模糊神经网络的预测算法在嘉陵江水质评测中的应用
模糊评价模型在长江水质评价中的应用
劣Ⅴ 类
0
∞ ∞
3 收稿日期 :2007206223
作者简介 : 刘荣珍 (19682) ,女 ,山西河津人 ,副教授 .
第6期
刘荣珍等 :模糊评价模型在长江水质评价中的应用
51
1. 2 单因素模糊评价矩阵
单因素模糊评价矩阵 R 是由单因素的隶属度 r ij 组成的矩阵 . 隶属度是通过对隶属函数的计算来确 定的 , 隶属函数一般采用 “降半梯形” 的函数 [ 2 ] . 以 溶解氧 ( DO ) 为例 , 根据标准限值 , 溶解氧 ( DO) 应 有对应于 6 个评价级别的隶属函数 ,以 DO 的检测值 C 为自变量的隶属函数可分别写出如下 : 0 , C < 6 ; r11 ( C) = ( C - 6) / 1 . 5 , 6 ≤ C ≤7 . 5 ; 1, C > 7. 5. C - 5 , 5 < C ≤6 ; r12 ( C) = - ( C - 7 . 5 ) / 1 . 5 , 6 < C < 7 . 5 ; 0, C ≤5 , C ≥7 . 5 . ( C - 3 ) / 2 , 3 < C ≤5 ; r13 ( C) = - ( C - 6 ) , 5 < C < 6; 0, C ≤3 , C ≥6 . C - 2 , 2 < C ≤3 ; r14 ( C) = - ( C - 5) / 2 , 3 < C < 5 ; 0, C ≤2 , C ≥5 . 1 , C ≤2 ;
表2 长江水质评价结果
Tab. 2 Outcomes of evaluation in Yangtze River water quality
监测断面 四川攀枝花 重庆朱沱 湖北宜昌南津关 湖南岳阳城陵矶 江西九江河西水厂 安徽安庆皖河口 江苏南京林山 四川乐山岷江大桥 四川宜宾凉姜沟 四川泸州沱江二桥 湖北丹江口胡家岭 湖南长沙新港 湖南岳阳岳阳楼 湖北武汉宗关 江西南昌滁槎 江西九江蛤蟆石 江苏扬州三江营
基于神经网络的短期水文预测方法
基于神经网络的短期水文预测方法短期水文预测是水文学中的重要研究领域，对于水资源管理和防洪减灾具有重要意义。
随着神经网络技术的发展和应用，基于神经网络的短期水文预测方法逐渐成为研究的热点。
本文将探讨基于神经网络的短期水文预测方法及其应用，分析其优势和不足，并展望未来发展方向。
一、引言随着气候变化和人类活动的影响，水资源管理和防洪减灾等问题变得越来越复杂。
准确预测未来一段时间内的降雨量、径流量等水文要素对于科学合理地管理和利用水资源具有重要意义。
传统的统计方法在一定程度上可以满足需求，但受到数据特征复杂、非线性关系等问题的限制。
二、基于神经网络的短期水文预测方法1. 神经网络原理神经网络是一种模拟人类大脑工作方式而设计出来的计算模型。
它由大量简单处理单元（神经元）相互连接而成，并通过学习调整连接权值以实现特定的功能。
神经网络具有自适应性、非线性映射能力和并行处理能力等特点，适用于处理复杂的非线性问题。
2. 数据预处理在应用神经网络进行短期水文预测之前，需要对原始数据进行预处理。
预处理包括数据清洗、缺失值填补、异常值检测和数据标准化等步骤，以提高神经网络模型的准确性和鲁棒性。
3. 神经网络模型构建基于神经网络的短期水文预测方法通常采用前馈神经网络（Feedforward Neural Network）模型。
该模型由输入层、隐藏层和输出层组成，其中隐藏层可以有多个。
输入层接收水文要素数据，输出层给出对未来水文要素的预测结果。
隐藏层负责对输入数据进行非线性映射和特征提取。
4. 神经网络训练与优化神经网络模型需要通过训练来学习输入与输出之间的映射关系。
常用的训练算法包括误差反向传播算法（Backpropagation）和Levenberg-Marquardt算法等。
在训练过程中，可以采用交叉验证方法评估模型的泛化能力，并通过调整网络结构和参数来优化模型性能。
三、基于神经网络的短期水文预测方法的应用1. 降雨预测基于神经网络的短期降雨预测方法能够通过历史降雨数据和其他气象要素数据，准确地预测未来一段时间内的降雨量。
模糊综合评价法在北碚主要支流河流水质评价中的运用
Utilization of Fuzzy Mathematical Method in Environmental Quality Evaluation of Three Tributary Rivers of Beibei
Yao Zhiyuan1, Hao Qingju1,2, Jiang Changsheng1,2, Hu Biqin1,2
7.72 1.208
5.30
4.15
0.369 0.030
8.13 0.347
4.60
3.03
0.272 0.010
8.04 0.130
1.90
1.93
0.263 0.024
8.20 0.010
1.45
2.95
0.245 0.010
8.17 0.026
6.50
3.53
0.312 0.030
7.95 0.169
……（3）
式中：rij—因子 ui对 j 级水质的隶属度；Ci—因子 ui的 实测浓度值；Sij—因子 ui第 j级水质标准。对第 i 个因子 ui 评价的结果组成单因素模糊评价集 Ri=(ri1,ri2,ri3,…,rim)。
表 1 2007 年北碚境内主要支流水质监测结果
CODMn/ BOD5/ 氨氮/ 石油类/ pH
(mg/L) (mg/L) (mg/L) (mg/l)
总磷/ (mg/L)
6.60
4.10
0.374 0.025
