本文關鍵詞：基于概率神經網絡的城市湖泊生態(tài)系統(tǒng)健康評價研究，由筆耕文化傳播整理發(fā)布。

DOI:10.13671/j.hjkxxb.20；第33卷第11期2013年11月；環(huán)境科學學報ActaScientiaeCircu；Vol．33，No．11Nov．，2013；．環(huán)境科學學報，33（11）：3166-3172；XiaoT，YuanXZ，TangQH，etal；基于概率神經網絡的城市湖泊生態(tài)系統(tǒng)健康評價研究；1，21，2，*3331，2，41

DOI:10.13671/j.hjkxxb.2013.11.035

第33卷第11期2013年11月

環(huán)境科學學報ActaScientiaeCircumstantiae

Vol．33，No．11Nov．，2013

．環(huán)境科學學報，33（11）：3166-3172肖韜，袁興中，唐清華，等．2013．基于概率神經網絡的城市湖泊生態(tài)系統(tǒng)健康評價研究［J］

XiaoT，YuanXZ，TangQH，etal．2013．Investigationofhealthassessmentforurbanlakessystembasedonprobabilisticneuralnetworks（PNN）［J］．33（11）：3166-3172ActaScientiaeCircumstantiae，

基于概率神經網絡的城市湖泊生態(tài)系統(tǒng)健康評價研究

1，21，2，*3331，2，41，21，2

，，肖韜，袁興中唐清華，高強，龐志研，�；勰犬厹貏P，林同云，

1，21，21，2

梁婕，江洪煒，曾光明1．湖南大學環(huán)境科學與工程學院，長沙410082

2．環(huán)境生物與控制教育部重點實驗室（湖南大學），長沙4100823．廣州市水務科學研究所，廣州5102204．河南工業(yè)大學化學化工學院，鄭州450001收稿日期：2013-03-01

修回日期：2013-04-16

錄用日期：2013-05-17

摘要：概率神經網絡（PNN）是一種結構簡單、訓練簡捷、應用十分廣泛的人工神經網絡，并且在水質分類等環(huán)境領域已取得一定研究成果．本文——白云湖作為研究對象，選取廣州市最大的人工湖—結合其水質監(jiān)測數(shù)據及生物監(jiān)測數(shù)據，建立概率神經網絡模型對其進行湖泊生態(tài)系統(tǒng)健得到不同監(jiān)測時間點的湖泊生態(tài)系統(tǒng)健康評價結果．分析表明：①白云湖生態(tài)系統(tǒng)比較脆弱，目前凈化水質的效果有限；②各監(jiān)測點的康評價，

評價結果均呈季節(jié)性變化，豐水期湖泊生態(tài)系統(tǒng)健康狀態(tài)好于枯水期，年際變化不顯著．實驗結果表明，利用概率神經網絡對湖泊生態(tài)系統(tǒng)健康狀態(tài)進行評價是可行的，與傳統(tǒng)評價方法相比，其具有訓練時間短、權重確定客觀、輸出結果穩(wěn)定等優(yōu)勢，可以運用到更多相關領域．關鍵詞：概率神經網絡；湖泊生態(tài)系統(tǒng)；健康評價2468（2013）11-3166-07文章編號：0253-中圖分類號：X17

文獻標識碼：A

Investigationofhealthassessmentforurbanlakessystembasedonprobabilisticneuralnetworks（PNN）

22，*2，42

XIAOTao1，，YUANXingzhong1，，TANGQinghua3，GAOQiang3，PANGZhiyan3，ZHUHuina1，，BIWenkai1，，2222LINTongyun1，，LIANGJie1，，JIANGHongwei1，，ZENGGuangming1，

1．CollegeofEnvironmentalScienceandEngineering，HunanUniversity，Changsha410082

2．KeylaboratoryofEnvironmentalBiologyandPollutionControl（HunanUniversity），MinistryofEducation，Changsha410082Guangzhou5102203．GuangzhouWaterＲesearchInstitute，

