(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

合集下载

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

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

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

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

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

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

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

模糊综合评价在嘉陵江南充段水质评价中的应用
2 2
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

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

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。

遗传算法优化BP神经网络在水质评价中的应用

遗传算法优化BP神经网络在水质评价中的应用

7
0.09
0.02
1.6
1.8
0.14
8.1
10
玛曲
小川
10
新城桥
14
民和
2.3
0.15
0.03
0.15
2.1
0.05
0.54
2.3
2.0
0.14
2.1
2.4
标准训练样本的生成
0.13
0.16
2.6
0.30
7.7
7.9
6.9
组训练样本,很显然网络训练样本太少不具有说服
水质评价的本质是模式识别,也就是把评价指
第 40 卷
甘肃科技
第1期
Vol. 40
Gansu Science and Technology
2024 年 1 月
No. 1
Jan. 2024
DOI:10.20156/ki.2097-2490.2024.01.008
遗传算法优化 BP 神经网络在水质评价中的应用

洁,
冯 青
(黄河水利委员会上游水文水资源局,甘肃 兰州 730030)
1 BP 神经网络
见的水质评价方法有:单项指数法、综合指数法、灰
色关联分析法、模糊综合评价法、人工神经网络法
等,其中绝大部分水质评价方法都是线性模型,相
1.1
BP 神经网络原理和模型结构
BP 神经网络主要是利用梯度下降算法让误差
对简单快捷,但评价结果会有失偏颇,而人工神经
函数最小,过程分为信号的正向传播和误差的反向
一层的神经元两两之间是没有任何连接的[4]。
于水环境质量评价的人工神经网络多为 BP 神经网
络,
它是一种前馈型网络[1]。

在误差信号反向传播的过程中网络的...

在误差信号反向传播的过程中网络的...

重庆理工大学硕士学位论文改进BP神经网络在水质评价中的应用研究姓名:李文娟申请学位级别:硕士专业:测试计量技术及仪器指导教师:张莲2011-05-26摘要摘要水是万物生命之源,水环境管理的好坏直接影响到人类的生存与发展。

而水环境质量评价是水环境管理所有工作的基础,传统的评价方法如单因子评价法和综合污染法,因其应用的局限性而备受质疑。

因此,寻求一种客观、通用的水质评价方法显得尤为重要。

近年来,BP神经网络在模式识别方面的突出表现为之带来了可能。

将BP神经网络应用在水质评价中,可以克服传统评价方法的缺点,为各个河流水质类别的纵向对比提供了可能。

但由于BP网络自身的缺陷与水质评价的特殊性,使得BP网络水质评价模型面临的两大问题——工作效率与识别精度问题,尚未得到很好的解决。

本文围绕这两大问题进行了探索,对改进BP神经网络在水质评价中的应用进行了深入研究。

本文的研究工作主要分为以下几个部分:(1)介绍了BP神经网络的基本理论知识,针对BP网络存在的三个缺陷以及其在水质评价中所遇到的问题,对现有的黄金分割算法进行了改进,将其用于寻找最优隐含层节点个数,达到了优化网络的目的。

接着用LM算法对BP网络进行了改进,建立了基于LM-BP网络的水质评价模型,运用该模型对成都市新都区境内流域水质做出了评价,通过与综合污染指数法的评价结果比较,证明了该网络模型的可行性。

(2)为了进一步增强网络的识别精度,将遗传算法与BP网络结合,运用遗传算法的全局寻优能力为BP网络寻找最优的权值与阈值,以此建立GA-BP网络水质评价模型。

实验证明,该模型的网络性能(收敛速度与测试样本均方误差)均优于LM-BP网络模型。

最后,利用GA-BP网络模型对同一实例进行检测,并分别与LM-BP网络评价模型及综合污染法的评价结果进行对比,证明了GA-BP网络水质评价模型更合理、实用。

(3)为了探讨水质指标与类别之间蕴含的特殊关系,用线性插值取代随机插值生成样本,对已建立的GA-BP网络进行训练,通过实例检测结果对比,表明线性插值的评价结果不能反映水体污染的基本情况。

