一种基于竞争型神经网络的水体营养状态分类方法技术

本发明专利技术提供了一种基于竞争型神经网络的水体营养状态分类方法，利用竞争型神经网络，对水环境功能区中与营养状态有关的指标进行无监督分类，根据分类结果确定营养状态等级。在各个湖泊在不同营养状态下的指标中，选取综合营养状态指数法(TLI)中的五项指标(叶绿素a、总氮、总磷、透明度和高锰酸盐指数)的监测值经过加权并归一化后作为输入模式，通过竞争型神经网络无导师监督学习，对样本之间的特征信息进行欧氏距离相似性判定，得出样本的分类结果，分别计算分类属性对应监测指标的平均值，用于水体富营养化的评价与分级。该方法实施简单灵活且在实际应用中有较好效果。单灵活且在实际应用中有较好效果。

【技术实现步骤摘要】
一种基于竞争型神经网络的水体营养状态分类方法


[0001]本专利技术属于生态环境保护
和电子信息处理领域，具体涉及一种基于竞争型神经网络的水体营养状态分类方法。

技术介绍

[0002]湖泊富营养化是我国长期存在的一类水环境污染问题，被定义为水体中生物所需的氮、磷等营养盐超负荷存在，导致水生态系统失去平衡，利于水生植物和浮游生物不断生长繁殖，降低水体透明度，降低溶解氧浓度，不利于保持水体生物的物种平衡，同时大量繁殖生长产生的大量代谢物破坏水质，进而增加治理难度。指湖泊水体在自然因素和(或)人类活动的影响下，大量营养盐输入湖泊水体，使湖泊逐步由生产力水平较低的贫营养状态向生产力水平较高的富营养状态变化的一种现象。自然界中湖泊、水库、河流营养状态的演化直至水生态系统消亡需要很长时间，而人类社会加快了生态系统的消亡。为了便于治理湖库的富营养化，加强管理手段，需要统一建立出科学合理的营养程度评价方法，即根据最能影响营养程度的水质监测指标的大小判断出水体的营养状态的好坏。
[0003]湖泊富营养化评价的基本方法主要有综合营养状态指数法(TLI)、营养指数法(E)、BP神经网络法、贝叶斯公式法、营养度指数法(AHP
‑
PCA)等。目前我国广泛认可使用的是综合营养状态指数法，综合营养状态指数由理化指标TN、TP、SD、COD
Mn
和生物指标chla的营养状态指数共同决定，提出了综合营养状态指数与单参数营养状态指数的相关数学关系，根据中国环境监测总站的《湖泊(水库)富营养化评价方法及分级技术规定》(总站生字[2001]090号文件)，将5种指标加权计算得到的综合营养状态指数TLI(∑)，按照不同范围值分为：贫营养、中营养、轻度富营养、中度富营养和重度富营养共5个类别。结果的准确性也取决于实际应用中5种指标的关系是否满足该数学式，受污染来源影响。在不符合基本生态学过程的特殊水体类型中，TLI(chla)和TLI(TN)、TLI(TP)、TLI(SD)、TLI(COD
Mn
)反映的营养程度存在差异，TLI(∑)的结果必然缺少可信度。
[0004]竞争型神经网络与其他神经网络的网络结构上有所区别，不存在隐含层，只由输入层和竞争层连接组成，可能还横向连接着各个竞争层之间。竞争型神经网络的作用是对输入向量聚类分析，工作原理是模拟生物学领域神经系统的工作，当输入层接收到输入信号后，各神经元相互竞争，最终只有一个特定的神经元做出明显响应，抑制周围其他的神经元。这个做出响应的神经元被称为获胜神经元，代表了输入信号的分类，整个过程都是自组织的无监督学习形成。目前竞争型神经网络已被广泛应用于模式分类，比如土壤分类、零件分类、影像分类和空气质量分析等方面。
[0005]对输入向量用表示，对应神经元的权向量用表示，对应神经元的权向量用表示，此时是随机赋值的。训练学习中会先对和进行归一化，比较和的相似性距离，与最接近的对应神经元成为获胜神经元，完成一次训练后，会根据Kohonen学习规则更新大小，使与相似性增大，返回前面的步骤对
进行归一化处理，再重复进行整个训练过程，直到收敛，此时获胜神经元响应最明显，反映出输入向量与类别属性之间的特定关系。
[0006]在机器学习中，判定相似性有两种常用的计算公式：欧式距离法和余弦距离法。在欧式距离相似性判定中，输入向量形成大小相似、分布紧密的圆形聚类，一般适用于输入向量维数少或长度差距大时；在余弦距离相似性判定中，输入向量形成趋于同向的窄长形聚类，一般适用于输入向量长度差距小或方向差距大时。将向量归一化后，使用欧氏距离公式或余弦距离法公式进行相似性判定，结果相同。
[0007]基于以上背景和技术原理，结合竞争型神经网络不需要数学参数对TLI(j)进行修正，可以直接客观地判断不同样本的五项监测原始值接近程度，不受特定水体类型对TLI关系影响的特点，本专利技术提出一种基于竞争型神经网络的水体营养状态分类方法。利用竞争型神经网络可以竞争分类的作用，选取综合营养状态指数法(TLI)中的五项指标(chla、TN、TP、SD、COD
Mn
)的测量值经过加权并归一化后作为输入模式，依据相似程度得出样本的分类结果，应用于水体富营养化的评价与分级。