HenanUniversityofTechnology，Zhengzhou4500014．CollegeofChemicalengineering，Ｒeceived1March2013；

receivedinrevisedform16April2013；

accepted17May2013

Abstract：Asonekindofartificialneuralnetworks，probabilisticneuralnetworks（PNN）issimpleinstructure，easyfortrainingandwidelyused．Someresearchresultshavebeenobtainedinenvironmentalarea，forexampletheclassificationofwaterquality．ThetargetofthisstudywasBaiyunLake，thebiggestartificiallakeofGuangzhoucity．Basedonthemonitoringdataofwaterqualityandbiology，PNNmodelwasconstructedandappliedtoassesstheecosystemofBaiyunLakeatdifferentperiods．Themainassessmentresultsarelistedasfollows：①theecologicalsystemofBaiyunLakewasrelativelyweak，whichwasunabletofunctioninpurifyingwater．②Theseasonalvariationofhealthassessmentresultsatdifferentmonitoringpointswassignificant，whiletheinter-annualvariationwasinsignificant．Insummary，itisfeasibletoassessthehealthofthelakeecosystembyprobabilisticneuralnetwork．Comparedwithtraditionalevaluationmethods，e．g．BPneuralnetworksandattributerecognitionmethod，thePNNmodelismoreobjectiveandstableinevaluatingthehealthoflakeecosystem，thuscanbeextendedtootherrelatedfields．Keywords：probabilisticneuralnetworks；lakeecosystem；healthassessment

基金項目：廣州市水務局資助項目（No．BYHGLC-2010-02）

SupportedbytheProgramofGuangzhouWaterAuthority（No．BYHGLC-2010-02）

E-mail：xiaotaocss@163．com；*通訊作者（責任作者），E-mail：yxz@hnu．edu．cn作者簡介：肖韜（1987—），男，Biography：XIAOTao（1987—），male，E-mail：xiaotaocss@163．com；*Correspondingauthor，E-mail：yxz@hnu．edu．cn

11期肖韜等：基于概率神經網絡的城市湖泊生態(tài)系統(tǒng)健康評價研究

3167

1引言（Introduction）

爭神經元共同組建發(fā)展而來的一種前饋型神經網

其理論依據是貝葉斯最小風險準則（Lesezek絡，

Ｒutkowski，2004；蔡曲林，2005；高千紅，2006）．其工作原理如下：輸入層完成輸入樣本的預處理過程（即獲得輸入向量p的過程），實現(xiàn)輸入樣本空間轉換為數(shù)據空間；模式層計算出輸入向量p與權值向獲得這樣一組向量：它表示向量p與量IW的距離，

向量IW的相似程度；疊加層先計算出輸入向量p

1

對應于權值向量IW的輸出和n，然后通過徑向基

1

函數(shù)非線性映射作用獲得輸出向量a；競爭輸出層122

先獲得向量a的加權和向量n，然后根據向量n中的最大值響應獲得網絡最終輸出值y，概率神經網

近年來，隨著社會經濟的發(fā)展及人們生活水平的

不斷提高，城市湖泊以其獨特的生態(tài)及景觀功能，越來越受到人們的親睞．但由于其生態(tài)系統(tǒng)復雜程度低，導

2010年中致城市湖泊對外界干擾的抵抗能力較弱．《

的數(shù)據顯示，在環(huán)保部監(jiān)測營養(yǎng)狀國環(huán)境狀況公報》

態(tài)的26個湖泊中，富營養(yǎng)化狀態(tài)占42．3%．城市湖泊幾乎都處于重富營養(yǎng)或異常營養(yǎng)狀態(tài)，絕大部分大中型湖泊已具備發(fā)生富營養(yǎng)化的條件或處于富營養(yǎng)化

2010），狀態(tài)（中華人民共和國環(huán)境保護部，因此，科學有效地揭示湖泊生態(tài)系統(tǒng)健康狀況，為政府部門的環(huán)