灰色和神经网络组合模型在水质预测中的应用

灰色和神经网络组合模型在水质预测中的应用

文章编号:1001-4098(2011)09-0105-05灰色和神经网络组合模型在水质预测中的应用刘东君,邹志红(北京航空航天大学经济管理学院,北京 100191)摘 要:针对天然水体水质预测问题,提出了基于灰色预测和神经网络的组合模型。

利用不同时段的数据建立不同的灰色模型,将所得结果用神经网络模型组合。

应用组合预测方法对北京密云水库水中DO值进行预测,并与单纯灰色和单纯神经网络模型比较。

结果表明组合模型的预测值相对误差更小,精度更高。

关键词:水质;灰色模型;神经网络;组合预测中图分类号:T P18 文献标识码:A1 引言随着经济的发展和生活水平的提高,天然水体正在不断遭到污染。

水体中含有多种污染物,它们浓度的高低直接影响水质的好坏,因此对水体中污染物浓度的预测和水质趋势变化的研究,具有重要的理论和现实意义。

目前已有多种模型与预测方法,如投影寻踪自回归模型对短时交通流进行预测,解决了“维数祸根”和高维数据间的非正态、非线性问题[1];运用赋权指数平滑模型对城市日用水量进行预测,得到较高的预测精度[2];通过建立人工神经网络模型研究水文预报中海平面在风暴潮期间的变化情况[3]。

由于这些单一方法的局限性,组合预测的方法被广泛采用。

如采用基于混沌理论和RBF神经网络的组合预测方法,对短时交通流量进行预测,得到了较高的精度[4];自回归移动平均模型(A RIM A)与人工神经网络(A NN s)的联合模型,充分利用了A RIM A的线性性与A NN s的非线性的独特的优势[5]。

本文将灰色预测模型与神经网络模型相结合,得到组合预测模型,该模型利用了灰色预测模型所需样本数据少、短期预测精度高的优点,同时又具有神经网络模型良好的非线性组合的特性。

2 相关理论2.1 灰色预测模型在水环境研究中,所获得的数据往往是在有限的时间和空间范围内监测的,并且所提供的信息也是不完全或不确切的,因此天然水体环境是一个灰色系统,即部分信息已知、部分信息未知或不确切的系统[6]。

河流水质评价中模糊数学评价法的应用与比较

河流水质评价中模糊数学评价法的应用与比较

第28卷第1期2009年 2月四 川 环 境S I CHUAN ENV I RONM ENTVol 28,No 1February 2009环境评价收稿日期:2008 09 16基金项目:国家自然科学基金重点项目(40730635);国家自然科学基金项目(40571025);高校博士点基金项目(20060284019)。

作者简介:陈 奕(1985-),男,浙江杭州人,南京大学环境科学专业2007级在读硕士研究生,从事水资源与水环境方面的研究。

河流水质评价中模糊数学评价法的应用与比较陈 奕,许有鹏(南京大学地理与海洋科学学院,南京 210093)摘要:选择2005年6个典型日(1月12日、3月10日、5月10日、7月13日、9月8日和11月10日)的水质,运用两种模糊数学评价法对浙江西苕溪流域港口断面的水质进行评价并作比较。

第一种数学评价法采用较为简单的单因素模糊综合评价法,另一种采用多级模糊数学评价法。

评价结果表明,1月12日、3月10日和11月10日的水质达到国家 类水质标准;而5月10日的水质相对最差。

比较两种评价方法,单因素模糊综合评价法对单个因素的影响敏感,特别是超标值对最后的相对隶属度贡献大;而多级模糊评价法综合各个因素来评价现状水质,因而反映出水质的综合情况。

结合港口断面的特点分析水质变差的原因,结论是:流域农业劳作带来的面源污染物质进入港口断面使得该断面在农作高峰期水质较差;同时,断面的水资源短缺问题较为严重,导致水环境容量较小,污染物较难稀释扩散。

