(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
Elman神经网络及其在河口水质评价中的应用
Elman神经网络及其在河口水质评价中的应用范翠香;张园园;薛鹏松【摘要】应用Elman神经网络对河口水质进行评价,确定其水质级别及污染程度.根据汾河入黄口的实际污染情况及因子选择的目的原则,确定评价因子,构建基于Elman神经网络的河口水质评价模型.应用训练好的Elman神经网络河口水质评价模型对河津大桥监测断面2010年各月水质进行评价,分析研究汾河入黄口处的水质污染状况,结果表明,汾河入黄口河津大桥监测断面2010年各月综合水质均为劣V类水,因此,汾河入黄口污染治理迫在眉睫,应从源头加强汾河污染物入河量的控制.水质识别实例表明Elman河口水质评价模型避免了传统神经网络无法实时改变模型结构和缺乏对未来突变情况适应性的缺点,使得训练好的网络具有非线性和动态特性,水质评价结果切合实际,具有很好的实用性.【期刊名称】《计算机系统应用》【年(卷),期】2015(024)003【总页数】5页(P251-255)【关键词】Elman神经网络;汾河入黄口;水质评价;评价因子;污染物【作者】范翠香;张园园;薛鹏松【作者单位】西安理工大学高等技术学院,西安710048;西安联能自动化工程有限责任公司,西安710119;西安联能自动化工程有限责任公司,西安710119【正文语种】中文近年来, 河流径流量的锐减及大量未经处理的工业废水及生活污水排入河流, 造成干支流交汇的河口及近岸水体污染严重, 成为河流整治的难点部位[1]. 河口水质评价是水环境规划、决策及治理的基础[2]. 因此, 对河口的水质进行评价具有重要的现实意义[3]. 与传统的水质评价模型相比[4-6], Elman神经网络(extreme learning machine, ELM)克服了传统前馈神经网络算法训练速度慢、无法达到全局最小及对学习率的选择敏感等缺点, 具有学习速度快, 泛化性能好等优点, 在各领域得到了研究和应用[7]. 韩建秋等[8]构建了基于改进型Elman网络的污水处理过程关键水质参数智能模型, 仿真结果表明该模型用于污水处理系统的建模有良好的效果. 柴燕丽等[9]利用MATLAB神经网络工具箱, 将人工神经网络引入水文预报中, 建立了淮河水域蚌埠段年径流量的Elman神经网络预测模型, 该模型具有较好的适应性和预报精度, 可为水资源评价和配置提供依据. 钱家忠等[10]针对地下水化学特征, 以谢一煤矿为例, 分别建立了基于Elman网络与BP网络的突水判别模型, 结果表明, Elman神经网络能够更好的反应地下水系统特性. 郑景华等[11]将RBF与Elman神经网络应用于露天矿区地下水水质预测与评价中, 结果表明, RBF与Elman预测模型均能很好的反映出地下水质的变化情况及水质污染状况.本文根据汾河入黄口处的实际污染状况及因子选择的目的原则, 选择合适的评价因子, 采用Elman神经网络河口水质评价模型对河津大桥监测断面2010年各月的水质进行评价, 分析研究汾河入黄口处的水质污染状况, 为河口进一步治理提供参考数据及预警.1.1 Elman神经网络的基本概念Elman 神经网络是具有两层神经元的动态递归神经网络, 它是在BP网络基本结构的基础上, 通过储存内部状态使其具备映射动态特征的功能, 从而使系统具有适应事变特性的能力[12]. Elman神经网络的结构如图1所示.1.2 Elman神经网络的学习过程Elman神经网络包括输入层, 隐含层(中间层), 承接层和输出层, 以图2(Elman神经网络的模型[13])为例的非线性状态空间表达式为:Elman神经网络的学习算法[14]:设第k步的实际输出为yd(k), 则Elman网络的误差函数可用下式表述:根据梯度下降法, 可推求得到Elman神经网络的学习算法, 如下:其中, 为的学习步长.1.3 Elman神经网络河口水质评价模型的构建Elman神经网络的河口水质评价模型的建立, 需要确定能够正确反映河流实际水质状况的评价因子作为水质特征的输入向量. 