Mathor Cup第3问论文.docx

《Mathor Cup第3问论文.docx》由会员分享，可在线阅读，更多相关《Mathor Cup第3问论文.docx（7页珍藏版）》请在三一办公上搜索。

1、Mathor Cup第3问论文第3问 1 问题分析 第三问中实际上包含3个问题，第一个问题是建立一个模型，用于描述主要理化因子与浮游生物密度的关系。首先通过各理化因子与浮游生物密度间的相关性，选择出相关性强的主要理化因子。之后通过以主要理化因子为输入，以浮游生物密度为输出，构建合适的BP神经网络作为第一个问题的模型。 第二个问题是探究水华发生时，主要理化因子间的范围。水华发生指一定，池塘中浮游生物密度达到某值，由于题中明确指出池塘1发生轻微水华，因此以池塘1中浮游生物密度的平均值作为水华发生指标。将其他理化因子的值，取实际中最可能发生水华的值，限定浮游生物密度为水华发生指标，反解可得指定理化因

2、子在发生水华时的范围。这里的反解，采用新构造的，以指定理化因子为输出的BP神经网络。 第三个问题是预测水华发生，为避免理化因子间错综复杂的关系，并充分利用现有数据。这一问使用NAR神经网络进行处理，不同于上述“主要理化因子与浮游生物密度相关模型“的BP神经网络，NAR神经网络不采用主要理化因子预测浮游植物含量，而采用时间序列进行直接预测，其输入为各池的依时间序列的藻含量，通过藻含量的时间变化来直接预测第N+1周的藻含量。进一步，可通过藻含量值与水华发生指标做对比，确定该预测浓度下是否会发生水华。 2 主要理化因子与浮游生物密度相关模型 2.1数据选择与处理 附件1含有总磷、磷酸盐磷、总氮、硝态

3、氮、亚硝态氮、铵态氮6种理化因子数据，附件2中4个池塘共有的理化因子为轮虫、溶氧、COD、水温、PH、盐度、透明度、总碱度8种。为统一模型适用性，以附件1和2中总共16种理化因子为基础，探究影响浮游生物密度的主要理化因子。以池塘1、2的数据为准，16种理化因子与浮游生物密度间的相关性分析，分析结果如表1所示。 表1 理化因子与浮游生物密度相关性 理化因子 总磷 磷酸盐磷 总氮 硝态氮 亚硝态氮 R2 -0.0662 -0.1430 0.0488 0.2952 0.6307 理化因子 铵态氮 轮虫 溶氧 COD 水温 R2 -0.0004 -0.3860 0.5329 0.0855 0.3174

4、 理化因子 PH 盐度 透明度 总碱度 R2 -0.5169 -0.1098 0.0328 0.2191 由表1知，亚硝态氮态氮、溶氧和PH是影响浮游生物密度的主要理化因子。因此，在之后的建模中，以这三种主要理化因子为研究对象，忽略其他次要理化因子。BP神经网络的输入值即为，池水中亚硝态氮氮、溶氧和PH，输出则为浮游植物密度总量。 2.2 模型建立 本文基于Matlab软件，构建了一个三层前向神经网络。模型核心是确定数据训练方式和隐含层数量。 图1 BP神经网络拓扑结构 从附件中共可以提取出4个池塘，8周总计32条包含亚硝态氮、溶氧、PH和浮游植物密度总量的数据。以其中的的26条数据作为BP神

5、经网络训练数据，剩余的6条作为检验数据。 就训练数据量少的问题，将26条训练数据进行备份，利用训练数据原件和训练数据备份对神经网络进行重复训练，以提高拟合精度。 在BP神经网络构建过程中，输入层节点数为n=3,输出节点数为m=1。根据经验公式l，可以m+n+a确定隐含节点数目有2到12共十种可能情况。建立这10种情况，并对这些神经网络的精度进行比较，结果如下。 结果显示，当隐含层节点数为10时，神经网络拟合误差最小，因此将隐含层节点数为10的BP神经网络作为主要理化因子与浮游生物密度相关模型。 2.3 模型评价 上述模型为单隐含层BP神经网络。以第n周池水中亚硝态氮、溶氧和PH的含量为输入，以

6、第n周浮游植物密度总量为输出。利用26条数据进行双重训练，并取隐含层节点数为10。模型能够利用主要理化因子求得当前浮游生物密度，精度较高，适用于4个池塘。 3 求解理化因子范围 3.1 求解原理 由上述模型知，影响水华发生的主要理化因子为池水中亚硝态氮氮、溶氧和PH含量。其中，浮游生物量与亚硝态氮成正相关关系，与溶氧成正相关关系，与PH成负相关关系。水华发生意味着浮游生物密度达到某一值，该情况下亚硝态氮指数存在最小值，溶氧指数存在最小值，PH值存在最大值。 为探究三个主要理化因子间的联系，对其三者做两两拟合。 图1 亚硝态氮与溶氧 图2 溶氧与PH 图3 PH与亚硝态氮 由上述拟合关系知，要使

