基于模糊对向传播神经网络模型的大凌河流域水资源可持续利用系统评价

赵福林

(辽宁省大连水文局，辽宁 大连 116023)

目前，水资源紧缺、水体污染严重、水资源空间结构分布不均匀等矛盾十分突出，已成为限制水资源生态环境改善和人们生活水平提高的关键性因素，并对我国水资源的可持续发展战略产生严重威胁。采用科学合理的指标评级标准，并选取具有代表性的评价指标体系是进行水资源可持续利用评价的基础，准确科学的评价结果将对水资源有效调控产生重要影响，可为水资源调控制度的建立提供重要决策依据[1]。

国内外学者针对水资源管理问题，运用了多种理论和方法，从各个角度开展了大量水资源可持续能力的研究，取得了一定的成果，形成了各自的方法理论。以往水资源可持续评价模型的基本原理是通过对比分析评价指标量化值与评价等级标准之间的差值进行可持续利用能力分析，所以适用性和评价结果的可靠性都有待进一步的研究探讨。

采用科学合理的评价指标标准是评价结果可靠性对比分析的重要原则，根据各评价指标的样本序列数据，可进行不同评价等级的划分，其划分等级即为利用评价结果的主要结论[2]。文中首先对神经网络的基本层次按照标准进行了三个层级的划分，并详细介绍了各层次的计算过程和基本公式，根据模型的储存容错性、信息收集处理性、组织识别可塑性等基本特点，选择了经过确定的评价等级标准为参考依据，最终建立了基于模糊对向传播的水资源评价模型，以大凌河为研究对象，开展了该流域水资源开发利用的科学合理性评价分析[3- 5]。

1 模糊对向传播神经网络模型基本原理

1.1 概述

1987年，由美国计算机科学家提出的对向神经网络理论具有良好的分类灵活性，且基本理论清晰，计算简洁快速等特点。其基本原理是将随机数学理论和网络传播基本原理科学合理的结合，有效地解决传统CP网络存在的两大问题。一方面CP网络模型在运算过程中神经元不能够被充分的利用，如距离较远的神经元不能够被准确获取而形成死结点；另一方面在CP网络模型进行运算时，因输入参数模式的局限性，造成模型对有效信息识别的误判进而导致神经元竞争之间的信息被大量的流失[6]。

模型按照一定的顺序和计算规则完成样本自输入层，经过竞争层然后到输出层的计算，其中输入层到竞争层的连接向量为Wj=(ωj1,ωj1,…，ωj1)，j=1,2,…，Q；竞争层到输出层的连接向量为Vl=(Vl1,Vl1,…，Vl1)，l=1,2,…，M；模型根据网络学习和网络回想两类计算方法和基本理论，最终将样本完成模糊对向传播神经网络的计算，并根据原有的评价等级标准，按照基本计算原理作出科学的评价。

1.2 建模思路

水资源可持续利用评价以评价等级标准为依据，根据模糊CP网络结构顺序，利用模型数学随机处理技术引入评价指标序列，然后将各评价指标序列赋予各自的运算规则和理论，计算各评价样本的训练结果，经过上述计算过程可完成各评价指标对评价系统输入层的系统输入[7- 9]。

构建模型首先应结合评价指标数量和评价等级数量N，进行输入层神经元M的确定，并以Q为输出层的神经元，同时进行竞争层神经元的设定，并根据计算公式完成网络学习参数的设定；然后利用神经网络学习法进行网络结构参数和各神经元权重系数的计算，建立适用于大凌河的科学评价模型；利用模型中网络回想基本原理将输入模型的基本数据完成样本计算，可在系统输出层输出最终的评价等级，根据不同的评价数据值进行等级标准的对比分析可完成水资源开发利用现状的科学合理判断。

2 模型的建立及计算方法研究

2.1 建立模型

(1)

式中,r=1,2,…，nk;s=1,2,…，h;k=1,2,…，K,nk—对应于k个评价标准层级下的指标序列最大数，可根据等级数量和随机生成数量进行计算。

2.2 网络学习计算

(1)设定t为1，即代表当前的学习次数。

(2)

(3)

(4)本文根据模糊C均值法进行隶属度函数的确定。参数隶属度可用下式进行计算：

(4)

(5)将各自的神经元进行线性组合叠加计算即可神经元数据的输出，则h个评价指标的线性加权组合可用下式进行计算：

(5)

(6)将连接权向量按下式进行适当调整。

(6)

式中，α—学习率,0<α<1。

(7)然后将调整后的连接权向量W按照公式(3)进行统一化处理。

(8)将连接权重向量V按下式进行适当调整。

(7)

