基于模糊神经网络的水质评价代码
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。
基于模糊神经网络的海水水质综合评价
第 ２期
海
洋
通
报
Ｖｏ． ３Ｉ． ＮＯ ２ １ ． Ａｐ ．２ ２ ｒ ０１
２１ ０ ２年 ４月
Ｍ Ａ Ｎ Ｓ Ｅ Ｅ ＵＬ Ｅ Ｉ ＲＩ Ｅ ＣＩ ＮＣ Ｂ Ｌ Ｔ Ｎ
基于模糊神经 网络 的海水 水质综合评价
刁美娜 ，温小虎 ， 一 ，刘有 刚 ３ ，王德 ，高猛
３ Ｑｎｄ ｏＨ ａ ｈｉ ｒｉ ｅＥ ｇｎｅｉｇＰｏｐｃｉｇＩｓｉ ｔ，Ｓ Ａ，Ｑｎｄ ｏ２ ６３ ，Ｃ ｉａ ． ｉｇｎ ｕ ｎ ａ Ｍａｉｍ ｎ ｉｅｒｎ ｒｓｅｔ ｎｔｕｅ Ｏ ｔ ｎ ｔ ｉｇ ａ ６ ０ ３ ｈｎ ）
Ａｂ ｔ ａ ｔ Ｉ ｉ ｓｕ ｙ ｗ ｔ ２ ｗａｅ ｕ ｌ ｙ ｄ ｔ ｏ ｓ ｍｐ ｉ ｇ ｓ ｅ ｆＬ ｄ ｏ ｈ ｎ Ｂ ｙ ｈ ｕ ｌ ｙ ｏ ｅ ｔ ｒｂ ｓ ｄ ｓｒ ｃ ： ｎ ｔ ｓ ｔｄ ， ｉ ２ ｔｒｑ ａｉ ａ ａｆ ｍ ａ ｌ ｉ ｓｏ ｉ ａ ｚ ｅ ａ ，ｔ ｅ ｑ ａｉ ｆ ａｗａｅ ａ ｅ ｈ ｈ ｔ ｒ ｎ ｔ ｔ ｓ
ｏ ｕ ｚ ｅ ｒｌｎ ｔ ｏｋ ｗ ｓ ａｓ ｓｅ ．Ｔ ｅ ｒｓ ｌ ｈ ｗ ｔａ ０９ ％ ｏ ｈ ｓｍｐｅ ｅｏ ｇ ｔ ｌｓ １ｗａｅ ｕ ｌｙ ｎ ｆｚｙ ｎ ｕａ ｅｗ ｒ ａ ｓｅ ｓｄ ｈ ｅｕｔ ｓｏ ｈ ｔ４ ．１ ｓ ｆｔｅ ａ ｌｓｂ ｌｎ ｏ ｃａ ｓ ｔｒｑ ａｉ ｔ
中 图分 类 号 ：Ｘ ２ ８４ 文 献 标 识 码 ：Ａ 文 章编 号 ： １０ — ９ ２ ２ １ ）２ ０ ２ — ５ ０ １ ６ ３ （ ０ ２ ０ — ２ ８ ０
Ｉ ｔ ｇ ａ ｅ ａ ｓ ｓ ｍ ｅ ｎ ｅ ｔ ｒ ｑｕ ｌｔ ｎ ｅ ｒ ｔ ｄ ｓ ｅ ｓ ｎｔｏ ｓ ａ ｗａ ｅ ａ ｉｙ ｂ ｓ ｄ ｏ ｈ ｕ ｚ ｕｒ ｌｎｅ ｗｏ ｋ ａ ｅ ｎ ｔ ｅ ｆ ｚ ｙ ｎｅ ａ ｔ ｒ
基于CSO优化模糊神经网络的污水处理出水COD预测模型
基于CSO优化模糊神经网络的污水处理出水COD预测模型基于CSO优化模糊神经网络的污水处理出水COD预测模型随着工业化和城市化的快速发展，污水处理成为了保护环境和人类健康的重要任务。
而污水处理过程中，COD（化学需氧量）是一个重要的指标，它可以反映污水中有机物的含量和水体的污染程度。
因此，准确预测污水处理出水COD浓度对于有效的水质管理和资源利用至关重要。
神经网络是一种通过模拟生物神经紧密相连的大量简单的处理单元之间的相互作用实现信息处理的数学模型。
神经网络的一个重要组成部分是模糊神经网络（FNN），它可以模拟人类模糊推理的过程。
模糊神经网络具有灵活性和适应性强的特点，可以处理输入参数之间的不确定性和模糊性，因此在污水处理出水COD预测中具有很高的应用潜力。
然而，传统的神经网络对于多参数优化问题中的收敛速度和最优解搜索存在一些问题。
针对这个问题，我们引入了CSO （Cuckoo Search Optimization）算法来优化模糊神经网络的权重和阈值。
CSO算法是一种群体智能算法，模拟了布谷鸟觅食的过程，通过随机漫步和布谷鸟蛋的交换来搜索最优解。
通过引入CSO算法，我们可以提高神经网络的收敛速度和优化结果的准确性。
该研究首先收集了大量的污水处理系统历史数据，包括进水COD浓度、溶解氧、污泥浓度以及处理时间等参数。
然后，利用这些数据建立了基于模糊神经网络的污水处理出水COD预测模型。
在模型中，进水COD浓度、溶解氧、污泥浓度以及处理时间作为输入变量，而出水COD浓度作为输出变量。
为了优化模型的性能，我们引入了CSO算法对神经网络的权重和阈值进行优化。
通过数值实验，我们评估了优化后的模型的预测性能。