7、得溶氧取得最小值，则PH越大越好，亚硝态氮越小越好；要使亚硝态氮取得最小值，溶氧越小越好，PH越大越好；要使得PH取最大值，则溶氧越小越好，亚硝态氮越小越好。 3.2 训练BP神经网络 BP神经网络训练和验证方式与“主要理化因子与浮游生物密度相关模型”中的一致。分别训练ryNET，yxtdNET，phNET用于求解主要理化因子范围。 以浮游植物总密度、池水中亚硝态氮和PH为输入，以池水中的溶氧为输出，训练并验证BP神经网络ryNET。 以浮游植物总密度、池水中溶氧和PH为输入，以池水中的亚硝态氮为输出，训练并验证BP神经网络yxtdNET。 以浮游植物总密度、池水中亚硝态氮和溶氧为输入，以池水

8、中的PH为输出，训练并验证BP神经网络phNET。 图4 BP神经网络训练过程 3.3计算求解 由题知1号池中发生轻微水华，,因此以1号池中浮游植物总密度359.0056作为水华发生标准。 以水华发生时浮游植物总密度359.0056，实际中PH的最大值9.33，实际中亚硝态氮的最小值0.005为输入，利用3.2中名为ryNET的神经网络进行求解，得到发生水华时溶氧的最小值4.9709。 以水华发生时浮游植物总密度359.0056，实际中溶氧的最小值2.4，实际中PH的最大值9.33为输入，利用3.2中名为yxtdNET的神经网络进行求解，得到发生水华时亚硝态氮的最小值0.0751。 以水华发生

9、时浮游植物总密度359.0056，实际中亚硝态氮的最小值0.005，实际中溶氧的最小值2.4为输入，利用3.2中名为phNET的神经网络进行求解，得到发生水华的PH的最大值为：9.2482。 因此发生水华主要理化因子的范围如下表所示： 表2 水华发生时主要理化因子范围 主要理化因子 溶氧 亚硝态氮 PH 范围 4.9709mgL-1 0.0751mgL-1 9.2482 4水华预测模型 4.1 NAR神经网络原理 NAR模型是NARMA模型的一种特殊形式，NARMA模型可以定义为： yn=G(yn-1,L,yn-k,xn,L,xn-l) 式中：x模型输入; y模型输出; n离散时间;G非线性函

10、数。当实测数据为时间序列，模型输入是未知时，可以将式改写成式所示的NAR模型形式。 yn=F(yn-1,L,yn-k)+ken 式中: F非线性函数; k常数; n服从高斯分配的随机变量。 不同于上述“主要理化因子与浮游生物密度相关模型“的BP神经网络，NAR神经网络不采用主要理化因子预测浮游植物含量，而采用时间序列进行直接预测，其输入为各池的依时间序列的藻含量，通过藻含量的时间变化来直接预测第N+1周的藻含量。 4.2模型建立 以池1数据为例，说明NAR神经网络建立方法，即”水华预测模型“。 选用贝叶斯正则化算法训练 NA神经网络，将网络权值均方与误差均方的加权作为性能函数，在保证网络均方误

11、差尽可能小的前提下，有效地控制网络的复杂程度，从而获得较好的泛化性能提高网络推广能力。在matlab环境下，调用 narnet 函数构建网络，建模样本中分为7个训练样本、4个验证样本、4个测试样本，传递函数设定为 tansig 函数，训练函数设定为trainbr 函数，权值自适应学习函数设定为 learngd函数，性能函数采用 MSE。网络经过 169 次训练，训练误差为 5 3 10-6。训练结束后建立了如图5所示的 NA神经网络蓝藻预测模型，预测结果如图6所示。 图5 NAR神经网络结构 图5 NAR神经网络拟合效果 4.3预测结果 利用4个池塘的前15周蓝藻含量构建NAR神经网络模型，预测第16周各池蓝藻含量，结果如表1所示。 表1 NAR神经网络预测结果 池塘编号 1 2 3 4 预测周数 16 16 16 16 预测蓝藻量 530.2644 300.9694 926.0669 291.4367 由题知，池塘1发生轻微水华，因此取池塘1从第一到第15周的平均蓝藻含量345.714作为水华发生判别标准。在此标准下，根据模型预测结果，认为1号和3号池塘在第16周发生水华，2号和4号池塘在第16周不发生水华。 图1 池塘1蓝藻含量及其预测 图2池塘2蓝藻含量及其预测 图3池塘4蓝藻含量及其预测 图4池塘4蓝藻含量及其预测