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.docVIP

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 　　摘 要： 为了有效对汉中段汉江流域水质进行监控和评价，采用一种智能T-S模糊神经网络模型进行水质综合评价。利用建立的T-S模糊神经网络模型对水质评价标准进行训练；利用训练好的神经网络模型，选取汉江流域汉中段18个监测点的7项评价指标的监测数据，对该段水质进行综合评价。结果显示，汉水流域汉中段水质相对较好，除濂水河濂水桥监测站外，其余站点均属于Ⅰ类或Ⅱ类水质。通过计算机实验发现，该模型具有避免人工干预、提高水质评价精确度的优势。 　　关键词： 汉江流域； 水质评价； 模糊神经网络； T-S模型 　　中图分类号：X524 文献标志码：A 文章编号：1006-8228（2013）08-46-03 　　0 引言 　　所谓水质评价是指通过物理或化学手段获取水源环境检测数据，通过信息技术将这些监测数据转换为确定水源环境状况的信息，从而获得水源环境现状及其水质分布状况，然后预测以后的发展趋势，制订综合防治措施与方案。水质评价已经得到了广泛的应用，宁爱丽等进行了夜郎湖水库水质评价[1]，于洪贤和赵菲利用水质评价进行了扎龙湿地浮游植物群落结构特征分析[2]，文献[3]对长诏水库浮游植物群落结构及水质进行了评价与分析。然而，评价方法的优劣对水质评价及下一步的决策支持具有很大的影响，近年来，多种水质评价方法被提出和应用，例如数理统计评价法、主成分分析法[4]、指数法[5]、模糊综合评价法[6]、神经网络模型法[7-8]、支持向量机[9]和模糊模式识别[10]等评价方法。其中，数理统计评价法、主成分分析法和指数法计算量大，采用完全的数据拟合，不能随着新知识（数据）的产生而忘记古老数据，并且随着评价因素的增多而增大评价难度；目前，支持向量机和神经网络模型法对非线性数据处理能力很强，但是存在基于经验风险最小化的神经网络的局部最优，容易出现训练过度等缺陷。为此，本文结合水质评价标准，采用一种有效的智能T-S模糊神经网络水质评价方法对汉江流域的水质进行综合评价，实验证明，该方法效果较好，可以为地区水资源的可持续开发利用提供决策支持。 　　1 模糊神经网络评价方法介绍 　　模糊神经网络（Fuzzy Neural Network，简称FNN）是近年兴起的一种新型评价方法，是模糊系统与神经网络的结合。模糊控制系统（Fuzzy control system：FCS）是以模糊集合化、模糊语言变量及模糊逻辑推理为基础的一种数字控制系统，是实现智能控制的一种重要而有效的形式。神经网络（neural network）模仿生物神经系统，可以模仿人的大脑神经网络模型和信息处理机能，进行信息处理、判断决策、联想记忆、学习等，以实现模仿人行为的智能控制。模糊神经网络结合了神经网络与模糊控制的优点，在处理非线性、模糊性等问题上显示出极大的优越性。它不需要建立基于系统动态特性的数学模型，可以通过对网络结构的学习，得到神经网络的最佳结构，克服了单凭设计经验来选择网络结构的随意性，提高了模糊神经网络的学习收敛速度。T-S模糊神经网络模型[11]就融合了模糊神经网络推理能力与神经网络的学习能力，具有更高的全局逼近能力。 　　2 T-S模糊神经网络模型构建 　　T-S模糊系统是一种自适应能力很强的模糊系统，T-S模型能够自动更新，还可以不断地修正模糊子集的隶属度函数。T-S模糊系统采用“IF—THEN”规则形式来定义，在规则为Ri的情况下，模糊推理如下： 　　T-S模糊神经网络结构（图1）分为输入层、模糊化层、模糊规则计算层和输出层。输入层与输入向量x=[]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⑴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计算公式⑵ω。输出层采用公式⑵、公式⑶计算模糊神经网络的输出。 　　3 汉江流域水质评价过程 　　3.1 汉江流域水质评价指标选择与评价标准 　　根据国家环保部关于重点流域水质考核指标，考虑到数据的可获得性，本文选取汉水流域18个水质自动监测站6项指标作为模糊神经网络的输入，分别是pH、溶解氧、高锰酸盐指数、氨氮、化学需氧量和生化需要量。 　　pH值是表征水体酸碱性的指标，pH值为7时表示为中性，小于7为酸性，大于7为碱性。天然地表水的pH值一般为6～9之间；溶解氧（DO）代表溶解于水中的分子态氧。水中溶解氧指标是反映水体质量的重要指标之一，含有有机物污染的地表水，在细菌的作用下有机污染物质分解时，会消耗水中的溶解氧，使水体发黑发臭，会造成鱼类、虾类等水生生物死亡；高锰酸盐指数（CODMn）是以高锰酸钾为氧化剂，处理地表水样时所消耗的量，以氧的mg/L来表示。氨氮（NH3-N）常以溶解状态的分子氨（又称游离氨，NH3）和以铵盐（NH4+）