根据Elman神经网络模型的学习机理及较好的非线性分级能力, 对水质监测因子样本集进行水质评价. 基于Elman神经网络的河口水质评价流程如图3所示.汾河入黄口是具有滩地和浅槽的复式宽浅型河道(如图4所示), 一方面, 水流水质特征复杂, 常形成河口滩, 发生壅水、倒灌等时会影响交汇处的水质, 另一方面, 由于沿程大量未经处理的工业废水及生活污水流入汾河, 导致汾河入黄口及近岸水体污染严重, 2010年流域污染状况表明黄河水系汾河太原段、临汾段、运城段为重度污染. 为了合理评价汾河入黄口处的水质的级别、污染程度, 根据污染的实际情况以及《地表水环境质量标准》(GB 3838 - 2002)[15]定义劣Ⅴ类水标准. 其规定限值如表1所示.2.1 评价因子的选择结果按照因子选择的原则和方法[16](参见文献16), 以所选因子的污染分摊率占所选22项污染因子污染分摊率的85%为限计算出2010年河津大桥监测断的评价因子分别为生化需氧量(BOD5)、氨氮(NH3-N)、化学需氧量(CODcr)、总磷(TP)、总氮(TN)、阴离子表面活性剂(LAS). 2010河津大桥监测断面各月水质浓度变化情况如图5所示.2.2 基于Elman神经网络的河口水质评价在六级地表水环境质量标准内插形成60组数据, 随机选取其中45组数据作为训练样本, 15组数据作为检测样本, 根据Elman神经网络输出的目标等级(如表2所示)及学习机理, 对网络进行训练、检测. 图6、图7分别为Elman神经网络训练样本的训练过程及检测样本的拟合过程.同时采用BP网络对训练集和测试集数据进行训练和检测, 通过计算训练集和测试集的正确率和运行时间, 对Elman的性能进行评价. 表3为BP网络与Elman网络结果对比.运用训练好的网络对2010年河津大桥监测断面各月的水质进行评价, 参数TYPE 设为1; 参数TF设为‘Sig’、参数隐含层神经元个数取20, 这是由于经过反复测算, 当隐含层神经元个数与训练集样本个数相等时, Elman可以以零误差逼近所有训练样本, 但是, 并非隐含层神经元个数越多越好, 从测试集的预测正确率可以看出, 当隐含层神经元个数逐渐增加时, 测试集的预测率呈减少的趋势, 故需要进行折中选择. 水质评价结果如图7所示.由图8可知, 2010年汾河入黄口河津大桥监测断面各月综合水质均为劣Ⅴ类水. 分析汾河入黄口水质遭受污染的主要原因一方面是由于汾河沿岸排污口较多且排污量较大, 主要以城市污水、生活污水、缫丝、纺织、造纸等工业废水为主, 其中废水中含有的大量阴离子表面活性剂对水质造成较大的影响; 另一方面汾河的支流, 例如浍河, 由于偷排漏排现象严重, 其汇入汾河时水体已发黑发臭, 造成汾河水质进一步恶化, 由此可见, 从源头加强汾河污染物入河量的控制迫在眉睫.(1) 与BP网络相比, Elman河口水质评价模型避免了传统神经网络无法实时改变模型结构和缺乏对未来突变情况适应性、收敛速度慢、容易陷入局部极小的缺点, 使得训练好的网络具有非线性和动态特性; 同时, Elman的预测正确率以及运行时间都优于BP网络, 这表明Elman应用于分类及模式识别问题中具有较好的性能.(2) 根据因子选择的原则及方法, 以85%为限计算出水质评价因子, 并根据河口污染情况定义劣Ⅴ类水标准, 采用Elman神经网络模型对汾河入黄口水质进行评价, 结果表明, 河津大桥监测断面2010年各月综合水质均为劣Ⅴ类水, 河口污染治理迫在眉睫.(3) Elman神经网络具有学习速度快、泛化性能好、调节参数少等优点, 水质识别实例表明Elman神经网络河口水质评价模型的可行性, 评价结果切合实际, 具有很好的实用性, 可为河口进一步治理提供参考依据及预警.1 崔燕,张龙军,罗先香,等.小清河口水质污染现状及富营养化评价.中国海洋大学学报,2013,43(2):60–66 .2 徐明德,卢建军,李春生.汾河太原城区段支流水质评价.中国给水排水,2010,26(2):105–108.3 乔飞,孟伟,郑丙辉,等.长江流域污染物输出对河口水质的影响.