概率神经网络水质评价模型及其对三峡近坝水域的水质评价分析_陈永灿

(完整word版)模糊神经网络的预测算法在嘉陵江水质评测中的应用2

模糊神经网络的预测算法 ——嘉陵江水质评价一、案例背景 1、模糊数学简介模糊数学是用来描述、研究和处理事物所具有的模糊特征的数学，“模糊”是指他的研究对象，而“数学”是指他的研究方法。模糊数学中最基本的概念是隶属度和模糊隶属度函数。其中，隶属度是指元素μ属于模糊子集f的隶属程度，用μf(u)表示，他是一个在[0,1]之间的数。μf(u)越接近于0，表示μ属于模糊子集f的程度越小；越接近于1，表示μ属于f的程度越大。模糊隶属度函数是用于定量计算元素隶属度的函数，模糊隶属度函数一般包括三角函数、梯形函数和正态函数。 2、T-S模糊模型 T-S模糊系统是一种自适应能力很强的模糊系统，该模型不仅能自动更新，还能不断修正模糊子集的隶属函数。T-S模糊系统用如下的“if-then”规则形式来定义，在规则为R i 的情况下，模糊推理如下： R i:If x i isA1i,x2isA2i,…x k isA k i then y i =p0i+p1i x+…+p k i x k 其中，A i j为模糊系统的模糊集；P i j(j=1,2,…,k)为模糊参数；y i为根据模糊规则得到的输出，输出部分（即if部分）是模糊的，输出部分（即then部分）是确定的，该模糊推理表示输出为输入的线性组合。假设对于输入量x=[x1,x2,…,x k]，首先根据模糊规则计算各输入变量Xj的隶属度。 μA i j=exp(-(x j-c i j)/b i j)j=1,2,…,k;i=1,2,…,n式中，C i j，b i j分别为隶属度函数的中心和宽度；k为输入参数数；n为模糊子集数。将各隶属度进行模糊计算，采用模糊算子为连乘算子。 ωi=μA1j（x1）*μA2j（x2）*…*μA k j i=1,2,…,n 根据模糊计算结果计算模糊型的输出值y i。 Y I=∑n i=1ωi(P i0+P i1x1+…+P i k xk)/ ∑n i=1ωi 3、T-S模糊神经网络模型 T-S模糊神经网络分为输入层、模糊化层、模糊规则计划层和输出层四层。输入层与输入向量X I连接，节点数与输入向量的维数相同。模糊化层采用隶属度函数对输入值进行模

长江水质的评价和预测模型确定版

《经济数学模型》结业论文学院：计算机工程学院班级： 14级计算机科学与技术2班学生姓名：余安琪学号： 2014404010218 课程题目：长江水质的综合评价与预测完成日期： 2015 年 12 月 12 日指导教师评语: 成绩: 教师签名: JINGCHU UNIVERSITY OF TECHNOLOGY

目录 1、问题的提出 (1) 2、问题的分析 (1) 3、模型假设 (2) 4、符号说明 (2) 5、模型建立 (3) 5.1污染物分指数的计算 (3) 5.2各污染物权重计算 (3) 5.3水质综合污染物指数计算 (5) 5.4污染物浓度计算 (5) 6、模型求解 (7) 7、模型有缺点和改进方向 (15) 8、建议意见.............................................. 错误！未定义书签。 9、总结.................................................. 错误！未定义书签。参考文献................................................. 错误！未定义书签。附录（表1、表2）........................................ 错误！未定义书签。

长江水质的综合评价与预测摘要本文针对“长江水质评价和预测”问题,首先概括地介绍了这个问题的立意与背景,建立了一个综合评价模型，提出了水质质量指数概念,把影响水质的因素量化，并利用了模糊数学的层次分析法分析各因素权重,通过做加权平均,得出水质质量分指数量化值，从而对长江水质作出了定量的综合评价,并分析各地区的污染状况。巧妙的建立了一个流速、流量、河长与浓度的关系,从而得出没有污染时,观测点的理想值,并作出对比图像,简单明了的分析出长江主要污染物高锰酸盐和氨氮污染源所在地区。根据灰色系统理论,建立GM(1,1)预测模型,利用长江前十年各等级水质所占河长及百分,预测出各等级水质未来十年所占河长。另外，在模型三的基础上，建立了多元线形回归模型，较好的解决了若未来十年长江干流第IV类和第V类水的比例控制在20%以上，且没有劣V类水，每年需要处理的污水量的问题。【关键词】:长江水质；水质类型;综合评价与预测;水质模型分类；综合评价灰色预测

水质评价模型1

承诺书我们仔细阅读了中国大学生数学建模竞赛的竞赛规则. 我们完全明白，在竞赛开始后参赛队员不能以任何方式（包括电话、电子邮件、网上咨询等）与队外的任何人（包括指导教师）研究、讨论与赛题有关的问题。我们知道，抄袭别人的成果是违反竞赛规则的, 如果引用别人的成果或其他公开的资料（包括网上查到的资料），必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。我们郑重承诺，严格遵守竞赛规则，以保证竞赛的公正、公平性。如有违反竞赛规则的行为，我们将受到严肃处理。我们参赛选择的题号是（从A/B/C/D中选择一项填写）： B 我们的参赛报名号为（如果赛区设置报名号的话）：所属学校（请填写完整的全名）：浙江同济科技职业学院参赛队员 (打印并签名) ：1. 吴泓学 2. 章鹏飞 3. 胡玉兰指导教师或指导教师组负责人 (打印并签名)：数学建模教学组日期： 2012 年 07 月 11 日赛区评阅编号（由赛区组委会评阅前进行编号）：