保決策提供有力依據顯得尤為重要．

湖泊生態(tài)系統(tǒng)健康可理解為湖泊內的關鍵生態(tài)組分和有機組織完整且沒有疾病，受突發(fā)的自然或人為擾動后能保持原有的功能和結構，物質循環(huán)、能量和信息流動未受到損害，整體功能表現(xiàn)出2000）．目前國內外多樣性、復雜性和活力（Ｒapport，對湖泊健康的研究，主要包括生物監(jiān)測方法（段學2009）和綜合指標方法（Luetal．，2008；Xu花等，etal．，2011），后者通過多指標整合來反映湖泊生態(tài)系統(tǒng)的綜合狀況，逐漸成為研究湖泊生態(tài)系統(tǒng)常用的方法．但是，在確定評價指標的權重時，綜合指標方法采用主觀賦權法則可能造成評價結果由于人的主觀因素而形成偏差，使得評價方法不具有推廣使用性．概率神經網絡（ProbabilisticNeuralNetwork，PNN）是D．F．Specht博士在1990年提出來的一種

1990），神經網絡模型（Specht，它是基于貝葉斯分類規(guī)則與Parzen窗概率密度估計方法發(fā)展而來的一

種并行算法．PNN已經在模式識別和模式分類領域2008；Yu取得了廣泛的應用（Karthikeyanetal．，

etal．，2007；Venkateshetal．，2011），它的優(yōu)勢在于用線性學習算法來完成以往非線性學習算法所做的工作，同時又能保持非線性算法的高精度等特性．而且其網絡對應的權值就是模式樣本的分布，避免人工賦予權值存在的主觀性．PNN已成功運用2009），到水質評價等環(huán)境領域（董艷慧等，但運用概率神經網絡對湖泊生態(tài)系統(tǒng)健康進行評價的相

關研究鮮見，因此，本文對該課題進行研究．22．1

方法和材料（Materialsandmethods）

概率神經網絡

概率神經網絡（PNN）是由徑向基神經元及競

絡模型的數(shù)學結構如圖1所示

．

圖1

Fig．1

概率神經網絡原理

Principleofprobabilisticneuralnetwork

Ｒ為輸入向量的元素數(shù)目，Q為疊加層圖1中，

徑向基函數(shù)神經元的數(shù)目，即輸入數(shù)據可劃分的類別數(shù)目，運算框‖dist‖計算輸入向量p與權值向量

*1IW的歐幾里得距離，運算符·表示閥值向量b與

‖dist‖的輸出向量一一對應元素相乘，它們存在如下關系：

1

a1i=radbas（‖iIW－P‖bi）

（1）（2）

1

y=compet（LW－a1）

1

1

1

ai表示向量a的第i個元素，bi表示向量b的式中，

第i個元素，iIW表示向量IW中的第i行元素構成

的新向量．2．2

區(qū)域概況

23°12'N）位于廣州市白云區(qū)白云湖（113°13'E、

地處環(huán)滘村的北側，西臨廣清高速公路，東西北部，

臨機場高速公路及106國道，北靠建設中的華南快速，京廣鐵路及正在建設中的石井大道從人工湖的中間穿過，將白云湖分東、西兩部分．白云湖于20062010年4月正式通水，年12月開工建設，目前西湖南部仍在施工建設階段．建成后的白云湖總面積

23

2.07km2，水面面積1．05km，日輸水100萬m，達

3168

環(huán)境科學學報33卷

到為下游補水沖污的目的．白云湖管理部門于2010年11月在湖區(qū)中布置了一系列人工凈化設施，以加強湖泊凈化水質的能力

．

75%酒精固定，屑，裝入樣品袋后帶回室內分檢，鏡

2012）．檢計數(shù)（畢溫凱等，2．4

基于概率神經網絡的湖泊生態(tài)健康評價概率神經網絡根據學習樣本的特征及期望輸

出，即可直接獲得網絡隱層單元的連接權值，無需2005）．圖1所示的網絡結構反復訓練網絡（趙琛，

Q個學習模式p（Ｒ×1維）構成新的學習數(shù)學模型，

模式向量p（Ｒ×Q維），同時假定網絡目標輸出向

量T（Q×Q維）為單位矩陣向量．這樣，即可確定網絡權值向量，即

IW=P'

