BP神经网络模型在水环境质量综合评价应用中的一些问题

BP神经网络是采用误差反向传播算法对网络权值进行训练的多层前向神经网络，以其优良的非线性逼近能力，获得广泛应用，建立的神经网络模型具有优异性能的必要条件是神经网络结构及其参数的合理选取，具有足够多和代表性，典型性好的训练样本，训练时求得全局最小点和不出现“过学习”或“过拟合”等，本文根据近几年BP神经网络建模理论研究的最新成果，研究发现目前在建立水环境质量综合评价BP神经网络模型时存在的几个主要问题：（1）训练样本太小；（2）没有检验样本和测试样本；（3）神经网络结构太大等，从而极有可能造成在训练神经网络模型时再现“过拟合”或“过学习”现象，使建立的模型泛化能力较差或根本没有，在研究近年提出的应用BP神经网络方法建模的必备条件的基础上，对目前应用人工神经网络进行水环境质量综合评价的研究成果的分析表明，绝大多数水环境质量BP神经网络评价模型是在满足建模条件的情况下建立的，计算实例表明，在不满足建模条件下建立的神经网络模型泛化能力和预测能力较差，极有可能出现多模式现象，没有实用价值。  

家鱼池塘底泥耗氧率与理化因子的相关性分析

采用原位底泥耗氧测定法,研究了10口家鱼鱼池底泥耗氧率与底部水体理化因子(溶氧、温度、pH值、氧化还原电位)和底泥有机质含量及深度的相关关系。结果显示:池塘平均底泥耗氧率(SOD)为0.91 g/(m2.d),变动范围为0.76～1.09 g/(m2.d)。双变量相关性分析表明,底泥耗氧率与池塘底部水体理化指标的相关性均达到极显著水平(P<0.01),与溶氧相关性最高(Pearson相关系数为0.779),其次是温度、pH值和氧化还原电位,相关系数分别为0.587、0.557和-0.421;底泥耗氧率与底泥深度相关性达到显著水平(P<0.05)。偏相关分析结果表明,底泥耗氧率与溶氧和温度呈极显著相关(P<0.01),与其它因素均未达到显著水平。影响底泥耗氧率最重要的环境因子是溶氧,其次是温度。利用BP神经网络分析影响SOD的理化因子,以溶氧、温度和底泥深度为BP神经网络模型的输入变量建立BP神经网络模型对SOD进行预测分析,BP神经网络模型训练和测试相关系数分别为0.911和0.879,平均相对误差分别为11.6%和10.4%,预测值与真实值偏差较小,拟合度较高,可有效预测池塘底泥耗氧率。  

BP神经网络在渔船航行安全预警中的应用

渔船在海上航行时由于船体自身结构或者海面风浪等不利因素的影响，时常处于潜在的威胁当中。为了研究渔船在海洋环境中可能会遭受的风险，采用基于BP神经网络算法，对渔船吨位、发动机功率、渔船材质、渔船船龄以及渔船所处海面风等级、海面浪等级等6个预警指标要素构成的渔船预警模型进行评估，最终确定渔船在海上航行时的风险等级。在构建风险预警模型中使用了400个渔船事故案例，将训练样本按照数量划分为多个级别进行验证。预警模型结果与实际值比较显示，模型的正确率为79．76％～83．62％，其中在训练样本数为测试样本数的0．75倍时，模型精度最高。研究表明，基于BP神经网络的渔船风险预警模型的评估结果与渔船实际事故状态基本相符。该模型的建立为渔船海上航行提供了安全保障。  

利用BP神经网络短期预测太湖不同湖区叶绿素a浓度

人工神经网络具有强大的非线性能力,能对复杂的水环境系统中非线性行为进行准确有效地预测.选择太湖典型湖区梅梁湾(4个样点)和湖心区(2个样点)为研究对象,通过对其2006-2008年的常规水质参数进行主成分分析,选择合适的输入因子及最优的网络参数,建立优化的BP神经网络模型,以期实现叶绿素a浓度的月预测.结果表明,梅梁湾的预测值与实测值的平均相对误差为71％,湖心区的预测值与实测值的平均相对误差为39％,2者预测精度均较低,其原因主要与太湖的水动力条件、水文气象及藻型生态系统等因素有关.  

基于BP神经网络模型的福建海域赤潮预报方法研究

赤潮往往给渔业生产和人类的生命安全造成极大的危害,但由于赤潮的成因十分复杂,对其进行预报非常困难.本研究收集了福建海区2000年至2016年发生的219个赤潮案例有效数据,应用BP神经网络人工智能模型建立了其与气温、降水、风速、气压和日照5个气象因子的非线性关系,并将这些赤潮案例数据与相应的气象指标按闽东、闽中和闽南3个海区,分别输入模型进行学习、训练与预测.结果显示:1)闽东海区53个训练样本45个预测正确,正确率达84.91%,3个模拟预测样本全部正确;2)闽中海区69个训练样本58个预测正确,正确率达84.06%,4个模拟预测样本全部正确;3)闽南海区85个训练样本的运算预测结果63个正确,正确率74.12%,5个模拟预测样本全部正确,达到预期的结果.研究表明,以气象因子为自变量采用BP神经网络模型对赤潮的发生进行预测是可行的,该方法可为赤潮的预测提供新的途径.  

