T-S模糊神经网络在水质评价中的应用(2)

摘要：根据水质现象的特点,提出了一种基于T-S模糊神经网络建模方法,该方法通过对水质标准模糊系统的结构辨识和参数辨识,从而达到精确建模的目的。并将建好的模式通过实例应用与文献[3]方法比较,显示出本法更具有客观性和实用性。

水质等级

1

234567891011

样本序号

图2 模糊神经网络水质评价图

表3 水质评价结果比较表

2．3与模糊模式识别法比较

文献[3]采用模糊模式识别法,如下公式:

摘要：根据水质现象的特点,提出了一种基于T-S模糊神经网络建模方法,该方法通过对水质标准模糊系统的结构辨识和参数辨识,从而达到精确建模的目的。并将建好的模式通过实例应用与文献[3]方法比较,显示出本法更具有客观性和实用性。

c

H

j

h

uhj h

(11)

式(11)中, Hj是待评价样本j的级别变量特征值,1≤Hj≤c。

对样本的级别进行归类；若Hj c 0.5,c 0.5 ，则将样本j归为c类。则11个样本被评价为I类至IV水质，水质类别变幅为4；而本法对11个样本评价为I类至V类水质，水质类别变幅为5。这种差别其一是模糊模式识别计算相对隶属度uhj权重的确定，需要人为的参与，其二是级别变量特征值Hj的归类不合理，没有科学依据。公式（11）实际上是一种典型的线性组合模式，评价标准级别区间级差为1，当计算特征值落在某一级别区间时，特征值应该按照区间值的上限归类。文献[4]与文献[3]采用相同的模式，但归类方法与本法一样。

与模糊模式识别法比较1、5、10号点结果有差别，都比本法提高了一个水质级别，其原因除上述分析结果外，另一原因是缺乏客观性，这可从原始数据来分析。如1号点：氨氮浓度已超过四类水质，接近五类水质，而高锰酸钾指数超过三类水质；5号点：高锰酸钾指数浓度已超过一类水质，接近二类水质，而溶解氧超过一类水质；10号点氨氮浓度和高锰酸钾指数已超过三类水质。因此模糊神经网络评价1、5、10号点结果分别为V类、II类、IV类水质更符合实际情况。

3 结语

本文就水质模式识别问题提出了以T-S模糊神经网络为核心的解决方案，通过对水质标准模糊系统的模式识别，自动地获取了模糊模式识别的系数和参数，建立了水质模糊神经网络评价模型，将该模型的实例应用与比较表明，本法评价结果较之文献[3]的模糊识别法更具有客观性、通用性和实用性。

4 参考文献

[1] 姜莉莉.模糊数学评价法在青龙河水质评价中的应用[J].大连轻工业学院学报，2007，

26(1):56-59.

[2] 李艳华. 模糊数学在湖库水质综合评价中的应用[J].云南环境科学，2005，24（增刊）：

50-52.

[3] 李希灿.模糊模式识别在乔店水库水质评价中的应用[J].山东农业大学学报，2006，

37（3）：444-448.

摘要：根据水质现象的特点,提出了一种基于T-S模糊神经网络建模方法,该方法通过对水质标准模糊系统的结构辨识和参数辨识,从而达到精确建模的目的。并将建好的模式通过实例应用与文献[3]方法比较,显示出本法更具有客观性和实用性。

[4] 陈守煜.基于模糊人工神经网络识别的水质评价模型[J].水科学进展，

2005,16(1):88-91.

通讯信息：

通讯人：韩波 通讯地址：北海市环保局 通讯电话：13877930812 或0779-3030153

Mail(邮箱)：hanbo56@

536000 邮政编码：