编号专用页赛区评阅编号（由赛区组委会评阅前进行编号）：全国统一编号（由赛区组委会送交全国前编号）：全国评阅编号（由全国组委会评阅前进行编号）：

水质评价模型摘要：近年来，随着工农业污水的的排放，已经严重威胁到水质的标准，水质的状况也在逐年变化，本文依据水质分级标准，利用层次分析法和模糊层次分析法对某村的四口水井的水质情况作出了综合评价，并根据四口水井的水质来分析结果，对该地的居民如何健康用水和保护水资源提出一些针对性意见和建议。针对问题一（1）方法一在分析各项水质监测数据的基础上，不难发现每项数据对水质的影响程度不同，分析各项指标对水质的影响程度，我们选取溶解氧、化学需氧量、总磷、氨氮等四项主要指标，采用层次分析法，分层比较、综合优化、合理排序，得到四井的水井排序为北井>南井>西井>东井。（2）方法二通过对这四口井的水质情况(四个主要因子)分析，引入模糊数学理论中的隶属函数和隶属度来刻画水质分级界限，根据各污染因子对水质的影响差异确定其权重，建立模糊综合评价模型，利用M()+ ?,模型计算得到四口水井综合评价值及排序为北井>南井>西井>东井。（3）方法三考虑到水质类别差异对综合评价指标系数的影响，构造“EXCEL-VBA 决策模型”，对属于不同水质类别的同种污染指标进行“系数分析”，然后建立基于逼近理想点排序法的水质综合评价模型，得到了四口水井水质的综合评价值及排序为西井>东井>南井>北井。针对问题二首先在模糊数学理论的基础上，通过对这四口井的水质数据分析，我们选取溶解氧、化学需氧量、总磷、氨氮等四项主要指标来刻画水质分级界限，根据各污染因子对水质的影响,用比较评分法确定其评价矩阵，采用最大隶属度和极差值法原则相结合的原则，运用矩阵分析的方法建立了水质模糊综合评价模型,从而进行了水质多指标的综合评价，确定水质级别。针对问题三在问题一，问题二模型建立的基础上，对数据的综合分析比较之下，依据四口水井水质的优劣，提出比较针对性的意见和建议，推行健康用水，倡导保护水资源，实现人类社会的可持续发展。关键词：层次分析水质模糊综合评价模型隶属函数 EXCEL-VBA决策模型

BP神经网络的网络学习评价模型

20 摘要：研究网络学习评价问题对推动网络教学资源的使用具有十分重要的意义，传统的网络学习评价方法具有很强的主观性，且仅限于线性模型，缺少科学性。为克服传统网络学习评价方法的不足，实现网络学习评价的智能化，提出了一种基于BP 神经网络的的网络学习评价模型，并利用MA TLAB 进行实验仿真，测试结果表明，该评价模型准确率高，能为网络学习评价提供可靠数据。关键词：神经网络；MATLAB ；网络学习评价中图分类号：TP183 文献标识码：A 随着教育信息技术的进一步推广和网络教学资源的不断丰富，网络学习作为一种主要学习方式已经被越来越多的人所接受。近几年，各级精品课程、网络课程的建设所取得的成效已是有目共睹，但重建设、轻使用的现象已成为困扰今后精品课程、网络课程建设的主要因素。教学资源之所以建起来容易用起来难，原因是多方面的，但网络学习评价机制不健全无疑是其中的一个重要方面。[1] 全面地、科学地评价网络学习，对推动网络教学资源的使用具有十分重的意义。而传统评价法是在评价指标体系中明确各项指标的权重，使用线性模型进行计算，这种方法缺陷是权值的确定具有很强的主观性，且评价只限线性模型。由于影响网络学习质量的因素很多，且各因素影响的程度也不同，很难用一个线性模型来表达他们之间的函数关系，属于复杂的非线性分类问题。[2] 而人工神经网络作为一种智能计算技术, 以其非线性映射并具有学习能力等基本特性已广泛应用于模式识别和非线性分类问题。 1网络学习评价问题的提出网络学习评价问题实质上属于模式识别中的一个分类问题，即根据学生网络学习的各种数据，依据网络学习评价指标体系，对数据进行分析、处理，并得出学生网络学习评价等级。设 n x x x ,,,21 为网络学习评价的n 个评价指标，y 为网络学习评价结果等级，网络学习评价结果等级与评价指标的关系可表示为),,,(21n x x x f y ，进行网络学习评价就是找出评价指标n x x x ,,,21 与评价等级y 之间的函数关系。 2网络学习评价指标体系构建要进行网络学习评价，首先必须确定网络学习评价的内容和评价标准，即评价的指标体系。在分析已有的网络学习评价体系的基础上，根据学习评价的基本原则与方法，从学习态度、学习过程和学习效果3个方面构建评价指标（如图1所示）。第11卷第1期广州职业教育论坛 Vol.11 No.1 2012年2月 GUANGZHOU VOCATIONAL EDUCATION FORUM Feb. 2012

