BP神经网络在空气质量评价分级中的探索与应用

摘 要 以信息化工具MATLAB编制了bp神经网络的空气质量评价分级程序， 并将其应用于城市空气质量评价分级。通过与物元评价法、模糊综合评判法和灰色聚类分析法的评价结果比较，得到了基本一致的评价结论。研究表明， BP人工神经网络应用到空气质量评价分级是切实可行的， 评价结论具有实用性和客观性。

【关键词】空气质量评价分级 BP神经网络 评价

人工神经网络（Artificial Neural Networks）简称神经网络，是一种模仿动物神经网络行为特征，进行分布式并行信息处理的数学算法模型。它的研究范围相当广泛，反映了多学科交叉综合领域的特点。主要的研究集中在生物原型、建立模型、算法几个方面。

本文通过介绍BP神经网络在空气质量分级评价中的应用，通过与物元评价法、模糊综合评判法和灰色聚类分析法的评价结果比较， 得到了基本一致的评价结论。

1 BP人工神经网络简介

1.1 BP 人工神经网络结构

BP 神经网络采用 Widrow- Hoff算法和非线性可微转移函数的多层网络，通常由一个或多个隐层构成，隐层神经元采用Sigmoild型传递函数，输出层的神经元采用线性传递函数。

1.2 BP神经网络的设计

通过调用MATLAB指令： net=newff （ PR， [S1 S2 SN]， {TF1 TF2 TFN}，BTF，BLF，PF） 创建 BP 神经网络。

本文中空气环境质量评价涉及NOx、SO2、降尘和TSP 4个参数， 输入层4 个节点， 空质量标准分3个界别， 输出层取1个节点。往往需要设计者根据的经验和多次实验来确定BP 网络隐含层中神经元的个数，本次实验中，经过多次尝试，确定隐层神经元数为 9，空气环境质量评价的 BP 网络调用的如下各主要函数：net=newff（minmax（Pn），[9，1]‘，{tansig‘’， purelin’‘}，traincgf’）

1.3 BP神经网络的训练与仿真

BP网络生成与初始化后，可对训练参数net.trainParam适当进行设置，再通过调用 train 函数对网络进行训练。常用的train 函数格式如下：[net，tr]=train（ net，Pn，Tn）。

2 数据测试

2.1 原始测试数据

某市 7 个测点的 NOx、SO2、降尘和TSP4项污染指标的实测值见表3。本文采用文献的分级标准（见表1） 。同一等级的各评价指标的标准值应具有大致相同的数量级，因此，表1中降尘的标准值均乘10-3，同时对待评价的降尘实测值也乘10-3，以保证评价结果的正确性。

2.2 建立网络对象

建立网络对象的主程序如下所示：Pi=[]；Ti=[]；[R，Q]=size（Pi）；[S1，Q]=size（Ti）；P=Pi；T=Ti；[Pn， minP， maxP，Tn，minT，maxT]=premnmx（ P，T） ；net=newff（ minmax（ Pn），[9，1]‘，{ tansig’‘， purelin’}，‘ traincgf’）；

前述所构建的BP神经网络是由一个输出层和一个隐含层组成，输出层有1个神经元，隐含层共有9个神经元，输出层和隐含层的传递函数分别为purelin 和tansig，采用traincgf作为训练函数，其他用 BP 神经网络默认值作为设置。在这个网络程序被调用时，均要通过 premnmx（）函数对所有作为输入单元的数据进行预处理。

2.3 生成检测样本数据、训练样本数据及空气质量等级的划分

样本数据的训练：用 MATLAB 软件的 rand（） 函数在各级评价标准中按随机均匀分布方式内插各生成 200 个训练样本数据，共600个。检测样本数据：用同生成训练样本数据的相同的方法生成检测样本数据，每个标准之间生成 10 个，共生成 30 个检测样本数据。为了便于利用 MATLAB软件的神经网络工具箱中的训练函数， 对训练样本数据、检测样本数据应用最大最小函数premnmx（）进行预处理， 将各参数的值合理调整到范围[- 1，1]内，作为输入单元。空气质量等级划分：网络输出的结果在 0.00～1.00 范围内，就判为Ⅰ级；在 1.00～2.00范围内，就判为Ⅱ级；大于 2.00 的情况就判为Ⅲ级。部分样本的检测结果和期望输出结果见表2。通过比较，较强的泛化能力是构建的BP网络模型一种表现，可以用来对空气质量进行评价。

2.4 评价数据的程序

评价数据的程序如下所示： Tp=[]；post=tramnmx（ Tp， minP， maxP） ；PJ_n=sim（ net， post）；pj=postmnmx（ PJ_n， minT， maxT） ；评价结果输出见表 3。若要对原始训练样本进行仿真， 其程序编写与上述程序段相同。

2.5 结果比较

表4列出了用4种评价方法分别对7个测点的空气质量评价的结果，比较表明， 本次采用的BP神经网络法与与物元评价法的评价结果只有4号测点有一级之差，而与灰色聚类法的评价结果是相同的。因此， BP神经网络应用空气质量评价是可行的，能够真实的反映出实际空气质量状况，其评价结果是客观、可靠的。

从上述的输出结果能够看出，各监测点之间空气质量优劣排序为（见表 3）：7>6>2>1>4>5>3 ，其中同处于Ⅱ级的个监测中，测试点5最差，测试点6大气环境质量最好，通过各测试点污染物指标的实测值进行互相之间的比较，前述试验结果得出的空气质量优良顺序与实际情况是一致，所得优良排序结果的排序是可信的。

3 结论

1） BP 神经网络方法应用于空气质量分级评价中有良好的效果，具有快速运算的功能，提高了环境质量评价的效率，而且当输出层神经元数为1时，还能够对各测试点进行相互之间的比较，得出各检测点间空气质量的优良排序。2） BP网络具有很好的通用性，只需依靠分级标准来生成学习样本数据，用训练之后的网络模型的阈值和权值就可以对所需样本数据进行评价，并且可以加以推广，应用于食品药品质量评价、水体富营养化程度评价、土壤环境质量评价等评价之中。

参考文献

[1]田贵全.大气环境质量评价的判别分析法 [J].环境科学研究，1996，9（3）：45-48.

[2]闻新，周露，李翔等.MATLAB 神经网络仿真与应用[M].北京：科学出版社， 2003：1-3.

作者单位

江苏赛奥生化有限公司 江苏省南通市 226005