【正文】 人工神經(jīng)網(wǎng)絡的土壤環(huán)境質量評價方法研究（J）農業(yè)環(huán)境科學學報[7]劉長安 人工神經(jīng)網(wǎng)絡的研究方法及應用（M） ，2022 年[8]中華人民共和國國家標準環(huán)境空氣質量標準(GB30951996) 各項污染物的濃度限值（1999 年）[9]張志涌等編著 MATLAB 基礎教程[10]Neural Network Toolbox User’sGuide (Version 4) The Math Works Inc , 2022.附錄 A：中華人民共和國國家標準環(huán)境空氣質量標準(GB30951996)各項污染物的濃度限值（1999 年）濃度限值Concentration value污染物名稱pollutants取值時間Time一級Level Ove二級Level two三級Level Three濃度單位Concentrention Unit二氧化硫 SO2年平均 Annual Average日平均 Daily Average/小時平均 One hour Average 總懸浮顆粒物 TSP年平均 Annual Average日平均 Daily Average 可吸入顆粒物 PM10年平均 Annual Average日平均 Daily Average 氮氧化物 NOX年平均 Annual Average日平均 Daily Average/小時平均 One hour Average 二氧化氮 NO2年平均 Annual Average日平均 Daily Average/小時平均 One hour Average 一氧化碳 CO日平均 Daily Average/小時平均 One hour Average 臭氧 O3 1 小時平均 One hour Average mg/m3(標準狀態(tài))（Standard state）鉛 Pb年平均 Annual Average季平均 Quarterly Average 苯并(a)芘 B(a)P 日平均 Daily Average 氟化物 F日平均 Daily Average 1 小時平均 One hour Average 7(1)20(1) μg/m 3(標準狀態(tài))（Standard state）月平均Monthly Average植物生長季平均Plant Growth Period Average(2) (2)(3) (3) μg/(dm 2基于 的系統(tǒng)分析與設計——神經(jīng)網(wǎng)絡（第二版） （M）西安電子科技大學出版社，2022 年[2]叢爽編著。有多少可敬的師長、同學、朋友給了我無言的幫助，在這里請接受我誠摯的謝意!最后感謝我的導師,她為人隨和熱情，治學嚴謹細心。表 3 結果比較評價方法 1 2 3 4 5 6 7 8 9物元評價法 2 2 1 2 3 1 3 3 2模糊綜合評價法 2 2 1 2 3 2 3 3 2BP 網(wǎng)絡評價法 1 2 1 2 3 1 3 3 2灰色聚類評價法 1 2 1 2 3 1 3 3 24 結語（1） 利用MATLAB的rand函數(shù)生成評價訓練樣本、檢測樣本及其對應目標輸出的方法，可以產(chǎn)生足夠數(shù)量的訓練與檢測樣本，能較好地避免過去僅用評價標準作為訓練樣本帶來的訓練樣本數(shù)少和不能構建檢測樣本問題，對提高網(wǎng)絡的泛化能力具有較為顯著的效果。同樣，檢驗樣本的檢測結果也比較符合目標輸出。)運行結果如下圖所示：圖 10 訓練樣本結果仿真（7）調用 postreg 函數(shù)對訓練后網(wǎng)絡的仿真輸出和目標輸出做線性回歸分析，以檢驗網(wǎng)絡的訓練效果。text(100,3,39。)。一級 優(yōu)39。ylabel(39。)。plot(x,y,39。 (,tr)=train(,P,T)。程序運行生成：圖8 網(wǎng)絡生成結果（5）訓練網(wǎng)絡如下：=’traingdx’。[P,minp,maxp,T,mint,maxt]=premnmx(p,t)。(4) 構建網(wǎng)絡BP網(wǎng)絡輸入神經(jīng)元數(shù)取決于空氣質量評價標準的指標數(shù)，根據(jù)題意定為3，輸出層神經(jīng)元數(shù)設定為1，利用MATLAB中的函數(shù)訓練網(wǎng)絡,確定所需隱層單元數(shù)。t3=2+ones(1,200)。運行生成如下所示：圖6 輸入變量生成結果檢測樣本：用生成訓練樣本同理的方法生成檢測樣本，小于一級標準生成50個，一、二級標準之間生成50個，二、三級標準之間生成50個，共形成150個檢測樣本。p3(1,:)=+.*rand(1,200)。