PNN神经网络评价方法本科毕业设计

毕业设计（论文）原创性声明和使用授权说明原创性声明本人郑重承诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。尽我所知，除文中特别加以标注和致谢的地方外，不包含其他人或组织已经发表或公布过的研究成果，也不包含我为获得及其它教育机构的学位或学历而使用过的材料。对本研究提供过帮助和做出过贡献的个人或集体，均已在文中作了明确的说明并表示了谢意。作者签名：日期：指导教师签名：日期：使用授权说明本人完全了解大学关于收集、保存、使用毕业设计（论文）的规定，即：按照学校要求提交毕业设计（论文）的印刷本和电子版本；学校有权保存毕业设计（论文）的印刷本和电子版，并提供目录检索与阅览服务；学校可以采用影印、缩印、数字化或其它复制手段保存论文；在不以赢利为目的前提下，学校可以公布论文的部分或全部内容。作者签名：日期：

学位论文原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。作者签名：日期：年月日学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。涉密论文按学校规定处理。作者签名：日期：年月日导师签名：日期：年月日

常用水质模型

常用水质模型原理环境一班 110180112 赵晨光河北工程大学城市建设学院摘要：随着科技的发展，人类生产获取的物质越来越多，但是伴随着物质的生产，大量的污染物物质流入环境，其中相当大的一部分污染物质以无机化合物，有机化合物的形式进入河流。河流被污染后不仅难以紫荆，造成严重的生态环境问题，也给你人的生产生活带来极大的的危害。对各类水环境污染问题，尤其是河流水污染的水质报告已成为我国水利、环保部门的重要工作之一。详细阐述了常用河流水质模型及格参数意义，今儿给从事水环境监测、水环境影响评价等工作者提供借鉴。摘要：With the development of science and technology, the human production of material is increasing, but with the production of material, a large amount of pollutant substances into the environment, of which a considerable part of the pollutants in inorganic compounds, organic compounds in the form of into the river. River pollution is not only difficult to Chinese redbud, causing serious ecological environment problems, and also give you people's production and life bring great harm. For all kinds of water environmental pollution problems, especially a report on the water quality of river water pollution is become one of the important work of our country's water conservancy, environmental protection department. Expounds the river water quality model is commonly used to pass the parameter meaning, today to engage in water environment monitoring, water environmental impact assessment and other workers. 关键词：河流；水质；模型；一，水质模型简介水质模型是用来描述水体中污染物与实践、空间的定量关系，描述物质在水环境的混合、迁移过程的数学方程。根据模型中的变量是否为随机变量、水质模型可分为确定性水质模型和不确定性水质模型。二，河流水质模型

模糊神经网络——嘉陵江水质评价

目录 1 绪论 (2) 1.1 选题背景和研究意义 (2) 1.2 神经网络与模糊系统 (3) 1.3 文本研究内容和研究思路 (3) 2 模糊神经网络的基本原理 (5) 2.1 模糊神经网络概述 (5) 2.2 模糊系统和神经网络结合的可能性 (5) 2.2.1 人工神经网络与模糊系统的相同之处 (6) 2.2.2 人工神经网络与模糊系统的不同之处 (6) 2.2.3 人工神经网络与模糊系统结合意义 (8) 3模糊神经网络模型的结构和原理 (9) 3.1 模糊神经网络模型构建 (9) 3.2 模糊神经网络学习算法 (10) 3.3 模糊神经网络水质评价 (10) 4 总结与展望 (14) 4.1总结 (14) 4.2 展望 (14) 参考文献 (15) 致谢 (16) 附录 (17) 第 1 页

1 绪论 1.1 选题背景和研究意义随着经济的快速发展，水资源日益恶化，水污染已呈现由点污染向面污染发展的趋势，成为制约和困扰我国可持续发展的一大障碍。治理污染的水环境和防止水资源被进一步恶化，已经成为当前迫切需要解决的问题。水质评价是以定量的方式对水环境的质量进行综合的评价，是水环境管理保护和污染治理的一项基础性工作，医务室近年来的研究热点。当前我国水污染已经得到了有关部门的重视，并且水污染治理工作中所需的硬件设施以及科学技术的不断完善为水污染治理工作起到了重要的支撑作用。应当认识到水质分析是水污染治理工作中的基础内容，对水质进行科学的分析，能够预防水污染事件的出现，尤其是预防突发性水污染事件的发生，同时在水污染事件发生后能够对水污染程度做出合理的判定，对水污染处理的措施以及方案能够提供必要的依据。同时居民生活饮用水的水质也影响着人们的身体健康，对饮用水进行必要的水质监测与分析能够确保引用水的质量。所以水质分析不仅是水污染处理中贯彻以预防为主方针的重要途径，也是水污染处理工作中的重要内容。传统的水质评价方法有评分法，比质法，统计法等，这些传统的水质评价方法受人为的主观因素的制约，从而影响可评价的精度。近年来许多学者提出了一个新的评价模型，如聚类发，经济分析法，灰色关联法，关联分析法等的，这些方法比较传统的方法，评价的精度有了较大幅度的提高，但是由于评价因子与水质之间呈复杂的非线性关系，以及水体污染本身居于模糊性，因而影响了评价的精度。近年来兴起的人工神经网络具有学习逼近任意非线性的能力，模糊理论是一新的学习方法，模糊理论中的相对隶属度能很好的对水质的模糊性进行解释，能清晰地反映水质各因子的质量相对状态，从而确定水质污染影响最大的因子。水质评价方法是评价理论的核心及水污染控制系统的一个重要环节，是现代环境科学基础理论研究的重要课题之一。然而如何才能客观地、准确地反映水体环境质量状况，其关键在于合理的选择与建立评价方法和数学模型。水质的清洁与污染这一对立观念之间，在划分过程中并不存在绝对分明的界限，具有中介过渡性，这是客观存在着的模糊概念。水质评价的模糊性，是水体质量在清洁与污染的划分过程中所呈现的亦此亦彼性。由于水质评价涉及到许多模糊概念，如“水质污染程度”就是一个模糊概念，从而作为评价污染程度的分级标准也是模糊的，而水质分级线也是一个模糊的界线，因而有必要用隶属度来描述它。用模糊理论与方法，比传统评价方法更符合现象的实际，使水质评价的理论与方法建立在比较严谨的数学逻辑基础上。

