基于模糊BP神经网络的水质评价
BP神经网络在地下水水质评价中的应用
． ：
● Ｎ
输 ｍ 结 凇
计薜搦棒觚 输ｎ ； 赫的 簸ｌ
图 １所示 。
研 究区选取吉林省辉南县 ， 地 处 长 白山 系 龙 岗 山脉 的 中 北 部 。研 究 区 属 于 低 山 丘 陵 地 貌 ， 属 北 温 带 大 陆 性 季 风 气候 区， 主要 气 候 特点 是 夏季 温 热多 雨 ， 春 季风 大干 旱 ， 秋 季 凉爽 短促 ， 冬 季 寒冷 漫 长 。辉南 气象 站多 年 平均气 温 ４ ． １ ℃， 最 高气 温为 ３ ４ ． ６ ℃， 最 低气 温 为 一 ４ ０ ． ３ ℃， 无霜期 １ ３ ０天 ，≥ １ ０ ％积 温 ２ ６ ５ ０ ￣ Ｃ ， 多年平均降雨量为 ７ ５ ４ ． ７ ｍ ｍ， 多年平均蒸发量为 ７ ５ ２ ． ４ １ １ １ １ １ １ ， 多 年 平均 风速 为 ３ ． ４ ｍ ／ ｓ ， 风向Ｎ Ｗ， 多 年 平 均 日照 时 数 为 ２ ５ ７ ２小时 ， 最大 冻土 深度 １ ． ５ ｍ。 由于辉 南县 属 于低 山丘 陵 区 ， 且 由东南 向西北 倾 斜 ， 因此 ， 地 表水 系 统 发达 ， 县 城 内属 于辉 发 河水 系 １ ０ ｋ ｍ 以上河 流 就有 ２ ２条 ， 主 要 有 辉 发 河 、三 统 河 等 。辉 发河 发 源 于辽 宁 省 清源 县 ， 自西 向东 流 经县 城 ， 并 有大 沙河 、一统 河 、三 通 河 、亮子 河 、蛤 蟆河 、蛟河 汇 入辉 发 河 。俗有 “ 九行 下 哨 ”之 称 。辉 发 河历 年 平均 水位 高 程 ２ ９ ８ ｍ， 最 高供 水位 高程 ３ ０ ２ ． ２ ５ ｍ。 最 低水 位２ ９ ４ ｍ 。平 均 流速 ０ ． ５ ｍ ／ ｓ 一 ０ ． ８ ｍ ／ ｓ ， 最大 流量 ４ ８ ５ ０ ｎ ｌ ／ ｓ ， 含沙
基于BP神经网络—模糊数学串联模型的科左中旗地下水质量评价
基于BP神经网络—模糊数学串联模型的科左中旗地下水质量评
价
地下水水质是植物生长发育和影响生态环境的主要因素,是评估地下水环境的核心指标。
内蒙古通辽地区农业灌溉主要依赖于地下水,目前该区正在进行大规模的“节水增粮行动”,此举可能会引起地下水环境的变化。
本文以科左中旗万亩示范田为研究对象,开展地下水环境监测,揭示研究区地下水环境的变化规律,应用构建的BP神经网络—隶属度串联模型对科左中旗地下水环境进行评价,成果将为农田地下水环境有效治理提供基础,对维持当地农业可持续发展具有不可忽视的价值意义。
主要研究成果如下:(1)作物生育期内地下水位降低,地下水埋深波动比较明显。
2016年地下水埋深在生育期内呈“U”型变化;2017年7月份由于降雨密集,水位上涨,地下水埋深在生育期内呈“W”型变化。
(2)地下水水质生育期内变化较大,伴随着地下水埋深的升降、降雨的补给、施肥的进行:7月地下水pH值升高;矿化度、全盐量、氨氮、硝酸盐、硫酸盐、钠离子、镁离子、氯化物和总硬度在6月份和8月份产生极大值,7月份产生极小值,波动较明显;重碳酸盐和总碱度呈现高低起伏的变化,全盐量与矿化度、重碳酸盐与总碱度存在极显著正相关关系。
8月末各离子浓度逐渐下降,生育期前后各离子浓度值相近,当地总体地下水质4月和10月优于其它各月。
(3)构建的BP神经网络一隶属度串联模型经率定检验,与实际监测数据吻合较好,该模型用于科左中旗地区农田地下水质量评价可行。
(4)以地下水Ⅳ类标准为基础,基于BP神经网络一隶属度串联模型评价结果
显示研究区地下水水质总体都位于Ⅳ类水以上,地下水质量情况良好,其中2017年地下水质量优于2016年。
基于模糊神经网络的海水水质评价 宗勇军
基于模糊神经网络的海水水质评价宗勇军摘要：为了能够客观地对海水水质进行综合评价，利用遥感图像获取的实时与大范围优势，基于卷积神经网络的沿海水质综合评价方法。
通过多层卷积与池化操作，降低因图像平移、缩放、倾斜等变换引起的误差，提高水质评价精度。
实验结果表明，该方法可较准确地评价沿海水质，具有一定的实用价值。
关键词：沿海水质；水质评价；神经网络随着沿海养殖、工业、运输和旅游等行业的迅速发展，近岸海域所承受的资源与环境压力也日益严重，自净速度往往赶不上生产、生活排污速度，从而导致沿海区域水质下降和生物资源减少等海洋生态环境问题。