结果显示，基于CSO优化的模糊神经网络模型能够准确预测污水处理出水COD浓度。
相比于传统的神经网络模型，优化后的模型具有更高的预测精度和收敛速度。
此外，我们还对模型进行了灵敏度分析，分析了不同输入变量对污水处理出水COD浓度的影响程度。
基于模糊RBF神经网络的地表水环境质量评价
２ ０ １ ３年１ １ 月
水 力 发 电
基 予 模 糊 ＲＢ Ｆ 种 经 网 络 的
地 表 水 环统质量 评价
孙 旺 旺 ，任 传 胜 ，朱 春 伟
（ 中 国科 学技 术 大 学 工 程 科 学 学 院 ，安 徽 合 肥 ２ ３ ０ ０ ２ ６ ）
摘 要 ：针 对 现 有 水 质 评 价 方 法 评 价 结 论 过 保 护 、存 在 人 为 因 素 影 响 、表 达模 糊信 息 能 力 弱 等 问题 ，结 合 模 糊 评 价
ｅ ｖ ｌｕ ａ ａ ｔ ｅ ｔ ｈ ｅ ｗａ ｔ ｅ ｒ ｑ ｕ ａ ｌ ｉ ｔ ｙ ｏ ｆ ｔ ｈ ｅ ｒ ｅ ａ ｃ ｈ ｏ ｆ Ｈｕ ａ ｉ ｈ ｅ Ｒｉ ｖ ｅ ｒ ｉ ｎ Ａｎ ｈ ｕ ｉ Ｐ ｒ ｏ ｖ ｉ ｎ ｃ ｅ ，ａ ｎ ｄ ｔ ｈ ｅ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｉ Ｓ ｃ ｏ ｍｐ ａ ｒ ｅ ｄ ｗ ｉ ｔ ｈ ｓ ｉ ｎ ｇ ｌ ｅ ｆ ａ ｃ ｔ ｏ ｒ
ｒ ｅ ｓ ｕ ｌ ｔ ｓ ， ａ ｎ ｄ ｈｅ ｔ ｎ ｅ ｗ ｍ ｏ ｄ ｅ ｌ ｉ ｓ ｏ ｂ ｊ ｅ ｃ ｔ ｉ ｖ ｅ ａ ｎ ｄ ｒ ｅ ａ ｓ ｏ ｎ ａ ｂ ｌ ｅ ． Ｔ ｈ ｅ ｗ ａ ｔ ｅ ｒ ｑ ｕ ａ ｌ ｉ ｔ ｙ ｉ ｎ ｍ ａ ｎ ｙ ｍ ｏ ｎ ｉ ｔ ｏ ｒ ｉ ｎ ｇ ｓ ｉ ｔ ｅ ｓ ｏ ｆ ｔ ｈ ｅ ｒ ｅ ａ ｃ ｈ ｅ ｓ ｏ ｆ Ｈ ｕ ａ ｉ ｈ ｅ Ｒ ｉ ｖ ｅ ｒ
ａ ｓ ｓ ｅ ｓ ｓ ｍｅ ｎ ｔ ｍｅ ｔ ｈ ｏ ｄ ｔ ｏ ｐ ｒ ｏ ｖ ｅ ｔ ｈ ｅ ｒ ａ ｔ ｉ ｏ ｎ ｌｉ ａ ｔ ｙ ｏ ｆ ｍｏ ｄ ｅ １ ． Ｔ ｈ ｅ ｅ ｖ ａ ｌ ｕ ａ ｔ ｉ ｏ ｎ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｓ ｈ ｏ ｗ ｔ ｈ ａ ｔ ｔ ｗｏ ｍｅ ｔ ｈ ｏ ｄ ｓ ｂ ａ ｓ ｉ ｃ ａ ｌ ｌ ｙ ｈ ａ ｖ ｅ ｓ ａ ｍｅ ｅ ｖ ｌｕ ａ ａ ｔ ｉ ｎ ｇ
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T—S模糊神经网络花溪河流域水质评价
基于T—S模糊神经网络花溪河流域水质评价作者：杨秀忠来源：《科学与财富》2017年第24期摘要：本文选用T-S模型的模糊神经系统进行水质评价，利用该模式能够运用简单的一元函数的复合来实现复杂的多元函数的优势，分析处理花溪河6个断面6项水质指标数据。
为了更好的体现T-S模型的优势，本文同步利用单因子评价法，综合污染指数法对水质进行评价，横向对比三者的特点。
其结果证明了T-S模型在水质评价中具有强大的优势，操作相对简单，克服了人的主观性，可以进行深入研究，并运用到生产实际。
此次水环境评价结果可以为花溪河流域水环境的保护与防治提供依据。
关键词：花溪河流域，T-S模型，水质评价。
引言：从新的地域范围讲，花溪河流域分属花溪区和贵安新区。
自2013年以来，花溪区响应国发2号文件的号召，对各项投资优惠政策进行深化，赢得了国内外投资者的青睐，提出建成花溪旅游文化创新区。
近年来在花溪区极力打造“大花溪，大花园，大溪流”的良好格局，以建设成“山清水秀”的魅力城市为目标。
贵安新区工程性缺水十分严重，对花溪河流域依赖很大，在区政府工作会议上，也把把生态文明建设放在首位，因此花溪河的建设和保护不容忽视，而且花溪河作为国家饮用水保护功能区Ⅰ类区，地位极其特殊。
