太湖流域水质的预测与防治策略2.pdf

《数模探索》 太湖流域水质的预测与防治策略 2006 年第一期(总第 5 期) 太湖流域水质的预测与防治策略 冯 婷，陈 斌，陈 彬 (浙江师范大学，浙江金华，321004) 摘要 本文通过对太湖水质的各项指标值的回归拟合求解得到所遗失的数据，并对即将到来的 5 月份的太湖水质各 项指标指数进行预测。最后，通过对影响模型的因素和太湖水域水质现状的分析，并根据模型所得结果总结了关于 太湖水质的治理及防治的几点建议。 关键词 灰色预测算法 灰色神经网络 水质评价 文章号 TS200603010 一.问题背景（略） 二.模型假设 1． 太湖流域是一个相对独立的系统，不受人为因素影响； 2． 各周各个断面的指标数存在着一定的规律。 3． 题目所提供数据具有可预测性； 4． 各数据能反映其所在断面的情况。 三.符号说明 X xij ：样本集的特征指标矩阵，其中xij 表示第j 个断面第i 项指标（i 1表示PH指标，i 2 [ ] 表示 DO 指标，i 3 表示 COD 指标、i 4 表示 NH -N 指标）； Mn 3 Y yih ：标准特征值矩阵，其中y ih 表示y ih 状态或级别h 指标i 的标准特征值； [ ] R ：X 的相对隶属度矩阵； S ：Y 的相对隶属度矩阵； V ：4 项指标的权重； A ：7 个样本 4 项指标的综合权重矩阵； W ：A 归一化处理后所得的矩阵； U ：A 各级相对隶属度矩阵； wij ：第i 个断面所建立的神经网络第j 层的权值； bij ：第i 个断面所建立的神经网络第j 层的阀值。 四.模型建立 4.1 问题一的模型建立 4.1.1 建立灰色预测模型，即 GM(1,1)模型。 119 作为一个生态系统，太湖的各个断面的水质状况是一种相互影响相互制约的关系，而且作为确 定水质类别的四个指标也是相互影响的，运用线性回归的方法不但计算烦杂且结果精确度很低，因 此本文运用灰色系统理论建立灰色模型即 GM(1,1)模型，记为模型（1），从时间的关联性上着手来 得到所需的数据。 4.1.2 在GM(1,1)模型的基础上，建立灰色神经网络模型 基本的灰色预测算法也存在很多缺陷，如对于光滑离散函数建模，在数据序列随机性较大时预 测结果误差较大。因此本文在灰色算法的基础上提出了利用神经网络来提高预测精度的基本思路， 将两种算法结合起来，称之为灰色神经网络模型，记为模型（2）。 BP 网络(BackPropagation NN)是一种单向传播的多层前向网络，其结构如图 1 所示 ，网络除输入 输出节点外，还有一层或多层的隐层节点，同层节点中没有任何耦合。输入信号从输入层节点依次 传过各隐层节点，然后传到输出节点，每一层节点的输出只影响下一层节点的输出。其节点单元特 性（传递函数）通常为 Sigmoid 型 f (x ) 1 (1 =+exp(Bx )) (B 0) ，但在输出层中，节点的单元特性有时为线性，如图 1 图1 神经网络通过简单的非线性函数进行数次复合，可近似复杂的函数。由BP定理可知，只要有三 层的BP网络就可实现L 2 函数，因此本文将将GM(1,1)模型所得的预测值导入到三层BP网络中，利用 BP神经网络的预测功能，通过对网路的训练得到最佳权值、阀值，从而得到断面7第1～7及9周的更