目前，沿海水质评价数据采集手段已多样化，主要包括卫星遥感、船舶、航空、浮标和台站等方式，而基于遥感图像的水质评价因具有快速、低成本、即时同步性好等优势，已成为当前沿海水质监测与评价的主流方式，可实时快速获得大面积区域沿海水质信息。
卫星遥感的原理是利用卫星重现观测目标电磁辐射特性的空间分布状况，包含观测目标的光谱、时空等特征，并通过分析、推理与判断遥感影像中的目标特征信息来实现观测目标识别。
一、沿海水质评价技术总体框架沿海水质评价技术框架如图1 所示，在水质评价前，需对卷积神经网络进行样本训练。
训练集由沿海水质评价知识集、沿海卫星遥感图像数据和实测的沿海水质数据组成。
其中以卫星遥感图像数据和沿海水质评价知识集为输入样本，以实测的沿海水质数据为目标样本。
在沿海水质评价过程中，将卫星观测的遥感图像数据和水质评价知识数据作为输入数据集，利用训练好的卷积神经网络进行分类识别，最终实现沿海水质的评价与分类。
根据标准海水水质标准，海洋水质分为Ⅰ类、Ⅱ类、Ⅲ类和Ⅳ类[1]，对于劣于第Ⅳ类的水质，根据[1]将其分为劣Ⅳ类。
因此在训练及识别过程中，以上述级别的分类标准作为沿海水质评价标准指标，实现沿海水质的分类处理。
二、卷积神经网络的沿海水质评价技术1、沿海水质遥感图像校正。
由于受到遥感器自身特性、大气折射、地球自转和成像方式等因素的影响，卫星遥感采集的影像存在一定的数据失真与几何畸变现象，这必然影响后期影像处理质量和应用效果。
基于模糊BP神经网络的苏南Y湖水质评价
基于模糊BP神经网络的苏南Y湖水质评价作者：孙永泉刘旭陈吉陆幸鹦宋梅来源：《安徽农业科学》2014年第34期摘要以苏南Y湖水环境为研究对象，运用模糊神经网络进行水质评价，根据评价结果进行该湖不同水域的水质比较。
结果表明：该湖水体溶解氧和化学需氧量在5种不同水域具有显著性差异，两者均以中湖、东湖和湖内围网区为最高，上游河流最低;而水体氨氮、总氮和总磷含量在各水域均没有显著性差异。
建立以上述5个水质指标为输入变量、包含3个神经元的隐含层和1个水质类别输出结果所组成的BP人工神经网络，经学习训练后，其可掌握水质类别特征，具备完全正确识别样本的能力。
从BP网络输出结果和模糊BP神经网络计算结果可知，该湖各水域水质处于Ⅳ和Ⅴ类之间，总体来说西湖的水质最好，上游河流次之，其次为湖内围网区和东湖，湖中最差。
相比BP网络输出结果，模糊BP神经网络计算结果可以更简单明了地表示该湖各水域水质接近于某类标准水质的程度。
关键词水质评价;BP人工神经网络;模糊综合评价;模糊BP神经网络中图分类号 S181.3;X825 ;文献标识码 A ;文章编号 0517-6611（2014）34-12253-03Y湖是苏南地区调蓄水量的主要湖泊和市区重要饮用水源，对于该地区的生活饮用、工业用水、农业灌溉和渔业资源保护等均起关键作用。
近年来，随着该地区工农业的快速发展，湖水营养物质富集，导致该湖水体的富营养化水平不断加剧。
因此，Y湖水环境的保护对于保障该地区人民生活质量和经济持续发展具有十分重要的意义。
水质评价是进行水环境保护的前提和基础[1]。
地球上所有水环境系统是一个开放而又难以界定的非线性复杂系统[2]。
采用传统的水质评价方法，往往通过大量的假设简化而偏离真实情况。
模糊BP神经网络是模糊理论同BP神经网络相结合的产物，可实现样本识别、杂讯过滤、特征量记忆存储、学习与联想及模糊信息处理等功能，在复杂系统进行定量化研究方面具有独特优势[3]。
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)Warning: Ignoring extra legend entries.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)n =6m =50Warning: Ignoring extra legend entries.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)web browser Warning: Ignoring extra legend entries.。
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
基于BP神经网络的水环境承载力评价
基于BP神经网络的水环境承载力评价杨秋林,张淑贞（太原科技大学，山西太原０３００２４）摘要：在充分理解水环境承载力概念的基础上，选取水环境承载力评价指标，确定分级评价标准，引入神经网络理论，构建了3层BP神经网络评价模型，并将其应用于山西省2004年、2010年水环境承载力评价；结果表明，山西省2004年、2010年水环境承载力处于弱承载状态；建立的评价模型结构简单、计算简便，具有很好的适用性。