7.61 0.153
8.35
3.83
0.313 0.053
7.45 0.164
5.05
3.80
中国农学通报 2009,25(13):211-215 Chinese Agricultural Science Bulletin
基于T-S模糊神经网络评价汉江干流汉中段水质
基于T-S模糊神经网络评价汉江干流汉中段水质高凯;贾伟【期刊名称】《微型电脑应用》【年(卷),期】2016(32)2【摘要】为准确客观地评价汉江干流汉中段水环境质量状况,利用T-S模糊神经网络模型,对汉江干流汉中段监测点,连续5年的水质监测状况数据进行了分析评价.结果表明,在选取的6个水质监测指标数据下,汉江干流汉中段水质相对较好,但流经城镇段的水质存在恶化的趋势,需要采取措施进行有效的预防保护.提出的T-S模糊神经网络应用于水环境质量评价方法简便可靠,预测精度高,可以在水质评价中进行推广.%In order to evaluate the water environmental quality status accurately and objectively in Hanzhong stretch of Hanjiang mainstream, this paper uses T-S fuzzy neural network model to do analysis and evaluation to the water quality monitoring data got in the monitoring points of Hanzhong stretch of Hanjiang mainstream for five years in a row. The results shows that according to the six selected indicators of water quality monitoring data, the water quality of Hanzhong stretch of Hanjiang mainstream is relatively good, but the water quality of stretch through the town tends to be deteriorated, to which measures should be taken to protect. In this paper, TS fuzzy neural network used in water environmental quality assessment method is simple, reliable, high prediction accuracy, which can promote water quality evaluation.【总页数】3页(P51-53)【作者】高凯;贾伟【作者单位】陕西理工学院,数学计算机科学学院,汉中,723001;陕西理工学院,数学计算机科学学院,汉中,723001【正文语种】中文【中图分类】TP399【相关文献】1.基于T-S模糊神经网络模型的钦州市主要河流水质评价 [J], 莫崇勋;阮俞理;莫桂燕;朱新荣;孙桂凯2.基于T-S模糊神经网络模型的汉中段汉江流域水质评价与分析 [J], 拓守恒;何红;李鹏飞3.基于T-S模糊神经网络的南京市水质评价方法研究 [J], 李磊;冯鑫4.基于T-S模糊神经网络的水质评价方法及其在四水流域的应用 [J], 钟艳红; 苗东昊; 赵明汉; 邵东国; 朱诗好5.基于T-S模糊神经网络的水质评价方法及其在四水流域的应用 [J], 钟艳红; 苗东昊; 赵明汉; 邵东国; 朱诗好因版权原因，仅展示原文概要，查看原文内容请购买。
神经网络模型在河道水质建模中的应用初探
数求解 的困难 ， 并 可进 行高维的非线
性 的精确 映射 ， 具有较 强的 自适应能 力， 为建立水环境数学模 型提供了新 的研究手段 。当将测试样本输入模型 后 ，网络将 自动地调 用权 值与偏 置
了水质预测 的神 经网络模 型 ， 并 以黄 河小浪底 至花 园口段为例进行数 值模 拟 ， 计算结果与 实测数据 比较吻合 ， 说 明所建模 型是合理的 ， 有 实际应用价值 ， 最后展望 了不确定性方法在河道水质预 测建模 中的应用前景。 关键词 ： 水质预测 ； 神 经网络 ； 数 学模 型
过程 中， 运用 不 确 定 性 方 法 进 行 数 学
之 间的相互关系。 模 型通过简单 的非 线性 函数 的多次复合 ， 可以克服线性 和非线性 拟合 中 的基 函数 选择 与系
值的随机性 ； （ ２ ） 估计模 型参数所需 的
河流和水质资料 不充分 ； （ ３ ）对 污 染
物传输 过程 和水 质管 理 系统 的简化
接 求 解 ］ 。
有随机性 ， 这就 导致 了水环境 数学模
（ １ ） 污染物 的排 放量和河流背景 值的
型输 出的不确定性 。 为 了提高模型的
预 测 精 度 和 结 果 的可 靠 性 ， 近 十 几 年 来 对 模 型 不 确 定 性 的 分 析 研 究 取 得 了 明 显 的 进 展 。Ａ ｎ ｄ ｒ ｅ ｗ ｓ Ｋ ． Ｔ ａ ｋ ｙ ｉ ［ ２ 分 析 模 拟 — 优 化 模 型 中不 确 定 性 的 来 源有 ： （ １ ） 污染 物 的排 放 量 和河 流 背 景
法 被 引入 不 确 定 性 研 究 中 。 我 国 目前
随机变量 的概率分 布 ， 并用 数学方法
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BP神经网络的水质预测方法的研究
