CN104007243B - 应用反向传播神经网络模型评价游泳池水质的方法 - Google Patents

Abstract

本发明涉及借助于测定材料的化学或物理性质来测试或分析材料的方法领域，具体为一种应用反向传播神经网络模型评价游泳池水质的方法。一种应用反向传播神经网络模型评价游泳池水质的方法，包括a.指标筛选、b.标准选定、c.划定分级和d.模型拟合。本发明减少人工评价工作量，提高评价结果准确性和客观性。

Description

应用反向传播神经网络模型评价游泳池水质的方法

技术领域

本发明涉及借助于测定材料的化学或物理性质来测试或分析材料的方法领域，具体为一种应用反向传播神经网络模型评价游泳池水质的方法。

背景技术

水质评价是按照评价目标选择相应的水质参数、水质标准和计算方法，对水的利用价值及水的处理要求做出评定的过程。长期以来，国内外研究人员对水质评价的方法进行了大量研究，提出了很多方法，如单项指标评价法、综合污染指数评价法、灰色评价法、模糊评价法、物元分析法等。但由于研究目的不同，对水质评价的侧重点也有所不同，再加之水质评价方法本身的不足，因而难以在现有的水质评价方法中找到一种既科学合理，又能够全面客观地反映水体水质状况的水质评价方法。

作为特殊水体的游泳场所之池水水质好坏直接影响泳客的健康。城市发展带动游泳场馆的建设，参加游泳活动的人数急剧增加，与此同时池水污染日益突出，多种传染性疾病可经池水传播，如眼结膜炎、肠道传染病、真菌病等。对池水水质进行科学合理的评价是卫生行政部门进行正确决策及采取适当措施预防疾病暴发流行的先决条件和基础。但目前用于游泳场所水质评价方法主要是单项指标合格率分析，水质综合评价研究较少，且其方法主要是密切值法、模糊数学法和合格率法等，皆是早期的方法学研究，存在较多不完善之处。

发明内容

为了克服现有技术的缺陷，提供一种减少人工评价工作量，提高评价结果准确性和客观性的水质评价方法，本发明公开了一种应用反向传播神经网络模型评价游泳池水质的方法。

本发明通过如下技术方案达到发明目的：

一种应用反向传播神经网络模型评价游泳池水质的方法，包括a.指标筛选、b.标准选定、c.划定分级和d.模型拟合，按如下步骤依次实施：

a.指标筛选：指标来源于游泳场所卫生安全的行业标准《游泳池水质标准》(CJ244-2007)和《游泳池给水排水工程技术规程》(CJJ122-2008)，为兼顾指标的重要性和可操作性，如指标的卫生学意义和对水质平衡(即池水保持既不析出沉淀结垢，又不产生腐蚀性和溶解水垢的中间状态)的影响、水处理工艺的调查、历年指标合格情况、指标检验方法的简便性等，选定如下游离性余氯等7个指标进入综合评价体系，其中括号内的是指标所用单位：①游离性余氯(mg/L)、②氰尿酸(mg/L)、③氧化还原电位(mV)、④pH值、⑤总碱度(mg/L)、⑥钙硬度(mg/L)和⑦尿素(mg/L)；

b.标准选定：除总碱度和钙硬度标准限值来源于《游泳池给水排水工程技术规程》(CJJ122-2008)外，其它5个指标标准限值来源于《游泳池水质标准》(CJ244-2007)。7个指标从①至⑦的标准限值依次为：[0.2,1.0]、≤150、≥650、[7.0,7.8]、[60,200]、[200,450]和≤3.5；

c.划定分级：结合水处理和环境卫生学领域等专家的经验判断，确定指标的分级标准。各指标的分级标准如下表所示：

d.模型拟合：

BP神经网络在使用前经过8步的训练过程，使网络具有联想记忆和预测能力。

d.1训练样本的建立：将c步骤表所列的7个指标的分级标准中的数据进行归一化处理，即按照y＝(x-最小值)/(最大值-最小值)规则将具体数值转化为[0,1]区间上的数据，从而使物理系统数值的绝对值变成某种相对值关系，把水质分级标准作为训练样本，将其输入到网络的输入节点；

