论文部分内容阅读
摘 要 利用基本的神经网络模型在评价模型中确定指标权重的优势，将神经网络融入到评价模型之中，能够很好地对水质进行评价，为政府进行水质的保护采取措施提供依据。
关键词 神经网络模型；模糊综合评价；权重；水质评价
中图分类号：X824 文献标识码：A 文章编号：1671-7597（2014）07-0147-01
目前，水污染很严重，治理好水污染，改善环境，防止造成进一步的污染，已经成为了社会所研究的重点。因此，水质的评价成为了一项重要的研究热点，根据水质的相关的指标的特点，综合分析得到水质的状况，能够为政府采取合理的措施提供依据。目前，神经网络模型对水质进行评价已经成为了热点，神经网络的优点在于权重的确定方面，能够合理的确定各个指标的权重，但是在評价的模型上[1]，神经网络用的层层分析模型，没有做够好的进行水质的评价，本文在神经网络中融合模糊综合评价模型，能够很好的对水质进行评价。
1 神经网络理论
人工神经网络（AnificialNeural Nemorks，ANN）是通利用数学模型的方法进行抽象和模拟，是一种模仿人脑结构和它的功能的非线性的信息处理系统。它主要是大量的单元相互连接而组成的网络结构，来实现大脑的感知和学习功能。神经网络拓扑结构可以分为前馈多层式网络模型、反馈递归式网络模型和随机型网络模型等。根据研究水质问题多因素权重问题以及神经网络的相关理论，前馈多层式网络中的反向传播神经网络（BP神经网络）具有良好的持久性以及适时预报性，因此在本文的评价模型中，我们都采用BP神经网络的结构方式[2]。
前馈神经网络分为了神经元分层排列，包含了输入层、隐含层和输出层三个层次结构，每个层次的神经元只能够接收前一个层次的神经元，层层对应。这是一种比较强有力的学习系统，它的结构相对而言较为简单，并且编程也比较容易，是一种静态的非线性映射，通过简单的非线性处理进行复合映射，能够得到更加复杂的处理能力。这些前馈网络学习，它们分类能力和模式识别的特点都要强于一般的反馈网络。典型的前馈网络有感知器网络和BP网络。水质评价模型中，一般采用的都是BP神经网络，能够很好的处理各个指标之间的关系特点，做到很好的评价，但是需要一个更好的模型结合神经网络确定权重的特点进行水质评价，能够收到更好的效果。
2 模糊综合评价的基本理论
模糊数学是利用数学方法进行研究与处理模糊现象的数学。模糊综合评价作为一门新的评价科学，是典型数学、统计数学之后的发展起来的一门新的数学学科，可以处理很多之前数学无法解决的问题。开始具有争议，经过一段时间，开始迅速发展，而且涉及的应用领域越来越广泛，已经遍及理、工、农、医及社会科学，充分体现了评价模型的优越之处。
模糊综合评价法是一种利用模糊数学为基础的综合评标方法。综合评价法利用模糊数学隶属度理论和模糊变换原理，根据给出的评价标准与实测值，考虑到被评价事物的各个相关因素，对其进行综合评价。对于模糊综合评价向量，即综合隶属度，可用如下公式：
A为输入，代表参加评价因子的权重经归一化处理得到的一个1×n阶矩阵；R为模糊变换装置，是通过单因素评判得到的隶属度向量，是一个n×m阶的模糊关系矩阵；B为输出，代表综合评判结果，是一个1×m阶矩阵[3]。
其中评价因子是m集合为：，分别为参与评价的n个评价因子。其中评价等级共m个等级，组成集合为：。
评判矩阵和隶属度的式子为：
3 神经网络和模糊综合评价结合算法
神经网络模型评价的精华在于权重的分析确定上，模糊综合评价模型的优点在于系统的评价模型，因此在评价的时候，只要将这两者的优点结合起来，就能够得到很好的效果，因此设计了以下算法模型，能够合理的对水质进行评价，为科学的采取污染防治措施提供依据。
Step1：网络初始化。根据系统输入输出序列（X，Y）确定网络输入层节点数p、隐含输入层节点数l，输出层节点数q，初始化输入层、隐含层和输出层神经元之间的连接权值α和β（α为初始权重，β为临界值，均随机设为较小的数）给定学习速率和神经元[4][5]。
Step2：输出计算。将已有的样本数值加在网络上，利用公式算出其输出值：
Step3：调整权系数。根据网络预测误差，按已知输出数据与上面算出的输出数据之差，调整权重系数，其中调整量为：其中：因为隐节点的输出内部抑制，利用反向推算可以得到：误差值从输出层反向推导得到。
Step4：对各层的权重系数进行调整后，得到调整后的权
重为：
BP神经网络利用梯度下降算法，通过迭代运算，不断调整mij的数值，当得到的输出误差小于所设定的阀值时，将认为获得的mijBP神经网络是合理的。而不断迭代的方法相当于对各类情况进行调整，具有一定的学习记忆特征。
基金项目
国家自然科学基金青年基金（11201485）；徐州工程学院校青年项目（XKY2010201）。
参考文献
[1]刘起霞，李清波，邹剑峰.环境工程地质[M].郑州：黄河水利出版社，2001.
[2]孙会君，王新华.应用人工神经网络确定评价指标的权重[J].山东科技大学学报（自然科学版），2001，20（3）：84-86.
[3]万金保，李媛媛.模糊综合评价法在鄱阳湖水质评价中的应用[J].上海环境科学，2007，26（05）：215-218.
[4]金菊良，魏一鸣，丁晶.基于改进层次分析法的模糊综合评价模型[J].水利学报，2004（03）：65-70.