技术实现思路

[0008]本专利技术的目的是提出一种基于竞争型神经网络的水体营养状态分类方法，能够依据水体污染因子的原始监测值判断营养状态等级。具体的实施方案包括下列步骤：
[0009]一种基于竞争型神经网络的水体营养状态分类方法包括如下步骤：
[0010]步骤1、将已知的湖库水质监测数据(叶绿素a、总氮、总磷、透明度和高锰酸盐指数)整理得原始数据，以不同时间、不同地点的湖库为独立样本，不同监测项目为属性；
[0011]步骤2、将样本的原始数据与各自的权重相乘，使用Matlab中的mapminmax函数对加权后的数据进行线性归一化；
[0012]步骤3、对处理后的数据通过竞争型神经网络学习分类，共5类，得出每一样本的分类属性，分别计算分类属性对应监测指标的平均值，用于判定对应的营养等级。
[0013]故本专利技术的有益效果包括，用原始数据在Matlab中经过加权并归一化后分类，避免公式计算中数学修正参数的选择对结果的影响，分类结果不受水体类型的特殊性影响；另外，通过竞争型神经网络做分级评价，还包括数据处理能力强、处理速度快，可以自我学习优化分类模型的益处。
附图说明
[0014]图1是本专利技术的技术路线流程图；
[0015]图2是竞争型神经网络结构示意图。
具体实施方式
[0016]下面结合实施例和附图对本专利技术作细致说明。
[0017]实施例：
[0018]本专利技术的技术方案具体包括下列步骤：
[0019]步骤1、将已知的湖库水质监测数据(叶绿素a、总氮、总磷、透明度和高锰酸盐指数)整理得原始数据，以不同时间、不同地点的湖库为独立样本，不同监测项目为属性；
[0020]步骤2、将样本的原始数据与各自的权重W
j
相乘，W
j
来源于中国环境监测总站的《湖泊(水库)富营养化评价方法及分级技术规定》(总站生字[2001]090号文件)，再使用Matlab中的mapminmax函数对加权后的数据进行线性归一化；
[0021]步骤3、对处理后的数据通过竞争型神经网络学习分类，共5类，得出每一样本的分类属性，分别计算分类属性对应监测指标的平均值，用于判定对应的营养等级。
[0022]所述步骤3中，监测指标的平均值指的是该分类结果下，对应的chla的浓度平均值，或五参数综合浓度平均值，即chla、TN、TP、COD
Mn
浓度平均值加上SD平均值倒数的平均值；chla的浓度平均值和五参数综合浓度平均值越大，营养程度越重。
[0023]所述步骤3中，竞争型神经网络主要可分为输入层、竞争层；
[0024]输入层，用于接收五项监测指标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于竞争型神经网络的水体营养状态分类方法，其特征在于：包括如下步骤：步骤1、将已知的湖库水质监测数据整理得原始数据，以不同时间、不同地点的湖库为独立样本，不同监测项目为属性；步骤2、将样本的原始数据与各自的权重相乘，使用Matlab中的mapminmax函数对加权后的数据进行线性归一化；步骤3、对处理后的数据通过竞争型神经网络学习分类，共5类，得出每一样本的分类属性，分别计算分类属性对应监测指标的平均值，用于判定对应的营养等级。2.根据权利要求1所述的基于竞争型神经网络的水体营养状态分类方法，其特征在于所述步骤3中，竞争型神经网络主要可分为输入层、竞争层；所述输入层，用于接收五项监测指标的数...

【专利技术属性】
技术研发人员：陈春燕，徐澜，赵恒，王开德，马艳琼，张霞，黄友志，铁程，顾济沧，赵琦琳，
申请(专利权)人：昆明市生态环境局安宁分局生态环境监测站，
类型：发明
国别省市：