采用产生随机数原理，在至少两种水质的水样中，在每种水样中各抽取不低于100份的样本，将全体样本进行训练和建模；

d.2神经网络初始化：设定输入层、隐含层和输出层的节点数，并初始化其神经元之间的连接权值ω_ij和ω_jk、隐含层阀值a和输出层阀值b，给定学习速率和神经元激励函数，选取输入输出序列(X,Y)；

d.3隐含层输出计算：根据输入向量X、输入层和隐含层间的连接权值ω_ij以及隐含层阀值a，计算隐含层输出H，其计算式如式(1)所示：

$H_j=f(\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\ω}}_{ij}{x}_i-a_j),j=1,2,......m---\left(1\right);$

式(1)中f为激励函数，激励函数的表达形式为经典的Sigmoid函数，其计算式如式(2)所示：

$f\left(x\right)=\frac{1}{1+e^{-x}}---\left(2\right);$

d.4输出层输出计算：根据隐含层输入H、隐含层和输出层间的连接权值ω_jk以及输出层阀值b，计算预测输出O，其计算式如式(3)所示：

$O_k=f(\underset{j=1}{\overset{m}{\Σ}}{H}_j{\mathrm{\ω}}_{jk}-b_k),k=1,2,......1---\left(3\right);$

d.5误差计算：根据预测输出O和期望输出Y获得预测误差e，其计算式如式(4)所示：e_k＝Y_k-O_k，k＝1,2……l——(4)；

d.6权值更新：根据预测误差e对连接权值ω_ij、ω_jk进行更新，其计算如式(5)和式(6)所示：式(5)和式(6)中的η为学习速率，

${\mathrm{\ω}}_{ij}={\mathrm{\ω}}_{ij}+{\mathrm{\ηH}}_j(1-H_j)x_i\underset{k=1}{\overset{1}{\Σ}}{\mathrm{\ω}}_{jk}{e}_k,i=1,2......n;j=1,2......m---\left(5\right),$

ω_jk＝ω_jk+ηH_je_k，j＝1,2……m；k＝1,2……l——(6)；

d.7阀值更新：根据预测误差e对阀值a和b进行更新，其计算如式(7)和式(8)所示：

$a_j=a_j+{\mathrm{\ηH}}_j(1-H_j)\underset{k=1}{\overset{1}{\Σ}}{\mathrm{\ω}}_{jk}{e}_k,j=1,2......m;k=1,2......1---\left(7\right),$

b_k＝b_k+e_k，k＝1,2……l——(8)；

d.8判断算法迭代是否结束：若迭代结束，表示训练过程可以结束，模型建立完成；若迭代还没有结束，则返回隐含层输出计算步骤重新开始一个新的训练调整过程，直至算法迭代得以结束。由于BP神经网络模型的初始化权值不唯一，决定重复训练奇数次后取出现最多的等级数为最终的预测结果。

通过MATLABR2012b软件神经网络Nprtool工具箱，自动完成数据导入、数据预处理、建立并训练神经网络以及使用误差均方与混淆矩阵等评价BP神经网络建模效果。使用双层前向神经网络作为基础，隐含层传递函数为Sigmoid，整个神经网络的训练函数为变梯度算法。BP神经网络模型参数主要包括最大训练步数、性能参数、确认失败的最大次数、隐含层神经元节点数等参数，通过模型学习和训练情况进行相应调整。为了防止过拟合，将最大训练步数设置为1000次，最大验证集失败次数设置为6次，并将训练目标误差设置为0。

