模糊神经网络在地表水有机污染物浓度预测中应用.pdfVIP

中国环境水力学2004 模糊神经网络在地表水有机污染物 浓度预测中的应用+ 崔宝侠姚晓颖 (沈阳工业大学系统工程研究所) 摘要河流中有机污染物的预测评价是水环境质量管理的重要基础性工作。将 模糊神经网络应用于水环境影响评价，进行水污染物浓度的预测，与传统的BP 神经网络相比，具有很强的学习和泛化能力，而且不易陷入极小值等特点，实验 结果说明此方法是行之有效的。 关键词模糊神经网络水环境预测BP神经网络有机污染物 1前言 河流中有机污染物的预测评价是水环境质量管理的重要基础性工作。以往的水质 预测方法，有水质数学模型预测、模糊识别等方法，由于水体污染因子的扩散迁移受 河流水温、径流量、泥沙含量等众多因素影响，一种因素的改变会引起其他因素发生 很大的变化，还有许多不确定的影响因素，各种因素对污染因子的浓度难以用精确的 数学模型进行描述，从而影响模型的拟合和预测精度。因此它是一种非常复杂的非线 性系统，利用上述方法有很大的局限性，预测精度达不到所需的要求，因而不能满足 水质预测的要求。 模糊逻辑和人工神经网络是当前的研究热点，他们各具特点。模糊逻辑是处理不 确定性、非线性和其他不适定问题(iU—poSedprobl∞)的有力工具。适合于表达模糊 或定性的知识，其推理方式类似于人类的思维模式，但是模糊系统缺乏自学习和自适 应能力，而神经网络是典型的“黑箱式”学习模式，具有并行计算、自适应和学习功 能等一系列优点，近年来在预测非线性关系方面得到广泛的应用(在水环境影响评价 方面已有应用)，但其不适于表达基于规则的知识。将模糊逻辑和神经网络相结合可发 挥各自的优势弥补不足，利用神经网络来自动生成和调整隶属度函数与模糊规则，从 而提高整个模型的学习和表达能力。事实证明，仅仅利用其中的一种方法无法真正实 现智能模拟，而将这两种技术有机地结合起来，其优势才能得到真正的体现。本文将 改进的模糊神经网络引入水环境预测评价，作为尝试，利用河流断面的实际监测数据， ·辽宁省自然科学基金资助项目(基金号。 ·94· 建立FNN模型，进行水质预测。 2改进的模糊神经网络结构 传统的模糊神经网络为五层结构，网络结构比较复杂，丽且，在网络训练中，分母容 易为零，同时需要大量的训练样本，因此本文采用改进的模糊神经网络进行水环境预测。 其网络结构为四层，第一层为输入层，第二层为隶属度生成层，第三层为推理层，第四层 为反模糊化输出层，网络结构见图I。 其推理层的节点个数q是根据K～ meas方法对样本聚类后而得到的’并可 依实际数据需要调整此参数的值。常用 籀^屠{}：鬈 推理层 厦凄帮佬屠 的隶属度函数有高斯函数、三角形函数 和梯形函数，本文隶属度生成层采用高 斯函数： f (上，一co)2] 黝一砷l一—瓦一』 1≤i≤n；1≤i≤g(1) 式中：置为输入变量；c。为隶属函数的 中心点；6。为与％相应的隶属函数的宽 度，p。％、c。与隶属度生成层的各节 点相对应。在该层中，从上到下与各节 点相对应的输出m的下标依次表示为： ‘‘1， p1、lE王n2、 p儿、肛12、‘一、plq， …、p。。。q、6。的下标表示与卢“完全 相同。 图1模糊神经网络结构图 推理层各节点的输出分别为该节点 所有输入的代数乘积： 忍=Pl班2“3f…户m 1≤￡≤q (2) 反模糊化输出y为 1≤i≤q (3) y=叫l卢1十叫2卢2+一·‘十cu矗 式中：m，为权值。 3网络的学习算法 模糊神经网络模型属于前馈型网络结构，算法依BP神经网络算法而提出，其学习过