近年来，经济繁荣发展的背后，水质体环境问题也日益突出。对于水环境质量优劣的最好判断方法是进行水质综合评价，准确的水质等级评价是进行水体保护和合理规划利用的前体，故水质评价尤为重要。淮河是中国第三大河，是东部的主要河流之一，近年受人类活动及自然因素相互作用的双重影响而变化。建立准确的水质评价模型对水体保护与防治具有重要意义。水质评价的方法主要包括单因子指数评价法、灰色评价法、模糊综合评价法、污染指数评价法、神经网络法、因子评价法等[1]。其中BP神经网络法具有收敛速度快，高度的灵活性等特点[2]。目前，基于前人在BP算法的研究，选取研究区6个断面的水质数据，利用附加动量项的BP算法建立BP神经网络的评价模型，并对本流域的部分断面进行评价。
1 研究区概况
自2004年以来,其流域污染反弹加剧。环保部门对重点排污企业的监测结果显示，安徽淮河流域设置的19个国控监测断面有13个处于超标状态,污染物排放总量呈上升势头。其水污染原因如下：
1.部分工业企业偷排污水现象严重。经过10年来“抓大关小”，调整产业结构，但部分企业工业为了降低生产成本，追求利润的最大化，常常擅自关闭污水处理系统，偷排污水。
2.农业面源污染已经成为淮河流域的一个重要污染源。流域内农业生产中农药、化肥的大量使用。
3.城市污水的排放量逐年增加，其污染负荷已超过工业污水。
4.环境监管能力不足。淮河流域环境监测、预警、应急处理和环境执法能力薄弱，企业偷排、超标排污、超总量排污的现象不能得到有效遏制。
以上原因，导致淮河水环境中污水大量排入，特别是高锰酸钾和氨氮的大量排入，不仅造成了地表水的污染，并在一定程度上污染了地下水。
2 数据来源及方法
2.1数据采集
数据选自研究区11个数据采集点，监测时间跨度为2004年至2014年水质周报，四个常规水质监测因子，结合BP人工神经网络法，用于水质监测数据评价的模型建立,正确分析水质的各影响因素之间的相互作用，得到反映各因素特征信息精确度较高的综合水质评价结果。
2.2 BP神经网络模型
ＢＰ神经网络由输入层、隐含层和输出层[3]组成，为了建立BP神经网络模型，对研究区水质进行评价，其实质是设计BP神经网络，利用有限样本训练来表示固有的逼近权值，以减小训练误差。BP模型运行过程分为前向传播和反向传播，前项传播得出误差，反向传播修正权值，这种正反传播来调整各层权值的过程是持续重复的[4]，直至无限接近于标准输出值为止。该模型以典型的三层bp神经网络结构为研究对象，以待评价指标的实测水质检测值作为输入层单元，用相应的输出值代替输出层。从而对研究区水质进行综合评价。
2.2.1 数据预处理
指标归一化：为了建立和训练水质评价的bp神经网络，对水质进行分析，必须利用四个滤波水质因子的监测数据和水质计算结果的期望值。并且样本量必须足够大，以减小网络误差，为了达到训练算法的可行性，由于各监测指标的测量单位不同，很难进行比较。直接。测量质量数据水必须在评估前标准化。
目前最常用的方式是Min-Max的方式将其实际值归一化在[0,1]之间，将样本数据分为80%的训练样本，10%的测试样本。
本次水质标准参照《地表水环境质量标准》（ＧＢ３８３８－２００２）[5]。其标准中所研究指标只针对Ⅱ类—劣Ⅴ类的类别等级值进行建模训练。为方便BP网络运算，寻找内部规律[6]，将各等级值分别取Ⅱ类-0.1、Ⅲ类-0.3、Ⅳ类-0.5、Ⅴ类-0.7、Ⅵ类-0.9。
2.2.2 BP人工神经网络结构设计
根据网络的收敛速度和水质评价样本的实际情况，选择了由输入层、隐含层和输出层组成的BP神经网络。
① 确定输入输出单元数：设计输入层包含4个神经元，即4个水质指标，输出层包含5个神经元，即每个水位代表一个输出。
② 确定隐含层的节点数。相关公式如下：
式中：N—隐含层的节点数；
m—输入节点数目；
n—输出节点数；
α—1～10的常数。
由题可知隐含层单元数为4～13
限定某一学习效率后，得到算法最小均方误差值和相关线性回归值在隐含层单元节点数为11时分别为最小和最大，其值为别为0.002和0.98。
最终确立模型结构为4-11-5。
2.2.3 相关参数确立
采用选取tanh函数作为传输函数和训练，部分参数设置如下：
动量因子：0.9
最大训练次数：25000
学习速率：0.61456
训练精度：10－2
训练得到水质评价模型，最终期望目标值与预测值在训练近5000次时的均方误差趋近于0.0033847，期望目标值与预测值拟合曲线R=0.98015,此时误差最小[7]。
3 模型应用与结果分析
由结构确定可知，随机挑选100个样本值，其模型评价准确度达90%。又随机选取12个监测点10年数据中的1000组，其中平均准确率为91.4％，说明应用ＢＰ人工神经网络方法对研究区水体进行质量评价，具有较高的可靠性。且该方法简单便捷，运算较快，减少了大量人工运算，具有较强的通用性和适用性。与单因子水质评价方法[8]相比，该方法考虑了多种水质指标的综合影响，评价结果较为客观。
4 结论
选取研究区各采集点超过3000组理化数据，建立附加动量法的BP神经网络评价淮河水质。得出结论如下。
（1）使用改进后的BP算法对4项水质指标进行分析，在误差修正时，会记录下前一次修正时的误差，即考虑了全局误差[9]，避免了模型只适用于某一范围内的数据，同时避免了陷入局部最优值[10]的问题。
（2）通过试错法反复调试，BP神经网络结构为4-11-5时对函数的逼近效果最好，均方误差趋近于0.0033487，期望目标值与预测值拟合曲线R=0.98015。BP神经网络对淮河水质的历史样本的水质评价结果拟合精度较高，相对误差较小，具有良好的适用性。
（3）使用BP神经网络的水质评价模型随机评价淮河水质。结果表明，所建立的模型较适合淮河流域的水质评价。
参考文献
[1] 郭刘琴，刘文芳.我国地下水污染治理技术研究综述[J].中国矿业，2016，25（增刊2）：158-162.
[2] 孟嘉伟.基于BP人工神经网络的水质评价模型[D].天津：天津大学，2010.
[3] 杜富芝，傅瓦利，杜小红，等．基于ＢＰ神经网络的三峡库区小流域水质评价［Ｊ］．节水灌溉，２００９（１）：８－１０．
[4] 陈东彦．数学建模［Ｍ］．北京：科学出版社，２００７．
[5] 郭晓茆,陈建江.执行GB3838-2002《地表水环境质量标准》的思考[J].环境监测管理与技术,2002(04):30-32.
[6] 杨芳，原松．基于ＢＰ神经网络的水环境质量评价模型的研建［Ｊ］．人民长江，２００８，３９（２３）：４６－４８．
[7] 楼文高，王延政．基于ＢＰ网络的水质综合评价模型及其应用［Ｊ］．环境污染治理技术与设备，２００３，４（８）：２３－２６．
[8] 夏茁文,陈宇.三种水质评价方法运用于江安河水质分析对比[J].环境与发展,2020,32(04):15-18.
[9] 马成前,王庆喜.基于局部及全局误差的BP神经网络研究[J].武汉理工大学学报,2009,31(20):99-101+116.
[10] 谢璞.“局部最优”的竞争法则[J].21世纪商业评论,2010(08):74-77.