环境科学研究,2012,25(10):1126–1132．4 Karmakar S, Mujumdar PP. A two-phase grey fuzzy optimization approach for water quality management of a river system. Adv. Water Resour., 2007, 30(5): 1218–1235.5 庞振凌,常红军,等.层次分析法对南水北调中线水源区的水质评价.生态学报,2008,28(4):1810–1819.6 徐祖信.我国河流综合水质标识指数评价方法研究.同济大学学报(自然科学版),2005,33(4):482–488．7 阎平凡,张长水.人工神经网络与模拟进化计算.北京:清华大学出版社,2005．8 韩建秋,乔俊飞.改进Elman网络的污水处理过程建模.计其机与应用化学,2011,28(7): 847–850.9 柴燕丽,孟令建.基于神经网络的淮河流域年径流量预测模型.水资源与水工程学报,2009,20(1):58–61.10 钱家忠,吕纯,赵卫东,等.Elman与BP神经网络在矿井水源判别中的应用.系统工程理论与实践,2010,30(1):145–150.11 郑景华,王李,刘志斌.RBF与Elman在露天矿区地下水水质评价与预测中的应用.水资源与水工程学报, 2011,22(5):130–133.12 Wen Y. Nonlinear system identification using discrete-time recurrent neural networks with stable learning algorithms. Information Sciences, 2004, 158(1): 131–147．13 Guo RF, Huang GB, Lin QP, et al. Error minimized extreme learning machine with growth of hidden nodes and incremental learning. IEEE Trans. on Neural Networks, 2009, 20(8): 1352–1357.14 史峰,王辉,郁磊,等.MATLAB智能算法30个案例分析.北京:北京航空航天大学出版社,2011.15 GB 3838—2002.地表水环境质量标准.北京:中国环境科学出版社,2002.16 罗海江,朱建平,蒋火华.我国河流水质评价污染因子选择方案探讨.中国环境监测,2002,18(4):51–55.。
神经网络在水质预测建模中的应用1高舒
神经网络在水质预测建模中的应用 1高舒发布时间：2021-09-10T08:58:06.862Z 来源：《防护工程》2021年16期作者： 1高舒 2王储 3杨洁[导读] 水质预测作为水环境研究的重要一环，近年来在研究海洋、河流、湖泊及水产养殖业中的应用已十分常见。
水质预测模型从上世纪早期的单介质机理模型发展到现在的多维模拟、多介质模拟、动态模拟等等，模型的可靠性、适用性已经大幅提升。
现阶段随着人工智能算法在水质预测中的应用，预测模型得到了进一步发展，尤其是人工神经网络其强大的自学习能力非常适合做水质预测。
文章从几种常见的神经网络水质预测模型的模型结构、模型特点及建模方法等对神经网络水质预测模型进行对比分析。
1高舒 2王储 3杨洁1延安水文水资源勘测中心 716000； 2延安水文水资源勘测中心 716000；3延安水文水资源勘测中心 716000摘要：水质预测作为水环境研究的重要一环，近年来在研究海洋、河流、湖泊及水产养殖业中的应用已十分常见。
水质预测模型从上世纪早期的单介质机理模型发展到现在的多维模拟、多介质模拟、动态模拟等等，模型的可靠性、适用性已经大幅提升。
现阶段随着人工智能算法在水质预测中的应用，预测模型得到了进一步发展，尤其是人工神经网络其强大的自学习能力非常适合做水质预测。
文章从几种常见的神经网络水质预测模型的模型结构、模型特点及建模方法等对神经网络水质预测模型进行对比分析。
