進行了探討。結果表明, 用隨機函數 rand 或線性函數 linspace 內插生成網絡的訓練集是可行的, BP 網絡隱層的傳遞函數 為 tansig , 神經元數量為 5(用 rand 函數生成訓練集 或 8(用 linspace 函數生成訓練集 , 輸出層的傳遞函數為 purelin , 神經元數量 為 1。訓練集中加入一定的噪聲更有利于提高網絡的識別能力。在此基礎上, 將構建的網絡應用到實際土壤環境質量評價中, 并將 評價的結果與其他評價方法得出的結果進行了比較,

3、 表明 BP 人工神經網絡應用到土壤環境質量評價中是切實可行的。 關鍵詞:BP 人工神經網絡 ; 土壤 ; 環境質量評價 ; MATLAB 中圖分類號:S126,X825文獻標識碼:A文章編號:1672-2043(200601-0186-04收稿日期:2005-05-21基金項目:科技部科技基礎性工作專項資金支持項目(2001DEB30065 , 男, 南開大學在讀博士, 工程師, 主要研究方土壤環境質量評價方法有多種, 應用較多的如內 梅羅指數法、 模糊評價法、 污染損失率法等, 這些方法 各有其優缺點, 如內梅羅指數法易于計算, 應用廣泛, 但存在擴大最大分指數或縮小次大分指數的問題, 模

4、糊評價法人為效應過強, 而污染損失率法雖有明確的 物理意義, 但評價公式中參數的確定及應用還有待進 一步研究。土壤環境質量評價實質上是依據土壤污染物濃 度分級標準比較待評價的土壤環境各污染物的監測 值與相應的標準濃度, 如果接近, 則其就被視為符合 該分級標準的土壤環境質量, 因此, 土壤環境質量評 價屬于模式識別問題。Assessment Method for Soil Environmental Quality Based on BP Neural NetworkZHAO Yu-jie 1,2, SHI Rong-guang 2, GAO Huai-you 2, WANG Yue-hua

5、2, BAI Zhi-peng 1, FU Xue-qi 1(1. Agro-environmental Monitoring Centor, MOA, Tianjin 300191, China; 2. Department of Environmental Sciene and Engineering, Nankai University, Tianjin 300071, ChinaAbstract:BP neural network based on MATLAB 6.x and its application in soil environment quality assessment

6、 were introduced and the assessment program was built.The influencing factors of BP neural network on soil environmental quality assessment were discussed,which were the input vector, the numbers of neurons in the hidden layers and the training process. Using the interpolation function rand or linsp

7、ace in building the input vector is feasible. The transfer function of hidden layer is tansig and the numbers of neurons are five or eight when the interpolation function is rand or linspace, while, the transfer function of output layer is purelin and the number of neuron is one. The addition of noi

8、se in the input vectors is important to improve the correction of the network. Based on the research results, the constructed network was applied to a case of soil environmental quality assessment and the assessment results were compared with other assessment methods, which suggested that the method

9、 of BP network in soil environmental quality assessment was feasible and reason-able.Keywords:BP neural network; soil; environmental quality assessment; MATLAB第 25卷第 1期農 業 環 境 科 學 學 報 層前向神經網絡,是由 D.E.Rumelhart 和 J.L.McCel-land 及其研究小組于 1986年設計出來的, BP 網絡在 模式識別領域已有不少成功的應用實例。因此, 本文 試將 BP 人工神經網絡應用于土壤環境質量評

10、價中, 并編制了基于 MATLAB 6.x 人工神經網絡工具箱的 評價程序, 收到了滿意的效果。1BP 人工神經網絡簡介 11.1BP 神經網絡結構BP 神經網絡采用基于 BP 神經元的多層前向神 經網絡的結構形式。典型的 BP 網絡結構如圖 1所 示。 BP 神經網絡通常具有一個或多個隱層,其中, 隱 層神經元通常采用 Sigmoid 型傳遞函數(如 tansig, logsig 等, 而輸出層神經元則采用線型傳遞函數。應 用于土壤環境質量評價的 BP 網絡, 通常由一個輸入 層, 一個隱層和一個輸出層組成。 1.2BP 神經網絡設計MATLAB 6.x 神經網絡工具箱的 newff 函數可

