2010年第2期（总第59期）高新技术
西经溪与节站
SHANXI ENERGY AND CONSERVATION
用误差反向传播神经网络预测太子河
鞍山段小姐庙断面的COD浓度
郭宏伟
（枝山市环境保护研究所，辽宁山114004）
2010年4月
摘要：通过建立BP模型，借助Matlab7.1款件对太于河鞍山段小姐庙断面的COD浓度进行了预测，结果表明，用BP 模型预测的太予河鞍山段小姐店断面COD浓度与实测值基本相近，说明了利用BP模型预测水体的COD浓度具有预测
精度高、使用方便、速应性强等优点，可应用于河流水体中COD的预测和管理工作中。关键调：神经网络；误差反向传神经网络：COD浓度
中图分类号：TU995
文麟标识码：A文章编号：1674-3997-(2010)02-0072-03
Predictionof CODconcentrationofMissDuanTemplesubsection，
PrinceEdward RiverAnshan section,using back propagation neural networks
GUO Hong-wei
(Anshan Environmental Protection Research InstituteAnshan 114004，Liaoning,China)
Abstract: Through the establishment of BP model by using software Matiab7.1, the study has carried out a prediction for COD concentration of Miss Duan Temple subsection, Prince Edward River Anshan section, in order to achieve more scientific predic-tions. It is showed that the results by BP model were basically similar the measured values of COD concentration of Miss Duan temple subsection, Prince River Anshan section, which is generally in line with the expectation, It is concluded that the BP mod-el, as being of high accuracy, ease-of-use and good adaptability in predicting COD concentration of water bodies, can be applied in river water quality prediction and environmental management.
Key words: neural network; back propagation neural networks; COD concentration
0引言
人工神经网络是当前国际学术界十分活跃的前沿
研究领域，在控制与优化、预测与管理、模式识别与图像处理、通信等方面得到了十分广泛的应用1]。近年来，开始在环境工程中得到应用。人工神经网络之所以会如此快速发展，是因为它具有解决用常规的数值计算难以解决的问题。为提高太子河鞍山段水质预测的精度和实用性，笔者引人神经网络技术建立了太子河鞍山段水质预测模型，采用误差反向传播神经网络(BackPropagationNeuralNetworks，简称BP模型）算法，提高预测精度，并将BP模型应用于2009年太子河鞍山段(小姐庙断面)的COD浓度预测。
神经网络的选择 1
神经网络是基于各个领域实际工程技术的需要而迅速发展起来的～门前沿学科，是大规模的非线性动收稿日期：2010-02-03
作者简介：郭案伟，1976年生，女，辽宁鞍山人，1999年毕业于
辽宁大学环境学和新闻学专业，双学士，工程师。· 72·
力系统。神经网络的学习是不断修改神经元的连接权值，使网络的实际输出通近希望的输出值，因此，它的发展必须与实际工程密切结合。由于神经网络的模型有多种类型，且不同神经网络模型的应用有其局限性，所以在选择神经网络时，需根据工程的要求及神经网络模型的特点进行全面考虑。
所有的神经网络模型均具有逼近任意非线性函数的能力，但从应用角度看，它们各有优缺点。误差逆传播神经网络(BP模型)具有很强的生物背景，它的多输人多输出特性使其易用于多变量非线性函数逼近，具有可塑性。但是，其输出与网络的连接权之间呈非线性关系，这使得其采用非线性优化方法进行计算时可能要遇到局部极小点和收敛速度慢的间题。径向基函数(RMF)网络则既有生物背景又与函数逼近理论相吻合，网络的连接权与输出呈线性关系。同样，它也适合于多变量的函数的逼近。多项式网络具有比较完整的理论基础，但它用于多变量函数逼近时，存在网络中神经元个数急剧增加的缺点。样条函数网络在学习时只需局部信息，这增加了其学习算法的并行性，加快了学习速度，但该网络定义域中子区域网的划分间题使得