神经网络模型建立方法及技术

6.4.2.1　网络层数确定

BP算法对网络结构非常敏感，不同的网络结构解决问题的能力也不同。隐含层的数目过多会使网络的训练时间过长，过少又会导致网络训练很难收敛。Hecht Niclson证明了对于闭区间内的任何一个连续函数都可以用一个隐含层的BP神经网络来逼近，因而一个3层的BP神经网络可以完成任意的n维到m维的映射。因此，本节采用含有一层隐含层的3层BP神经网络。

6.4.2.2　水环境突发污染事故神经网络构建

系统计算结构如图6－12所示，核心在于确定用于计算的事故输入与输出向量。

图6－12　神经网络系统计算结构

神经网络的输入层和输出层一般都是和具体实际问题相联系，代表一定的实际意义。输入属性一般满足3个条件：ⓐ筛选出的属性都是现场第一时间可以获得；ⓑ对事故的发展有决定性影响；ⓒ属性之间相互独立。

（1）输入层神经元确定

根据本论文所研究的实际情况，确定BP神经网络模型输入层的神经元也就是确定水环境突发污染事故应急处置的主要影响因素。大量的调查分析表明，影响水环境突发污染事故应急处置的因素有很多，实际当中只要找到这些因素是如何相互影响相互作用从而造成事故的，就可以帮助人们抓住事故原因的本质，建立起行之有效的事故解决方案，避免在处理事故时抓不住主要问题的境地。本文将污染物毒性、污染类型、污染事故事发地点、事发时天气及发生污染事故河流的流域特征等共5个指标作为BP模型的输入节点。但是发生水污染事故的现场事故状态及案例信息大部分都是文本信息，需要转化为可供计算的数据。我们可以根据一般规律对现场可能的状态进行排序赋值，然后由神经网络在训练的过程中确定其对应急措施的影响关系。下面对水环境突发污染事故的影响因素及其赋值情况进行介绍。

①污染类型。污染类型也是发生水环境突发污染事故的主要原因。污染类型主要被分为管道破裂、污染泄漏、交通事故、累计污染暴发、突然排污等，其中管道破裂主要是由于管道的破裂导致污染物流出，对生态环境或人民的生命财产安全造成一定的影响。造成管道破裂的原因主要有以下4种。

a.管道埋设环境恶化造成破裂。由于管道基础条件不良导致管道出现断裂和接口开裂的情况。有的管道铺设时间较早，规划不是十分到位，管道的掩埋深度不够，如今建筑物的高度增加和交通运输压力增大，管道负载增大，导致地面发生沉降，使管道受力不均匀而发生破裂。

b.地质沉降引起管道破裂。早期铺设的管网多铺设在基础承载能力较差的区域，由于建设规划改变、雨水渗漏冲刷等原因，使地质沉降引起管道不均匀下沉，在压力波动作用下引起的管道振动使管道发生破裂。

c.不规范或野蛮施工等人为因素造成破裂。由于近年城市建设快速发展，从前布置的管线范围内新建大量建筑物，许多建设、施工单位存在不规范或野蛮施工，在未对地下管网进行有效勘察了解的前提下盲目施工，导致挖爆、压穿输送管的事件时有发生。如果测量出现差错，施工走样和意外的避让原有构筑物，在平面上就会产生位置偏移导致管道破裂。

d.管道接口腐蚀破损破裂。管道接口破裂主要发生在焊接的钢管接口和承插式管道的刚性接口上。钢管绝大多数都是现场对焊施工，在焊完后只能人工对焊缝进行防腐甚至没做防腐，质量不易控制，焊缝部位容易出现锈蚀，导致焊接口锈蚀脱落、破裂以及管体腐蚀穿孔而破裂。图6－13描述了管道破裂情况。

图6－13　管道破裂情况

泄漏一般指工业中不应该流出或漏出的物质或流体，流出或漏出机械设备以外，从而造成一定损失。造成泄漏的原因通常有两方面：一是由于机械加工造成机械产品的表面存在各种缺陷和形状及尺寸偏差，从而导致在机械零件连接处产生间隙；二是由于密封两侧存在压力差，导致工作介质通过间隙而泄漏。污染泄漏顾名思义就是对生态环境或人类财产安全及生命安全存在着一定威胁的易燃易爆或有毒有害物质在其生产、运输、储存、经营、使用和废弃物处置的过程中发生的泄漏，包括气体泄漏和液体泄漏。