11、以 用來生成 BP 網絡。用于土壤環境質量評價的 newff 函數的常用格式為:net =newff (minmax(P , S 1S 2, TF 1TF 2, BTF 式中 :minmax(P 為訓練集中的最大最小值矩陣; S 1,S 2分別為隱層和輸出層神經元數量; TF 1TF 2分別為隱 層和輸出層神經元的傳遞函數; BTF 表示神經網絡訓 練時所使用的訓練函數 , 根據土壤環境質量訓練集的 特點,一般多采用 traingdx (動量 +變速訓練函數 或trainscg(共軛梯度函數 , 而 trainrp 函數由于收斂速 度過快易造成訓練過程不穩。1.3BP 神經網絡的訓練和仿真在

12、BP 神經網絡生成和初始化以后, 即可利用現 有的 “輸入 -目標” 樣本矢量數據對網絡進行訓練。 BP 網絡的訓練通常采用 train 函數來完成。針對不同的 問題, 在訓練之前需對網絡的訓練參數 net.trainParam 進行適當的設置。 表 1列出了土壤環境質量評價網絡 對象的一些主要訓練參數及含義。訓練參數設置完成后, 調用 train 函數對 BP 網絡 進行訓練。 train 函數的常用格式如下:net, tr=train (net, P, T 式中:P 為輸入樣本矢量集; T 為對應的目標樣本矢量 集; 等號左、 右兩側的 net 分別用于表示訓練前、 后的 神經網絡對象;

13、tr 存儲訓練過程中的步數信息和誤差 信息。2基于 MATLAB 6.x 的 BP 人工神經網絡在 土壤環境質量評價中的實現基于 MATLAB 6.x 人工神經網絡工具箱的土壤環境質量評價可分為四個步聚:一是培訓數據選擇, 二是網絡對象的構建, 三是網絡培訓, 四是網絡仿真。 2.1培訓數據的選擇土壤環境質量評價的目標之一是以土壤環境質 量標準為依據,評價監測點及監測區的土壤污染狀 況, 因此, BP 網絡的培訓數據也必須以土壤環境質量 標準 (GB 15618-1995 為基礎。但由于土壤環境質量 標準原始數據量太少,各重金屬的標準值相差很大, 而且在實際監測中, 某些點的監測值超過了土壤的

14、三 級標準, 所以直接應用土壤環境質量標準作為培訓數 據集有一定的缺陷。 為此, 我們結合實際情況, 對原標 準進行了改進,從而生成可直接利用的培訓數據集。 主要改進點如下:(1對原標準中的鎘和汞的標準數值分別乘以10、 100,以保證數據集在歸一化處理中的整齊性。同 時對于待評價數據的鎘和汞值也分別乘以 10、 100,圖 1具有單隱層的 BP 人工神經網絡Figure 1The BP neural network with a single hidden laye表 1幾個主要的 BP 神經網絡訓練參數及含義Table 1The main training parameters and t

15、heir meanings in BP neural networ1872006年 2月 趙玉杰等:基于 MATLAB6.x 的 BP 人工神經網絡的土壤環境質量評價方法研究以保證評價結果的正確性。(2為了防止網絡在訓練過程中產生過擬合現 象, 有必要增加訓練集的數量, 因此在各標準值之間 以 rand 函數均勻產生 5個隨機數 2, 并用 sort 函數將 產生的數據進行排序。 也可用 linspace ( 函數產生線 性分布的數據。(3 根據農業部環境監測總站全國土壤環境質量 歷年的監測結果, 確定培訓集中八個重金屬的最高值 即 max(P 分別為:鎘 4mg kg -1, 汞 2mg k