关键词：水质预测、神经网络、隐含层水质预测就是对长期水质监测数据进行分析进而预测水质污染变化趋势，为水环境的规划与管理提供参考，是水环境污染防治及水资源可持续利用的重要一环。
人工仿生及智能计算领域发展迅速，很多领域都建立了以人工智能为核心的预测方法，人工神经网络在水质预测领域的应用十分广泛。
1 传统水质预测模型传统的水质预测研究方法主要包括两类：基于机理的物理预测模型和基于历史数据及实时监测数据的非机理预测方法。
基于模糊BP神经网络的水质评价
随着社 会发 展 ， 环境 系统 日益 恶化 ， 水 单纯 使用确 定性 和不 确定 性方法 （ 包括模 糊理 论 、 色关联 系 灰
统） 已无法 满足 研究 水 环境 系统 的复 杂性 和动 态性要 求［ 。 １ 而且 由于水 环境 系统具 有极强 的非线 性 动力 ］
特性 ， 使得 基 于显 函数 和线性 假设 的分析手 段 与数学 模型 很难 如实对 水环境 质量 进行正 确评价 和预 测 。 将人 工神 经 网络引 入水 环境 体系并 建立合适 的人工神 经 网络模 型 ， 在继承原 有方 法优点 的基础 上 ， 望 有 解决 原有 方法难 以解决 的一 些复杂 问题 ［ ］ ２。 。 。 本文 在 Ｂ 网络 模 型 基础 上构 建 了隶属 度 Ｂ 网络模 型 ， 用 于佛 山某 污 水处 理 厂 的水 口水 质 评 Ｐ Ｐ 应
为
Ｓ＾一 （ｆ一 Ｙ１／ — Ｙ ） 。 ＾ （ ） ｎ。 （） ３
同样 规定 ， 于模糊 集合 Ａ越 大 越优 的指标 ， ｚ ≤ 其 对 于模糊 概 念 污染 Ａ 的相 对隶 属 度 ， 对 若 玎 ∽ ．
Ｓｅ ． ２ １ ｐ ０１
文章 编 号 ：０ ８０ ７ （０ １ ０ —０ ５０ １ ０— １ １ ２ １ ） ５０ １ —５
基 于模 糊 Ｂ Ｐ神 经 网络 的水质 评 价
苏 彩 红 向 娜 李 理 想 ， ，
（． 山 科 学 技 术 学 院 自动 化 系 ， 东 佛 山 ５ ８ ０ ；． 南理 工 大 学 自动 化 学 院 ， 东 广 州 ５０ ４ ） １佛 广 ２００２华 广 １ ６ １
价， 把实 测数 据作 为 测试 样 ， 并增加 了模 糊隶 属 度 的水 质 级别 评价 ， 实验 表 明所 得评 价结 果更 符 合评 价
模糊神经网络在黄河宁夏段水质评价中的应用
The Application of Fuzzy Neural Network in Evaluation of the Yellow River Water Quality in
Ningxia Section
作者： 李晶 李风军
作者机构： 宁夏大学数学与计算机学院,宁夏银川750021
出版物刊名： 宁夏师范学院学报
页码： 70-74页
年卷期： 2013年 第3期
主题词： 模糊神经网络 水质评价 黄河
摘要：已有的关于黄河宁夏段水质评价结果基本上都受到评价者的主观因素影响而导致评价结果的客观性不足，准确性不高．鉴于此，利用模糊神经网络能够运用简单的一元函数的复合来实现复杂的多元函数，且自组织、自适应性强这些优势，着重对黄河宁夏段水体环境进行了综合评价．从而为黄河流域水污染防治和水资源保护提供了重要参考．。
神经网络在感潮河段洪水水位预报中的应用
赵建波1赵海伟1杨远21、河海大学水文水资源学院， 南京 （210098）2、中国水电顾问集团成都勘测设计院，成都 （610072）E-mail: zhjb0526@摘要：神经网络用数学的方法模拟人脑的特性，可以对映射关系较好的输入输出进行学习训练，是一种优秀的非线性函数逼近方法， BP算法在众多的神经网络模型中得到广泛应用。
本文基于感潮河段洪水的非线性，应用BP神经网络模型对曹娥江感潮河段水位预报，取得预期效果。
关键词：神经网络感潮河段洪水预报1引言人工神经网络（Artificial Neural Network，缩写ANN）是20世纪末新兴的交叉学科，它通过数学的方法对人脑若干复杂的特性进行抽象和模拟，是一种模仿人脑结构及其功能的非线性信息处理系统[1]。