关键词：水环境承载力；BP神经网络；山西省Evaluation of wter environmental carrying capacity based on BP Neural NetworkYANG Qiu-lin，ZHANG Shu-zhen(Taiyuan University of Science and Technology,Taiyuan030024,China)Abstract:Based on the concept of water environmental carrying capacity and by selecting the evaluation index system of water environmental carrying capacity,establishing grade evaluation standard,and introducing neural network theory,it constructs the three-layers BP neural network evaluation model,and applies it to evaluate water environmental carrying capacity of ShanXi Province in2004,2010.The calculations with the model shows that water environmental carrying capacity of ShanXi Province in2004,2010is still weak.The model built in this paper has the specialties of simple structure and easily calculating,and is also suitable for comprehensive assessment of water environmental carrying capacity.Key words:water environmental carrying capacity;BP neural network;Shanxi Province在动力法院外墙，有三叶地锦覆盖的墙体比没有覆盖的墙体平均降低５．５℃，最高降温幅度达到６．８℃。
自适应变步长BP神经网络在水质评价与衡量与衡量中的应用
式中：E为网络输出误差，P代表第P个样本，j为输出单元数，t jp为单元期望输出，O jp为单元的实际输出，(t jp-O jp)2输出层第j个神经元在模式P作用下的实际输出和期望输出之差的平方。
1.2 BP算法存在的问题BP算法的根本形式为[3]:W(k+1)=W(k)+αD(k)(2)式中:W〔k〕为时刻的权值；α为学习率；〔k〕为k时刻的负梯度。
用三层BP网络可以任意逼近任何连续函数，但是它主要存在如下缺点：(1) 从数学上看，它可归结为一非线性的梯度优化问题，因此不可防止地存在局部极小问题；(2) 学习算法的收敛速度慢，通常需要上千次或更多；(3) 络结构为前向结构，没有反应连接，因此它是一非线性映射系统。
1.3 BP算法的改良〔ABPM算法〕由于BP算法存在以上的缺陷，因而用BP网络训练网络时常常会出现收敛慢、振荡和陷入局部极小等问题。
因此，采用引入动量项的自适应变步长来调整学习率的改良算法〔即ABPM算法〕。
自适应变步长算法和常规BP算法的主要区别在于学习步长λ随误差曲面的变化而进展调整。
由于BP网络的逼近误差曲面的梯度变化是不均匀的，即(k)在不同的位置大小不同。
如果采用固定的步长λ,当λ较小时，在误差曲面较平坦的区域，收敛较慢；当步长λ较大时，又会在峡谷区域引起振荡。
自适应变步长算法正是针对步长的缺陷提出来的。
这种算法是以进化论中的进退法为理论根底的，即连续两次观测训练的误差值，如果误差下降如此增大学习率，误差的反弹在一定的X围内，如此保持步长，误差的反弹超过一定限度如此减小学习率。
学习率的调整可用如下公式进展描述。
W(k+1)=W(k)+α(k)[1-ηD(k)+ηD(k-1)] (3)其中：α(k)=2λα(k-1)；λ=sign[D(k)D(k-1)]。