16、g -1, 砷 45 mg kg -1, 銅 600mg kg -1, 鉛 800mg kg -1, 鉻 350mg kg -1, 鋅 800mg kg -1, 鎳 250mg kg -1。如檢測值大于以 上最大值, 可做適當調整, 但不會影響評價結果。 (4 將數據集分為四級, 一級為優, 既檢測值在土 壤自然背景值以內, 二級為未污染, 既檢測值小于土 壤二級標準而大于自然背景值, 三級為污染, 既檢測 值在二級和三級標準之間, 四級為嚴重污染, 即檢測 值大于三級土壤環境質量標準。 數據分級結果如表 2所示。表 2土壤環境質量評價訓練集分級標準 (堿性土壤Table 2The class

17、ification criterion of soil environmental quality assessment training volume (alkaline soil 2.2網絡對象的建立 3網絡對象建立的主程序如下所示:Pi=;Ti=;%網絡培訓集及目標集R,Q=size(Pi;S1,Q=size(Ti;P=Pi;T=Ti;Pn,minP,maxP,Tn,minT,maxT=premnmx(P,T %對 數據進行前處理net=newff (minmax (Pn,5,1, tansig , purelin , traingdx ;文中所構建的 BP 網絡為具有一個隱層和一個 輸

18、出層的前向網絡, 其中隱層共有 5個神經元, 輸出 層為一個神經元,隱層和輸出層的傳輸函數分別為 tansig 和 purelin, 網絡采用的訓練函數為 traingdx 。 2.3網絡的培訓為了增強網絡的魯棒性及容錯能力, 采用對網絡 進行三次訓練的方法, 訓練步聚為:(1 用不含噪聲的訓練集對網絡進行初次訓練。(2 在訓練集中分別加入 10%和 20%的噪聲 1。(3 為保證網絡對訓練集的正確識別, 再次用不 含噪聲的訓練集對網絡進行第三次訓練, 其訓練步驟 與第一次相同。3.4數據仿真網絡建立并經訓練后, 用人工神經網絡工具箱的 以得出監測點或監測區土壤污染狀況。 數據仿真的程 序如下

19、所示:Tp=%待評價的數據集pnewn=tramnmx (Tp,minP,maxP%對評價集進行 后處理anew=sim(net,pnewn;anew=postmnmx(anew,minT,maxT %最終評價結 果為檢驗網絡的性能, 用戶可以對原始的訓練集進 行仿真, 其程序和上面的程序段相同。3.5實例應用表 3為天津市某區域土壤環境質量監測數據, 將 其作為仿真數據 T , 采用工人神經網絡方法對其污染 狀況進行評價, 評價結果如表 3所示。4討論4.1培訓集的選擇對土壤環境質量評價結果的影響 由于 BP 人工神經網絡是以培訓集作為模式識 別的依據, 培訓集的選擇直接關系到識別結果的正確

20、 性。 本文所選培訓集及培訓集的分類方式只是一種方 法學上的嘗試, 不同地區及不同環境監測的目的可能 要對培訓集作適當的調整, 以滿足實際需要。188第 25卷第 1期 農 業 環 境 科 學 學 報表 4列出了各評價方法 (內梅羅指數法 , 模糊評價 法 4、 污染損失率法 5 對 11個監測點的評價結果。由 表 4可見, BP 神經網絡的評價結果與灰色聚類和污 染損失率法評價結果基本一致, 而與內梅羅指數法評 價結果有一定的差異, 進一步驗證了內梅羅指數法在 評價時過于突出污染嚴重因子而帶來的評價誤差。表 3土壤重金屬檢測值及評價結果Table 3Detection values of s

21、oil heavy metals and assessment results表 4不同評價方法對監測點的評價結果Table 4The assessment results for the monitoring site using different assessment methods4.3評價網絡隱層神經元數量的確定隱層神經元數量的確定關系到評價結果的正確 性。 神經元數量太少, 無法實現監測數據的分類, 神經 元數量太多, 不僅網絡龐大結果不穩定, 而且易產生 誤差。 雖然各國科學家在隱層神經元數量的確定上做 了大量研究工作, 但至今沒有很成熟的理論。 因此, 在 網絡建立時, 用戶一般根據網絡規模的大小, 憑實際 經驗確定隱層神經元數量。在本次評價中, 如果插值 數據是用 rand 函