国赛赛题解析四 A 长江水质的评价和预测动态加权综合评价

1、如何读题、解题、寻找题目的突破口？（大声读3遍，细细再读几遍，注意标记有用信息） 2、如何从题目和附件中挖掘有用的信息和思路，出题人、如何从题目和附件中挖掘有用的信息和思路出题人在出题的时候不自然的就把一些他的思路和意图加入到题目和附件中，对我们正确把握题目方向有很大的帮助。、并不是所有的数据都要用到（附件）、并不题目中给 3、并不是所有的数据都要用到（附件2）、并不题目中给出的数据就是我们所有的数据，有些数据需要我们自己查找丰富附件找和丰富（附件3）。 4、微分方程模型并不难，而在于如何一步步的分析建立

5、数学建模不是套用模型，而是一步步寻找适合模型的过程，不一定非要追求名字好听、华丽和大气的模型，我们需要追求的是模型的合理性； 6、不论你用了什么模型，记住一定要对模型进行检验，可以从两方面入手，一是改变模型重要参数的数值，评价模型的稳定性；是寻找新的数据，代入到模型中，检验模型的稳定性；二是寻找新的数据，代入到模型中，检验模型的普遍适用性； 7、写信、建议书、汇报等一定要认准对象，就像给女朋信建议书报等定认准对象就像给女友写情书一样，要用点心。

课程要点 ◆一般综合评价 ◆动态加权综合评价◆赛题解答 ◆赛题总结

浅谈神经网络分析解析

浅谈神经网络先从回归(Regression)问题说起。我在本吧已经看到不少人提到如果想实现强AI，就必须让机器学会观察并总结规律的言论。具体地说，要让机器观察什么是圆的，什么是方的，区分各种颜色和形状，然后根据这些特征对某种事物进行分类或预测。其实这就是回归问题。如何解决回归问题？我们用眼睛看到某样东西，可以一下子看出它的一些基本特征。可是计算机呢？它看到的只是一堆数字而已，因此要让机器从事物的特征中找到规律，其实是一个如何在数字中找规律的问题。例：假如有一串数字，已知前六个是1、3、5、7，9，11，请问第七个是几？你一眼能看出来，是13。对，这串数字之间有明显的数学规律，都是奇数，而且是按顺序排列的。那么这个呢？前六个是0.14、0.57、1.29、2.29、3.57、5.14，请问第七个是几？这个就不那么容易看出来了吧！我们把这几个数字在坐标轴上标识一下，可以看到如下图形：用曲线连接这几个点，延着曲线的走势，可以推算出第七个数字——7。由此可见，回归问题其实是个曲线拟合(Curve Fitting)问题。那么究竟该如何拟合？机器不

可能像你一样，凭感觉随手画一下就拟合了，它必须要通过某种算法才行。假设有一堆按一定规律分布的样本点，下面我以拟合直线为例，说说这种算法的原理。其实很简单，先随意画一条直线，然后不断旋转它。每转一下，就分别计算一下每个样本点和直线上对应点的距离(误差)，求出所有点的误差之和。这样不断旋转，当误差之和达到最小时，停止旋转。说得再复杂点，在旋转的过程中，还要不断平移这条直线，这样不断调整，直到误差最小时为止。这种方法就是著名的梯度下降法(Gradient Descent)。为什么是梯度下降呢？在旋转的过程中，当误差越来越小时，旋转或移动的量也跟着逐渐变小，当误差小于某个很小的数，例如0.0001时，我们就可以收工(收敛, Converge)了。啰嗦一句，如果随便转，转过头了再往回转，那就不是梯度下降法。我们知道，直线的公式是y=kx+b，k代表斜率，b代表偏移值(y轴上的截距)。也就是说，k 可以控制直线的旋转角度，b可以控制直线的移动。强调一下，梯度下降法的实质是不断的修改k、b这两个参数值，使最终的误差达到最小。求误差时使用累加(直线点-样本点)^2，这样比直接求差距累加(直线点-样本点) 的效果要好。这种利用最小化误差的平方和来解决回归问题的方法叫最小二乘法(Least Square Method)。问题到此使似乎就已经解决了，可是我们需要一种适应于各种曲线拟合的方法，所以还需要继续深入研究。我们根据拟合直线不断旋转的角度(斜率)和拟合的误差画一条函数曲线，如图：

