模糊神经网络的预测算法在嘉陵江水质评测中的应用2
模糊概率神经网络模型在水质评价中的应用
第２卷第１ ７ 期
２０ 年 ２ ０ｒ 月 ７
水 文
Ｊ ＯＵＲＮＡＬ Ｏ ＨＩ Ｆ Ｃ ＮＡ ＨＹＤＲＯＬ Ｙ ＯＧ
Ｖ０ ． Ｎｏ１ １７ ２ ． Ｆｂ，０ ７ ｅ ．２ ０
模糊 概率 神经 网络模 型在水质评价 中的应用
神 经 网络 水 质 评 价 模 型 （Ｐ Ｆ Ｎ 。 阐 明 了该 模 型 的 构 建 方 法 ， 出 了基 于 指标 相 对 隶属 度 矩 阵 插 值 构 建 训 练 样 本 的 方 法 ， 提 并将 该模 型应 用 于 实 际水 质评 价 。 通 过 与 综 合 评 判 法 、 属性 识 别 法 和 Ｂ 网络 法的 比较 ， 证 了该 模 型 操 作 简便 ， 价 结 Ｐ 验 评
矩阵 ： ｙ （ … ＝ｙ） （） １
用 的 模 型 算 子 主 要 是 Ｉ（ Ｖ） ｊ（＋ ， 述 算 子 虽 计 算 较 简 Ｉ ＾ 和 Ｉ ・）上 ｆ ｆ 单 ，但 基 于 各 水 质 指标 对 与其 相 邻 的两 级 别 间 的 隶属 度没 有 统
一
标 准 ， 乏 可 比性 ； 判 时 大 多 采用 的 最 大 隶 属 度 的原 则 ， 缺 评 由
式 中 ： 为 第 组 监 测 数 据 的 第 ｉ 污 染 因 子 值 ，（ Ｉ ２ … ， 项 ｉ ，， ＝ ｍ； ｌ２ … ，） ｊ ，， ｃ。 ＝
应 用 模 糊 数 学 中 的 相 对 隶 属 度 来 描述 水 体 的污 染 程 度 。 规 定 第 ｉ 水 质 指 标 的 第 ｌ级 别 评 价 标 准 值 对 于 模 糊 集 “ 染 ” 项 污 的
相 对 隶 属 度 Ｐ ＝ ， ｃ级 标 准值 对应 的相 对 隶 属 度 ｐｃｌ ｎ０ 而 ｉ 。介 于 ＝ ｌ 与 ｃ级 之 间 的 第 项 指 标 的 第 级 标 准 值 的 相 对 隶 属 度 Ｐ 级 用 线 性 内插 公 式
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。
基于模糊神经网络的汉江水质评价
水 污染 控制规 划就是 在基本查 清污染物 排放 、 质现状和水 文水 水 力学特性 的条 件下 ， 通过试验获得 相关参 数 ， 并通过水质数学模 型预测 规划水平年 的水体 水质 ， 在保证水质 达到规划水质级别 的前提 下 ， 合理 安排各污染源 污染 物的排放 ， 并对 污染控 制方案进行研究 ， 出技术 经 提 济可行的最佳实用方 案， 为相 关部门的决策提供科学依据 。 水质评 价是 根据水 质评价 标准 和水质检 测样本 各项指 标值， 过 通 定 的数学模型来确定样本的等级 。水质评价常用 的方法包括单因子评 价法 、 污染指数法 、 主分量分析评价法 、 指数 评价法 、 综合 模糊数学评 价 法、 灰色评价法 、 物元分析评价法 、 人工神经网络” 和支持向量机 。 从 模糊水 文学 的观 点来看 ， 质 的清 洁与污染这 一对立 的概念之 水 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 。用模糊 理论与方法 ， 比传统评 价方法更 符合现 象 的实际 ， 能使 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 ； 而人 工神经 网络是一种新颖 的数学 建模方法 ， 具有非线性 映射 、 并行 性 、 自适应 、 自学 习和容错 性等能 力， 能够解 决属 于模式设别 的水 质评价 问题 。所以 ， 本文用神 经网络来构造模糊 系统 ， 利用 神经网络 的 学习方法 ， 根据输人输 出样本来 自动设计和调整模糊系统 的设 计参数 ， 实现模糊系统 的 自学 习和 自适应功能 ， 实现汉江水质 的评价 。 ２模糊神经 网络评价模型 ． ２１ ．模糊数学与神经 网络 模 糊数 学 由美 国控制 论专 家 ＬＡ＿Ｌ ＿ 手 德教 授所创 立 ， 是运 用数学 方 法研究和处理 模糊性现象 的一 门数 学新 分支。它 以“ 模糊集合 ” 为基 论 础。模 糊数学 提供 了一种 处理不 肯定 性和不精 确性 问题 的新方法 ， 是 描述人脑 思维处理 模糊信 息的有力工 具。它既 可用于 “ ” 硬 科学方 面 ， 又可用于“ 科学方 面。 软” 神经网络 （ｅ ｒｌｅｗ ｒ， 写 Ｎ ， 一种 模仿生物神经 网络 的结 ｎ ｕａ ｔｏｋ 缩 ｎ Ｎ）是 构 和功能的数学模 型或计算模型 。神经 网络由大量的人工神经元联结 进行计 算。大多数情 况下人工神经 网络能 在外 界信息的基础上改变 内 部 结构 ， 一种 自 应系统 。现代神经 网络是一种 非线性统 计性数据 是 适 建模 工具 ， 常用来对输 入和输 出间复杂 的关 系进行建模 ， 或用来探索数 据 的模 式。 本 文采用 由前两 次学 习步长来决定本次学 习步长的方法加速 网络 的收敛 速度并 增强稳定性 ， 传递 函数作适 当调整 ， 对 并将 ３ 层结构改 为 ５ 。按 照学习规则进行学 习 ， 到达到预先规定的精度或者达到最大 层 直 训练次数 才停 止学习 。 ２２ ．模糊 神经网络 （） １ 网络 结构 般 模糊神经 网络Ｉ １ １６ ５１ － 有输入层 、 隐含层 、 化层 、 模糊 模糊推理层 和 解模 糊层 。如果不采 用等效处 理直接设计 为每层都 是全链接 ， 则网络 复杂 、 庞大 ， 导致模型训练时不易收敛 。本文 中使用结构 如图 １ 示。 所
模糊神经网络在水文水资源应用中的研究进展
模 糊 神 经 网络在 水 文水 资 源应 用 中的研 究 进 展
杨先 野 ，付 强 ２
（１．东北农业大学 水利与建筑学院 ，哈尔滨 １５００３０；２．北大荒集团公 司博士后科研工作 站 ，黑龙江农垦总局 ，哈尔滨 １５００４０）
摘 要 ：模糊神经 网络结合 了模糊逻辑 的推理能力及神经 网络 的自学 习能力 ，使其具备强大 的结构式知识 表达能力 、自身 参数调 整优化 的能力和较好的预报效果 。同时在介绍模糊神经 网络模型 的特 点、结构基础上 ，着 重介绍 了模 糊神经 网络在 水文 水资源领域 的研究现状 ，并指 出了其在理论及应用 中存在的问题。
随着人类社会 的不断发展和进步 ，水文水资源 系统 的复杂 性和 动 态性 不 断 增 加 ，研 究规 模 不 断 加 大 ，影响因子不断增多 ，单独使用传统方法 （如随机 过程 、模 糊 理 论 、灰 色 系统 、混 沌 分 析 、人 工 神 经 网 络、小波分析 ）面临着很 多无法解决的问题 。为此 ， 模糊神经网络模型针对水文水资源 系统的特点 ，在 此 领域将 有广 阔 的应 用前 景 。
关键词 ：神 经网络 ；模糊逻辑；模糊 神经网络 ；水文水 资源 ● ● 中图分类号：ＴＶ２１１ 文献标识码：Ａ
基于神经网络的水质预测模型研究
基于神经网络的水质预测模型研究在如今日益严峻的水资源问题背景下，水质污染已经成为我们需要考虑的重要问题之一。
为了提前控制和预测水质污染状况，准确预测水质变化趋势，科学合理地安排环境保护和改善工作，水质预测已经成为水环境科学和水资源管理领域的研究热点。
目前，许多水质预测方法都是基于统计分析，利用最小二乘（Least Square）法、指数平滑、递推神经网络等方法对未来水质状态进行分析和模拟。
然而，这些传统的方法在处理非线性、非稳态、多因素复杂的水质变化过程时难以达到预期的预测效果，如何提高预测准确性成为了我们关注的问题。