经过反复尝试，在隐含层神经元节点数最终确定为10后，经过135次训练，此时的误差为0.021333，达到最佳效果后即停止训练，此时将训练数据回代入神经网络模型得到的预测准确率已达到95％以上。

所述的应用反向传播神经网络模型评价游泳池水质的方法，其主要特征有：

1.作为BP神经网络模型在游泳场所水质评价上的首次应用。神经网络是基于模仿人类大脑的结构和功能而构成的一种信息处理系统，是一种由大量处理单元组成的非线性自适应的动力学系统，具有学习、联想、容错和抗干扰能力，具有客观性。目前应用最多的是具有非线性传递函数神经元构成的前馈网络中采用误差反向传播算法作为其学习算法的前馈网络(简称BP网络)。运用神经网络理论和方法，建立水质与其影响因素间的非线性关系，可以较好地评价水体的综合质量。基于水环境系统自身存在着模糊性和灰色性以及水质监测结果存在的随机性等特点，神经网络法是目前水质综合评价中较为合理、可行的方法。

2.评价指标来源于行业标准——《游泳池水质标准》(CJ244-2007)和《游泳池给水排水工程技术规程》(CJJ122-2008)，而非国家标准——《游泳场所卫生标准》(GB9667-1996)。《游泳场所卫生标准》(GB9667-1996)在执行过程中普遍反映标准过低，但若完全执行国际游泳联合会(FINA)水质要求，有些项目过高，又不符合国情。与GB9667-1996相比，《游泳池水质标准》(CJ244-2007)和《游泳池给水排水工程技术规程》(CJJ122-2008)是以世界卫生组织(WHO)《游泳池、按摩池和类似水环境安全指导准则》为主要依据，并参考先进国家和地区的游泳池水质标准，结合我国的情况综合分析论证而制订出的水质检测指标及其限值，比较好的吻合了泳池的现状。

3.评价指标的筛选考虑了多个方面，兼顾了指标的重要性和可操作性，如指标的卫生学意义和对水质平衡(即池水保持既不析出沉淀结垢，又不产生腐蚀性和溶解水垢的中间状态)的影响、水处理工艺的调查、历年指标合格情况、指标检验方法的简便性等，将游离性余氯、氰尿酸和氧化还原电位作为消毒控制风险并兼顾微生物控制风险，将pH值、总碱度和钙硬度作为水质平衡控制风险以及将尿素作为池水循环净化控制风险而进入综合评价体系是一种大胆尝试。

4.在四种水质(水质优良、一般、轻度污染和重度污染)等级划定上探索确定了各指标的分级标准。由于目前缺乏关于游泳场所水质综合评价的分级标准，故邀请了上海市水处理和环境卫生学领域等专家，通过多次专家访谈对游泳场所水质指标的分级标准进行了大胆创新。

综上所述，本发明具有所需样本数据少、预测精度高的优点，对在基层进行游泳场所水质评价提供了应用平台，可以方便、快捷应用与操作，有较大的实用价值。本发明的有益效果是：提高了卫生行政部门监督监测资料的利用率、适应了游泳场所的新发展和新要求，减少了人工评价工作量，提高了评价结果的准确性和客观性，为加强游泳场所水质的卫生管理和保障游泳者的身体健康提供了有力依据。

附图说明

图1是含一个隐含层的BP网络的拓扑结构；

图1中：X、Y分别为神经网络的输入与输出，有m个输入与l个输出；i、j和k分别为各层神经元的节点数；ω_ij和ω_jk分别为输入层与隐含层、隐含层与输出层的神经元之间的连接权值。

人工神经网络方法简介：

人工神经网络(artificialneuralnetwork，ANN)，简称神经网络(neuralnetwork，NN)，是一种模仿生物神经网络结构和功能的数学模型或计算模型，其特有的非线性适应性信息处理能力使之特别适合于求解内部机制复杂的问题，已在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到了成功应用。反向传播(back-propagation，BP)网络是目前应用最广泛的人工神经网络模型之一。一般由输入层、隐含层和输出层构成。BP算法是建立在梯度下降法的基础上，学习过程(训练)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。如输出层得不到期望的输出，则转入反向传播，逐层递归地计算实际输入与期望输入的差(即误差)。将误差信号沿原来的连接通道返回，通过修改各层神经元间的权值，使得误差最小。

