论文部分内容阅读
人工神经网络(Artificial Neural Network,简称ANN)是一种利用计算机模拟人脑神经组织的运算模型。它具有很强的自适应性、自组织性和容错性能,已被广泛地应用于信息处理、自动控制和模式识别等方面。神经网络包含很多并行处理信息的单元,即神经元。其工作原理与环境接受外界刺激的过程相似。目前地下水质评价的方法很多,主要有单因子法、综合指数法、模糊数学法、灰色系统评价法等。尽管这些评价方法各具有一定的优点,但大都需要构造隶属函数和确定权值。而隶属函数的设计具有一定人为性,权值的计算方法也有不尽合理的一面,因此在某些情况下会丢失较多有价值的信息。神经网络在一定程度上可以弥补传统评价方法需要构建隶属函数、无法精确描述级别区间内的变化特征以及设计过程具有一定人为偏好的不足。BP算法是人工神经网络方法中最重要和最流行的算法。由于BP神经网络是能够很好的模拟非线性系统,具有较强学习能力的优异网络结构,因此在进行分类识别方面具有较为广泛的运用。但是,由于BP神经网络又具有学习收敛速度缓慢、不能保证收敛到全局最小点、网络的学习记忆具有不稳定性、网络隐含层数及隐含层单元数的选取尚无统一的理论指导等缺点。针对BP网络中存在的上述缺点,科技工作者仍在进行探索。主要的研究方向有:一是泛化能力研究,所谓泛化能力就是用较少的学习样本对网络进行训练后,网络对于大量未经学习过的输入模式也能正确处理;二是研究多层网络的新结构;三是对网络的性能进行优化。所以本文试图借助神经网络模型的优异功能,对它的缺点进行改进。本文的主要工作有:(1)将BP神经网络模型应用于地下水质评价中;(2)对BP算法进行改进。在权值和阈值的修改中加入动量项因子和自适应因子,对激励函数进行修正,对隐节点数进行优化选择。对改进后的BP算法和标准BP算法进行实验比较,得出改进后的BP算法可以有效的加快训练速度,减少训练误差等。(3)为了更好地说明BP神经网络分类识别的优良效果,本文采用单因子及模糊综合评判法与之做了对比。总之,本文采用改进的三层BP神经网络模型,以昆明地下水数据做样本,用C#调用MATALAB来训练BP网络,开发了地下水质评价系统。经过测试,本文建立的基于BP神经网络识别模型在地下水质评价中效果比其他模型好。相信本文的这一结论对城市地下水评价具有一定的指导作用,同时也可以为我国建立地下水质评价提供可供借鉴的依据。