基于概率神经网络的城市湖泊生态系统健康评价研究

发布时间：2016-10-16 19:02

本文关键词：基于概率神经网络的城市湖泊生态系统健康评价研究，由笔耕文化传播整理发布。

DOI:10.13671/j.hjkxxb.20；第33卷第11期2013年11月；环境科学学报ActaScientiaeCircu；Vol．33，No．11Nov．，2013；．环境科学学报，33（11）：3166-3172；XiaoT，YuanXZ，TangQH，etal；基于概率神经网络的城市湖泊生态系统健康评价研究；1，21，2，*3331，2，41

DOI:10.13671/j.hjkxxb.2013.11.035

第33卷第11期2013年11月

环境科学学报ActaScientiaeCircumstantiae

Vol．33，No．11Nov．，2013

．环境科学学报，33（11）：3166-3172肖韬，袁兴中，唐清华，等．2013．基于概率神经网络的城市湖泊生态系统健康评价研究［J］

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

基于概率神经网络的城市湖泊生态系统健康评价研究

1，21，2，*3331，2，41，21，2

，，肖韬，袁兴中唐清华，高强，庞志研，祝慧娜毕温凯，林同云，

1，21，21，2

梁婕，江洪炜，曾光明1．湖南大学环境科学与工程学院，长沙410082

2．环境生物与控制教育部重点实验室（湖南大学），长沙4100823．广州市水务科学研究所，广州5102204．河南工业大学化学化工学院，郑州450001收稿日期：2013-03-01

修回日期：2013-04-16

录用日期：2013-05-17

摘要：概率神经网络（PNN）是一种结构简单、训练简捷、应用十分广泛的人工神经网络，并且在水质分类等环境领域已取得一定研究成果．本文——白云湖作为研究对象，选取广州市最大的人工湖—结合其水质监测数据及生物监测数据，建立概率神经网络模型对其进行湖泊生态系统健得到不同监测时间点的湖泊生态系统健康评价结果．分析表明：①白云湖生态系统比较脆弱，目前净化水质的效果有限；②各监测点的康评价，

评价结果均呈季节性变化，丰水期湖泊生态系统健康状态好于枯水期，年际变化不显著．实验结果表明，利用概率神经网络对湖泊生态系统健康状态进行评价是可行的，与传统评价方法相比，其具有训练时间短、权重确定客观、输出结果稳定等优势，可以运用到更多相关领域．关键词：概率神经网络；湖泊生态系统；健康评价2468（2013）11-3166-07文章编号：0253-中图分类号：X17

文献标识码：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

基金项目：广州市水务局资助项目（No．BYHGLC-2010-02）

SupportedbytheProgramofGuangzhouWaterAuthority（No．BYHGLC-2010-02）

E-mail：xiaotaocss@163．com；*通讯作者（责任作者），E-mail：yxz@hnu．edu．cn作者简介：肖韬（1987—），男，Biography：XIAOTao（1987—），male，E-mail：xiaotaocss@163．com；*Correspondingauthor，E-mail：yxz@hnu．edu．cn

11期肖韬等：基于概率神经网络的城市湖泊生态系统健康评价研究

3167

1引言（Introduction）

争神经元共同组建发展而来的一种前馈型神经网

其理论依据是贝叶斯最小风险准则（Lesezek络，

Ｒutkowski，2004；蔡曲林，2005；高千红，2006）．其工作原理如下：输入层完成输入样本的预处理过程（即获得输入向量p的过程），实现输入样本空间转换为数据空间；模式层计算出输入向量p与权值向获得这样一组向量：它表示向量p与量IW的距离，