人工神经网络在综合水质评价中的应用

--------------《水资源研究》第25卷第2期(总第91期)2004年6月---------------- 人工神经网络在综合水质评价中的应用阮仕平1党志良1胡晓寒1马飞1张孟涛2 （1.西安理工大学环境科学研究所，陕西西安 710048； 2.北京市自来水集团公司供水分公司，北京 100034）摘要：人工神经网络（ANN）是复杂非线性科学和人工智能科学的前沿，其在水质评价的应用研究在国内外尚处于初创阶段。在详细分析LM算法的基础上，提出了基于LM算法的水质综合评价BP模型，并将该模型应用于实例，进行效果检验。结果表明：LM-BP模型用于水质综合评价是可行的，与其它评价方法相比，评价结果更加客观、合理，而且网络训练速度最快，适合作为水质综合评价的通用模型。关键词： LM算法； BP神经网络；水质评价 1 概述水环境质量评价是认识和研究水环境的一项重要内容，其目的是准确反映环境的质量和污染状况，预测未来的发展趋势，是水环境管理保护和治理的一项重要基础性工作。目前在进行水环境质量评价时，主要存在以下问题[1]。 (1) 迄今没有一个被大家公认通用的具有可比性的水环境质量评价数学模型，各部门进行评价时，选用数学模型的任意性很大，常常不能反映本地区污染状态，同时也不便于与其他地区水质状况进行比较。 (2) 多因子综合评价中确定环境因子权重存在任意性，缺乏比较客观可靠的确定环境因子权重的方法。本文将提出一种新的水质综合评价方法，即基于LM-BP算法的综合水质评价方法。 2 水质综合评价的LM-BP模型 2.1 BP网络及Levenberg-Marquardt算法 BP网络，即多层前馈神经网络，因其采用误差反向传播算法（Error Back-Propagation，即BP算法）而得名，1986年由D.E.Rumelhart等人提出。BP算法结构简单、易于实现。在人工神经网络的实际应用中，80％～90％的神经网络模型是采用BP网络或它的变化形式[2，3]。从结构上讲，BP网络是一种分层型网络，由输入层、隐层和输出层组成。层与层之间采用全互连方式，同一层的单元之间则不存在相互连接。隐层可以有一个或多个。1989年，Robert Hecht-Nielson证明了一个3层的BP网络可以完成任意的 n维到m维的映射[3] 。 BP 网络采用的误差反向传播算法是一种有教师指导的δ率学习算法。其学习过程由正反两个方向的信息传播组成，正向传播输入样本数据，反向传播反馈误差信息。在正向传输中，输入信息在神经单元中均由S型作用函数激活。文献［1］、［4］中即采用此种方法。标准 BP 网络的逆传播算法具有思路清晰、结构严谨、可操作性强等特点，而且一个

水质评价与衡量问题地数学模型

水质评价问题的数学模型摘要本文以某村四个水井因农业和生活排放废物使地下浅表水遇到污染为背景，通过对这四个水井的24个水质监测数据的统计，对四个水井的综合水质进行了细致的分析。针对问题一：首先从水质监测数据中选取相对有用的五种关键数据（分别为溶解氧，高锰酸盐指数，总磷，氨氮，粪大肠菌群）作为评价因子，对各个水井的各种污染物的检测数据进行无量纲标准化处理得到新数据并列出图表，并对比水质分级标准的三组数据，运用层次分析法建模，并利用MATLAB7.0.1编程求解，最后求得北井的水质最好，南井和东井水质次之，西井水质最差。此外，我们还运用了逼近于理想值的排序方法，即TOPSIS法，首先确定四个水井水质监测数据中各项指标的正理想值和负理想值，然后求出各个方案与正理想值、负理想值之间的加权欧氏距离，由此得出各评价因子与最优数据指标的接近程度，作为评价水井水质优劣的标准。经计算得出四个水井的综合评价指标值分别为90，73，210，505，可见北井水质最好，南井水质较好，东井水质中等，西井水质最差。针对问题二：对四个井的地表水进行水质等级判断时，没有明确的界限，因此我们选择在模糊数学中采用隶属函数来描述水质分界，同时采用格贴近度公式，分别求得四个水井与三个水质等级的贴近程度，根椐择近原则，算出西井、东井均属于Ⅲ类，南井属于Ⅱ类，北井属于Ⅰ类。最后，我们就模型存在的不足之处提出了改进方案，并对优缺点进行了分析。关键词：层次分析法；TOPSIS法；模糊数学统计算法；水质等级判断。

目录摘要 (1) 一、问题重述 (3) 二、模型假设 (3) 三、符号说明 (3) 四、问题分析 (4) 4.1问题一的分析 (4) 4.1.1层次分析法 (4) 4.1.2 TOPSIS分析法 (5) 4.1.3 两种方法差异分析 (5) 4.2 问题二的分析 (5) 五、模型的建立和求解 (5) 5.1 问题一求解 (5) 5.1.1各衡量指标数据的无量纲化处理 (5) 5.1.2. 模型一层次分析法 (8) 5.1.3 模型二 TOPSIS分析方法 (11) 5.1.4 两种方法的结果分析 (14) 5.2 问题二：模糊性模型 (14) 5.2.1 建立因素集 (14) 5.2.2 设置偏大型柯西分布隶属函数 (15) 5.2.3 综合指标 (17) 六、模型的评价与推广 (18) 6.1 模型的评价 (18) 6.1.1模型优点 (18) 6.1.2模型缺点 (18) 6.2 模型的推广 (19) 参考文献 (20) 附录 (21)

