智能故信息处理技术-9.利用人工神经网络的浊度测量估算悬沙浓度

《智能故信息处理技术-9.利用人工神经网络的浊度测量估算悬沙浓度》由会员分享，可在线阅读，更多相关《智能故信息处理技术-9.利用人工神经网络的浊度测量估算悬沙浓度（10页珍藏版）》请在金锄头文库上搜索。

1、利用人工神经网络的浊度测量估算悬沙浓 度Adem Bayram Ulke et al. 2009）。 许多研究已经做了二次参数，总悬浮固体（转录起始位），如放电，浊度和水的密度 相关。每个代理都有统计确定性，预测能力和后勤协调的局限性。作为最便宜和最简单的 衡量方法之一，浊度已被广泛利用在许多环境中，包括河流，湖泊，湿地，滩涂盐沼。(Packman et al. 1999)。Packman et al. (1999)评估浊度是否可能产生的TSS令人满意的估计城市 化进程中的普捷湾低地的分水岭。Pavanelli and Pagliarani (2002)建立的浊度和SSC之间的最佳关系，并应用

2、此关系到样品的浊度，以得到的SSC。他们的结论是，SSC和浊度的简单线性 回归是足够为SSL的准确估计。Pfannkuche and Schmidt(2003)提出的回归模型得到的算法来 确定南南合作的基础上从易北河，在德国东部的一条主要河流浊度测量。Campbell et al. (2005)设计和测试光纤在流透射（FIT）来衡量SSC，检查沉积物颜色和测量颗粒大小的影响， 相比散客性能市售的浊度传感器。Pavanelli和毕齐（2005年a，b）致予三种可能的方法来 估算悬浮物流流量：重量分析，浊度分析和沉降固体分析。斯塔布菲尔德等人（2007）在 低浊度环境下评估比浊法作为替代，或预测，

3、为TSS，总磷（TP）和可溶性活性磷（SRP）。 Gao等人（2008）研究了用浊度来估算SSC在加利福尼亚州东南部的使用水样和实验室浊度 仪灌溉为主的小流域的可靠性。米内拉等（2008）评估SSC和浊度之间的一个小乡郊集水区 在巴西南部的关系（1.19平方公里），并评价两种校正方式，通过比较SSC从校准浊度读数 与使用悬移质泥沙采样器获得的直接测量得到的估计数字。ELCI等（2009年）提高了使用 声学多普勒流速仪quasisteady方案（ADV）反向散射数据作为一个河流或溪流发现SSC预测 的方法。水温度和预测能力的粒度分布的影响，通过在不同的流中的低流量和洪水条件下 进行测量，进行了调

4、查。 人工神经网络（ANN）必须学习和认识高度非线性关系（1996 Swingler），然后组织 分散的数据到一个非线性模型（赫克特1989）的固有能力。神经网络的方法已被应用到科 学的许多分支。这种做法正在成为提供民用和环境工程有足够的细节设计的目的和管理实 践的有力工具。在建模中广泛的领域非线性系统行为的成功应用的启发，人工神经网络已 在水文和水力学（多甘等人，2007）应用。因此，它们可以提供对从浊度测量估计SSC的理 想手段。鲍尔斯和Shedrow（2000）预测悬浮物采用人工神经网络方法。浊度，流速和当地 降雨被选定作为输入变量。Cigizoglu（2004）提出了预测和预报与应用多

5、层感知器 （MLP）的日常悬浮泥沙数据的合适的模型。Agarwal等人（2006）使用回模拟径流和产沙 BP神经网络基于降雨和排放。ALP和Cigizoglu（2007）采用前馈反向传播网络，径向基网 络和多层回归估计悬移质泥沙（SSL）。Wang等人（2008）来评价神经网络模型的堰SSC估 计的潜力。他们的研究中采用连续每小时浊度和水的排放来自南台湾甲仙拦河堰采集输入 数据集比较了ANN模型南南合作估计的性能。哈米迪和Kayaalp（2008）在土耳其利用人工 神经网络和RA的SSL估计底格里斯河。月平均降水量，气温和放电被视为该模型自变量。 本研究的目的是评估浊度是否能产生SSC令人满意