基于BP神经网络的水质预测方法的研究
莫慧芳;谷爱昱;张新政;张敬春
【期刊名称】《控制工程》
【年(卷),期】2004(0)S1
【摘要】为了建立相应的水质预测和评价管理决策支持系统,在了解和分析一些常规水质模型的基础上,提出了用BP神经网络进行智能建模的方法,并结合东江自动监测站的实测水质数据进行了初步的探索,建立了东江水质预测的BP神经网络模型,并给出了仿真结果。
结果表明,BP神经网络模型可以很好地对水质进行预测,解决系统中复杂的非线性关系,具有预测精度高,简便可靠等特点。
【总页数】3页(P9-10)
【关键词】水质预测;BP算法;神经网络
【作者】莫慧芳;谷爱昱;张新政;张敬春
【作者单位】广东工业大学自动化学院
【正文语种】中文
【中图分类】TP183
【相关文献】
1.基于BP神经网络的黄河水质预测研究 [J], 琚振闯;王晓;弓艳霞
2.基于BP神经网络的五大连池重碳酸矿泉水水质预测研究 [J], 曾颖;杨臣;王希英;方振兴
3.基于GA-BP神经网络的施工区域水质预测及预警模型研究 [J], 李鑫鑫;郑丹;杨
建喜;蔡昊男;曾维成;岳锐强
4.基于BP神经网络的盐龙湖饮用水源水质预测 [J], 孙唯;孙佳欣;任晓;王启烁;李林
5.基于改进的BP神经网络模型的营口地区河流水质预测分析 [J], 戚卫伟
因版权原因，仅展示原文概要，查看原文内容请购买。
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。
- 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)。
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。
Y I=∑n i=1ωi(P i0+P i1x1+…+P i k xk)/ ∑n i=1ωi三、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。
四、嘉陵江水质评测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。
）五、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，所以模糊神经网络结构为6-12-1，即有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随机得到六、编程实现1.编程环境Windows 2000以上平台编程语言：matlAB2.程序代码：%% 清空环境变量clcclear%% 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:maxgeniii;for k=1:mx=inputn(:,k);%输出层结算for i=1:Ifor j=1:Mu(i,j)=exp(-(x(i)-c(j,i))^2/b(j,i));endend%模糊规则计算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);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=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: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%更新c变化值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);endendp0=p0_1+ d_p+alfa*(p0_1-p0_2);p1=p1_1+ d_p*x(1)+alfa*(p1_1-p1_2);p2=p2_1+ d_p*x(2)+alfa*(p2_1-p2_2);p3=p3_1+ d_p*x(3)+alfa*(p3_1-p3_2);p4=p4_1+ d_p*x(4)+alfa*(p4_1-p4_2);p5=p5_1+ d_p*x(5)+alfa*(p5_1-p5_2);p6=p6_1+ d_p*x(6)+alfa*(p6_1-p6_2);b=b_1+d_b+alfa*(b_1-b_2);c=c_1+d_c+alfa*(c_1-c_2);p0_2=p0_1;p0_1=p0;p1_2=p1_1;p1_1=p1;p2_2=p2_1;p2_1=p2;p3_2=p3_1;p3_1=p3;p4_2=p4_1;p4_1=p4;p5_2=p5_1;p5_1=p5;p6_2=p6_1;p6_1=p6;c_2=c_1;c_1=c;b_2=b_1;b_1=b;endE(iii)=sum(abs(e));endfigure(1);plot(outputn,'r')hold onplot(yn,'b')hold onplot(outputn-yn,'g');legend('实际输出','预测输出','误差','fontsize',12) title('训练数据预测','fontsize',12)xlabel('样本序号','fontsize',12)ylabel('水质等级','fontsize',12)%% 网络预测%数据归一化inputn_test=mapminmax('apply',input_test,inputps); [n,m]=size(inputn_test)for