交通事故引发的水环境突发污染主要是指污染物质在运输过程中发生车辆侧翻等交通事故，从而导致污染物流入水域环境中，并对其造成一定的影响。引发交通事故的原因主要有：

a.车辆状况不良。

b.驾驶人员由于心理或生理方面的原因，疏忽大意，没有正确观察和判断外界事物而造成精力分散、反应迟钝。

c.驾驶车辆的人员技术不熟练，经验不足，缺乏安全行车常识，未掌握复杂道路行车的特点，遇有突然情况惊慌失措，发生操作错误。

d.驾驶人员未按照交通法规和其他交通安全规定行车或者走路，如酒后开车、非驾驶人员开车、超速行驶等，从而致使交通事故发生。

e.由于地震、台风、山洪、雷击等不可抗拒的自然灾害造成。

累积污染爆发是指污染物经过长期积累污染物的量或者毒性达到一定程度的时候会引发污染，这类污染一般难以治理。

突发排污是指污染物突然排放到水环境中，它会对水体中的生态环境造成破坏或者对周边人民的财产及生命安全造成一定影响。

综合以上分析，管道破裂、污染泄漏、交通事故、累计污染爆发、突然排污的发生概率大小无法进行比较，各种情况均可能发生，所以均赋值为0.5。

②事发天气。天气因素也可能是导致水环境突发污染事故发生的因素，而且水环境突发污染事故发生后，天气因素对应急处置工作也存在重要的影响。本文将天气条件分为晴、阴、小雨、大雨，且其分别赋值大小如表6－16所示。

表6－16　天气条件赋值情况

③污染物毒性。毒性是指一种物质对生物体易感部位产生有害作用的性质和能力。将污染物毒性按照无毒、低毒、中毒、高毒进行划分，其分别赋值大小如表6－17所示。

表6－17　污染物毒性赋值情况

④事发河流水环境特征。将事发河流分为河流、湖库、饮用水源地3种类型，分别赋值大小如表6－18所示。

表6－18　事发河流水环境特征赋值情况

⑤事发地点。事发地点分为华东地区、华南地区、华中地区、华北地区、西北地区、西南地区、东北地区和台港澳地区8个地区，其包含省份及赋值如表6－19所示。

表6－19　点赋值情况

（2）隐含层神经元数目的确定

在BP神经网络中，隐含层主要是根据模型要求和问题的复杂程度设置，也就是说隐含层神经元数目的选择不仅与输入输出层的节点数有关，更与待解决问题的复杂程度和转换函数的形式以及样本数据的特性等因素有关。理论上来讲，隐含层神经元过少，网络可能根本不能训练或网络性能很差；隐含层神经元太多，虽然可使网络的系统误差减小，但一方面使网络训练时间延长，另一方面导致训练容易陷入局部极小点而得不到最优点。为尽可能避免训练时出现“过拟合”现象，同时保证足够高的网络性能和泛化能力，确定隐含层神经元数目的基本原则是：在满足精度要求的前提下取尽可能紧凑的结构，即在能够解决问题的前提下，再加上1～2个神经元以加快误差的下降速度即可。

目前，理论上还没有一种科学和普遍的隐含层神经元数目确定方法。下面是部分研究学者就隐含层神经元数目确定给出的一些经验公式：

式中：nH——隐含层神经元数目；m——输出层单元数；n——输入层单元数；a——1～10之间的常数。

其中，式（6－1）应用得最为普遍。根据公式（6－1）得出隐含层节点个数为4～13个，根据实际情况确定最佳隐层节点数为6。

（3）输出层神经元确定

现有的应急措施研究没有相关的规范，缺乏系统的归纳总结。水环境突发污染应急处置数据库的研究结果主要是提供应急处置的相应措施。本文拟将输出结果分为3种情况，可由“不处理”“一般处理”“应急处理”来描述，等级输出值范围见表6－20。(www.xing528.com)