具体实施方式

以下通过具体实施例进一步说明本发明。

实施例1

一种应用反向传播神经网络模型评价游泳池水质的方法，包括a.指标筛选、b.标准选定、c.划定分级和d.模型拟合，其特征是：按如下步骤依次实施：

a.指标筛选：

选定如下7个指标，其中括号内的是指标所用单位：①游离性余氯(mg/L)、②氰尿酸(mg/L)、③氧化还原电位(mV)、④pH值、⑤总碱度(mg/L)、⑥钙硬度(mg/L)和⑦尿素(mg/L)；

b.标准选定：a步骤选定的7个指标从①至⑦的标准限值依次为：[0.2,1.0]、≤150、≥650、[7.0,7.8]、[60,200]、[200,450]和≤3.5；

c.划定分级：各指标的分级标准如表1所示：

表1：

d.模型拟合：

d.1训练样本的建立：将c步骤表所列的7个指标的分级标准中的数据进行归一化处理，即按照y＝(x-最小值)/(最大值-最小值)规则将具体数值转化为[0,1]区间上的数据，把水质分级标准作为训练样本，将其输入到网络的输入节点；

采用产生随机数原理，在每种水样中取250份的样本共计1000份样本进行学习和训练，其中，选取700个样本作为训练集，150个样本作为验证集，余下的150个样本作为测试集。

采样步骤介绍：

(1)采样设施和方法：采样时一般选用采样瓶或采样皿，依据GB/T17220-1998《公共场所卫生监测技术规范》，于游泳池开放时间内，分别在浅水区和深水区的水面下30cm处进行游泳池水样采集；

(2)采样检测指标：来源于游泳场所卫生安全的行业标准《游泳池水质标准》(CJ244-2007)和《游泳池给水排水工程技术规程》(CJJ122-2008)，为兼顾指标的重要性和可操作性，如指标的卫生学意义和对水质平衡(即池水保持既不析出沉淀结垢，又不产生腐蚀性和溶解水垢的中间状态)的影响、水处理工艺的调查、历年指标合格情况、指标检验方法的简便性等，选定对表1中所述的7个指标进行检测；

(3)检测方法：

①游离性余氯：GB/T5750.11-2006《生活饮用水标准检验方法消毒剂指标》1.1N,N-二乙基对苯二胺(DPD)分光光度法；

②氰尿酸：专利号US4855239A(Testcompositionanddeviceforthedeterminationofcyanuricacidinwater)，三聚氰胺比浊法；

③氧化还原电位：《水与废水检测分析方法(第四版)》中所述的电位测定法，国家环境保护总局《水和废水监测分析方法》编委会编辑，中国环境科学出版社于2002年12月1日出版，ISBN号9787801634009；

④pH值：GB/T5750.4-2006《生活饮用水标准检验方法感官性状和物理指标》5.2标准缓冲液比色法；

⑤总碱度：水与废水检测分析方法(第四版)中所述的酸碱指示剂滴定法；

⑥钙硬度：GB7476-87《水质钙的测定EDTA滴定法》；

⑦尿素：GB/T18204.29-2000《游泳水中尿素测定方法》二乙酰一肟及安替比林比色法。

(4)检测设备：应用PALINTEST7100型光度计及其配套耗材对游离性余氯、氰尿酸、pH值、总碱度、钙硬度和尿素等6个指标进行快速测定和直接读数；应用MP6100便携式pH-ORP检测仪对氧化还原电位进行快速测定和直接读数。

