氮、磷是引起水体富营养化和水华的主导性因 子，也是湖库营养状态评价、污染物排放总量控制的 重要性指标。湖库氮( N) 、磷( P) 等营养物质的大 量增加，总是伴随着水体富营养化，甚至水华现象的 发生［1］。因此准确预测湖库中的N、P 浓度对预防 水体富营养化具有重要现实意义。近年来，人工神 经网络( artifical neural network，ANN) 广泛运用于水质预测研究领域，如水体矿化度的预测［2］、河湖水 华预测［3-5］、河流BOD-DO 模拟预测［6］、湖库叶绿素 预测［7］、水质指标预测［8］等，均取得了较好效果。 然而传统BP 人工神经网络模型存在着学习收敛速 度慢、易陷入局部极值以及网络结构难以确定等缺 点，为克服其算法的不足，学者们提出基于附加动 量、自适应调整参数、弹性方法、拟牛顿法、共轭梯度法以及Levenberg-Marquardt 等的改进算法［9-10］，但 在实际应用中仍不够完善，不能完全克服BP 算法 固有的缺陷。针对传统BP 算法固有的缺陷，目前 普遍采用遗传算法对BP 网络结构、网络权值和阈 值进行优化［9］。遗传算法( genetic algorithm，GA) 虽 然具有良好的全局优化性能，与BP 网络相结合，能 够较好地对网络的权值、阈值进行寻优，使网络性能 得到较大改善，避免局部极值等问题［11］。然而，GABP 算法同样面临着复杂的参数选取和编码等问题。 径向基函数算法( radia basis function，RBF) 虽然有 着良好的非线性逼近能力和精度，但隐含层神经元 中心的选取是制约其精度提高的主要因素。极限学 习机( extreme learning machine，ELM) 是文献［12- 18］提出的一种新型单隐层前向神经网络( singlehidden layer feedforward neural network，SLFN) ，ELM 算法随机产生输入层与隐含层间的连接权值及隐含 层神经元阈值，且在训练过程中无需调整，只需要设 置隐含层神经元的个数，便可以获得唯一的最优解。 与传统的训练方法相比，该方法具有学习速度快、泛 化性能好等优点。 本文基于ELM 算法基本原理，以云南省某水库 为例，采用SPSS 软件分析TP、TN 质量浓度与环境 因子的相关性，选取NH3-N、NO － 2 -N、NO － 3 -N、CODMn 质量浓度和水体透明度作为网络输入，TP、TN 质量 浓度作为输出，构建基于ELM 的湖库TP、TN 质量 浓度预测模型，并构建传统BP、GA-BP、RBF 人工神 经网络模型作为对比预测模型进行比较，为湖库 TP、TN 质量浓度预测探寻新的方法和途径。 |
