氮、磷是引起水體富營養化和水華的主導性因 子，也是湖庫營養狀態評價、污染物排放總量控制的 重要性指標。湖庫氮( N) 、磷( P) 等營養物質的大 量增加，總是伴隨著水體富營養化，甚至水華現象的 發生［1］。因此準確預測湖庫中的N、P 濃度對預防 水體富營養化具有重要現實意義。近年來，人工神 經網絡( artifical neural network，ANN) 廣泛運用于水質預測研究領域，如水體礦化度的預測［2］、河湖水 華預測［3-5］、河流BOD-DO 模擬預測［6］、湖庫葉綠素 預測［7］、水質指標預測［8］等，均取得了較好效果。 然而傳統BP 人工神經網絡模型存在著學習收斂速 度慢、易陷入局部極值以及網絡結構難以確定等缺 點，為克服其算法的不足，學者們提出基于附加動 量、自適應調整參數、彈性方法、擬牛頓法、共軛梯度法以及Levenberg-Marquardt 等的改進算法［9-10］，但 在實際應用中仍不夠完善，不能完全克服BP 算法 固有的缺陷。針對傳統BP 算法固有的缺陷，目前 普遍采用遺傳算法對BP 網絡結構、網絡權值和閾 值進行優化［9］。遺傳算法( genetic algorithm，GA) 雖 然具有良好的全局優化性能，與BP 網絡相結合，能 夠較好地對網絡的權值、閾值進行尋優，使網絡性能 得到較大改善，避免局部極值等問題［11］。然而，GABP 算法同樣面臨著復雜的參數選取和編碼等問題。 徑向基函數算法( radia basis function，RBF) 雖然有 著良好的非線性逼近能力和精度，但隱含層神經元 中心的選取是制約其精度提高的主要因素。極限學 習機( extreme learning machine，ELM) 是文獻［12- 18］提出的一種新型單隱層前向神經網絡( singlehidden layer feedforward neural network，SLFN) ，ELM 算法隨機產生輸入層與隱含層間的連接權值及隱含 層神經元閾值，且在訓練過程中無需調整，只需要設 置隱含層神經元的個數，便可以獲得唯一的最優解。 與傳統的訓練方法相比，該方法具有學習速度快、泛 化性能好等優點。 本文基于ELM 算法基本原理，以云南省某水庫 為例，采用SPSS 軟件分析TP、TN 質量濃度與環境 因子的相關性，選取NH3-N、NO － 2 -N、NO － 3 -N、CODMn 質量濃度和水體透明度作為網絡輸入，TP、TN 質量 濃度作為輸出，構建基于ELM 的湖庫TP、TN 質量 濃度預測模型，并構建傳統BP、GA-BP、RBF 人工神 經網絡模型作為對比預測模型進行比較，為湖庫 TP、TN 質量濃度預測探尋新的方法和途徑。 |