第一类数据样本如表2所述：

表2：

第二类数据样本如表3所述：

表3：

第三类数据样本如表4所述：

表4：

第四类数据样本如表5所述：

表5：

d.2神经网络初始化：设定输入层、隐含层和输出层的节点数，并初始化其神经元之间的连接权值ω_ij和ω_jk、隐含层阀值a和输出层阀值b，给定学习速率和神经元激励函数，选取输入输出序列(X,Y)；隐含层节点数采用经验公式计算：

d.3隐含层输出计算：根据输入向量X、输入层和隐含层间的连接权值ω_ij以及隐含层阀值a，计算隐含层输出H，其计算式如式(1)所示：

$H_j=f(\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\ω}}_{ij}{x}_i-a_j),j=1,2,......m---\left(1\right);$

式(1)中f为激励函数，激励函数的表达形式为经典的Sigmoid函数，其计算式如式(2)所示：

$f\left(x\right)=\frac{1}{1+e^{-x}}---\left(2\right);$

d.4输出层输出计算：根据隐含层输入H、隐含层和输出层间的连接权值ω_jk以及输出层阀值b，计算预测输出O，其计算式如式(3)所示：

$O_k=f(\underset{j=1}{\overset{m}{\Σ}}{H}_j{\mathrm{\ω}}_{jk}-b_k),k=1,2,......1---\left(3\right);$

d.5误差计算：根据预测输出O和期望输出Y获得预测误差e，其计算式如式(4)所示：e_k＝Y_k-O_k，k＝1,2……l——(4)；

d.6权值更新：根据预测误差e对连接权值ω_ij、ω_jk进行更新，其计算如式(5)和式(6)所示：式(5)和式(6)中的η为学习速率，

${\mathrm{\ω}}_{ij}={\mathrm{\ω}}_{ij}+{\mathrm{\ηH}}_j(1-H_j)x_i\underset{k=1}{\overset{1}{\Σ}}{\mathrm{\ω}}_{jk}{e}_k,i=1,2......n;j=1,2......m---\left(5\right),$

ω_jk＝ω_jk+ηH_je_k，j＝1,2……m；k＝1,2……l——(6)；

d.7阀值更新：根据预测误差e对阀值a和b进行更新，其计算如式(7)和式(8)所示：

$a_j=a_j+{\mathrm{\ηH}}_j(1-H_j)\underset{k=1}{\overset{1}{\Σ}}{\mathrm{\ω}}_{jk}{e}_k,j=1,2......m;k=1,2......1---\left(7\right),$

b_k＝b_k+e_k，k＝1,2……l——(8)；

d.8判断算法迭代是否结束：若迭代结束，表示训练过程可以结束，模型建立完成；若迭代还没有结束，则返回隐含层输出计算步骤重新开始一个新的训练调整过程，直至算法迭代得以结束；

算法迭代结束后，根据输出的数据和步骤c中确定的分级标准表最终确定水质级别。

预测结果如表6所述：

表6：

说明：

1.根据关于4种水质等级的划定表1中所述，分别在水质优良、一般、轻度和重度污染四个等级中对7个指标各取250份样本，形成1000组数据样本(每组数据含7个指标及其数值)，具体可见表2～表5，如在表2的第一类数据样本中，第一行显示7个指标，第二至第251行显示在水质优良组中共有250组模拟样本，表3～表5类似。

2.预测结果如表6所述，从表6中可见，根据4组(每组数据250份样本)的5次结果模拟预测情况显示，与水质划定等级相符性非常好。

Claims (2)