式中：(k)为k时刻的学习率，它是(k-1)时刻学习率的函数。
η是动量因子，用来抑制振荡。
确定好网络结构和训练算法后，就可以利用输入输山样本对网络进展训练，即按照式〔3〕对网络权值进展调整，当达到期望的输出时训练即告完成，否如此继续调整权值。
《Matlab神经网络30个案例分析》基于模糊神经网络的水质评价
%输 层结for i=1:Ifor j=1:Mu(i,j)=exp(-(x(i)-c(j,i))^2/b(j,i));endend% 规则计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';% 络预测计yn(k)=addyw/addw;e(k)=outputn(k)-yn(k);%计 p 值d_p=zeros(M,1);d_p=xite*e(k)*w./addw;d_p=d_p';%计 b 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% c 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(' 际输 ','预测输 ','误 ','fontsize',12)title('训练数 预测','fontsize',12)xlabel(' ','fontsize',12)ylabel(' 质 级','fontsize',12)Warning: Ignoring extra legend entries.络预测%数 归inputn_test=mapminmax('apply',input_test,inputps);[n,m]=size(inputn_test)for k=1:mx=inputn_test(:,k);%计 输 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 输yc(k)=addyw/addw;end%预测结 归test_simu=mapminmax('reverse',yc,outputps);% 图figure(2)plot(output_test,'r')hold onplot(test_simu,'b')hold onplot(test_simu-output_test,'g')legend(' 际输 ','预测输 ','误 ','fontsize',12)title('测试数 预测','fontsize',12)xlabel(' ','fontsize',12)ylabel(' 质 级','fontsize',12)n =6m =50Warning: Ignoring extra legend entries.际 质预测load data2hgsc gjhy dxg%-----------------------------------红 -----------------------------------zssz=hgsc;%数 归inputn_test =mapminmax('apply',zssz,inputps);[n,m]=size(zssz);for k=1:1:mx=inputn_test(:,k);%计 输 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 输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% %----------------------------------- -----------------------------------zssz=gjhy;inputn_test =mapminmax('apply',zssz,inputps);[n,m]=size(zssz);for k=1:1:mx=inputn_test(:,k);%计 输 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 输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% %----------------------------------- -----------------------------------zssz=dxg;inputn_test =mapminmax('apply',zssz,inputps);[n,m]=size(zssz);for k=1:1:mx=inputn_test(:,k);%计 输 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 输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 ','fontsize',12)ylabel('预测 质','fontsize',12)legend('红 ',' ',' ','fontsize',12)。