6、的估计，以及改善方法估算SSC在流 Harsit，东部黑海盆地，土耳其原位浊度测量的基础上。出于这个原因，一个研究是2009 年3月2010年2月期间进行每月出版两期，而RA和人工神经网络是用144的数据包括SSC和浊 度的六个监测站使用。人工神经网络方法人工神经网络方法人工神经网络是人类企图以模拟和了解什么在神经系统内部具有捕捉一些生物系统的 能力。人工神经网络是由生物系统与大量的神经元共同工作，这即使是最大的电脑一直无 法匹敌的。 人工神经元的功能是类似的真实的神经元，它们是能够通过发送信号彼此在大量偏置 或加权连接的通信。每个神经元具有相关联的传递函数，它描述了如何其输入的加权和被 转换

7、为一个输出端（图 1）。不同类型的人工神经网络已经发展的基础上，神经元排列， 它们的连接和使用的培训模式。在各类人工神经网络，训练与反向传播算法的总纲发展蓝 图已被证明是最有用的工程应用。反向传播是训练 MLP 的系统方法。图 1. 人工神经元该 MLP 网络包括输入层，输出层和若干隐层（图 2）。隐藏层的存在允许网络呈现和 计算模式之间的更复杂的关联。人工神经网络的基本方法包括三个过程，网络培训，测试 和实现。图 2. 反向传播网络模型的体系结构人工神经网络的连接权值，通过培训过程中调整，而训练效果称为监督学习。人工神 经网络的训练通常涉及通过学习规则的方式修改连接权。学习过程是通过给权重，

8、并从一 组训练数据的计算偏差，或由按一定的条件调整的权重进行。然后，其他的测试数据被用 来检查泛化。一反向传播网络的偏置输入的目的是，以稳定的激活函数的原点，用于提供 更好的学习（ Tasgetiren 2010）。初始权重和偏移通常被随机分配的。作为输入数据通 过隐藏层过去了， S形激活函数一般使用。该数据的训练过程中均匀选取。当所有的数据 集都被处理一个特定的通完成。通常，几个道次，需要达到的估计精度所需的水平。训练 实际上意味着每个输入模式，然后将其与正确的输出进行比较。根据预测值和实际输出之 间的平方差的总误差计算对于整个训练集。的修正权重的调整已经进行了使用标准误差反向传播算法减少了

9、与梯度下降法的总误差（E ）（Fausett1994; Ozsahin et al. 2004）。 在反向传播算法的权重的更新公式由下式给出：其中，L和XK是学习速率，动量参数，层号，并输出向量。 总的误差平方和（TSSE）计算如下：其中yk是一个期望的输出向量（2001Halc）。 在本研究中使用的前述算法更新权重是划时代呈现之后。Epoch是通过整个模式设定的 一个循环。研究领域的说明（研究领域的说明（okok）在土耳其，有 26 个水文盆地。随着 24077 平方公里一个补给区，东部黑海盆地是土耳 其最重要的水文盆地之一，它是高加索生态区、Coruh 盆地和 Aras 盆地的重要组成部分

10、。 东部黑海盆地由许多河流如 Melet 河，Pazar 河,Karadere 河和 Firtina 河等汇入。Harsit 河分水岭是这些子流域之一（拜拉姆等 2010A，B，C;2011A，B，C）。Harsit 河是由小溪 流汇成的，并起源于居米什哈省东部边境的 Vauk 山。它形成之后，Harsit 河通过 Tekke， 居米什哈，Torul，Ozkurtun，Kurtun 和 Dogankent 等城镇和城市，并倒入 Tirebolu 镇的 黑海。其主要分支的长度为 143 公里，集水面积为 3280 平方公里。Harsit 河上有四个水 力发电厂（HEPPS）：Torul，Kurt

11、un，Akkoy 和 Dogankent（。拜拉姆等 2010A，B，C，2011A，B，C）。居米什哈省（居米什哈省（okok）采样地点是在居米什哈省的相邻区域，位于土耳其东部黑海地区，位于东经 3845 至 4012之间，北纬 3945至 4050。该地区拥有 6437 平方公里表面积和 1,210 米 的平均海拔，其特点是崎岖地形。在过去一年（NAS 和 2008 年拜拉姆）中，温度等气候条 件发生急剧变化。根据 1975 年至 2010 年有气象记录的最低气温日变化从-25.7，在二月 至 4.9，在八月，而日最高气温 12.4，一月月变化到 41.0C。居米什哈的月平均降 雨量是 3