1.一种应用反向传播神经网络模型评价游泳池水质的方法，包括a.指标筛选、b.标准选定、c.划定分级和d.模型拟合，其特征是：按如下步骤依次实施：

a.指标筛选：

选定如下7个指标：①游离性余氯，单位mg/L；②氰尿酸，单位mg/L；③氧化还原电位，单位mV；④pH值；⑤总碱度，单位mg/L；⑥钙硬度，单位mg/L和⑦尿素，单位mg/L；

b.标准选定：a步骤选定的7个指标从①至⑦的标准限值依次为：[0.2,1.0]、≤150、≥650、[7.0,7.8]、[60,200]、[200,450]和≤3.5；

c.划定分级：各指标的分级标准如下表所示：

d.模型拟合：

d.1训练样本的建立：将c步骤表所列的7个指标的分级标准中的数据进行归一化处理，即按照y＝(x-最小值)/(最大值-最小值)规则将具体数值转化为[0,1]区间上的数据，把水质分级标准作为训练样本，将其输入到网络的输入节点；

采用产生随机数原理，在至少两种水质的水样中，在每种水样中各抽取不低于100份的样本，将全体样本进行训练和建模；

d.2神经网络初始化：设定输入层、隐含层和输出层的节点数，并初始化其神经元之间的连接权值ω_ij和ω_jk、隐含层阀值a和输出层阀值b，给定学习速率和神经元激励函数，选取输入输出序列(X,Y)；

d.3隐含层输出计算：根据输入向量X、输入层和隐含层间的连接权值ω_ij以及隐含层阀值a，计算隐含层输出H，其计算式如式(1)所示：

$H_j=f(\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\ω}}_{ij}{x}_i-a_j),j=1,2,......m---\left(1\right);$

式(1)中f为激励函数，激励函数的表达形式为经典的Sigmoid函数，其计算式如式(2)所示：

$f\left(x\right)=\frac{1}{1+e^{-x}}---\left(2\right);$

d.4输出层输出计算：根据隐含层输入H、隐含层和输出层间的连接权值ω_jk以及输出层阀值b，计算预测输出O，其计算式如式(3)所示：

$O_k=f(\underset{j=1}{\overset{m}{\Σ}}{H}_j{\mathrm{\ω}}_{jk}-b_k),k=1,2,......1---\left(3\right);$

d.5误差计算：根据预测输出O和期望输出Y获得预测误差e，其计算式如式(4)所示：e_k＝Y_k-O_k，k＝1,2……l——(4)；

d.6权值更新：根据预测误差e对连接权值ω_ij、ω_jk进行更新，其计算如式(5)和式(6)所示：式(5)和式(6)中的η为学习速率，

${\mathrm{\ω}}_{ij}={\mathrm{\ω}}_{ij}+{\mathrm{\ηH}}_j(1-H_j)x_i\underset{k=1}{\overset{1}{\Σ}}{\mathrm{\ω}}_{jk}{e}_k,i=1,2......n;j=1,2......m---\left(5\right),$

ω_jk＝ω_jk+ηH_je_k，j＝1,2……m；k＝1,2……l——(6)；

d.7阀值更新：根据预测误差e对阀值a和b进行更新，其计算如式(7)和式(8)所示：

$a_j=a_j+{\mathrm{\ηH}}_j(1-H_j)\underset{k=1}{\overset{1}{\Σ}}{\mathrm{\ω}}_{jk}{e}_k,j=1,2......m;k=1,2......1---\left(7\right),$

b_k＝b_k+e_k，k＝1,2……l——(8)；

d.8判断算法迭代是否结束：若迭代结束，表示训练过程可以结束，模型建立完成；若迭代还没有结束，则返回隐含层输出计算步骤重新开始一个新的训练调整过程，直至算法迭代得以结束；

算法迭代结束后，根据输出的数据和步骤c中确定的分级标准表最终确定水质级别。

2.如权利要求1所述的应用反向传播神经网络模型评价游泳池水质的方法，其特征是：d.模型拟合中，d.1训练样本的建立时，采用产生随机数原理，在四种水质的水样中，在每种水样中各抽取250份的样本，将全体共1000份样本进行训练和建模；

d.2神经网络初始化时，隐含层节点数采用经验公式计算：