（3）（4）

圖2

Fig．2

白云湖及采樣點位置圖

IW=T

LocationandsamplingsiteofBaiyunLake

2．3采樣方法

I、L分別為徑向基層與競爭層的模式向量，W式中，

p'與T分別為徑向基層與競爭層的目標為權向量，輸出向量．

網絡的運行過程，實際上是將待確定分類樣本

X（未知模式，Ｒ×1維）與學習模式樣本P（標準模Ｒ×Q維）進行比較判別獲得最大響應輸出的過式，

程：模式層輸出表示模式間相似程度的向量；競爭輸出層獲取未知模式對每一標準模式貢獻的大小，形成一個神經元輸出的概率矢量，對最大概率的標準模式進行響應輸出．

構建基于概率神經網絡的湖泊生態(tài)系統(tǒng)健康評價模型，實際上就是根據湖泊生態(tài)系統(tǒng)健康評價獲得標準模式向量指標確定網絡學習的標準模式，

P（Ｒ×Q維）以及目標輸出向量T（Q×Q維）的過程，利用前述的概率神經網絡的學習機理就可以確定網絡權重值．因此，構建概率神經網絡湖泊生態(tài)系統(tǒng)健康評價模型的核心就是利用評價指標確定網絡學習的標準模式．2．4．1

湖泊生態(tài)健康評價指標體系本文借鑒國

內外相關研究并結合監(jiān)測數(shù)據，將湖泊生態(tài)系統(tǒng)健H、DO等8項因子選取TLI、康狀況分為5個等級，

建立了白云湖生態(tài)系統(tǒng)健康評價指標體系，詳見表1．

將表1中指標體系內5個健康等級視為5種分類，從而將湖泊生態(tài)系統(tǒng)健康評價問題轉化為基于概率神經網絡的模式分類問題．再結合概率神經網以指標體系中健康等級為分類標簽，各指絡理論，

標健康等級閾值為輸入向量，得到訓練樣本．

A、E分別在白云湖共設置5個監(jiān)測點位，其中，

B、C、D3個監(jiān)測點分布于西湖、為進水口和出水口，

東湖北部以及東湖南部，監(jiān)測內容包括5個監(jiān)測點D兩點的生物監(jiān)測．本研究共進的水質監(jiān)測以及B、

采樣時間分別為2011年1月17行4次監(jiān)測采樣，

2011年8月25日、2012年1月10日以及2012日、

8個生物樣品．年8月15日，共計20個水質樣品，

2．3．1水質采樣每個監(jiān)測點位設一個采樣點，采用CSQ-1型水質采樣器于水面下0．5m處取樣，現(xiàn)

DO（YSIProODO型光學溶場測定SD（賽式羅盤）、

氧儀）后，將水樣過0．45μm濾膜后密閉保存，移至

實驗室測定；水質測定依據《中華人民共和國地表（GB3838—2002），水環(huán)境質量標準》為保證效果的

精確性，對每個樣品做3份平行檢測，取算術平均值作為監(jiān)測值．

2．3．2生物采樣

浮游動物定性中，原生動物和輪

蟲均采用25號網，甲殼類采用13號網，在表層水體分析用有機玻璃采水器采水1L，甲殼類用25號網

4%中性福爾馬林液濾水30L，用Lugols'碘液固定，保存，沉淀-虹吸法定容至30mL，，鏡檢計數(shù)；浮游植

物定性分析采用25號浮游生物網，距水底0．5m處向上拖2次；定量分析用有機玻璃采水器取表層0.5m處水樣1L，用Lugol's碘液固定，沉淀-虹吸法

2

定容至30mL，鏡檢計數(shù)；底棲動物采用1/16m改40目銅絲篩中洗去底泥良Peterson采集器采樣，和腐

0．5m處呈“∞”形撈取3min；輪蟲和原生動物定量

11期肖韜等：基于概率神經網絡的城市湖泊生態(tài)系統(tǒng)健康評價研究

表1

Table1

Ex/（J·L－1）150100603010

白云湖生態(tài)系統(tǒng)健康評價指標體系

Exst

/（J·mg－1）

252015105

DO

/（mg·L－1）

7．56532

BOD5/（mg·L

334610

－1

3169

IndexsystemofhealthevaluationofBaiyunLake'secosystem

）

TP

/（mg·L－1）0．020．10．20．30．4

TN

/（mg·L－1）

0．20．511．52

健康等級健康狀態(tài)