向量IW的相似程度；叠加层先计算出输入向量p

对应于权值向量IW的输出和n，然后通过径向基

函数非线性映射作用获得输出向量a；竞争输出层122

先获得向量a的加权和向量n，然后根据向量n中的最大值响应获得网络最终输出值y，概率神经网

近年来，随着社会经济的发展及人们生活水平的

不断提高，城市湖泊以其独特的生态及景观功能，越来越受到人们的亲睐．但由于其生态系统复杂程度低，导

2010年中致城市湖泊对外界干扰的抵抗能力较弱．《

的数据显示，在环保部监测营养状国环境状况公报》

态的26个湖泊中，富营养化状态占42．3%．城市湖泊几乎都处于重富营养或异常营养状态，绝大部分大中型湖泊已具备发生富营养化的条件或处于富营养化

2010），状态（中华人民共和国环境保护部，因此，科学有效地揭示湖泊生态系统健康状况，为政府部门的环

保决策提供有力依据显得尤为重要．

湖泊生态系统健康可理解为湖泊内的关键生态组分和有机组织完整且没有疾病，受突发的自然或人为扰动后能保持原有的功能和结构，物质循环、能量和信息流动未受到损害，整体功能表现出2000）．目前国内外多样性、复杂性和活力（Ｒapport，对湖泊健康的研究，主要包括生物监测方法（段学2009）和综合指标方法（Luetal．，2008；Xu花等，etal．，2011），后者通过多指标整合来反映湖泊生态系统的综合状况，逐渐成为研究湖泊生态系统常用的方法．但是，在确定评价指标的权重时，综合指标方法采用主观赋权法则可能造成评价结果由于人的主观因素而形成偏差，使得评价方法不具有推广使用性．概率神经网络（ProbabilisticNeuralNetwork，PNN）是D．F．Specht博士在1990年提出来的一种

1990），神经网络模型（Specht，它是基于贝叶斯分类规则与Parzen窗概率密度估计方法发展而来的一

种并行算法．PNN已经在模式识别和模式分类领域2008；Yu取得了广泛的应用（Karthikeyanetal．，

etal．，2007；Venkateshetal．，2011），它的优势在于用线性学习算法来完成以往非线性学习算法所做的工作，同时又能保持非线性算法的高精度等特性．而且其网络对应的权值就是模式样本的分布，避免人工赋予权值存在的主观性．PNN已成功运用2009），到水质评价等环境领域（董艳慧等，但运用概率神经网络对湖泊生态系统健康进行评价的相

关研究鲜见，因此，本文对该课题进行研究．22．1

方法和材料（Materialsandmethods）

概率神经网络

概率神经网络（PNN）是由径向基神经元及竞

络模型的数学结构如图1所示

．

图1

Fig．1

概率神经网络原理

Principleofprobabilisticneuralnetwork

Ｒ为输入向量的元素数目，Q为叠加层图1中，

径向基函数神经元的数目，即输入数据可划分的类别数目，运算框‖dist‖计算输入向量p与权值向量

*1IW的欧几里得距离，运算符·表示阀值向量b与

‖dist‖的输出向量一一对应元素相乘，它们存在如下关系：

a1i=radbas（‖iIW－P‖bi）

（1）（2）

y=compet（LW－a1）

ai表示向量a的第i个元素，bi表示向量b的式中，

第i个元素，iIW表示向量IW中的第i行元素构成

的新向量．2．2

区域概况

23°12'N）位于广州市白云区白云湖（113°13'E、

地处环滘村的北侧，西临广清高速公路，东西北部，

临机场高速公路及106国道，北靠建设中的华南快速，京广铁路及正在建设中的石井大道从人工湖的中间穿过，将白云湖分东、西两部分．白云湖于20062010年4月正式通水，年12月开工建设，目前西湖南部仍在施工建设阶段．建成后的白云湖总面积

2.07km2，水面面积1．05km，日输水100万m，达

3168

环境科学学报33卷

到为下游补水冲污的目的．白云湖管理部门于2010年11月在湖区中布置了一系列人工净化设施，以加强湖泊净化水质的能力

．

75%酒精固定，屑，装入样品袋后带回室内分检，镜

2012）．检计数（毕温凯等，2．4

基于概率神经网络的湖泊生态健康评价概率神经网络根据学习样本的特征及期望输

出，即可直接获得网络隐层单元的连接权值，无需2005）．图1所示的网络结构反复训练网络（赵琛，

Q个学习模式p（Ｒ×1维）构成新的学习数学模型，

模式向量p（Ｒ×Q维），同时假定网络目标输出向

量T（Q×Q维）为单位矩阵向量．这样，即可确定网络权值向量，即

IW=P'