(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
模糊神经网络的预测算法——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。
BP神经网络在焉耆盆地水质评价中的应用
- 1-BP 神经网络在焉耆盆地水质评价中的应用1曹英兰1 靳孟贵1 刘延锋1,2（1. 中国地质大学环境学院，湖北 武汉，430074； （2. 中国科学院武汉岩土力学研究所，湖北 武汉，430071）email：caoyinglan@摘要：水环境的污染是多种因素综合的结果，具有不确定性和模糊性。
本文应用BP 神经网络和综合污染指数法评价焉耆盆地的水质。
结果表明，BP 神经网络能够很好的解决评价因子和水质等级之间复杂的非线性关系，其评价方法具有客观性、实用性和适用性等优点。
关键词：人工神经网络；BP 神经网络；水质评价； 综合污染指数法1引言水质评价是水资源评价的一项十分重要的内容，它的主要任务是根据水的主要化学成分和相应的水质标准，分析水质时空分布状况，为水资源的合理开发和管理提供科学依据。
目前水质评价的方法有单因子评价法和多因子综合评价法。
水质评价的数学模型很多，如综合污染指数法、内梅罗污染指数法、模糊数学法、灰色聚类法等。
但这些方法并没有很好地解决评价因子和水质等级之间复杂的非线性关系，以及水体污染的随机性和不确定性。
近年来快速发展起来的人工神经网络为解决上述问题提供了有效的工具。
事实上，在评价指标确定之后，综合评价的过程就是把这些指标的同一分级标准视为一个标准样本，将待评价样本这些指标的监测值与标准样本进行比较和分析，在此基础上判断其与哪一级分级标准更接近。
因此，水质综合评价属于模式识别问题［1］。
人工神经网络已在模式识别中得到了广泛的应用。
本文以新疆焉耆盆地为研究对象，根据该区水质监测资料，利用BP 神经网络和传统的综合污染指数法分别对该区地表水和地下水进行综合评价，初步探讨BP 神经网络在水质评价中的合理性和可靠性。
2计算方法2.1污染指数计算污染指数包括污染因子的污染指数、平均污染指数（Average Contaminative Index ，ACI ）和综合污染指数（Intergrated Contaminative Index ，ICI ）等［2］分别按（1）～（3）式计算。
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
宋
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]。
基于人工神经网络的水质预测与评估技术研究
基于人工神经网络的水质预测与评估技术研究随着工业化和城市化的发展，水污染问题日益成为社会关注的焦点。
为了确保水质的安全和可靠，需要建立水质预测和评估技术。
人工神经网络是一种在模拟人类大脑运作方面取得了较大进展的技术，因此，将其运用于水质预测和评估中，可有效提高预测准确性和评估水平。
一、人工神经网络简介人工神经网络是一种模仿大脑神经网络结构和功能的计算模型，它通过对具有类似大脑神经元特性的计算单元进行连接和操作，实现信息处理和学习能力。
神经网络中的信息处理单元称为神经元，神经元之间通过连接线传递信号，并且每条连接线都有对应的权值。
二、水质预测基本概念水质预测是根据水体中的特定指标和历史数据，预测未来水质的变化趋势。
水质预测需要建立合适的模型来描述水质参数变化规律。
通常，水质预测采用的方法是时间序列分析法和回归分析法。
三、水质评估基本概念水质评估是根据水质目标和水体中的各项指标，对水质进行综合评价。
水质评估可基于模型或实测数据进行，主要采用的方法有水质综合指数法、灰色关联度分析法和模糊数学法等。
四、基于人工神经网络的水质预测技术水质预测中，常用的人工神经网络结构有前馈神经网络和循环神经网络。