近年来，神经网络（Neural Networks，NN）被广泛应用于水质预测模型建立中，并取得了显著的效果。
相对于传统的模型，神经网络具有强大的非线性映射和自适应学习能力，能够较好地模拟复杂的非线性系统和非线性关系。
针对不同污染物和不同的水质参数，神经网络具有许多不同的模型，其中包括多层感知器神经网络模型（Multilayer Perceptron，MLP）、径向基函数神经网络模型（Radial Basis Function，RBF）、自适应神经模糊推理系统（Adaptive Neuro-Fuzzy Inference System，ANFIS）等。
其中，基于多层感知器神经网络模型（MLP）的水质预测研究比较成熟，其具备学习能力，是一种前向、无环、多层的神经网络。
基于多层感知器神经网络模型的水质预测在数据建模方面相对容易实现，通过数据的训练和学习来确定连接权重和阈值，从而构建预测模型。
多层感知器神经网络模型是一种被广泛使用的神经网络结构，它的输入层、隐层和输出层的连接形式是全连接的结构，其中隐层可以由多个层级组成，各层之间的神经元是相互连接的。
例如，对于水环境中的氨氮、PH值等污染物浓度预测，首先需要将数据采集，并清洗出有效变量，然后建立基于多层感知器神经网络模型的预测模型。
对于氨氮浓度预测问题，可以将PH值和其他影响因素作为输入变量，氨氮浓度作为目标变量，进行多层感知器神经网络模型训练和学习，得到预测结果。
基于LSSVM-MC和模糊神经网络的综合水质预测
基于LSSVM-MC和模糊神经网络的综合水质预测张志远;张晓平;章磊;张江林【摘要】水质预测模型可以及时有效的为水质预警提供依据,从而及时采取应对措施.因而研究预测精确以及输出结果简单直观的水质预测模型是个核心问题.最小二乘支持向量机是近年来兴起的一种新型算法,是研究复杂非线性和人工智能等学科的前沿方法,在许多水质预测之中也有所应用,此方法大多应用于单因子预测,缺少对水质的综合解释,本研究通过使用T-S模糊神经网络方法,将LSSVM单因子预测作为输入驱动,水质的综合评价作为输出,较好的解决了单因子对水质状况解释不够的问题,证明了LSSVM的单因子预测可作为T-S模糊神经的输入数据,研究表明LSSVM结合T-S模糊神经网络方法,预测结果基本符合实际水质状况,拟合程度较高,能为水质监测管理提供有效依据.【期刊名称】《江西科学》【年(卷),期】2018(036)002【总页数】5页(P331-334,339)【关键词】最小二乘支持向量机;马尔科夫链;模糊神经网络;综合水质预测【作者】张志远;张晓平;章磊;张江林【作者单位】东华理工大学测绘工程学院,南昌,333000;东华理工大学测绘工程学院,南昌,333000;东华理工大学测绘工程学院,南昌,333000;东华理工大学测绘工程学院,南昌,333000【正文语种】中文【中图分类】X8320 引言水质预测是对水资源管理、利用、开发及社会生产的科学依据，水质问题是个有普遍社会影响力的热点问题，据国家环保局统计全国现有70%的淡水湖泊有不同程度的富营养化。
水体污染破坏了水体的自净能力，影响了水体生态圈、降低了水体的使用功能，间接地提高了水资源的使用成本，给社会发展带来了负面影响，有效地解决此问题，对湖泊的水质监测和综合管理势在必行，因而对水质的准确评价以及水质的小时空尺度的变化趋势有效的预测是湖泊水质管理的重要依据。
水质的预测普遍是将多维度监控数据与水质参数建立相应的映射关系，一般这种映射关系分为2种：一是显式方法，如多元回归，指数法。
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。
- 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。