作为目前国际上研究异常活跃的前沿领域之一，人工神经网络以其大规模并行处理、分布式存储、自适应性、容错性、冗余性等许多优良特性引起众多领域科学家的广泛关注[2]。
同样，近年来在水文学科的研究与应用也引起人们的关注[3] [4] [5]。
采用误差逆传播算法训练的神经网络称为BP（Back Propagation）网络。
在众多的人工神经网络模型中，BP模型是目前应用于预测和模式识别等方面最广泛的模型，误差逆传播学习算法可以实现多层向前神经网络的训练。
本文应用其特性，将反映河道洪水演进规律的实测资料作为输入，通过BP网络的学习训练，从而实现河道洪水的计算机模拟，并选用曹娥江流域验证模型的效果。
2 BP神经网络的基本原理BP神经网络是由Rumelhart,Hinton 和Williams完整提出来的。
是一种单向传播的多层前馈网络，任一连续函数可由一层或多层的隐节点，同层节点中没有任何耦合，具有结构简单、易于实现的特点[1]。
其结构如图1所示。
输入信号从输入节点依次传过各隐含层节点，然后传到输出节点，每层节点的输出只影响下一层的输出。
其节点单元特性（传递函数）通常为Sigmoid型（f(x)=1/(l+exp(-Bx)) B>0）,但在输出层中，节点的单元特性有时为线性。
模糊综合评价在嘉陵江南充段水质评价中的应用
安 徽农 学 通 报 ， ｎ ｕ Ａ ｒ ＳｉＢ ｌ ２ １ １ （ ９ Ａ ｈ ｉ ｇｉ ｃ ｕ１ ０ ２，８ １ ） ． ． ．
模 糊 综 合 评 价 在 嘉 陵 江 南 充 段 水 质评 价 中的应 用
黄 剑
（ 中国水 电顾问集团成都勘测设计研究 院， 四川成都 ６０ ７ ） １０ ２
ｗａ ｏ ｙ ｃ ｍ ｂｎａｉｎ Ｏｆｆ ｚ ｙ ｒ ｌｔｏ ｔ ｘ ａ ｄ ｗｅｇ ｔｃ ｅ ｃｅ ｔ ｘ． ｓ ｇ ｔｂ ｏ ｉ ｔ ｕ ｚ ｅａ ｉｎ ｍａ ｒ ｎ ｉｈ ｏ ｆ ｉｎｔｍａｒ ．Ｒｅ ｕ ｔ Ｔｈ ｅ ｕ ｔ ｈ ｗｅ ｈ ｔＴＮ ｎ Ｆ ｏ ｉ ｉ ｉ ｓ ｌ ： ｅ ｒ ｓ ｌｓ ｓ ｏ ｄ ｔ ａ ａ ｄ Ｃ
ｔ ｎｏ ａｃｏｇｏ ｉ ｉ ｊ ｎ．Ｍｅ ｏ ： ｈ ｖｌ ｔ ｇｇａｅｃｎｒｇｔ ｎｗ ｓｅｔ ｌ ｈｄｂｓｄｏ ｒｄｓｏ ｎｉ ｎ ｉ ｆ ｎ ｈｎ ｎＪ ｌ ｇｉ ｇ ｏ Ｎ ａｎ ａ ｔ ｄ Ｔ ｅｅａ ａｉ ｒｄ ｏ ｇ ａ ｏ ａ ｓ ｂｉ ｅ ａｅ ｎ５ｇａ ｅ ｆ ｖ ｏ— ｈ ｕ ｎ ｅ ｉ ａ ｓ ｅ ｒ
ｍ ｈｐｅｗ ｉ ｔ ｔｏ ． ｎ ｅｃ ｍ ｒ ｅ ｓ ｅ ｖ ｌａ ｎ ｓ ｌ ｎｗ ｔ ｕ ｌｙｏ ｅｓｃ ｏ ｆ ａ ｃ ｏ ｇｏ ｉ ｉｇ ａ ｇ ｕ ｉ ｅｇ ｈ ｄ Ａ ｄ ｔ ｏ ｐ ｅ ｎ ｉ ａ ｔ ｇ ｅｕｔ ｏ ａｅ ｑ ａ ｔ ｆ ｈ ｅｔ ｎ ｏ Ｎ ｎ ｈ ｎ ｎＪ ｌ ｊ ｎ ｌ ｈ ｍｅ ｈ ｈ ｖｅ ｕ ｉ ｒ ｓ ｒ ｉ ｔ ｉ ａｎ ｉ
供科 学的参考依据 。 关键 词 ： 模糊综合评价 ； 嘉陵 江； 水质评价
中 图分 类 号 ￥７ ． ２ ３４ 文献 标 识 码 Ａ 文章编号 １０ ７３ （０ ２ １ ２ ０ ０ ７— ７ １ ２ １ ）９— ２— ３
BP神经网络在长江水质COD预测中的应用
BP神经网络在长江水质COD预测中的应用郭庆春;郝源;李雪;杜北方;张向阳【摘要】水质变化具有非线性、突变性，且含有噪声，传统线性预测模型不能全面反映其变化规律，预测精度低，误差大。
针对水质变化规律复杂，影响因素间非线性程度高的问题，为了提高水质预测精度，将改进算法的BP神经网络引入化学需氧量( COD)预测预报领域，以pH、溶解氧( DO)、氨氮( NH3-N)为输入向量，以COD为输出向量，建立了COD的预测模型并对效果进行检验。
结果表明：检验样本中COD的预测值与实测值的线性相关系数为0.991。
BP神经网络模型预测精度高，收敛速度快，具有良好的泛化能力，能较好地反映COD和影响因子的变化规律。