关 键 词:模糊数学;单因素模糊综合评价法;多级模糊评价法;水质评价;面源污染中图分类号:X 824 文献标识码:A 文章编号:1001 3644(2009)01 0094 05Application and Com parison of Fuzzy M at he m aticalM et hods in the A ssess m ent of R iverW ater Qualit y C HEN Y ,i XU Y ou peng(Schoo l of G eographic &O ceanogra p hic Sciences ,N anj i ng Universit y,N anjing 210093,China )Abst ract :In th i s pape r ,the w ater qua lities at the secti on of harbors i n X iti aox iR iver o f Zhe jiang prov i nce w ere assessed andcompared w it h t w o fuzzy ma t he m atic m ethods T he sa m pli ng dates w ere selected on 6representati ve days in 2005,i e ,January 12,M arch 10,M ay 10,Ju l y 13,Septe mber 8and N ove m be r 10 T he first m ethod w as si ng le factor f uzzy synthes i s assess m ent method and t he second one w asmultileve l fuzzy assess mentmethod The resu l ts sho wed that t he qua lity o fwater sa mpled on January12,M arch 10and N ovember 10reached the grade I o fw ater standard ,while that on M ay 10was the worst relati vely By co mpar i son o f the resu lts obta i ned by the t wo me t hods ,t he si ng l e factor fuzzy assess m en tm ethod w as m ore sensitive to si ng l e factor ,especia ll y the factors exceedi ng the wa ter standard g rea tly contr i buted to the fi na l relati ve degree of m e m bersh i p Contrastively t he second m ethod i ntegrated a ll factors to assess the w ater quality t o reflect t he overa ll w ater cond itions Consider i ng t he charac teristi cs of the secti on of harbo rs ,itw as conc l uded t hat t he w orseni ng the w ater qua lit y sourced fro m agr i cultural non po i nt po lluti on O n the o t her hand ,the shortage of w ater resources res u lted i n s m a ll water capacity ,sequentiall y t he diffi culties o f d il u ti on and diff usion o f the po llutantsK eyw ords :Fuzzy m athe m atics ;si ng l e factor fuzzy integ ra ted assess m en t m et hod ;mu ltilevel fuzzy assess m ent m ethod ;w ate r qua lity assess m ent ;non po int po lluti on1 引 言河流水质的好坏可以影响到整个区域社会-经济-生态复合系统是否能够可持续的发展,因此对河流水质的合理评价问题日益引起人们的关注。

模糊神经网络在水质评价中的研究

模糊神经网络在水质评价中的研究

pe eep o u e .T e isw r rd c d h n,temo e sa pid t ss eq ai o ae.T ersl h w ta efzyn u h dl wa p l a e st u  ̄ f tr h eut s o th uz e ・ e os h l w s h t
是 由于评价 因子与水质之 问呈复杂 的非 线性关系 , 以及水体
l 引言
随着经济 的快 速发 展 , 资 源 日益 恶化 , 污染 已呈 现 水 水
由点源污染 向面源污染发展的态势 , 成为制 约和 困扰我 国可
污染本身具有模糊性 , 因而影 响了评 价的精度 。 近年来兴起 的人工神 经 网络 ( N 具 有学 习逼近 任意 A N) 非线性 映射 的能力 J 尤其是 B , P神 经网络 因其具 有训练速 度快 、 结构简单 、 非线性映射能力强优点 , 以很好地 反映评 可
关键词 : 模糊理论 ; 相对隶属度 ; 反向传播神经网络 ; 质评价 水
中图 分 类 号 : 3 19 t 9 . p 文 献 标 识 码 : B
W ae ai v lain B sd o u z u a t r trQu lyE au t ae n F zyNe r l wok t o Ne
NI Ho g—h i S U n u , HANG n —ln Ya ig
( o ue etr A y n o l nvrt, na gH nn4 5 0 ,C ia C mptr ne, na gN r iesy A yn ea 50 0 hn ) C ma U i
ABS TRACT:Amb g i x s i wae y e a d ca s ia in sa d r s n h o l e rr lt n e it ewe n i - iu t e it n t r p n ls i c t t n a d ,a d t e n n i a ea i xssb t e n y t f o n o l n e f co a d wae u l y h ea i mb r i e r eo z y t o y a l r f c h u l yo a h f e c a t r n t rq ai .T e r lt e me e hp d g e f u z e r ,c n wel e e tte q ai fe c u s t v s f h l t fco ‘ u z eai e sae n e B e r ewo k i o r n o l e n y i b l y h e p p rp tfr a d a tr Sf z y r lt tt ,a d t P n u a n t r f to g n n i a a a ssa i t.T a e u w r v h l s s nr l i o te wae u l y e au t n mo e a e n B e r l e o k a d f zy t e r Sa pi d t i mo e no p a t a h trq ai v ai d l s d o P n u a t r n z h o y a p l hs t l o b nw u n e d lit rc i l c q ai v u t n u l y e a a i .Usn n i ao sr lt e me e s i e r e marx i tr o ain,a n u a ewo k t ii g s m— t l o i g i d c t r ea i mb rh p d g e t n e p l t v i o e r n t r r n n a l a