式中，β—学习率,0<β<1。

按照以上步骤反复进行计算，直至将P个输入模式全部完成计算并输入网络系统模型。当t=t+1，在网络模型中的输入模式为Ak时，重新输入模型反复进行网络学习。当t=T时，则竞争层的神经元收敛，T的总学习次数在500

2.3 网络回想计算

(1)上述待识别样本数据完成统一化处理后，首先将数据X=X1,X2，…，XN输入至网络输入层。

(2)按照在网络学习计算过程中的公式(4)进行对应于数据X=X1,X2，…，XN的模糊隶属度计算。

(3)对应于数据X=X1,X2，…，XN的神经网络识别结果可按照公式(5)进行计算，可得到网络输出yi,Y=(y1,y2，…，yM),该计算输出结果即是水资源可持续利用的评价等价。

3 应用实例

大凌河河流位于辽宁省西部，该河流水资源空间结构分布不均匀，水资源供需矛盾持续紧张，且河流水体污染严重，水土保持现状不容乐观，水资源的可持续利用受到严重威胁[10- 11]。科学合理的确定评价指标和评价标准将直接影响到评价结果的可靠性和适用性，故本文参考有关大凌河水资源可持续利用发展的相关资料，同时结合相关的实际经验，建立了大凌河水资源评价指标和标准体系，见表1。

表1 大凌河水资源可持续利用系统评价标准及评价体系

结合表1所选中的评价指标和取值范围，网络模型可根据公式(1)随机生成10个评价等级标准值和评价指标值，则4个评价等级标准和各评价指标值即可构成40个样本评价指标体系，见表2。

表2 模糊对向传播神经网络训练数据

设定神经元数N=8，输出层神经元M=4，则4个评价等级的期望输出分别为(1，0，0，0，)，(0，1，0，0，)，(0，0，1，0)，(0，0，0，1)，然后采用k等级的期望网络输出和生成的Zrs作为模型样本的训练集合。设定竞争层的神经元Q=14，故对向网络传播神经的拓扑结构关系为8-14-4；模糊因子m=3，训练次数T=2500，利用经验公式进行调整，则学习效率。将上述参数和计算结果输入模型系统，则大凌河河流的评价等级计算结果见表3。

表3 模型对大凌河水资源可持续利用的评价结果

4 结语

文中对国内外有关水资源开发利用的评价方法进行了概述，在详细分析神经网络传播途径和节点构造的基础上，总结其优点和特性，结合研究河流的基本状况和相关资料，建立水资源利用评价模型。通过模型的储存容错性、信息收集处理性、组织识别可塑性等基本特点，以确定的评价等级标准为参考，按照文中的计算流程和计算原理，对大凌河流域水资源可持续利用进行科学合理的评价分析。

评价结果具有较强的可靠性和科学性，可以与该流域的实际情况保持高度的一致性，且本文对模型的计算原理和计算过程进行了详细的描述和分析，模型可操作性强，能够有效解决传统的CP网络具有的两大难题。该方法具有简单、客观、适用、可靠等特性，可适用于其他相关流域的水资源可持续利用等级的评价。

[1] 杜荣海. 辽宁省水资源量情势浅析[J]. 水土保持应用技术, 2008(02): 27- 28.

[2] 程瑶, 孙倩, 马建琴, 等. 区域水资源可持续利用系统评价的模糊对向传播神经网络模型[J]. 水文, 2016(02): 28- 31.

[3] 程海英. 锦州市城区水资源现状及优化配置方案[J]. 水土保持应用技术, 2015(06): 22- 23+32.

[4] 全占东. 水足迹理论视角下辽河流域水资源评价[J]. 水土保持应用技术, 2017(01): 22- 24.

[5] 马宇, 王淑伟. 辽宁省水资源现状分析及保护措施研究[J]. 水利规划与设计, 2015(11): 42- 44.

[6] 李学森. 凌河流域水资源现状及保护措施[J]. 水土保持应用技术, 2015(03): 36- 37.

[7] 朱佳佳. 九龙江流域水环境状况及治理对策初探[J]. 水利技术监督, 2009(04): 27- 29.

[8] 曲锦艳. 辽宁省水资源存在的问题与保护对策[J]. 水土保持应用技术, 2002(06): 16- 17.

[9] 刘启和. 基于辽阳县地下水资源质量评价的研究[J]. 水土保持应用技术, 2016(05): 47- 49.

[10] 黄亮. 水资源可持续发展存在的问题及对策[J]. 水土保持应用技术, 2013(04): 32- 34.

[11] 张海军. 水资源保护监测存在问题及建设初探[J]. 水土保持应用技术, 2016(03): 40- 43.