GA-BP神经网络在NB-IoT水质监测系统中的应用研究葛新越王宜怀周欣摘要：针对水质分类模型存在评估准确率不高、训练速率慢及样本规模要求大等问题，引入遗传算法优化的BP神经网络实现水质分类模型训练。在水质终端节点中，驻留训练后的参数，实现多传感器数据融合。经同类样本训练下比较，GA?BP神经网络的水质分类模型平均收敛速度比传统BP神经网络快且不易陷入局部极小值，并保证了较好的准确率，表明利用GA?BP神经网络在NB?IoT水质监测系统中有较为良好的应用推广价值。关键词：水质监测;系统设计;模型训练;GA?BP神经网络;數据融合;实验分析：TN99?34文献标识码：A：1004?373X（2020）24?0030?04ApplicationofGA?BPneuralnetworkinwaterqualitymonitoringsystembasedonNB?IoTGEXinyue，WANGYihuai，ZHOUXin（SchoolofComputerScienceandTechnology，SoochowUniversity，Suzhou215006，China）Abstract：Inallusiontotheproblemsthatthewaterqualityclassificationmodelhaslowassessmentaccuracy，slowtrainingrateandlargesamplesizerequirements，theBPneuralnetworkoptimizedbythegeneticalgorithmisintroducedtorealizethewaterqualityclassificationmodeltraining.Thetrainedparametersarekeptinthewaterqualityterminalnodetorealizethemulti?sensordatafusion.Incombinationwiththesimilarsampletraining，theaverageconvergencespeedofthewaterqualityclassificationmodelofGA?BPneuralnetworkisfasterthanthatofthetraditionalBPneuralnetwork，anditisnoteasytofallintothelocalminimumvalueandcanensureaconsiderableaccuracy，whichshowsthattheapplicationofGA?BPneuralnetworkinNB?IoTwaterqualitymonitoringsystemhasagoodapplicationandpromotionvalue.Keywords：waterqualitymonitoring;systemdesign;modeltraining;GA?BPneuralnetwork;datafusion;experimentalanalysis0引言近年来，建立高效准确的水质监测系统已成为水环境科学的研究热点[1]。传统的水质评估方法[2]主要有单因子评价法、加权均值指数法等。但这些方法仍存在一定的片面性和主观性，难以实现模型泛化。随着机器学习和神经网络的兴起，更多智能方法被广泛应用于水质评估领域，如基于主成分分析的方法[3]、基于信息熵的方法[4]、基于聚类的方法[5]和支持向量机方法[6?7]等。这些方法多是基于统计学理论，要求样本规模充分大，这在实际问题中往往无法满足。因而需要寻找一个在有限训练样本中保持较快训练速度和较高准确率的水质评价方法。本文采用遗传算法优化传统BP神经网络初始权值和阈值的选定，实现水质状态的预测与评估，对比传统BP神经网络方法，并在此基础上实现一种基于NB?IoT的远程实时水质监测系统，可以对目标水域进行实时水样采集、监测和分类。1传统BP算法和遗传算法及其不足传统BP训练函数采用随机梯度下降算法，以较快的学习效率实现目标模型的训练，但由于权值和阈值的随机初始化过程，不可避免地存在训练时间波动范围大和可能陷入局部极小值的问题。遗传算法（GeneticAlgorithm，GA）模仿了自然界生物进化机制，借鉴了达尔文的进化论和孟德尔的遗传学说，演变为一种随机、高效、并行的全局搜索方法[8]。初始种群通过选择、交叉、变异实现种群更新，其进化过程如图1所示。但是，标准GA求解过程本质上是随机寻优过程，对于局部的精确搜索常常无法达到设定条件。因此，将BP算法和遗传算法相结合，进行优势互补，有利于高效准确地进行模型分类。2基于GA?BP的水质监测模型设计2.1GA?BP算法流程本文利用遗传算法优化BP神经网络的初始权值和阈值的选取，提高水质分类模型的训练效率。该算法的流程如图2所示。其中，权值和阈值优化具体算法步骤如下：1）随机生成初始种群。以BP神经网络中的初始权值和阈值作为个体（染色体），其中，权值和阈值采用实数编码，由[-1，1]区域内随机均匀产生的实数构成。按同样的规则随机生成拥有足够染色体数量的种群。2）确定目标函数和适应度函数。选用一次BP训练后误差均方值E作为遗传算法的目标函数。相应地将目标函数的倒数E-1作为适应度函数，即个体越...