16098117_基于LSSVM-MC和模糊神经网络的综合水质预测

16098117_基于LSSVM-MC和模糊神经网络的综合水质预测

收稿日期:2018-01-16;修订日期:2018-02-26作者简介:张志远(1991-),男,硕士研究生,研究方向:GIS 开发与应用。

基金项目:江西省数字国土重点实验室项目“农村宅基地结构特征及优化利用研究”。

∗通讯作者:张晓平(1982-),男,博士,副教授,主要从事土地利用与评价研究。

Email:xpzhang@。

第36卷 第2期2018年4月江 西 科 学JIANGXI SCIENCEVol.36No.2Apr.2018 doi :10.13990/j.issn1001-3679.2018.02.026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(东华理工大学测绘工程学院,南昌,333000)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。

关键词:最小二乘支持向量机;马尔科夫链;模糊神经网络;综合水质预测中图分类号:X832 文献标识码:A 文章编号:1001-3679(2018)02-331-05Integrated Water Quality PredictionBased on LSSVM⁃MC and Fuzzy Neural NetworkZHANG Zhiyuan,ZHANG Xiaoping ∗,ZHANG Lei,ZHANG Jianglin(East China University of Technology,330000,Nanchang,PRC)Abstract :The water quality prediction model can provide a basis for early warning of water quality in time and effectively and take countermeasures in advance.Therefore,research and prediction of ac⁃curate water quality prediction model is a key issue.Least squares support vector machine (LSSVM)is a new type of algorithm that has emerged in recent years.It is a frontier method for studying com⁃plex nonlinearities and artificial intelligence.Among many water quality predictions,this method is mostly applied to single⁃factor prediction,To sum up,in this study,the TS fuzzy neural network meth⁃od was used to predict the water quality by using LSSVM single factor prediction as input and com⁃prehensive water quality evaluation as output,and the single factor LSSVM single factor The predic⁃tion can be used as the input data of TS fuzzy neural network.The research shows that LSSVM com⁃bined with TS fuzzy neural network method,the prediction results are basically in line with the actual water quality,and the fitting degree is high.Can provide an effective basis for water quality monito⁃ring and management.Key words:least squares support vector machine;markov chain;fuzzy neural network;integrated wa⁃ter quality prediction0 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。

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

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。

神经网络在水质预测中的应用张煜

神经网络在水质预测中的应用张煜

神经网络在水质预测中的应用张煜发布时间:2021-09-23T02:07:26.762Z 来源:《中国科技人才》2021年第16期作者:张煜[导读] 本文对神经网络在水质预测中相关专利申请进行了分析,为神经网络在水质检测技术领域的专利申请提供参考。