前馈神经网络是最常被使用的神经网络，其输出层仅与输入层和隐层相连。
循环神经网络允许信息在网络中循环流动，具备处理时间序列数据的能力。
为了建立有效的水质预测模型，需收集大量的水质监测数据和相关气象、水文、地理等环境因素数据。
根据采集到的数据，应挑选合适的神经网络结构和算法，对网络权值进行训练和优化调整。
训练完成后，还需对模型进行验证，确定其预测准确度和可用性。
五、基于人工神经网络的水质评估技术水质评估中，常用的人工神经网络结构有BP神经网络和RBF神经网络。
BP神经网络是最经典的神经网络，其结构和学习算法都比较简单。
RBF神经网络则是一种优化能力较强的神经网络，主要用于解决非线性问题。
建立基于人工神经网络的水质评估模型，需要选择合适的输入因素和评估指标。
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
基于模糊神经网络的水质预测模型研究
基于模糊神经网络的水质预测模型研究一、研究背景水质预测是一种关键性的工作，其可以保证水资源的安全与合理利用。
然而，由于水环境受到人口增长、工业化和农业化等因素的影响，许多地区的水质状况正在恶化。
因此，发展一种可靠的水质预测模型具有重大意义。
为满足水环境保护的实际需求，基于模糊神经网络的水质预测模型研究正日益受到关注。
二、模糊神经网络简介模糊神经网络是神经网络的一种扩展形式，其结构类似于神经元，但是其激活函数不是阶跃函数，而是模糊逻辑运算。
模糊神经网络主要由输入层、隐层和输出层组成，其中隐层连接权值可以用聚类算法进行获得，其训练过程需要使用到反向传播算法。
模糊神经网络具有自适应调节和非线性逼近功能，使得其对非线性系统建模有着极高的准确度。
三、水质预测模型的建立水质预测模型可以采用模糊神经网络进行建立。
模型建立的关键是选择适当的输入变量和输出变量。
在进行水质预测时，通常选择水质监测点的水温、溶解氧、化学需氧量、氨氮等指标作为输入变量，水质评价结果作为输出变量。
在网络的训练过程中，需要加入一定的随机噪声以增强模型的泛化能力。
四、实例分析为了验证所建立水质预测模型的准确性，本实验选择了某水库水质检测数据作为数据来源。
首先，将样本数据分为训练集和测试集两部分，其中训练集占总样本数的70%，测试集占30%。
接着，用训练集数据进行网络训练，并用测试集数据进行验证。
最终得出的预测结果表明，该模型具有较高的预测准确性和较好的泛化能力。
五、结论基于模糊神经网络的水质预测模型在水质状况的快速评估和监测中具有广阔的应用前景。
本研究提出的水质预测模型具有较高的预测准确性和泛化能力，可以帮助人们更好地保护水环境和保障人民健康。
在实际应用中需要继续优化模型结构和参数，进一步提高其精度和稳定性。
基于模糊神经网络的水质监测与预警系统设计
基于模糊神经网络的水质监测与预警系统设计水质是人类生活中不可或缺的资源之一，它涉及到饮用水、农田灌溉、工业生产等方方面面。
然而，随着城市化进程的加速和工业生产的增长，水质污染问题日益突出。
因此，建立一套高效的水质监测与预警系统成为了保障水质安全的重要手段。
本文将基于模糊神经网络，探讨水质监测与预警系统设计的原理和方法。
水质监测与预警系统是通过监测不同水环境中的关键指标，如pH值、溶解氧、浊度、总氮、总磷等，来评估水质的优劣，并实时预警潜在的污染情况。
在设计水质监测与预警系统时，需要考虑以下几个关键步骤：1. 数据采集与预处理水质参数的监测是通过水质传感器进行的。
首先，需要选择合适的传感器，并安装在水体中。
传感器将实时采集到的数据传输到监测系统中。
然后，对数据进行预处理，包括数据降噪、异常数据剔除等，确保数据的准确性和可靠性。
2. 特征提取与选择水质监测数据包含了大量的特征信息，如温度、湿度、浓度等。
基于模糊神经网络的水质监测与预警系统设计中，需要选择合适的特征进行提取和选择，以降低数据维度和提高模型的准确度。
常用的特征提取方法包括主成分分析、小波变换等。
3. 模型建立与训练在水质监测与预警系统中，模糊神经网络是一种有效、灵活的建模方法。
该网络结合了模糊逻辑和神经网络的优点，在处理模糊信息时具有较强的适应能力。
模糊神经网络的建模过程包括网络结构设计、参数初始化、模糊规则的提取等。
然后，使用采集到的水质监测数据对模型进行训练，以提高模型的预测能力。
4. 预警决策与输出水质监测与预警系统的目的是实时预警潜在的水质污染情况，因此，需要设置合适的预警决策阈值。
