基于模糊人工神经网络识别的水质评价模型

《基于模糊人工神经网络识别的水质评价模型》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、万方数据第16卷第1期2005年1月水科学进展ADVANCESINWATERSCIENCEV01．16．No．1Jan．，2005基于模糊人工神经网络识别的水质评价模型陈守煜，李亚伟(大连理工大学土木水利学院，大连辽宁116024)摘要：人工神经网络和模糊识别理论作为模拟生物体的信息处理系统，在实践中得到广泛的应用，且各有所长，将二者相结合，构造出模糊人工神经识别网络，从而使识别系统的柔性处理能力得到很大提高。阐述了模型和方法，将其用于长江支流沱江枯水期的水质综合评价，结果表明，模糊人工神经网络综合评价具有客观性和实用

2、性。关键词：模糊识别；神经网络；水质评价中图分类号：X143文献标识码：A文章编号：1001—6791(2005)01．0088．04当前，模糊识别理论和方法在科学研究和生产实践中的应用相当广泛，并且取得了很多成果，随着人工神经网络理论的不断发展，人工神经网络和模糊识别理论已经开始互相交叉渗透，而且越来越引起人们的重视。人工神经网络和模糊模式识别都是对生物体机能的模拟，将二者进行融合能更好地发挥各自的优点。本文将陈守煜提出的模糊模式识别理论[1]和人工神经网络理论相融合，构建出模糊人工神经综合评价网络模型(FuzzyN

3、euralNetworkRecognition，FNNR)，并将其用于对长江支流——沱江水质的综合评价，结果表明模糊人工神经网络综合评价模型具有很好的实用性。1模糊人工神经网络识别模型1．1样本矩阵和标准指标矩阵的规范化[21设有r／,个待识别水体样本组成的样本集合，其中有m项评价指标，则有实测指标矩阵矗。。=(戈“)。。。(1)式中i=1，2，⋯，m；歹=1，2，⋯，n；xq为样本．『指标i的实测值。若m项指标按照c类级别的标准进行评价，对于水体质量评价的数值区间型类别取其类别标准值，则有标准指标矩阵Ym。。=(Yi

4、h)。。。(2)式中h为标准识别矩阵的类别号，h=1，2，⋯，c；c为标准类别数；‰为h级标准类别指标的标准值。由于地表水体污染程度的轻重属于模糊概念，其变化是连续的，存在着中介过渡的模糊性，采用相对隶属度[3]对其进行描述：规定标准指标矩阵中指标i的1级标准值对模糊概念污染五的相对隶属度为0；指标i的c级指标标准值对模糊概念五的相对隶属度为1，介于1级和c级之间的指标i的h级标准值相对隶属度S访按下式确定：S访=(Y访一Yil)／(Y论一Yfl)(3)同样可以规定：对于模糊集合A越大越优的指标i，x；，≤Yfl'其对

5、于模糊概念污染A的相对隶属度r{『为0；茁Ⅱ≥Yfc，r0．为1。对于越小越优的指标f，戈F≥Yil’其对于模糊概念污染A的相对隶属度7口为0；q≤Yl。，～为1；介于Yfl和‰之间的，7“按照下式确定：7“=(zf，一Y11)／(Y如一Yfl)(4)收稿日期：2003．09—30：修订日期：2004—03—30作者简介：陈守煜(1930一)，男，浙江宁波人，教授，博士生导师，主要从事水文水资源及工程模糊集理论与应用研究。E—mail：chensydlut@sina．COnl万方数据第1期陈守煜、李亚伟：基于模糊人工神

6、经网络识别的水质评价模型89应用式(3)、式(4)将实测指标矩阵L。。和标准指标矩阵k。。变为相应的指标相对隶属度矩阵R。。。：R。。。=(riy)。。。(5)以及标准指标相对隶属度矩阵S。。。：S。。。=(5沈)。。。定义样本．『以相对隶属度u埘隶属于类别h(h=1，2，⋯，c；c为标准类别数)，则有类别相对隶属度矩阵：～uc。。=(“^，)。。。(7)且矩阵Uc。。满足约束条件：∑uH一1=0，h；10<％<1，VhV_『L1．2模糊人工神经网络识别模型的构建输出层丘c个节点隐含层t1个节点输入层‘rd个节点(6)

7、对于隐含层“茸2—1_i{三知2F南+【(∑‰r口)～一l】2Hu蚵_1’％=∑∞呐i=l其中_『为样本序数；rij为输入层输入；∞谴为i层和k层之间的连接权重；“可为k层节点输出。对于输出层啊。—1_i{三如2r南+[(∑％u灯)～一l】21+u坷_1’f％=∑‰％k=l其中“＆，为隐含层输入；cOkh为k层和h层之间的连接权重；Uhj为h层节点输出。1．3训练样本的生成根据我国《地表水环境质量标准基本项目标准限值》(GB3838．2002)，以各个级别的分类标准值作为标准指标值，采用标准指标相对隶属度矩阵和预先生成

8、的类别相对隶属度矩阵对模糊神经识别网络进行训练，构造标准指标隶属度训练样本及期望隶属度训练样本如表1所示，为了提高训练精度，对标准类别进行有限次内插，从而增加训练样本。内插的方法可以是线性的或者是非线性的，表1采用的是较为简便的线性内插法，另外也可以将已有的水质评测结果作为样本输入网络，对网络进行训练，作为补充。表1用于训练的标准