%Water quality change is of nonlinear and dynamicity,it is a kind of complex time series data,therefore,the traditional linear pre-diction model cannot reflect the variation rule,and the prediction accuracy is low. For the problems of complex water quality change rule and high degree of nonlinear between factors,in order to improve the water quality prediction accuracy,introduce the BP neural network of improved algorithm into a model of COD,with pH,DO,NH3-N as input and COD as output,the prediction model of COD is estab-lished and tested. The research results show the linear correlation coefficient of COD between forecasting and the monitoring in the test samples is 0. 991. BP neural network has high forecast precision,fast convergence rate and the good generalization ability,which can bet-ter reflect the change rule between COD and impact factors.【期刊名称】《计算机技术与发展》【年(卷),期】2014(000)004【总页数】5页(P235-238,242)【关键词】神经网络;水质;化学需氧量;溶解氧;氨氮【作者】郭庆春;郝源;李雪;杜北方;张向阳【作者单位】陕西广播电视大学，陕西西安710119; 中国科学院地球环境研究所黄土与第四纪国家重点实验室，陕西西安710075; 中国科学院大学，北京100049;陕西广播电视大学，陕西西安710119;中国科学院地球环境研究所黄土与第四纪国家重点实验室，陕西西安710075; 中国科学院大学，北京100049;陕西广播电视大学，陕西西安710119;陕西广播电视大学，陕西西安710119【正文语种】中文【中图分类】X522化学需氧量(COD),指一定条件下水样被强氧化剂氧化时所需氧化剂的量,主要指示水体被还原性物质污染的程度,由于水样普遍地受到有机物污染,因此,化学需氧量可以作为有机物相对含量的指标之一,同时也是河流水质规划的一项重要指标。
模糊神经网络的预测算法在嘉陵江水质评测中的应用
题目：模糊神经网络的预测算法在嘉陵江水质评测中的应用院（系）：物联网工程学院专业: 计算机科学与技术班级：计科0802 *名：**学号： ********** 设计时间： 10-11 学年 2 学期2011年5月一、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。
二、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。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
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=1ωi3、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糊化得到模糊隶属度值μ。
模糊规则计算层采用模糊连乘公式计算得到ω。
输出层采用公式计算模糊神经网络的输出。
模糊神经网络的学习算法如下（1）误差计算E=2/1(d y-e y)2式中，d y是网络期望输出；e y是网络实际输出；e魏期望输出和实际输出的误差。
