神经网络模型的训练和检测结果

6.6.1.1　样本数据的选取

为了增加模型训练的准确度，本文随机选取国内近年来的84个水污染案例作为BP神经网络模型的训练和检测样本。通过统计分析，得到了84个样本的输入数值。水污染事故案例信息见表6－21，样本输入值信息见表6－22。

表6－21　水污染事故案例信息

续表

续表

表6－22　神经网络样本输入值

续表

续表

6.6.1.2　模型的训练结果

本节将样本数据中的前80组样本数据作为训练样本，通过MATLAB软件编写神经网络仿真程序，创建BP神经网络并进行训练。程序中，几个重要的训练参数设置如下（其余未在文中指出的参数均采用默认值）。

网络层数：3。

期望误差：S＝0.000 01。

最大训练次数：N＝3 000。(www.xing528.com)

训练函数：traingdx函数。

权值调节规则：learngdm函数。

性能函数：mse函数。

各层激励函数类型：｛‘tansig’，‘logsig’｝。

所建BP神经网络通过训练后，可以得出如下的训练结果：

当网络训练至第997步时，网络性能达到期望水平，BP神经网络训练结束，见图6－44。

图6－44　隐层神经元数为6时的训练结果

6.6.1.3　模型的检测结果

在样本数据中，81～84组样本数据是检测数据。将81～84组样本数据中的指标值数据及与之相对应的事故处理指标分别作为模型检测的输入节点和输出结果对照值。具体检测结果见表6－23。

表6－23　BP神经网络模型检测结果

通过表6－23中的检测结果我们可以发现，期望输出与实际输出的误差很小，几乎一致，这充分说明运用BP神经网络模型建立的水环境突发污染应急处置智能推理模型是有效的，可以使用这个已经训练过并通过检测的BP神经网络模型对水环境突发污染应急处置智能推理进行实证研究。