国家知识产权局专利局专利审查协作广东中心摘要:本文对神经网络在水质预测中相关专利申请进行了分析,为神经网络在水质检测技术领域的专利申请提供参考。

随着我国经济快速发展,水污染日益严重,对我国可持续发展战略的实施带来了负面影响。

为有效解决这一问题,对水资源的合理规划和综合管理势在必行。

而对水质有效的预测则是管理和维护当前水质状况的重要依据。

借助近年来迅速发展的智能方法,建立人工神经网络非线性水质预测模型,使预测水体中污染物浓度随时间发展变化成为热点,并且相应的预测模型已在水环境管理和污染控制中得到了应用。

目前国内申请专利高度热情,因而对神经网络在水质预测中专利分析很有必要。

1、模糊神经网络简介常见的水质预测模型有很多种,根据所依据的理论基础不同,水质预测模式大致可以归纳为以下 5 类:水质模拟模型预测法、混沌理论预测法、数理统计预测法、灰色系统理论预测法和神经网络模型预测法。

然而,随着人工智能算法的兴起,人工神经网络是处理模糊的非线性关系的有力工具,具有预测精度高、参数修正自动化等优良特性,对于水质预测等复杂问题研究,具有很好的适用性。

神经网络是一种各神经元分布式并行处理信号的机器学习技术。

以人脑为模型,由大量的节点(神经元)相互连接构成复杂的网络。

每个神经元的对信号的处理可以看做是一种数学处理,称为激活函数。

而神经元之间传递信号则可看作是对其的加权值。

如图 1 所示为具体神经元结构和功能。

包括前馈型神经网络和反馈型神经神经网络。

前馈神经网络的整个网络分三种层,输入层、隐含层和输出层,是一种单向多层网络。

其中输入和输出为单层,中间的隐含层可以是多层。

网络中信息传递方向是单向的,整个网络中无反馈。

钱塘江河口盐度的神经网络模拟-精选文档

钱塘江河口盐度的神经网络模拟-精选文档

钱塘江河口盐度的神经网络模拟XU Dan1, SUN Zhi-lin1, PAN De-lu1,2(1. Department of Hydraulic and Ocean Engineering, Zhejiang University, Hangzhou 310058, China; 2. The Second Institute of Oceanography, SOA, Hangzhou 310012, China) Neural network modeling of salinity in Qiantang EstuaryJournal of Zhejiang University(Science Edition), 2011,38(2):234-238: Saltwater intrusion may have serious impacts on drinking water sources in tidal estuaries. Reasonable predictions of the estuarine salinity may help to keep the drinking water sources safe and also to better controll the estuarine salinity by scheduling the discharge of reservoirs. A model is presented that based on the correlation between the non-linear time series of salinity and the forcing signals of freshwater input and tidal range. With the input data normalized, the model is trained with the first half data set, and then gives the hindcast of salinity of the second half. Then the output data isanti-normalized and the result matched well with themeasured data, which indicates that the ANN model is capable of simulating the salinity change in tidal estuaries.The