当水质监测数据超过预警阈值时，系统将发出预警信号，并通过声音、灯光、短信等形式提醒相关人员。
此外，系统还可以通过数据可视化的方式展示水质监测数据，帮助用户更直观地了解当前水质状况。
总之，基于模糊神经网络的水质监测与预警系统设计在保障水质安全方面具有重要的意义。
- 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)。
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
水体 水质 情况 。
１ 水质评价隶属 度 Ｂ Ｐ神 经 网络 模 型
１ １ 网 络训 练样 本集 和测试 样本 集 的构成 ．
１ １ １ 标 准 指 标 矩 阵 和 实 测 指 标 矩 阵 的 生 成 ． ．
摘要 ： Ｂ 在 Ｐ网 络 模 型 基 础 上 构 建 了 隶 属 度 Ｂ 网 络 模 型 ， 对 模 型 特 点 ， 立 了水 质评 价 标 准 指 标 矩 阵 ， 采 Ｐ 针 建 并
用 扩展方 法构 建 了网络训练样本 ， 将所建立的模型应用于佛山某污水处理厂的出水 口水质评价 ， 应用模糊隶属
则有 标准指 标矩 阵为
ｙ× ＾＝ （ ） ＾ × ， （） ２
式 （） ， ２ 中 ｈ为标准 识别 矩阵 的类 别号 ， 一１ ２ … ，； 为标 准类 别数 ； 为 ｈ级 标准类别 指标 的标 准值 。 ＾ ， ， ｆｃ 由于地 面水体 污染 程度 的轻重 属 于模 糊概 念 ， 其变 化 是连续 的 ， 在着 中间过 度 的模糊 性 ， 以采 存 所 用 相对隶 属度 对其 进行描 述 。 规定 标准 指标 的 Ｉ 级标 准值 对模糊 概念 污染 Ａ 的相对隶属 度为 ０ 指 标 的 ； ｃ 标准值对 模糊 概念 污染 的相 对隶 属度 为 １ 介 于 Ｉ 和 ｃ 之 间的指 标 的 ｈ级标 准值 相对隶 属度 级 ； 级 级
度 方 法 实 现水 质 级 别 评 价 ， 以简 明地 表 示 水 质 接 近 于 某 类 标 准 水 质 的 程 度 。研究 表 明 ， 算 法 使 评 价 的结 果 可 本
更具 体准确、 更符合评价水体水质情况 ， 能为污水处理厂 出水 口水质 的有效监督提供科学依据 。
关 键 词 ； 经 网络 ； 属 度 ； 质 评 价 神 隶 水 中 图 分 类 号 ： ３ Ｘ８ ２ 文献标志码 ： Ａ
Ｘ 一 （ ） × ， × （） １
式 （） ，＝１２ … ， ，， ， ；ｆ １中 ， ， ｙ 一１２ … ，ｚｊ ｎ； ２ 为样本 指 标 ｉ 的实 测值 。
若 按 项 指标 Ｃ 级别 的标 准 进行 评价 ， 于水 体质 量评 价 的数 值 区 间 型类别 取 其类 别 标 准值 ， 类 对
第２ ９卷第 ５ 期
２１ 年 ９ ０１ 月
佛 山科学 技术 学院学 报 （ 自然 科学版 ）
Ｊ ｕ ｎ ｌ ｆ ｏ ｈ ｎＵｎｖ ｒｉ Ｎａｕ ａ Ｓ ｉｔ Ｆ ｙ（ ｔｒ ｌ ｃ ｎ ｅＥ ｉｏ ） ｅ ｉ
Ｖｏ． ９Ｎｏ ５ １２ ．
本研 究 的水质 评价 对象 为佛 山某污水 处理 厂 的出水 口水质 ， 据水质监 测结 果和污染 特征 ， 根 确定 参
加评 价 的污染 因子 有 Ｃ ＯＤ、 一 Ｂ ＴＰ 大肠杆 菌等 ５项 污染指标 。按照《 ＮＨ。 Ｎ、 ＯＤ 、 、 地面水 环境质 量标 准 》
（ Ｂ ３ ３ —２ ０ ） 地 面水质 标准分 ５ ， Ｇ ８ ８ ０ ２ 将 级 分别 以 Ｉ、Ⅱ、 、 Ｖ表 示 ， 级标准污 染 因子 值见 表 １ Ⅳ、 各 。
表 １ 地 表 水 环 境 质 量 标 准 （ ８ ８ ２０ ） ＧＢ ３ ３ — ０ ２
收 稿 日期 ：０ １０— ２ ２１ — ２２
基 金 项 目 ： 山市 科 技 发 展 专 项 基 金 资助 项 目（ Ｚ ０ ９ ３ ） 佛 Ｆ ２ ０ ０ ３ 作者简介 ： 苏彩 红 （ ９３ ）女 ， 东 江 门人 ， 山科 学 技 术学 院教 授 ， 士 。 １６一． 广 佛 博
１ ６
佛 山科 学技 术 学院 学报 （ 自然科 学版）
第２ ９卷
以表 １标准 因子作 为评 价指标 ， 由于各评价 因子 之间相 差 的数量级 较 大 ， 因此需要 对样本 进行 预处
理， 其方 法如下 Ｌ 。 ４ ］
设有 个 待识别 水体 组成 的样 本集 合 ， 中有 项 评价 指标 ， 其 则有 实测 矩 阵为