ⅠⅡⅢⅣⅤ

很健康健康亞健康一般病態(tài)病態(tài)

∑TLI3040506070

H3．02．01．81．51．0

BOD5、TN和TP反映湖泊水質狀況（中華人民共和國環(huán)境保護部，2002）；TLI（∑）為綜合營養(yǎng)指數(shù)，注：DO、反映湖泊營養(yǎng)狀態(tài)（中華人民2011）；H為生物多樣性指數(shù)，2011；朱英，2008）；Exst表示共和國環(huán)境保護部，反映湖泊生態(tài)系統(tǒng)生物結構的復雜性和完整性（Spatharisetal．，2007；盧志娟，2008）；Ex表示能質，反映湖泊生態(tài)系統(tǒng)結構的組織性和穩(wěn)定性（Jrgensenetal．，反映湖泊生態(tài)系統(tǒng)組織性和有序性結構能質，

（Ludovisietal．，2003；劉永，2004）．

2．4．2

對訓練樣本進行規(guī)范化處理，規(guī)

范化處理可以有效調節(jié)指標范圍，避免數(shù)值取舍不

數(shù)據處理

當?shù)惹闆r出現(xiàn)，減少預測誤差．歸一化公式見式（5）：

x*=ij

*

xij－xjmin

xjmax－xjmin

（5）

xij為規(guī)范化處理后訓練樣本i的j指標，xij為式中，

xjmax和xjmin分別為樣本中j指標的最對應原指標，

0，1］大值和最小值．經過歸一化，原數(shù)據被規(guī)整在［

范圍內．

為降低模型的結構風險以及提高神經網絡的訓練精度，采取在各等級閾值內等量插入隨機數(shù)的將訓練樣本擴充至300組．方式擴充訓練樣本，

2．4．3概率神經網絡模型訓練對于概率神經網絡來說，合理選擇Spread參數(shù)很重要，其值應該足夠大，使徑向基神經元能夠對輸入向量所覆蓋的區(qū)域都產生響應，但也不要求大到所有的徑向基神經元都如此，只要部分徑向基神經元能夠對輸入向量所覆蓋的區(qū)域產生響應就足夠了．Spread值越大，其輸出結果越光滑；但太大的Spread值會導致數(shù)值計1993）．本次概率神經網絡構建算上的困難（Chen，

過程中，通過采用神經網絡for循環(huán)語句，以分類平均誤差為評價標準，實現(xiàn)機器確定最佳spread值的目標．結果如圖3所示，當spread值取為0．1時，網絡的分類能力最好，因此在最終的程序中將spread值定為0．

1．

表3Table3

時間2011．1

位置AB

pH6．987．04

SD

/m0．090．18

白云湖水質監(jiān)測結果

BOD5/（mg·L

4．54．5

－1

圖3

Fig．3

Spread對概率神經網絡分類精度影響

EffectofSpreadonclassificationaccuracyoftheprobabilisticneuralnetwork

33．1

結果與分析（Ｒesultsandanalysis）

基于概率神經網絡的白云湖生態(tài)系統(tǒng)健康評價

D兩點的水質、本研究以B、生態(tài)數(shù)據為依據，對白云湖生態(tài)系統(tǒng)健康狀況進行評價．白云湖水質D）見表3、監(jiān)測數(shù)據（A～E）及生態(tài)監(jiān)測數(shù)據（B、