k=1:mx=inputn_test(:,k);%计算输出中间层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);endfor 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%计算输出yc(k)=addyw/addw;end%预测结果反归一化test_simu=mapminmax('reverse',yc,outputps);%作图figure(2)plot(output_test,'r')hold onplot(test_simu,'b')hold onplot(test_simu-output_test,'g')legend('实际输出','预测输出','误差','fontsize',12)title('测试数据预测','fontsize',12)xlabel('样本序号','fontsize',12)ylabel('水质等级','fontsize',12)%% 嘉陵江实际水质预测load data2 hgsc gjhy dxg%-----------------------------------红工水厂----------------------------------- zssz=hgsc;%数据归一化inputn_test =mapminmax('apply',zssz,inputps);[n,m]=size(zssz);for k=1:1:mx=inputn_test(:,k);%计算输出中间层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);endfor 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%计算输出szzb(k)=addyw/addw;endszzbz1=mapminmax('reverse',szzb,outputps);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)<=3.5szpj1(i)=3;elseif szzbz1(i)>3.5&&szzbz1(i)<=4.5szpj1(i)=4;elseszpj1(i)=5;endend% %-----------------------------------高家花园-----------------------------------zssz=gjhy;inputn_test =mapminmax('apply',zssz,inputps);[n,m]=size(zssz);for k=1:1:mx=inputn_test(:,k);%计算输出中间层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);endfor 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%计算输出szzb(k)=addyw/addw;endszzbz2=mapminmax('reverse',szzb,outputps);for i=1:mif szzbz2(i)<=1.5szpj2(i)=1;elseif szzbz2(i)>1.5&&szzbz2(i)<=2.5szpj2(i)=2;elseif szzbz2(i)>2.5&&szzbz2(i)<=3.5szpj2(i)=3;elseif szzbz2(i)>3.5&&szzbz2(i)<=4.5szpj2(i)=4;elseszpj2(i)=5;endend% %-----------------------------------大溪沟水厂-----------------------------------zssz=dxg;inputn_test =mapminmax('apply',zssz,inputps);[n,m]=size(zssz);for k=1:1:mx=inputn_test(:,k);%计算输出中间层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);endfor 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%计算输出szzb(k)=addyw/addw;endszzbz3=mapminmax('reverse',szzb,outputps);for i=1:mif szzbz3(i)<=1.5szpj3(i)=1;elseif szzbz3(i)>1.5&&szzbz3(i)<=2.5szpj3(i)=2;elseif szzbz3(i)>2.5&&szzbz3(i)<=3.5szpj3(i)=3;elseif szzbz3(i)>3.5&&szzbz3(i)<=4.5szpj3(i)=4;elseszpj3(i)=5;endendfigure(3)plot(szzbz1,'o-r')hold onplot(szzbz2,'*-g')hold onplot(szzbz3,'*:b')xlabel('时间','fontsize',12)ylabel('预测水质','fontsize',12)legend('红工水厂','高家花园水厂','大溪沟水厂','fontsize',12)七、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：八、参考文献1.杜刚。