（3）（4）

图2

Fig．2

白云湖及采样点位置图

IW=T

LocationandsamplingsiteofBaiyunLake

2．3采样方法

I、L分别为径向基层与竞争层的模式向量，W式中，

p'与T分别为径向基层与竞争层的目标为权向量，输出向量．

网络的运行过程，实际上是将待确定分类样本

X（未知模式，Ｒ×1维）与学习模式样本P（标准模Ｒ×Q维）进行比较判别获得最大响应输出的过式，

程：模式层输出表示模式间相似程度的向量；竞争输出层获取未知模式对每一标准模式贡献的大小，形成一个神经元输出的概率矢量，对最大概率的标准模式进行响应输出．

构建基于概率神经网络的湖泊生态系统健康评价模型，实际上就是根据湖泊生态系统健康评价获得标准模式向量指标确定网络学习的标准模式，

P（Ｒ×Q维）以及目标输出向量T（Q×Q维）的过程，利用前述的概率神经网络的学习机理就可以确定网络权重值．因此，构建概率神经网络湖泊生态系统健康评价模型的核心就是利用评价指标确定网络学习的标准模式．2．4．1

湖泊生态健康评价指标体系本文借鉴国

内外相关研究并结合监测数据，将湖泊生态系统健H、DO等8项因子选取TLI、康状况分为5个等级，

建立了白云湖生态系统健康评价指标体系，详见表1．

将表1中指标体系内5个健康等级视为5种分类，从而将湖泊生态系统健康评价问题转化为基于概率神经网络的模式分类问题．再结合概率神经网以指标体系中健康等级为分类标签，各指络理论，

标健康等级阈值为输入向量，得到训练样本．

A、E分别在白云湖共设置5个监测点位，其中，

B、C、D3个监测点分布于西湖、为进水口和出水口，

东湖北部以及东湖南部，监测内容包括5个监测点D两点的生物监测．本研究共进的水质监测以及B、

采样时间分别为2011年1月17行4次监测采样，

2011年8月25日、2012年1月10日以及2012日、

8个生物样品．年8月15日，共计20个水质样品，

2．3．1水质采样每个监测点位设一个采样点，采用CSQ-1型水质采样器于水面下0．5m处取样，现

DO（YSIProODO型光学溶场测定SD（赛式罗盘）、

氧仪）后，将水样过0．45μm滤膜后密闭保存，移至

实验室测定；水质测定依据《中华人民共和国地表（GB3838—2002），水环境质量标准》为保证效果的

精确性，对每个样品做3份平行检测，取算术平均值作为监测值．

2．3．2生物采样

浮游动物定性中，原生动物和轮

虫均采用25号网，甲壳类采用13号网，在表层水体分析用有机玻璃采水器采水1L，甲壳类用25号网

4%中性福尔马林液滤水30L，用Lugols'碘液固定，保存，沉淀-虹吸法定容至30mL，，镜检计数；浮游植

物定性分析采用25号浮游生物网，距水底0．5m处向上拖2次；定量分析用有机玻璃采水器取表层0.5m处水样1L，用Lugol's碘液固定，沉淀-虹吸法

定容至30mL，镜检计数；底栖动物采用1/16m改40目铜丝筛中洗去底泥良Peterson采集器采样，和腐

0．5m处呈“∞”形捞取3min；轮虫和原生动物定量

11期肖韬等：基于概率神经网络的城市湖泊生态系统健康评价研究

表1

Table1

Ex/（J·L－1）150100603010

白云湖生态系统健康评价指标体系

Exst

/（J·mg－1）

252015105

/（mg·L－1）

7．56532

BOD5/（mg·L

334610

－1

3169

IndexsystemofhealthevaluationofBaiyunLake'secosystem

）

/（mg·L－1）0．020．10．20．30．4

/（mg·L－1）

0．20．511．52

健康等级健康状态

ⅠⅡⅢⅣⅤ

很健康健康亚健康一般病态病态

∑TLI3040506070

H3．02．01．81．51．0

BOD5、TN和TP反映湖泊水质状况（中华人民共和国环境保护部，2002）；TLI（∑）为综合营养指数，注：DO、反映湖泊营养状态（中华人民2011）；H为生物多样性指数，2011；朱英，2008）；Exst表示共和国环境保护部，反映湖泊生态系统生物结构的复杂性和完整性（Spatharisetal．，2007；卢志娟，2008）；Ex表示能质，反映湖泊生态系统结构的组织性和稳定性（Jrgensenetal．，反映湖泊生态系统组织性和有序性结构能质，