表4．

基于概率神經網絡的白云湖生態(tài)系統(tǒng)健康評價結果見表5．

MeasuredresultsofwaterqualityDO/（mg·L－1）

3．53．3

CODCr

）

/（mg·L12．713．2

－1

）

TN

/（mg·L－1）2．6302．760

TP

/（mg·L－1）0．7540．765

3170

環(huán)境科學學報33卷續(xù)表1

時間位置CDE

pH7．347．117．096．897．317．217．267．217．096．987．347．126．997．236．877．126．976．80

SD/m0．080．120．120．300．300．170．370．330．480．490．410．540．370．220．320．360．310．34

DO/（mg·L－1）

3．63．73．16．46．36．26．56．14．85．44．75．04．44．65．44．35．64．3表4

BOD5/（mg·L－1）

4．74．13．82．42．62．32．52．23．12．63．13．03．03．33．13．42．93．1

CODCr/（mg·L－1）18．015．114．313．119．113．715．514．317．616．217．917．517．317．314．819．215．916．5

TN

/（mg·L－1）3．4302．8804．0200．3720．3230．3980．3310．3124．0504．2104．1104．0404．1806．7805．7705．9105．8706．470

TP

/（mg·L－1）0．8120．7811．1120．0950．0980．1040．0780．0790．8970．7890．9040．8720．9220．4760．3120．4520．3760．357

2011．8ABCDE

2012．1ABCDE

2012．8ABCDE

白云湖生物監(jiān)測結果

Table4

時間2011．12011．82012．12012．8

位置BDBDBDBD

表5

Table5

監(jiān)測時間2011．12011．8

監(jiān)測點BDBD

Measuredresultsofbiologicalsamples

浮游植物

/（mg·L－1）29．8713．7851．6333．2414．0212．1837．7750．84

浮游動物

/（mg·L－1）0．1060．1470．4390．4150．0710．0810．3880．468

底棲動物

/（g·m－2）0．070．850．614．500．411．090．504．21

Chla

/（μg·L－1）28．2338．0880．5475．4858．2452．0459．4770．15

基于概率神經網絡的白云湖生態(tài)系統(tǒng)健康評價結果生態(tài)系統(tǒng)健康狀態(tài)

病態(tài)病態(tài)健康健康

2012．8監(jiān)測時間2012．1

監(jiān)測點BDBD

生態(tài)系統(tǒng)健康狀態(tài)

一般病態(tài)一般病態(tài)亞健康亞健康

EvaluationresultsofBaiyunLake'secosystembasedonprobabilisticneuralnetwork

2011、2012年1月白云湖生由評價結果可知，

態(tài)系統(tǒng)健康狀態(tài)分別處于病態(tài)和一般病態(tài)，無法達2012年8月到為下游河流補水沖污的目的；2011、

白云湖生態(tài)系統(tǒng)健康狀態(tài)分別處于健康和亞健康，使白云湖為下游河流補水沖污的目標得以實現(xiàn)．

2011年1月進水口監(jiān)測數(shù)據及計算結果顯示，

（圖1中A點）TN、TP水質指標，B點TLI、Ex及DEx、Exst等生態(tài)指標優(yōu)于2012年1月，點TLI、而評

2012年1月白云湖生態(tài)系統(tǒng)健康狀態(tài)價結果顯示，

較2011年1月提升一個等級，說明引水渠道處理單

三億文庫3y.uu456.com包含各類專業(yè)文獻、各類資格考試、中學教育、生活休閑娛樂、文學作品欣賞、外語學習資料、基于概率神經網絡的城市湖泊生態(tài)系統(tǒng)健康評價研究_肖韜83等內容。

12

　

　

下載地址：基于概率神經網絡的城市湖泊生態(tài)系統(tǒng)健康評價研究_肖韜83.Doc

　　【】

最新搜索

基于概率神經網絡的城市湖泊生態(tài)系統(tǒng)健康評價研究_肖韜

計算機組成原理第5章部分習題參考答案(講)

北京大學15秋《微觀經濟學》在線作業(yè)答案

兩學一做學習教育學習《中國共產黨廉潔自律準則》《中國共產黨紀

《網上“沖沖浪”》教學設計

saeas22759187

康佳渠道管理系統(tǒng)下載

登山尋寶活動方案

九年級化學第二單元課題1空氣

CdSCdTe薄膜太陽能電池的制備及其特性研究_圖文

  本文關鍵詞：基于概率神經網絡的城市湖泊生態(tài)系統(tǒng)健康評價研究，由筆耕文化傳播整理發(fā)布。

本文編號：142119