model is also applied to simulate the variation of salinity responding to different discharges. The result shows that descending flow in the process of discharging water in reservoirs can better inhibit the invasion of salt water and reduce the harmful influence on drinking water sources in tidal estuaries more efficiently.?お?s: salinity; neural network; scaled conjugate gradient algorith; Qiantang Estuary0 引言盐水入侵对河口地区的正常取水和河口生态系统都会带来较大影响.受上游淡水径流、海域潮汐动力、风力风向、河口地形及人类活动等多种因素的影响,河口盐水入侵问题十分复杂,河口区盐度的空间分布及其随时间的变化与这些影响因素之间存在高度非线性的映射关系.由于缺乏系统的盐度数据等实测水文资料和大范围的河口水下地形,使得采用二、三维数值模式研究盐水入侵对河口饮用水源地和水环境的影响较为困难.因此,在较少种类的实测资料条件下,用一种相对简单的时间序列模式研究非线性映射关系下的盐水入侵变化对相关的工程建设具指导意义.人工神经网络是一种具有集体运算和自适应能力的非线性动力系统,已广泛应用于模式识别、信号处理、人工智能以及自动控制等多种领域,具有很好的解决不变量探测和抽象或概括类问题的能力.近年来人工神经网络在水资源和水利领域已有很多应用,如文献[1]利用神经网络预测夏威夷瓦胡岛上频发的洪水以及相应的水流水质变化.文献[2]把人工神经网络技术成功应用于印度洋上Cocos岛附近潮位变化的预测.文献[3]通过模糊神经网络的方法利用瑞士Birs河上4个水文站的已有数据对未测数据进行计算,结果显示计算所得的全部数据的时间序列在表现形式上与原有数据符合良好.文献[4]对神经网络的结构和权重进行优化处理并成功应用于水位的预测.文献[5]利用20世纪60年代密西西比河流域收集的桥梁壅水数据基于神经网络方法建立了一个新的桥梁壅水公式.文献[6]采用神经网络模型优化预测了比利时Zwalm河流域大型无脊椎动物种群的适宜栖息地.文献[7]利用数值模型结合人工神经网络的方法来快速评估英国Ribble河口的水质.文献[8]采用数值模拟和神经网络结合的方法研究德国Wadden海潮汐盆地的风浪变异.文献[9]使用神经网络模式预报了澳大利亚墨累河的盐度,认为这种预报模式极有前景.文献[10]通过神经网络的方法实现了对加洲萨克拉门托圣华金河三角洲地区的盐水入侵的预测.河口地区的盐水入侵最主要是由于受潮汐潮流的推动作用,因而作为典型强潮河口的钱塘江河口的盐水入侵在强潮的作用下就显得尤为明显,同时对于赖以依托该地区饮用水水源地取水的杭城饮水的影响也更为突出,2003年9月发生的咸潮更是十年一遇,造成杭州全城自来水告急.目前对钱塘江河口盐度的研究以对实测资料进行分析为主,或采用一维、二维数学模型,如文献[11]采用潮泛混合长度理论和一维数学模型计算了江水沿程含盐度变化;文献[12]利用考虑了斜压梯度影响的平面二维盐度方程模拟了钱塘江河口口门段及杭州湾的盐度分布.鉴于问题的严重性,采用各种模式对此类问题展开进一步的研究已显得极为重要.对于这样一个受诸多因素影响的复杂非线性动力系统,本文拟基于BP神经网络建立钱塘江强潮河口盐度的预测模型,并分析模型的可靠性.1 神经网络方法以模拟人脑感知和学习能力的感知器为基础发展起来的人工神经网络适用于许多领域的复杂问题,人工神经元作为人工神经网络的基本单元,是构成神经网络系统的简单过程.各神经元之间的连接强度即为权值,单个神经元按照一定的规则连接成网络并使各个权值再按一定规则变化,便构成了处理非线性动力系统的人工神经网络.图1 3层BP神经网络Fig.1 Three-layer BP neural network为有效实现输入与输出条件之间复杂的映射关系,可采用多层神经网络的结构.本文采用的3层神经网络结构如图1所示,这种网络结构带有1个输入层、2个带非线性转换函数的隐层和1个带线性转换函数的输出层,其中Xi(i=1~n)代表输入变量,Yj(j=1~m)和Zk(k=1~p)代表隐层神经元的输出,Tl(l=1~q)代表神经网络的输出.