（2）系数修正式中，为神经网络系数；a为网络学习率；j x为网络输入参数；w’为输入参数隶属度连乘积。
(3)参数修正式中，分别为隶属度函数的中心和宽度。
4、嘉陵江水质评价水质评测是根据水质评测标准和采样水样本各项指标值，通过一定的数学模型计算确定采样水样本的水质等级。
水质评测的目的是能够准确判断出采样水样本的污染等级，为污染防治和水源保护提供依据。
水体水质的分析主要包括氨氮、溶解氧、化学需氧量、高锰酸盐指数、总磷和总氮六项指标。
其中氨氮是有机物有氧分解的产物，可导致水富营养化现象产生，是水体富营养化的指标。
化学需氧量是采用强氧化剂络酸钾处理水样，消耗的氧化剂量是水中还原性物质多少的指标。
高锰酸钾是反映有机污染的指标。
溶解氧是溶解在水中的氧。
总磷是水体中的含磷量，是衡量水体富营养化的指标。
总氮是水体中氮的含量，也是衡量水体富营养化的指标。
（各项数据在附件的数据库中。
）地表水环境质量标准如下图所示：地表水环境质量标准二、模型建立基于T-S模糊神经网络的嘉陵江水质评测算法流程图如下所示。
其中，模糊神经网络构建根据训练样本维数确定模糊神经网络输入/输出节点数、模糊隶属度函数个数，由于输入数据为6维，输出数据为1维，所以有12个隶属度函数，选择7组系数P0~P6，模糊隶属度函数中心和宽度c和b随机得到。
图示：模糊神经网络水质评价算法流程模糊神将网络训练用训练数据模糊神经网络，由于水质评价真实数据比较难找，所以采用了等隔均匀分布方式内插水质指标标准数据生成样本的方式来生成训练样本，采用的水质指标哦数据来自本文的上表，网络反腐训练100次。
模糊神经网络预测用训练好的模糊神经网络评价嘉陵采样水水质等级。
三、编程实现根据模糊神经网络原理，在MATLAB中编程实现基于模糊神经网络的水质评价算法。
1、网络初始化根据训练输入/输出数据确定网络结构，初始化模糊神经网络隶属度函数参数和系数，归一化训练数据。
从数据文件datal.mat中下载训练数据，其中input_train和output_train为模糊神经网络训练数据，input_train和output_train为模糊神经网络测试数据。
%下载数据Load datal input_train output_train input_test output_test%网络结构I=6; %输入节点数M=12; %隐含节点数O=1; %输出节点数Maxgem=100; %迭代次数%初始化模糊神经网络参数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;%初始化模糊隶属度参数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%调练数据归一化[inputn,inputps]=mapminmax(input_train);[outputn,outputps]=mapminmax(output_train);2、模糊神经网络训练用训练样本训练模糊神经网络[n,m]=size(input_train);%开始迭代for i=1:maxgen %maxgem 最大迭代次数for k=1:m %m个样本%提取训练样本x=inputn(:,k);%输入参数模糊化for i=1:Ifor j=1:Mu(i,j)=exp(-(x(i)-c(j,i))^2/b(j,i));endend%模糊隶属度计算for i=1:Mw(i)=u(1,i)*u(2,i)*u(3,i)*u(4,i)*u(5,i)*u(6,i);endaddw=sum(w);%输出计算for i=1:Myi(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);endaddyw=0;addyw=yi*w';yn(k)=addyw/addw;e(k)=outputn(k)-yn(k);%系数p修正值计算d_p=zeros(M,1);for i=1:Md_p(i)=xite*e(k)*w(i)/addw;end%b的修正值计算d_b=0*b_1;for