所以必须注重花溪河流域生态环境的建设，响应国家提出的“水十条”等相关内容，确保水功能区纳污红线的开展，促进经济又好又快发展。
本文在此时代背景下，实现了T-S模糊神经神经网络对花溪河流域的水环境评价，其结果可以为花溪河流域水资源量的开发与利用，水环境的防范与保护提供依据。
一.T-S模型的理论基础T-S模糊神经网络采是取神经网络技术进行模糊信息处理，使模糊规则自动提取及自动生成模糊隶属函数成为可能，成功构建自适应模糊系统。
它能够不断完善模糊子集的隶属关系，还能自动完成更新。
T-S模糊神经系统语句的变现形式为“if-then”。
模糊神经网络T-S模糊神经网络由四层组成，分别是输入层、模糊化层、模糊规则计算层和输出层，输入层与输入向量之间由变量xi 连接，输入向量与节点数的维数相同。
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。
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
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——嘉陵江水质评价
模糊神经网络——嘉陵江水质评价目录1 绪论 (2)1.1 选题背景和研究意义 (2)1.2 神经网络与模糊系统 (3)1.3 文本研究内容和研究思路 (3)2 模糊神经网络的基本原理 (5)2.1 模糊神经网络概述 (5)2.2 模糊系统和神经网络结合的可能性 (5)2.2.1 人工神经网络与模糊系统的相同之处 (6)2.2.2 人工神经网络与模糊系统的不同之处 (6)2.2.3 人工神经网络与模糊系统结合意义 (8)3模糊神经网络模型的结构和原理 (9)3.1 模糊神经网络模型构建 (9)3.2 模糊神经网络学习算法 (10)3.3 模糊神经网络水质评价 (10)4 总结与展望 (14)4.1总结 (14)4.2 展望 (14)参考文献 (15)致谢 (16)附录 (17)1 / 241 绪论1.1 选题背景和研究意义随着经济的快速发展，水资源日益恶化，水污染已呈现由点污染向面污染发展的趋势，成为制约和困扰我国可持续发展的一大障碍。
治理污染的水环境和防止水资源被进一步恶化，已经成为当前迫切需要解决的问题。
水质评价是以定量的方式对水环境的质量进行综合的评价，是水环境管理保护和污染治理的一项基础性工作，医务室近年来的研究热点。
当前我国水污染已经得到了有关部门的重视，并且水污染治理工作中所需的硬件设施以及科学技术的不断完善为水污染治理工作起到了重要的支撑作用。
应当认识到水质分析是水污染治理工作中的基础内容，对水质进行科学的分析，能够预防水污染事件的出现，尤其是预防突发性水污染事件的发生，同时在水污染事件发生后能够对水污染程度做出合理的判定，对水污染处理的措施以及方案能够提供必要的依据。
同时居民生活饮用水的水质也影响着人们的身体健康，对饮用水进行必要的水质监测与分析能够确保引用水的质量。
所以水质分析不仅是水污染处理中贯彻以预防为主方针的重要途径，也是水污染处理工作中的重要内容。
传统的水质评价方法有评分法，比质法，统计法等，这些传统的水质评价方法受人为的主观因素的制约，从而影响可评价的精度。
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。
基于MATLAB实现模糊综合指数法在水质评价中的应用研究
水质评价是环境质量评价的主要内容之一，准确的水质 评价是水资源开发利用和治理的科学依据。水污染程度和水 质分级都是模糊概念，需要以定量的方式直观地表征原水水 质总体状况。模糊综合指数评价是指对多种模糊因素所影响 的事物或现象进行总的评价，是一种定量研究多种属性事物 的工具。本文通过模糊综合指数法对某城市河道水质进行综 合评价, 确定水质类别和主要污染物，为有关部门在管理和治 理上做出决策提供科学依据。