连接输入的权重矩阵Wij叫做输入权重,隐层间输出的权重矩阵Wjk和Wkl称为层权重.一个神经网络必须被训练到形成恰当的权重值以产生正确的输出结果.各层可分别表示为yj=f1∑ni=1wijxi+a0j,(1)zk=f2∑mj=1wjkyj+b0k,(2)tl=f3∑pk=1wklzk+c0l,?В?3)其中xi为输入层节点的值,yj和zk分别为第1隐层和第2隐层节点的值,tl为输出层节点的值,a0j、b0k、c0l为阈值.网络最先输入初始条件值和目标值,训练中网络会随机指定每个神经元的初始权重,然后把随机权重下得到的模型预测值与目标值进行比较,再调整权重以不断减小网络输出的预测值和目标值之间的均方差,直至均方差小于给定的期望值时网络训练即告完成.BP神经网络有多种优化算法能促进网络训练的收敛速度,梯度下降方法是最基本的训练方法,它通过不断调整权重大小使误差函数沿着梯度方向进行搜索,在减小误差的同时也使收敛速度加快.梯度下降法算法中第1次迭代沿着最陡梯度的下降方向进行搜索[9]:p(0)=-g(0),(4)随后沿着当前的搜索方向进行最佳距离的线性搜索:x(k+1)=x(k)+αp(k),(5)p(k)=-g(k)+β(k)p(k-1),(6)式中x(k)表示第k次迭代各层之间的阈值向量,α为学习速率,在训练时为常数,一般默认取0.01,可通过改变训练参数进行设置.g(k)=E(k)x(k)表示第k次迭代的神经网络输出误差对各阈值的梯度向量.负号表示梯度的反方向,即梯度的最快速下降方向.p(k)表征第k+1次迭代的搜索方向,它由第k次迭代的梯度和搜索方向共同决定,β(k)则有多种计算方法.本文采用Moller改进的SCG算法(scaled conjugate gradient)[10],β(k)按下式计算:β(k)=g(k+1)[g(k+1)-g(k)]-p(k)Tg(k),(7)p(k+1)=-g(k)+β(k)p(k).(8)2 计算分析钱塘江是浙江省最大的河流系统,发源于安徽省休宁县大尖山岭北麓,向东北流贯浙江省北部至澉浦,经杭州湾注入东海,富春江水电站以下为河口区(见图2).本文采用的七堡站日最大含氯度、富春江水电站日流量及澉浦潮差的观测数据,均在2004年实测资料中选取.将全年数据分为两组,1月5日至6月30日为数据1, 7月1日至12月25日为数据2(见图3).其中数据1用于模型的训练,数据2则用来对模型进行后报验证.以上述富春江电站的日流量和澉浦日平均潮差作为本文神经网络系统中的输入,七堡站最大含氯度作为系统输出.模型中两隐层均采用双曲正切S形传输函数,输出层使用线性传输函数.由于各输入输出之间数据所属范围差别较大,直接使用观测数据时发现网络收敛缓慢甚至无法收敛,因此,为使程序运行时的收敛加快,使用prestd函数对输入数据进行归一化处理,输出数据利用poststd函数进行反归一处理.图2 计算区域Fig.2 Computation domain图3 模型训练数据1(a)和后报数据2(b)Fig.3 data 1 for model training(a) and data 2 for hindcasting(b)在模型训练阶段,根据上游富春江电站出流量和下游澉浦潮差的第1组数据输入,用ANN模型计算的七堡最大含氯度与实测值进行比较,在未达到理想的结果前不断调整模型中的权重参数,直到氯化物的模型预测值与实际观测值之间的均方误差减小到所设定的期望值.模型的权重参数确定后,再用第2组数据对模型进行验证.使用改进的变梯度BP算法――SCG算法在训练期间无需对每次迭代都进行方向搜索,但权重大小仍在随时修改.计算中通过在隐层中设置不同的节点数来检查模型的敏感性.隐层节点数的选择虽无明确的方法,但一般认为隐层节点数太少会使网络系统的容错性变差、识别未经学习的样本能力降低,而过多的隐层节点数又会导致网络系统的学习时间过长,因此本模型考虑在开始时放入较少的隐层节点数,根据训练情况再作相应的调整.设定模型训练步数为10 000步,期望训练精度0.001.令第1隐层节点数为5,第2隐层节点数为3,经多次训练得到的最小均方误差mse为0.055 6,最小平方和误差sse为9.894 1;保持第2隐层节点数为3,第2隐层节点数为10,经多次训练得到的均方误差mse最小为0.037 8,最小平方和误差sse为6.724 1;再使第1隐层节点数增加到16,在多次训练中得到的最小均方误差mse为0.028 6,最小平方和误差sse为5.085 2.