(代做神经网络毕业设计）基于神经网络的浅层地下水特征仿真研究
一、引言
浅层地下水主要指埋藏相对较浅、与当地大气降水或地表水体有直接补排关系的潜水或弱承压水，主要是地表以下60米内的含水层。由于其埋层浅，未经深层岩石过滤，水体极易被工厂排放的污水和农田残留的农药污染，饮用浅层受污染的地下水，会危害健康。
地下水对于自然界的生物来说是一种不可缺少、极其宝贵的自然资源，并且在人类生活、生产中享有无可替代的地位。进入新世纪以来，社会生产力不断提高，城市化进程加快，人类对于水资源的需求更加迫切，因此地下水资源的利用显得愈来愈重要。同时，由于对于地下水不合理的开发引发了一系列的环境问题，导致地下水位下降，严重破坏了自然界的生态平衡，从而导致地下水位下降，危害到人类自身的生存。
地下水位作为地下水的一个重要指标，通过对地下水水位的预测，来对地下水资源进行可持续的管理。如今，随着计算机技术的飞速发展，基于数值模型的物理方法被越来越多的应用于水资源的可持续利用中去。地下水水位的变化受区域地下水系统中影响水位变化的因素所激励，地下水水位与影响因素存在一种映射关系，并且一般这种映射关系为非线性，而人工神经网络（Artificial Neural Networks,简称ANN）正是一个由大量简单元件相互连接而成的复杂网络，具有高度的非线性特征，并行分布式处理的系统。
二、BP神经网络
人工神经网络就是模拟人思维的第二种方式，这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个的神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。因此，本次关于对浅层地下水位的研究，采用神经网络中最具代表性的BPBack Propagation)神经网络模型
BP 神经网络，即误差反向传播算法的学习过程，BP神经网络模型拓扑结构包括输入层（input）、隐层(hidden layer)和输出层(output layer)。由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。
三、建立网络模型及预测
实验选取某地区的地下水水位变化资料为研究基础（由于网络中关于某地区地下水位资料陈旧且严重缺乏，暂时无法具体确定）。
1.网络结构的选择
输入层 ：由于影响具体地下水位变化的因素有很多，需要根据研究的地区具体情况具体分析，决定该区域地下水位的主要因素，如，降水量，地下水开采量等。
隐含层：BP神经网络有一个重要的定理：对于任何在闭区间内的一个连续函数都可以用单隐层的BP网络逼近，因而一个3层的BP网络就可以完成任意的n维到m维的映射，则隐含层数为1。
输出层：输出层神经元数为1对应于所要预测的地下水位。
2.训练样本的选取
根据所研究的区域的地下水的相关资料，对选取的样本进行学习。
3.输入与输出数据的预处理
对神经网络学习前的数据进行精确处理对网络有至关重要的影响，由于输入和输出变量在数值上变化相差较大，另外他们的量纲也不相同，不能直接用于神经网络的训练，否则影响网络的学习速度以及网络的精度，经过归一化处理之后，使输入与输出变量的值都变化到（0，1）内。
4.网络训练初始参数的选择
设定显示间隔次数，最大循环次数，目标误差，初始学习速率，学习速率增加的比率，学习速率减小的比率，动量常数，最大误差比率。
5.网络训练及预测
经预处理的训练样本依次次输入BP网络，按照上述BP网络算法反复训练，在训练的误差小于设定的目标误差时，此时训练完毕，得到需要的网络模型。再用训练好的网络模型进行地下水位的预测。
四、总结
随着时代发展，社会进步，人类对自然资源的需求与日俱增，尤其是对于水资源的利用。现阶段我国地下水遭到严重开采，为进一步防止水资源的过度开采，必须加强对水资源统一管理与调配。因此通过对地下水水位的预测，对水资源的合理利用具有一定的指导意义。
参考文献
[1]基于人工神经网络模型的地下水水位动态变化模拟[J].魏光辉.西北水电.2014(05)
[2]基于遗传BP神经网络的地下水位预测模型[J].许骥.地下水.2014(11)
[3]保定市市区浅层地下水位埋深预测方法的研究[D].王琦.中国地质大学. 2016