表6－20　处置措施标准与神经网络输出值的对应表

6.4.2.3　激励函数的选取

目前，神经元激励函数有许多类型，其中比较常用的激励函数可归结为3种形式：阈值型、线性型和S型。

（1）阈值型

阈值型激励函数是最简单的，常被称为M－P模型，其输出状态取二值（1，0）或者（＋1，－1），分别代表神经元的兴奋和抑制，也被称为阶跃响应函数。它的输入输出关系如图6－14和图6－15所示。该函数表达式是非线性的，式（6－7）是一种单极型的闭值型激励函数表达式，式（6－8）是一种双极型的闭值型激励函数。

图6－14　单极型的阈值型激励函数

图6－15　双极型的阈值型激励函数

（2）线性型

线性激励函数使网络的输出等于加权输出和加上偏差，其输入输出关系如图6－16所示。

（3）S型

S型（Sigmoid响应特性）激励函数的输出特性比较软，其输出状态的取值范围为（0，1）或（－1，＋1），它的硬度可由系数x来调节。

图6－16　线性型激励函数

对数S型激励函数的表达式为：

双曲正切S型函数表达式为

由于S型函数的可微性，且微分式简单，易于表示，同时它又有很好的非线性映射能力，所以多作映射函数。在本文研究中，采用的是对数S型激励函数。

6.4.2.4　模型结构建立

通过分析，本文已经确定了输入层和输出层的神经元数目，具体为：输入层神经元数目5个，输出层神经元数目1个，隐含层神经元数目确定为6个。由此，本节建立的BP神经网络水环境突发污染事故神经网络模型网络结构为5－6－1，确定的神经网络模型的结构如图6－17所示。

图6－17　系统的BP神经网络模型图

在这个网络向量中，a1代表污染物毒性大小，a2代表污染类型，a3代表污染事故事发地点，a4代表事发时天气，a5代表发生污染事故河流的流域特征。设输入层节点ai到隐含层节点br的连接权为Wir，隐含层节点到输出层节点间的连接权为Vrj，Tr为隐含层节点的阈值，Qj为输出层节点的阈值，则输入向量A＝（a1，a2，…，a5）T，输入层单元i到隐含层单元r的权值Wir＝（w11，w12，…，w56）；隐含层输出为B＝（b1，b2，…，b6），隐含层到输出层的权值为Vrj＝（v1，v2，…，v6），网络实际输出为EAv，表示训练样本期望输出，则隐含层节点r的输出函数为：

C层中节点的输出函数为

其中f（·）为传递函数，一般情况下，选择S型传递函数，即f（x）＝（1＋e－x）－1。

6.4.2.5　权值和阈值初始设置

对于非线性系统来讲，BP神经网络连接权值和阈值的初始取值，对在网络学习过程中网络是否到达局部最小和是否能收敛有很大关系，一般总是希望初始权值在输入累加时使每个神经元的输出值都接近于零，这样可保证一开始时不落在那些平坦区上。权值一般取随机数，而且权值要比较小，这样可以保证每个神经元一开始是在它们转换函数最大的地方进行。

因此，合理设置BP神经网络连接权值和阈值的初始取值范围，将有效缩短网络的学习时间。连接权值和阈值的取值范围通常是（－1，1），本章将网络的连接权值wir、vrj和阈值Tr、θj的初始取值均设置为0。

6.4.2.6　网络学习算法

学习速率u决定每一次循环训练中所产生的权值和闭值变化量。大的学习速率可能导致系统的不稳定；而小的学习速率则可能导致训练时间过长，收敛速度较慢，但能保证网络的误差值不跳出误差表面的低谷而最终趋于最小误差值。一般情况下倾向于选取较小的学习速率以保证系统的稳定性，本文设置u＝0.001。

具体的BP网络学习过程如下：

①随机赋给Wir、Tr、Qj一个较小的值。

②对每一模式（A（k），C（k）），k＝1，2，…，p进行下列操作：

a.将A（k）的值输入A层节点，即成为A层节点激活值ai，并按式（6－11）、（6－12）依次正向计算：

b.计算C节点输出cj与期望输出值的误差，令：

c.向B层节点反向分配误差，令：

d.调整B层与C层节点间连接权vri及C层节点阈值θj：

e.调整A层与B层节点间连接权wir及B层节点阈值Tr：

f.重复步骤b，直到对于j＝1，2，…，n，k＝1，2，…，p，误差EAv变得足够小。

式中：EAv——训练的目标函数。

网络学习的计算过程见图6－18。

图6－18　BP算法流程图