表 1 水质标准（GB3838- 2002）
单位：mg/ L
水质标准
溶解氧≥ 化学需氧量（COD）≤ 生化需氧量（BOD5）≤
氨氮（NH3- N)≤ 总磷（以 P 计）≤ 总氮（以 N 计）≤
Ⅰ类 7.5 15 3 0.2 0.01 0.2
水质类别
Ⅱ类
Ⅲ类
6
5
15
20
3
4
0.5
1.0
0.025
0.05
3 某城市河道水质评价
取某年某城市河道原水抽样调查具有代表性的某三次的 水质数据（见表 2）。
表 2 某城市河道原水某三次的水质数据 单位：mg/ L
样本序号 溶解氧
COD
样本 1
1.3
41.1
样本 2
1.4
40.2
样本 3
1.5
41.3
BOD5 21.8 17.1 10.5
氨氮 8.1 8.4 5.8
FCI1＝5.0800 水质为Ⅴ级。同理算得 FCI2＝4.9950 水质 为Ⅴ级；FCI3＝4.9700 水质为Ⅴ级。
从表 3 中，找出各样本权重系数中的最大值，即是水污染 最主要因素。从表 3 可看出，造成某城市河道污染的主要污染 物是总磷、总氨、氨氮。
基于模糊数学的水质评价研究
基于模糊数学的水质评价研究水是人类生活的必要资源，水的质量直接影响着人们的生产和生活。
水的污染是当代社会面临的重大环境问题之一。
因此，对于水质的评价和监测显得尤为重要。
对水质的评价目前有很多种方法，其中基于模糊数学的水质评价方法受到了广泛的关注和研究。
本文将对基于模糊数学的水质评价进行介绍和探讨。
一、模糊数学简介模糊数学是国际上研究人员在20世纪60年代发明的，其用于描述不确定性或模糊性问题。
模糊数学通过模糊集合论、模糊关系论、模糊逻辑等理论对不确定性问题进行数学建模，以便于解决决策、分类、控制、指导等问题。
二、模糊数学在水质评价中的应用水质评价中，通常使用指标综合评价法评价水质。
传统的指标综合评价法通常使用明确的数字来表示指标的取值，然而实际情况中，由于不同指标的权重和取值的误差，导致评价结果不够准确。
而模糊数学方法可以充分考虑各项指标之间相互关联和权重影响，更准确地评价水质。
通常情况下，水质评价包含多个指标，如COD、NH3-N、TP、PH等。
其中每个指标的测定值称为指标值，一般情况下，每个指标的指标值可以根据标准对水质进行判定，如pH值低于5表示酸性，而COD值高于30 mg/L表示有机物含量较高。
然而，在实际使用中，往往存在指标值重叠、相互影响等情况，这就需要使用模糊数学的模糊集合论进行处理。
例如，当COD值高于30 mg/L时，我们无法判断水中COD含量是否过高，因为30 mg/L并不是一个确定的边界。
因此，我们可以采用模糊数学的模糊集合论，将COD的取值范围进行模糊化，如将COD的取值范围划分为不高、较高和高三个模糊集合。
这样，当COD值超过30mg/L时，PCM（Min）原理可用于算出”COD高“的概率，该值可作为评定水质的指标。
三、基于模糊数学的水质评价方法基于模糊数学的水质评价方法主要分为两种，一是模糊综合评价法，二是模糊神经网络评价法。
1. 模糊综合评价法模糊综合评价法通过建立模糊数学模型，将多个指标融合为一个评价指标，从而减小指标间的重复性和重叠性。
基于T-S模型的模糊神经网络在水质评价中的应用的开题报告
基于T-S模型的模糊神经网络在水质评价中的应用的开题报告一、选题背景随着经济的发展和人口的增加，水资源的供需矛盾日益突出，水环境质量问题也引起了人们的关注。
水质评价是水环境管理的一个重要环节，可以对水体的水质状况进行全面的、客观的评价，并为水质治理提供科学依据。
目前，常用的水质评价方法主要包括基于指标的水质评价、基于模型的水质评价和基于生态的水质评价等。
其中，基于模型的水质评价方法是在建立水体质量模型的基础上，通过模拟分析或预测分析等方式，对水体的水质进行评价和分析。
该方法具有定量化、精确化和动态化等特点，可以更准确地反映水质状况。
