本文通过使用MATLAB的神经网络工具箱中的nntool工具，构建了一个BP神经网络模型，并对该模型在江安河水环境质量评价中的应用进行了研究。文章讨论了BP神经网络的构建问题，并总结了改进BP网络性能的方法。随后，利用构建的BP神经网络对江安河部分河段的水质状况进行了评价，证明了nntool工具在BP神经网络设计和仿真中的简便性、准确性和灵活性，并指出BP神经网络法在水质评价上的实际可行性和高效性。
在引言部分，作者提出水质监测作为环境质量检测的重要组成部分，对于穿城河流的水质监测尤其重要，而江安河作为一条贯穿成都南北的河流，在水资源利用加剧的背景下，其水环境污染问题逐渐显现出来，因此对江安河武侯区段的水质进行监测和评价非常关键。此外，文章介绍了多种水质评价方法，并着重强调了人工神经网络方法在水质评价中的应用优势，特别指出基于误差反向传播算法的BP网络在水质评价上的分类和预测能力。
BP神经网络（Back Propagation Neural Network）是一种多层前馈网络，由输入层、隐含层（中间层）和输出层构成。它通过有导师的学习规则，即误差反向传播算法，实现网络的训练。BP算法分为两个部分：信息的正向传播和误差的反向传播。在正向传播过程中，输入数据经过每一层的神经元计算后产生输出；在反向传播过程中，则根据输出与期望输出之间的误差，逐层修正连接权值和阈值，直至网络误差满足预定标准。
BP网络的训练方式主要有递增处理方式和批处理方式两种。递增处理方式下，每输入一个样本，就更新一次网络权重和阈值；批处理方式则在所有样本提交后一次性更新权重和阈值。训练的步骤包括确定网络结构和参数、初始化连接权值和阈值、归一化处理学习样本、输入样本并计算输出值、计算误差并根据误差大小决定是否继续调整以及如何调整等。
此外，BP神经网络在水质评价中的应用属于分类应用的一种，网络通过训练能够将输入样本归类到不同的水质类别中。其主要用途还包括函数逼近、系统辨识与预测（模式识别）以及数据压缩等。
文章还提到了MATLAB软件中的神经网络工具箱，该工具箱提供了大量方便神经网络实现的函数，使得构建和使用BP神经网络变得更加高效和便捷。通过实际的案例分析，作者展示了该方法在水质评价中的有效性，为环境监测提供了新的技术手段。
关键词：MATLAB、nntool、BP神经网络、江安河、水质评价。