基于BP神经网络的企业文化影响力评价

技术经济．Ｉｂ管理研究２００８年第６期基于ＢＰ神经网络的企业文化影响力评价陈华溢（徐州工程学院管理学院，江苏徐州２２１００８）摘要：要对企业文化实施有效管理，必须建立一套切实可行的企业文化影响力评价体系，对企业正在运行的文化系统进行测评。便于管理者调整战略和战术，保持文化建设的有效性。本文首先建立企业文化影响力评价体系，然后用ＢＰ神经网络评价方法时企业文化影响力进行评价，并且用计算机处理统计数据，实现了对企业文化影响力的定量化评价，为企业管理者提供决策依据。关键词：企业文化；影响力；ＢＰ神经网络中图分类号：Ｆ２７０文献标识码：Ａ文章编号：１００４—２９２Ｘ（２００８）０６—００６８—０３一、引言企业文化是指企业在长期的经营活动中并为各级员工普遍认可和遵循的独具特色的价值观念和思维方式的总和。企业文化通常包括物质文化、制度文化和精神文化三个层次，这三个层次的企业文化是由浅入深、由表及里逐渐深入的。相应的，企业文化的竞争力也可以从这三个方面来反映。要知道企业文化的好坏，就有必要对企业文化影响力进行评价。在实践中，我们发现可以通过调查分析、模型分析、数学分析等手段来评价企业文化影响力。１．评价企业文化影响力的意义企业建立企业文化的目的就是将其运用于企业管理运营中。来规范企业的发展和指导员工的行为。然而，在实践中企业文化建设的目标与期望却相距甚远，两者之间发生了偏差。众所周知，企业文化在企业建设中起到了重要作用，良好的企业文化会产生强有力的经营结果。无论是对竞争对手还是为顾客提供服务。它都能使企业采取快捷而协调的行为方式。所以。必须建立一个系统来保证文化建设目标与企业管理目标相一致．并要保障企业文化每一阶段的目标甚至是具体到每一部门的企业文化建设、内容和形式都要符合企业追求的目标。即为了有效管理企业文化，必须建立一套切实可行的企业文化影响力的评价体系。对文化体制在运行时对企业产生的影响进行测评，使管理者在调整战略和战术，保持文化建设的有效性时有据可依。建立相应的企业文化影响力的评价体系可以起到两方面的作用：①可以统一企业内部思想。当前，人们对于企业管理和企业文化的认识不断深化，是以经济力量的竞争、抗衡、较量的变化为背景。在企业实际的文化建设中，不同人对于企业文化建设会有着各自不同理解和认识，从而使既定的目标在贯彻执行中发生偏差。而企业文化影响力评价体系通过对目标实施过程分阶段、分步骤地监督和评估。统一企业内部对企业文化的认识和理解，从而保证企业文化在实践中与企业目标建设保持一致。②可以督导文化建设。在企业文化具体实施运用的过程中难免会出现偏差，通过企业文化影响力评价体系，综合文化的各影响因素进行观测，从而发现文化中出现的薄弱环节，为企业管理者改进企业文化体系指出明确的方向，进而建立一个强有力的企业文化。同时，在管理过程中。要对管理行为指定标准，使之不偏离正确的企业文化指导方向。２．当前评价方法存在的问题当前用于评价企业文化影响力的方法多种多样，如灰色系统法、数学模型模拟分析法、模糊综合评判法等。虽然其评价结果有一定的科学性和指导意义，但存在的问题不容忽视．主要反映在以下几个方面：①遴选指标问题。遴选指标时一般使用统计学中的相关系数法、条件广义最小方差法等筛选ｍ若干个有代表性的指标，这样做可以保证筛选出的指标相关性较低，却不能保证其完整地反映出研究对象的整体属性；②确定权重问题。现常用组成成分分析来确定权重。一般是从几何位置分布上离差最大的方向来考虑指标权重，从评估本身意义来看，依照数据离差的分布所确定的指标权重未必体现出指标在系统评估中的实际位置； ③诊断功能问题。现有的评价体系给出的结果只能是“优、良、中、差”或者是一定的分值。不能给出具体的“问题指标”，使得评价结果丧失了诊断功能。因此，本论文引用了更加科学而且效果好的评价方法及ＢＰ神经网络方法。二、ＢＰ神经网络评价法的理论介绍目前，已发展了几十种神经网络，如Ｈｏｐｆｉｅｌｄ模型、Ｆｅｌｄ一Ⅱ啪等连接网络模型、Ｈｉｎｔｏｎ等的波尔茨曼机模型以及Ｒｕｍｅｌ—ｈａｒｔ等的多层感知模型和Ｋｏｈｏｎｅｎ的自组织网络模型等等。在众多神经网络模型中，应用最广泛的是多层感知机神经网络。多层感知机神经网络的研究始于２０世纪５０年代，但一直进展不大。收稿日期：２００８－０８—１９作者简介：陈华溢（１９８６－－）．女，南通人，徐州工程学院市场营销系，研究方向：市场营销。 ?６８? 万方数据