墨西哥湾扇贝与华贵栉孔扇贝的远缘杂交

为进一步研究扇贝属间远缘杂交的可行性,以墨西哥湾扇贝(Argopecten irradians concentricus)与华贵栉孔扇贝(Chlamys nobilis)作为亲本,建立了两种扇贝的正交组MH、反交组HM、墨西哥湾扇贝自交组MM和华贵栉孔扇贝自交组HH.对各实验组的胚胎发育速度、受精率、孵化率、D形幼虫发生率和幼虫生长速度进行比较,分析了不同温度、盐度和精子浓度对各实验组配子亲和力及合子育性的影响,并尝试运用BP神经网络模型预测杂交组浮游幼虫的生长趋势.结果表明,两种扇贝的正反杂交均可获得早期杂交子代(F1).从胚胎发育情况看,正反杂交组幼虫发育到D形幼虫的时间均少于两个自交对照组;其受精率、孵化率、D形幼虫发生率也低于两个自交对照组;即使在不同温度、盐度和不同精子浓度下正反交组的受精率和孵化率也均低于两个自交组.从浮游幼虫生长情况看,正反交组D形幼虫的壳长和壳高均高于两个自交组,具有显著的差异性(P<0.01),表现出较明显的杂种优势.运用BP神经网络模型对正反交组的浮游幼虫进行预测,其预测值与实测值的误差率均小于4%.  

基于BP神经网络的虾蛄捕捞海域溯源方法

虾蛄是重要的经济水产品,对环境中重金属元素具有富集作用.不同海域捕捞的虾蛄体内重金属含量差异较大,因此,可根据虾蛄体内重金属含量推断捕捞海域的污染状况,即基于虾蛄体内重金属状况对其来源进行溯源.以渤海、东海和南海三大海域虾蛄中的3种重金属含量数据作为输入,建立BP神经网络判别分析模型,并对模型进行优化,通过模型判断虾蛄样本的来源海域.结果显示:经过网络训练后,总计90个样本中,86个分类正确,模型的判别准确率为95.6%,其中训练集判别准确率为98.1%,验证集准确率为94.4%,测试集准确率为88.9%.研究表明:基于BP神经网络建立的判别分析模型能够解析非线性复杂体系中各元素的内在关联,以区分样品的来源,并可据此进行有效的追溯.  

基于启发式Johnson算法优化BP神经网络的水产养殖产量预测模型

针对水产养殖产量预测难的现状,提出一种基于启发式Johnson算法优化的反向传播神经网络(BPNN)的产量预测模型.该模型在传统BP神经网络的基础上,针对网络训练时间长、易陷入局部最优的问题,通过启发式Johnson算法降低输入神经元维度,再结合试凑法确定神经网络隐层个数,构建启发式Johnson反向传播神经网络(HJA-BPNN)学习预测模型.实验结果表明,该模型在山东省对虾海水养殖产量预测中,预测的均方根误差小于传统BP神经网络和GM(1,1),且学习效率相比传统BP神经网络有所提升.研究表明,该学习预测模型在大量历史数据的模型构造上有更大的优势,能够缩短建模时间,同时获得良好的预测效果,为水产养殖产量预测提供了一种可行的新方法.  

基于粒子群优化 BP神经网络的水产养殖水温及 pH预测模型

针对养殖水质、水温及pH预测准确性低的问题，提出了一种基于粒子群优化BP神经网络的养殖水质参数预测方法。首先应用粒子群算法优化得出BP神经网络的初始权值和阈值，然后对得到的数据进行预处理，修复异常数据信息，再以当前时间的多个水质参数作为输入，下个时间点的水温、pH作为输出，建立养殖水质预测模型，最后利用采集的水质数据在BP神经网络中进行训练，并通过实验检验水质预测模型的可行性和预测性能。与支持向量回归（ SVR）和传统BP神经网络相比，基于粒子群优化的BP神经网络在预测水温方面，均方根误差（RMSE）下降幅度分别为64．4％和86．7％；在预测pH方面，RMSE下降幅度分别为11．1％和78．9％。研究表明，基于粒子群优化的BP神经网络养殖水质预测模型具有灵活简便、预测精度高、易于实现的特点，同时具有很好的预测能力。  

浙江青山水库富营养化状况评价

2013年4月、7月、10月及12月对杭州青山水库实施4次生态环境调查，采集表层水质样品，应用BP神经网络模型进行水质富营养化评价。结果表明：青山水库水质富营养化状态总体为中营养，4月最低，人工神经网络评价结果平均为1.130；7月相对较高，人工神经网络评价结果平均为1.338。4月、7月与其他月份之间差异显著（p＜0.01），10月与12月无显著性差异（p＞0.05）；水库的上游（S4）、下游(S6、S7)与其他站位之间存在显著性差异（p＜0.05），4月、7月富营养化数值最大的站点为S6，10月、12月为S7，富营养化程度随着水流方向，呈现增加的趋势，这与下游库区大坝拦截作用致使水流减缓是分不开的。相对于河流，具有大面积静水区域的水库更加适合浮游植物生长，不同季节水温、日照等自然条件适应与否是造成富营养化程度时间变化的主要原因。