p1(3,:)=0+.*rand(1,200)?！? 訓練樣本 [4][6]：采用MATLAB 的rand()函數(shù)在各級評價標準內按隨機均勻分布方式內插生成訓練樣本，小于一級標準生成200 個，一、二級標準之間生成200 個，二、三級標準之間生成200個，共形成600個訓練樣本。應用minmax 函數(shù)可以求出樣本的輸入范圍，使用附加動量法和自適應學系速率相結合的技術算法函數(shù) traingdx 為訓練函數(shù)，設定訓練次數(shù)、要求精度、學習率等訓練參數(shù)，進行網(wǎng)絡訓練，使網(wǎng)絡的學習值和期望值達到精度要求，保存權值和閾值。(4)BP 神經(jīng)網(wǎng)絡的訓練。(3) BP 網(wǎng)絡模型的建立。 基于 MATLAB 的 BP 算法的實現(xiàn)過程(1) 原始數(shù)據(jù)的預處理。式中，p 為輸入量，t 為輸出量，P 和 T 為經(jīng)過歸一化處理后的實驗數(shù)據(jù)。由于輸入層只起數(shù)據(jù)傳送作用，層中的神經(jīng)元是扇區(qū)單元，通常使用線性作用函數(shù)(輸出等于輸入)，不存在飽和狀態(tài)。如果 Emin 值取得較大時則相反。本文采用 newff()函數(shù)自動完成權值和閾值的初始化。針對具體的網(wǎng)絡結構?模型和學習樣本，都存在一個最佳的學習率 和動量因子 ，它們的取值范圍一般?0～1 之間，視實際情況而定。為了保證算法的收斂性，學習率 必須小于某一上限，一般取 0＜ ＜1，而且越接近極小值，由于梯度變化值?逐漸趨于零，算法的收斂就越來越慢。隱層神經(jīng)元數(shù)為 4，5 的訓練結果如下：圖 3 隱層神經(jīng)元為 4 的訓練結果圖 4 隱層神經(jīng)元為 5 的訓練結果同理比較神經(jīng)元數(shù)為 6，9，10 等等，可得當隱層神經(jīng)元數(shù)為 5 時最好，所以，隱層節(jié)點為 5 個。考慮到本研究的特點，結合不同隱層網(wǎng)絡結構的訓練結果，本文選擇了隱層數(shù) L=1 的網(wǎng)絡結構模型。這些參數(shù)對訓練速度的影響最為關鍵。關于這類網(wǎng)絡對非線性的逼近能力，Hornikl 等分別利用不同的方法證明了如下一個事實：僅含有一個隱層的前向網(wǎng)絡能以任意精度逼近定義在 Rn 的一個緊集上的任意非線性函數(shù)。 雖然神經(jīng)網(wǎng)絡的類型很多，建立神經(jīng)網(wǎng)絡模型時，根據(jù)研究對象的特點，可以考慮不同的神經(jīng)網(wǎng)絡模型。通常，在網(wǎng)絡結構擴大（隱層節(jié)點數(shù)增加）的過程中，網(wǎng)絡誤差會出現(xiàn)迅速減小然后趨于穩(wěn)定的一個階段，因此，合理隱層節(jié)點數(shù)應取誤差迅速減小后基本穩(wěn)定時的隱層節(jié)點數(shù)。此外，在不滿足隱層節(jié)點數(shù)條件時，總也可以求得訓練樣本誤差很小或為零的極小點，但此時檢驗樣本和測試樣本的誤差可能要大得多；若改變網(wǎng)絡連接權初始值，檢驗樣本和測試樣本的網(wǎng)絡計算結果會產(chǎn)生很大變化，即多模式現(xiàn)象。因為訓練樣本的誤差可以達到很小，因此，用從總樣本中隨機抽取的一部分測試樣本的誤差表示網(wǎng)絡模型計算和預測所具有的精度（網(wǎng)絡性能）是合理的和可靠的。因此，僅給出訓練樣本誤差（通常是指均方根誤差 RSME 或均方誤差、AAE 或 MAPE 等）的大小而不給出非訓練樣本誤差的大小是沒有任何意義的。因此，要求計算程序必須能夠自由改變網(wǎng)絡初始連接權值。 增加沖量項的目的是為了避免網(wǎng)絡訓練陷于較淺的局部極小點。這些方法中應用最廣的是增加了沖量（動量）項和自適應調整的改進 BP 算法。但遺憾的是，迄今為止還沒有構造性結論，即在給定有限個（訓練）樣本的情況下，如何設計一個合理的 BP 網(wǎng)絡模型并通過向所給的有限個樣本的學習（訓練）來滿意地逼近樣本所蘊含的規(guī)律（函數(shù)關系，不僅僅是使訓練樣本的誤差達到很?。┑膯栴}，目前在很大程度上還需要依靠經(jīng)驗知識和設計者的經(jīng)驗?？傊綦[層節(jié)點數(shù)太少，網(wǎng)絡可能根本不能訓練或網(wǎng)絡性能很差；若隱層節(jié)點數(shù)太多，雖然可使網(wǎng)絡的系統(tǒng)誤差減小，但一方面使網(wǎng)絡訓練時間延長，另一方面，訓練容易陷入局部極小點而得不到最優(yōu)點，也是訓練時出現(xiàn)“過擬合”的內在原因。研究表明，隱層節(jié)點數(shù)不僅與輸