水质数学模型分类

水质数学模型分类按上游来水和排污随时间的变化情况：动态模式、稳态模式按水质分布状况：零维、一维、二维和三维按模拟预测的水质组分：单一组分、多组分耦合模式水质数学模式的求解方法及方程形式解析解模式、数值解模式河流水质模型 ? 河流完全混合模式、一维稳态模式、S-P 模式（适用于河流的充分混合段） ? 托马斯模式（适用于沉降作用明显河流的充分混合段） ? 二维稳态混合模式与二维稳态混合衰减模式（适用于平直河流的混合过程段） ? 弗罗模式与弗-罗衰减模式（适用于河流混合过程段以内断面的平均水质） ? 二维稳态累积流量模式与二维稳态混合衰减累积流量模式（适用于弯曲河流的混合过程段） ? 河流pH 模式与一维日均水温模式河流完全混合模式 C －废水与河水完全混合后污染物的浓度，mg/L Qh －排污口上游来水流量，m3/s ) /()(h p h h p p Q Q Q c Q c c ++=

C h－上游来水的水质浓度，mg/L Qp－污水流量，m3/s Cp－污水中污染物的浓度， mg/L 适用条件：（1）废水与河水迅速完全混合后的污染物浓度计算；（2）污染物是持久性污染物，废水与河水经一定的时间（距离）完全混合后的污染物浓度预测。河流为恒定流动；废水连续稳定排放一维稳态模式 C 为污染物的浓度；Dx 为纵向弥散系数， ux 断面平均流速；K 为污染物衰减系数模型的适用对象：污染物浓度在各断面上分布均匀的中小型河流的水质预测BOD－DO耦合模型（S－P模型）适用条件：河流充分混合段，污染物为耗氧有机物，需要预测河流溶解氧状态；河流为恒定流动，污染物连续稳定排放氧垂曲线与临界点(最大氧亏值处） S-P模式的适用条件： ①河流充分混合段； ②污染物为耗氧性有机污染物； ③需要预测河流溶解氧状态； ④河流恒定流动；

基于模糊神经网络的水质评价代码

该代码为基于模糊神经网络的水质评价代码清空环境变量参数初始化网络训练网络预测嘉陵江实际水质预测清空环境变量 clc clear 参数初始化 xite=0.001; alfa=0.05; %网络节点 I=6; %输入节点数 M=12; %隐含节点数 O=1; %输出节点数 %系数初始化 p0=0.3*ones(M,1);p0_1=p0;p0_2=p0_1; p1=0.3*ones(M,1);p1_1=p1;p1_2=p1_1; p2=0.3*ones(M,1);p2_1=p2;p2_2=p2_1; p3=0.3*ones(M,1);p3_1=p3;p3_2=p3_1; p4=0.3*ones(M,1);p4_1=p4;p4_2=p4_1; p5=0.3*ones(M,1);p5_1=p5;p5_2=p5_1; p6=0.3*ones(M,1);p6_1=p6;p6_2=p6_1; %参数初始化 c=1+rands(M,I);c_1=c;c_2=c_1; b=1+rands(M,I);b_1=b;b_2=b_1; maxgen=100; %进化次数 %网络测试数据，并对数据归一化 load data1 input_train output_train input_test output_test %选连样本输入输出数据归一化 [inputn,inputps]=mapminmax(input_train); [outputn,outputps]=mapminmax(output_train);

[n,m]=size(input_train); 网络训练 %循环开始，进化网络 for iii=1:maxgen iii; for k=1:m x=inputn(:,k); %输出层结算 for i=1:I for j=1:M u(i,j)=exp(-(x(i)-c(j,i))^2/b(j,i)); end end %模糊规则计算 for i=1:M w(i)=u(1,i)*u(2,i)*u(3,i)*u(4,i)*u(5,i)*u(6,i); end addw=sum(w); for i=1:M yi(i)=p0_1(i)+p1_1(i)*x(1)+p2_1(i)*x(2)+p3_1(i)*x(3)+p4_1(i)*x(4)+p5_1(i)*x(5)+p6_1(i)*x(6); end addyw=yi*w'; %网络预测计算 yn(k)=addyw/addw; e(k)=outputn(k)-yn(k); %计算p的变化值 d_p=zeros(M,1); d_p=xite*e(k)*w./addw; d_p=d_p'; %计算b变化值 d_b=0*b_1; for i=1:M for j=1:I d_b(i,j)=xite*e(k)*(yi(i)*addw-addyw)*(x(j)-c(i,j))^2*w(i)/(b(i,j)^2*addw^2); end end

水质评价问题的数学模型

目录摘要 (1) 一、问题重述 (3) 二、模型假设 (3) 三、符号说明 (3) 四、问题分析 (4) 4.1问题一的分析 (4) 4.1.1层次分析法 (5) 4.1.2 TOPSIS分析法 (5) 4.1.3 两种方法差异分析 (5) 4.2 问题二的分析 (5) 五、模型的建立和求解 (6) 5.1 问题一求解 (6) 5.1.1各衡量指标数据的无量纲化处理 (6) 5.1.2. 模型一层次分析法 (8) 5.1.3 模型二TOPSIS分析方法 (12) 5.1.4 两种方法的结果分析 (15) 5.2 问题二：模糊性模型 (15) 5.2.1 建立因素集 (15) 5.2.2 设置偏大型柯西分布隶属函数 (16) 5.2.3 综合指标 (18) 六、模型的评价与推广 (19) 6.1 模型的评价 (19) 6.1.1模型优点 (19) 6.1.2模型缺点 (19) 6.2 模型的推广 (20) 参考文献 (21) 附录 (22)

人工神经网络评价法.