i=1:Mfor j=1:Id_b(i,j)=xite*e(k)*(yi(i)*addw-addyw)*(x(j)-c(i,j))^2*w(i)/(b(i,j)^2*addw^2);endend%c的修正值计算for i=1:Mfor j=1:Id_c(i,j)=xite*e(k)*(yi(i)*addw-addyw)*2*(x(j)-c(i,j))*w(i)/(b(i,j)*addw^2);endend%系数修正p0=p0_1+ d_p；p1=p1_1+ d_p*x(1);p2=p2_1+ d_p*x(2);p3=p3_1+ d_p*x(3);p4=p4_1+ d_p*x(4);p5=p5_1+ d_p*x(5);p6=p6_1+ d_p*x(6);% 隶属度参数修正b=b_1+d_b;c=c_1+d_c;endend3、模糊神经网络水质评价用训练好的模糊神将网络评价嘉陵江水质，各采样口水样指标值存储在data2.mat文件中，根据网络预测值得到水质等级指标。
预测值小于1.5时水质登记为1级，预测值在1.5——2.5时水质等级为2级，预测值在2.5——3.5时水质等级为3级，预测值在3.5——4.5时水质等级为4级，预测值大于4.5时水质等级为5级。
% 下载数据，hgsc为红工厂水质指标，gjhy为高级花园水质指标，dxg为大溪沟水质指标zzsz=hgsc;%输入数据归一化inputn_test =mapminmax('apply',zssz,inputps);[n,m]=size(zssz);%网络预测for k=1:1:mx=inputn_test(:,k);%输入参数模糊化for i=1:Ifor j=1:Mu(i,j)=exp(-(x(i)-c(j,i))^2/b(j,i));endendfor i=1:Mw(i)=u(1,i)*u(2,i)*u(3,i)*u(4,i)*u(5,i)*u(6,i);endaddw=0;for i=1:Maddw=addw+w(i);end%计算输出for i=1:Myi(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);endaddyw=0;for i=1:Maddyw=addyw+yi(i)*w(i);end%网络预测值szzb(k)=addyw/addw;end%预测值反归一化szzbz2=mapminmax('reverse',szzb,outputps);%根据预测值确定本质等级for i=1:mif szzbz1(i)<=1.5szpj1(i)=1;elseif szzbz1(i)>1.5&&szzbz1(i)<=2.5szpj1(i)=2;elseif szzbz1（i)>2.5&&szzbz1(i)<=3.5szpj2(i)=3;elseif szzbz1(i)>3.5&&szzbz1(i)<=4.5szpj1(i)=4;elseszpj1(i)=5;endend4、结果分析用训练好的模糊神经网络评价嘉陵江各取水口2003年到2008年每季度采样水水质等级，网络评测结果如下所示：时间2003.1 2003.2 2003.3 2003.4 2004.1 2004.2 2004.3 2004.4 2005.1 2005.2 2005.3 2005.4 红水工厂 3 3 3 3 3 4 3 2 2 3 2 2 葛家花园水厂 4 4 3 3 3 3 2 3 3 2 2 3 大溪沟水厂 4 4 3 3 4 3 2 2 4 2 2 3时间2006.1 2006.2 2006.3 2006.4 2007.1 2007.2 2007.3 2007.4 2008.1 2008.2 2008.3 2008.4 红水工厂 3 2 2 3 3 2 2 3 3 2 2 3 葛家花园水厂 3 2 2 3 3 3 3 3 3 3 2 3 大溪沟水厂 3 2 2 3 3 3 2 2 3 3 3 3从水质量评价等级可以看出嘉陵汇上、中、下游三个取水口水样质量在2003年到2004你爱你间有一定改善，近几年变化不大，基本维持在2、3级左右。