12、8.6 KG/M2（TSMS2011）。材料和方法材料和方法浊度测量浊度是水的光学特性，它可以被用于测量相对水的清澈度。由于混浊的主要原因是颗 粒悬浮，它也用来估算悬沙（Pavanelli 和毕齐 2005 年）的浓度。水浊度在原地用水质检 查（堀场制作所的 U-10）在 NTU（浊度单位）的条款而厘定。在 U-10 使用的光的吸收散射 法。光的光束照射到样品带来的光束分离成（1）由该溶液中，（2）分散的样品浊度元件 的光的透射光。在光吸收散射法，两者的强度透射光和散射光的测量笃行单独的受体，并 根据两者的比值得到的浊度。 地表水采样 在 Torul 混凝土面板堆石坝（CFRD）前的水样进行了

13、两周一次的手工收集六个监测站， 包括 Tohumoglu，特克，Akcakale，居米什哈，Torul1 和 Torul2，分别位于流 Harsit 的 过程 2010 年 3 月 2009 年二月（图 3）的研究期间。采样点的详细信息列于表 1。一升的地 表水样品从约中层深度流的绘制。高密度聚乙烯（HDPE）瓶冲洗与该流的水，剧烈振摇， 并再填充用于分析之前排空。采样，保存，运输等地表水样品送到实验室是按照标准方法 （1992 APHA）。图 3. Harsit 河上的研究区域和采样点位置 SSC 的确定 悬移质泥沙表示此事在固相存在于水样中。一旦水澄清，收集到的材料然后烘箱干燥， 在 10

14、5下进行约;地表水样品首先通过以将水从悬浮物中分离具有在真空下 1.2 微米孔径 的玻璃微纤维过滤器过滤 12 h 后，直到该物质达到恒重。SSC 是在实验室毫克每升的条款 而厘定。表格 1. Harsit 河地表水取样站的定位区域 SSCSSC 的建模的建模回归模型 在这项研究中，线性，对数，倒数，二次，三次，化合物，功率，S 功能，生长指数 和逻辑回归分析（RAS）中进行。只有从立方 RA，这是最好的模式，现介绍具有最高的回 归系数（R2）所获得的结果。其中，a1，a2，a3 和c 分别是回归系数，y 为 SSC，和 x 是浊度。回归系数（R2）为模 型是 0.817（表 2）。表 2.

15、回归系数和对应 RA 的 R2值 人工神经网络模型 本节的主要目的是开发一个人工神经网络模型预测 SSC 给出浊度数据。当设计一个神 经网络来选择合适的网络规模是很重要的。如果网络是太小了，它可能没有足够的可用参 数，以充分代表的数据。如果网络太大，它可以失败的数据有意义的类别进行分类或拒绝 新的模式从训练集太不相似。在一般情况下，找到一个合适的网络结构是尝试和错误的问 题，虽然有根据的推测可以通过训练数据集的大小进行比较，以在网络中的自由参数的数 目来进行。如该图所示。2，一种三层，并且前馈网络被选择为这项研究。每个层被完全连 接到下一个，但不进行连接的神经元之间存在于同一层中。所述第一层和

16、第三层含有的输 入和输出数据，分别。单个输入节点是浊度，和单个输出节点是 SSC。 每两周数据被分成 108 培训，测试 24 和12 的验证图案，分别。对于测试，训练和验 证数据输入值列于表 3 中。表格 3. 在人工神经网络模型中使用的每半月的数据前它们可以被用来对网络进行训练，输入数据需要被归一化到一个合适的范围内。甲 双曲正切 S 形的第一传递函数（输入层隐蔽层）和线性作为第二传递函数（隐层输出 层）的网络中使用。两个传递函数的设计提出自己的大部分变化在范围0，1。因此，输 入数据被归一化到范围0.1，0.9，如下所示：选定的网络规模较概括和收敛之间的妥协。融合是网络的学习训练集中的模式的能力， 泛化是它能够正确地新模式应对能力。这样做是为了实施，它能够学习的所有模式中的数 据，同时保留它的一般化的规则来新模式的能力尽可能小的网络。一个隐藏层是足以满足 大多数应用（康和 1998 年宋） 。作为确定节点的隐藏层的数量是不是一门精确的科学， 几个网络具有不同数目隐藏的节点进行测试。最佳的神经网络结构的参数列于表 5 中。要 开