（Ludovisietal．，2003；刘永，2004）．

2．4．2

对训练样本进行规范化处理，规

范化处理可以有效调节指标范围，避免数值取舍不

数据处理

当等情况出现，减少预测误差．归一化公式见式（5）：

x*=ij

xij－xjmin

xjmax－xjmin

（5）

xij为规范化处理后训练样本i的j指标，xij为式中，

xjmax和xjmin分别为样本中j指标的最对应原指标，

0，1］大值和最小值．经过归一化，原数据被规整在［

范围内．

为降低模型的结构风险以及提高神经网络的训练精度，采取在各等级阈值内等量插入随机数的将训练样本扩充至300组．方式扩充训练样本，

2．4．3概率神经网络模型训练对于概率神经网络来说，合理选择Spread参数很重要，其值应该足够大，使径向基神经元能够对输入向量所覆盖的区域都产生响应，但也不要求大到所有的径向基神经元都如此，只要部分径向基神经元能够对输入向量所覆盖的区域产生响应就足够了．Spread值越大，其输出结果越光滑；但太大的Spread值会导致数值计1993）．本次概率神经网络构建算上的困难（Chen，

过程中，通过采用神经网络for循环语句，以分类平均误差为评价标准，实现机器确定最佳spread值的目标．结果如图3所示，当spread值取为0．1时，网络的分类能力最好，因此在最终的程序中将spread值定为0．

1．

表3Table3

时间2011．1

位置AB

pH6．987．04

/m0．090．18

白云湖水质监测结果

BOD5/（mg·L

4．54．5

－1

图3

Fig．3

Spread对概率神经网络分类精度影响

EffectofSpreadonclassificationaccuracyoftheprobabilisticneuralnetwork

33．1

结果与分析（Ｒesultsandanalysis）

基于概率神经网络的白云湖生态系统健康评价

D两点的水质、本研究以B、生态数据为依据，对白云湖生态系统健康状况进行评价．白云湖水质D）见表3、监测数据（A～E）及生态监测数据（B、

表4．

基于概率神经网络的白云湖生态系统健康评价结果见表5．

MeasuredresultsofwaterqualityDO/（mg·L－1）

3．53．3

CODCr

）

/（mg·L12．713．2

－1

）

/（mg·L－1）2．6302．760

/（mg·L－1）0．7540．765

3170

环境科学学报33卷续表1

时间位置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

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

/（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

白云湖生物监测结果

Table4

时间2011．12011．82012．12012．8

位置BDBDBDBD

表5

Table5

监测时间2011．12011．8

监测点BDBD

Measuredresultsofbiologicalsamples

浮游植物

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

浮游动物

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

底栖动物

/（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

基于概率神经网络的白云湖生态系统健康评价结果生态系统健康状态

病态病态健康健康

2012．8监测时间2012．1

监测点BDBD

生态系统健康状态

一般病态一般病态亚健康亚健康

EvaluationresultsofBaiyunLake'secosystembasedonprobabilisticneuralnetwork

2011、2012年1月白云湖生由评价结果可知，

态系统健康状态分别处于病态和一般病态，无法达2012年8月到为下游河流补水冲污的目的；2011、

白云湖生态系统健康状态分别处于健康和亚健康，使白云湖为下游河流补水冲污的目标得以实现．

2011年1月进水口监测数据及计算结果显示，

（图1中A点）TN、TP水质指标，B点TLI、Ex及DEx、Exst等生态指标优于2012年1月，点TLI、而评

2012年1月白云湖生态系统健康状态价结果显示，

较2011年1月提升一个等级，说明引水渠道处理单

三亿文库3y.uu456.com包含各类专业文献、各类资格考试、中学教育、生活休闲娱乐、文学作品欣赏、外语学习资料、基于概率神经网络的城市湖泊生态系统健康评价研究_肖韬83等内容。

下载地址：基于概率神经网络的城市湖泊生态系统健康评价研究_肖韬83.Doc

　　【】