人工神经网络评价法第一节思想和原理在当今社会，面临许许多多的选择或决策问题。人们通过分析各种影响因素，建立相应的数学模型，通过求解最优解来得到最佳方案。由于数学模型有较强的条件限制，导致得出的最佳方案与现实有较大误差。只有重新对各种因素进行分析，重新建立模型，这样存在许多重复的工作，而且以前的一些经验性的知识不能得到充分利用。为了解决这些问题，人们提出模拟人脑的神经网络工作原理，建立能够“学习”的模型，并能将经验性知识积累和充分利用，从而使求出的最佳解与实际值之间的误差最小化。通常把这种解决问题的方法称之为人工神经网络（Artificial Neural Network）。人工神经网络主要是由大量与自然神经细胞类似的人工神经元互联而成的网络。各种实验与研究表明：人类的大脑中存在着由巨量神经元细胞结合而成的神经网络，而且神经元之间以某种形式相互联系。人工神经网络的工作原理大致模拟人脑的工作原理，它主要根据所提供的数据，通过学习和训练，找出输入与输出之间的内在联系，从而求取问题的解。人工神经网络反映了人脑功能的基本特性，但并不是生物神经系统的逼真描述，只是一定层次和程度上的模仿和简化。强调大量神经元之间的协同作用和通过学习的方法解决问题是人工神经网络的重要特征。人工神经网络是模仿生物神经网络功能的一种经验模型，首先根据输入的信息建立神经元，通过学习规则或自组织等过程建立相应的非线性数学模型，并不断进行修正，使输出结果与实际值之间差距不断缩小。人工神经网络通过样本的“学习和培训”，可记忆客观事物在空间、时间方面比较复杂的关系，它能够把问题的特征反映在神经元之间相互联系的权值中，所以，把实际问题特征参数输入后，神经网络输出端就能给出解决问题的结果。神经网络的特点是，神经网络将信息或知识分布储存在大量的神经元或整个系统中。它具有全息联想的特征，具有高速运算的能力，具有很强的适应能力，具有

水质综合评价的方法

水质综合评价的方法水环境质量评价，就是通过一定的数理方法与手段，对某一水环境区域进行环境要素分析，对其作出定量描述通过水环境质量评价，摸清区域水环境质量发展趋势及其变化规律，为区域环境系统的污染控制规划及区域环境系统工程方案的制定提供依据。 1.指数评价法指数评价法可分为单因子污染指数法和水质综合污染指数法，单因子污染指数表示单项污染物对水质污染影响的程度，水质综合污染指数表示多项污染物对水质综合污染的影响程度。 (1)单因子污染指数法单因子污染指数法是将某种污染物实测浓度与该种污染物的评价标准进行比较以确定水质类别的方法。即将每个水质监测参数与《国家地面水环境质量标准》(GB3838—2002)进行比较，确定水质类别，最后选择其中最差级别作为该区域的水质状况类别。 (2)水质综合污染指数法水质综合污染指数法是指在求出各个单一因子污染指数的基础上，再经过数学运算得到一个水质综合污染指数，据此评价水质，并对水质进行分类的方法。对分指数的处理不同，决定了指数法的不同形式，有诸如简单迭加型指数、算术平均型指数、加权平均型指数、罗斯水质指数、内梅罗指数、黄浦江污染指数、豪顿水质指数等。单因子污染指数只能代表一种污染物对水质污染的程度，不能反映水质整体污染程度：综合污染指数法是对整体水质做出的定量描述，这样的评价结果只能定性地说明污染程度是轻、严重还是非常严重，不能确定其功能类别为几类。但是，只要项目、标准、监测结果可靠，综合评价在总体上是可以基本反映水体污染性质与程度的，而且便于同一水

体在时间上、空间上的基本污染状况和变化的比较，所以现在进行水质污染评价时常采用这种方法。 2.基于模糊理论的水环境评价法由于水体环境本身存在大量的不确定因素，各个项目的级别划分、标准确定都具有模糊性。因此，模糊数学在水质综合评价中得到广泛应用。具有代表性的方法有：模糊综合评判法、模糊概率法、模糊综合指数法等，其中应用较多的是模糊综合评判法，这种方法根据各污染物的超标情况进行加权，但污染物毒性与浓度不成简单的比例关系，因此，这种加权不一定符合实际情况。从理论上讲，模糊评价法体现了水环境中客观存在的模糊性和不确定性，符合客观规律，具有一定的合理性。但从目前的研究情况来看，采用线性加权平均极型得到的评判集易出现失真、失效、跳跃等现象，存在水质类别判断不准或结果不可比的问题，可操作性较差。 3.基于灰色系统理论的水环境评价法由于水环境质量数据都是在有限的时间和空间内监测得到的，信息是不完全的或不确切的，因此，可将水环境系统视为一个灰色系统，即部分信息已知、部分信息未知或不确知的系统，据此对水环境进行综合评价。基于灰色系统理论的水质评价法通过计算评价水质中各因子的实测浓度与各级水质标准的关联度大小确定评价水质的级别。根据同类水体与该类标准水体的关联度大小还可以进行优劣比较，水质综合评价的灰色系统方法有灰色聚类法、灰色贴近度分析法、灰色关联评价法等。灰色评价法体现了水环境系统的不确定性，在理论上是可行的，虽然分辨率低，但具有简单、可比的优点，而且由于影响水环境的变化因素不断增多、不断变化，水环境的不确定性逐渐增加，所以灰色评价法在水环境质量评价中应用日益广泛。 4.基于人工神经网络的水环境评价法