目前，基于模型的水质评价方法多采用统计学方法、人工神经网络等方法进行建模。
但是，这些方法在实际应用中存在一些限制，如对数据处理的要求较高、计算量大、参数选择存在主观性等。
基于T-S模型的模糊神经网络具有将模糊理论和神经网络有机结合的特点，可以有效地克服上述问题。
因此，本文选取基于T-S模型的模糊神经网络作为水质评价方法，并开展相关研究。
二、研究内容和目标本文的研究内容主要包括以下几个方面：1. 探究基于T-S模型的模糊神经网络的基本原理和算法，建立模型框架。
2. 基于水质监测数据，选取适当的指标，建立水质评价模型。
3. 对模型进行性能评估，并与其他水质评价方法进行对比分析，验证模型的有效性和优越性。
本文的研究目标是建立一种基于T-S模型的模糊神经网络水质评价方法，为水环境管理提供科学依据。
三、研究方法本文采用文献研究法、实证研究法和数学建模法相结合的方法进行研究。
1. 文献研究法：通过文献阅读和综述，了解基于T-S模型的模糊神经网络的基本原理和算法，掌握相关理论和方法。
2. 实证研究法：按一定的规律收集水质监测数据，筛选并整理出有效数据，根据建立的模型进行评价，对模型进行性能评估。
3. 数学建模法：基于建立的T-S模型的模糊神经网络，选取适当的水质指标，建立水质评价模型，进行实证分析。
水质评价的RBF神经网络应用
水质评价的R B F 神经网络应用1常欢，刘志斌，童英伟辽宁工程技术大学，资源与环境工程学院，辽宁 阜新 （123000）E-mail ：changhuan0416@摘要：针对传统水质评价方法在权值选取上存在人为因素，本文主要应用R B F 神经网络对辽河流域阜新支流的柳河、绕阳河、养息牧河三条主要河流进行评价。
并在结果中采用隶属度概念使其更客观、准确。
该网络克服了人为因素，评价结果与实际相符。
关键词： R B F 神经网络；河流水质；质量评价1 概述在实践不断发展过程中还有一种前馈网络也能够象BP 网络一样进行模式识别和以任意精度逼近任意连续函数，这就是径向基函数即RBF 神经网络。
它也是具有单隐层的三层前馈神经网络。
两者的主要差别在于使用不同的作用函数，BP 网络中的隐层单元数目使函数值在输入空间中无限大的范围内为非零值，而RBF 神经网络的作用函数则是局部的。
RBF 神经网络不仅有具有良好的推广能力，而且避免了向反向传播那样烦琐、冗长的计算，克服了计算时容易陷入局部极小值的问题，其学习速度也是传统BP 网络无法比拟的。
2 径向基网络的结构及原理径向基网络的神经元模型结构[1]如图1所示。
由图可见，径向基网络传递函数radbas 是以权值向量和阈值向量之间的距离‖dis t ‖作为变量的，其中，‖dis t ‖是通过输入向量和加权矩阵的行向量的乘积得到的。
图1 径向基神经元模型结构 径向基网络传递函数的原型函数为：2)(n en radbas −= （1）当输入自变量为0时，传递函数最大值为1。
随着权值和输入向量之间距离的减小，网络的输出是增加的。
所以，径向基神经元可以作为一个探测器，当输入向量和加权向量一致时，神经元输出为1。
图中的b 为阈值，用于调整神经元的灵敏度。
径向基函数网络是由输入层、隐含层和输出层构成的三层前向网络[2]（以单个输出神经元为例），隐含层采用径向基函数作为激励函数，该径向基函数一般为高斯函数，如图2所示。
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。
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。
- 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)。
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.。