此时保持第1隐层结点数16不变,把第2隐层节点数增加到7,发现在多次训练中得到的最小均方误差mse为0.001 4,最小平方和误差sse为0.248 8.在此基础上当第2隐层节点数增加到11时在多次训练中发现网络模型可以在第6 928步收敛于均方误差mse的0.001以下,此时平方和误差为0.178.可见隐层结点数在适当范围内的增加有利于网络的收敛.图4为第1隐层节点数为16,第2隐层节点数为11的设置下网络模型计算输出的日最大含氯度值与实际观测数据之间的比较.可以看出计算值与实测值符合良好,相关系数达0.982.图4 ANN模型的训练结果Fig.4 Results from ANN model training with data 1 把训练好的模型应用于后报并与数据2进行比较,后报输出值与实际观测数据之间的关系见图5,其相关系数为0.854.说明由神经网络模型得到的河口盐度与上游流量和下游潮差间的这种映射关系良好,能够合理地描述河口盐度变化的客观规律.根据盐度与两种参数之间的内在关系来模拟预测潮汐河口的盐度变化,对于因缺少水深、地形和流场等资料因而难以进行数值模型计算的河口来说,不失为模拟和预报盐度的一种有效手段,可为河口区受盐水入侵影响的饮用水源取水口等工程的规划、设计和运行管理提供快速的判断依据.图5 ANN模型后报与实测的比较Fig.5 Comparison of hindcasting from ANN model with the measured上游水电站下泄日径流量可人为控制,而下游潮差取决于月相变化和海域自然条件,因而对水源地盐水入侵的影响一般通过改变下泄径流量来加以调节.下面采用数值试验探讨上游径流量变化对水源地盐度的影响.由于潮汐变化具有显著的周期性,不同潮周期间潮位过程相近,计算时仍将潮差作为下游边界条件.使富春江水电站在04年下半年的日下泄流量分别按升序和降序排列,作为两种上游边界条件,分别记为条件1和条件2,利用神经网络模型进行数值试验,计算结果如图6所示.图6 不同流量的结果Fig.6 Results with different discharges由图可见,升序流量条件下计算得到的最大含氯度达5 060 mg•L-1,有98 d浓度超过250mg•L-1;而当流量以降序排列时,最大含氯度超过250 mg•L-1的天数仅为24 d,也小于实际情况下的31 d,最大浓度减小到2850mg•L-1.原因可能与本底含氯度、潮棱柱体积及水体交换率等有关.本底含氯度越高、潮棱柱体积越大、水体交换率越小,同径流量下含氯度越高,反之亦然.对于受盐水入侵影响的河口区,前期径流量较大,则河口段本底含氯度相对较小,这在一定程度上减轻了前期含氯度对后期的影响.而在前期径流量较小的情况下,本底含氯度大为增加,前期含氯度对后期的影响也大,需经较长时间的淡水稀释才能达到同样的抑咸效果.因此,采用水库泄水来抑制潮汐河口水源地咸水入侵,在泄水总量不变的条件下,按降序流量过程能更有效地减缓盐水入侵对水源地的影响.这对潮汐河口饮用水源地取水安全和水库泄水调度具有重要意义.3 结论含氯度是潮汐河口中表征水质盐水入侵程度的一个重要指标,本文利用SCG算法的神经网络模型模拟了钱塘江七堡的日最大含氯度变化.通过对输入数据的归一化处理,模拟过程效果理想.模型训练和后报的结果显示,考虑了上游流量和下游潮差影响建立的盐度神经网络模型可以获得令人满意的最大含氯度变化的时间序列.并且可根据含氯度与上游流量和下游潮差之间存在的映射关系来模拟潮汐河口盐度的变化.对于缺少水深、地形和流场等资料而难以进行数值模型计算的河口来说,建立相应的神经网络模型不失为模拟和预报盐度的一种有效手段,可为潮汐河口区取水口设置等受盐度变化影响较大的工程提供建设依据.通过对不同流量过程条件下日最大含氯度的模拟发现,采用水库泄水来抑制潮汐河口水源地咸水入侵,在泄水总量不变的条件下,按降序流量过程能更有效地控制并减小盐水入侵对水源地的影响.。

  1. 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. 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. 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。

相关文档
最新文档