[5]郭庆春，何振芳，李力，等.BP人工神经网络模型在太湖水污染指标预测中的应用[J].南方农业学报，2011，42（10）.
作者简介
朱增加（1993-），本科，主要从事水体污染控制模型、机械污染处理研究等。
关键词 神经网络模型；模糊综合评价；权重；水质评价
中图分类号：X824 文献标识码：A 文章编号：1671-7597（2014）07-0147-01
目前，水污染很严重，治理好水污染，改善环境，防止造成进一步的污染，已经成为了社会所研究的重点。因此，水质的评价成为了一项重要的研究热点，根据水质的相关的指标的特点，综合分析得到水质的状况，能够为政府采取合理的措施提供依据。目前，神经网络模型对水质进行评价已经成为了热点，神经网络的优点在于权重的确定方面，能够合理的确定各个指标的权重，但是在評价的模型上[1]，神经网络用的层层分析模型，没有做够好的进行水质的评价，本文在神经网络中融合模糊综合评价模型，能够很好的对水质进行评价。
1 神经网络理论
人工神经网络（AnificialNeural Nemorks，ANN）是通利用数学模型的方法进行抽象和模拟，是一种模仿人脑结构和它的功能的非线性的信息处理系统。它主要是大量的单元相互连接而组成的网络结构，来实现大脑的感知和学习功能。神经网络拓扑结构可以分为前馈多层式网络模型、反馈递归式网络模型和随机型网络模型等。根据研究水质问题多因素权重问题以及神经网络的相关理论，前馈多层式网络中的反向传播神经网络（BP神经网络）具有良好的持久性以及适时预报性，因此在本文的评价模型中，我们都采用BP神经网络的结构方式[2]。
前馈神经网络分为了神经元分层排列，包含了输入层、隐含层和输出层三个层次结构，每个层次的神经元只能够接收前一个层次的神经元，层层对应。这是一种比较强有力的学习系统，它的结构相对而言较为简单，并且编程也比较容易，是一种静态的非线性映射，通过简单的非线性处理进行复合映射，能够得到更加复杂的处理能力。这些前馈网络学习，它们分类能力和模式识别的特点都要强于一般的反馈网络。典型的前馈网络有感知器网络和BP网络。水质评价模型中，一般采用的都是BP神经网络，能够很好的处理各个指标之间的关系特点，做到很好的评价，但是需要一个更好的模型结合神经网络确定权重的特点进行水质评价，能够收到更好的效果。
2 模糊综合评价的基本理论
模糊数学是利用数学方法进行研究与处理模糊现象的数学。模糊综合评价作为一门新的评价科学，是典型数学、统计数学之后的发展起来的一门新的数学学科，可以处理很多之前数学无法解决的问题。开始具有争议，经过一段时间，开始迅速发展，而且涉及的应用领域越来越广泛，已经遍及理、工、农、医及社会科学，充分体现了评价模型的优越之处。
模糊综合评价法是一种利用模糊数学为基础的综合评标方法。综合评价法利用模糊数学隶属度理论和模糊变换原理，根据给出的评价标准与实测值，考虑到被评价事物的各个相关因素，对其进行综合评价。对于模糊综合评价向量，即综合隶属度，可用如下公式：
A为输入，代表参加评价因子的权重经归一化处理得到的一个1×n阶矩阵；R为模糊变换装置，是通过单因素评判得到的隶属度向量，是一个n×m阶的模糊关系矩阵；B为输出，代表综合评判结果，是一个1×m阶矩阵[3]。
其中评价因子是m集合为：，分别为参与评价的n个评价因子。其中评价等级共m个等级，组成集合为：。
评判矩阵和隶属度的式子为：
3 神经网络和模糊综合评价结合算法
神经网络模型评价的精华在于权重的分析确定上，模糊综合评价模型的优点在于系统的评价模型，因此在评价的时候，只要将这两者的优点结合起来，就能够得到很好的效果，因此设计了以下算法模型，能够合理的对水质进行评价，为科学的采取污染防治措施提供依据。
Step1：网络初始化。根据系统输入输出序列（X，Y）确定网络输入层节点数p、隐含输入层节点数l，输出层节点数q，初始化输入层、隐含层和输出层神经元之间的连接权值α和β（α为初始权重，β为临界值，均随机设为较小的数）给定学习速率和神经元[4][5]。
Step2：输出计算。将已有的样本数值加在网络上，利用公式算出其输出值：
Step3：调整权系数。根据网络预测误差，按已知输出数据与上面算出的输出数据之差，调整权重系数，其中调整量为：其中：因为隐节点的输出内部抑制，利用反向推算可以得到：误差值从输出层反向推导得到。
Step4：对各层的权重系数进行调整后，得到调整后的权
重为：
BP神经网络利用梯度下降算法，通过迭代运算，不断调整mij的数值，当得到的输出误差小于所设定的阀值时，将认为获得的mijBP神经网络是合理的。而不断迭代的方法相当于对各类情况进行调整，具有一定的学习记忆特征。
基金项目
国家自然科学基金青年基金（11201485）；徐州工程学院校青年项目（XKY2010201）。
参考文献
[1]刘起霞，李清波，邹剑峰.环境工程地质[M].郑州：黄河水利出版社，2001.
[2]孙会君，王新华.应用人工神经网络确定评价指标的权重[J].山东科技大学学报（自然科学版），2001，20（3）：84-86.
[3]万金保，李媛媛.模糊综合评价法在鄱阳湖水质评价中的应用[J].上海环境科学，2007，26（05）：215-218.
[4]金菊良，魏一鸣，丁晶.基于改进层次分析法的模糊综合评价模型[J].水利学报，2004（03）：65-70.
[5]郭庆春，何振芳，李力，等.BP人工神经网络模型在太湖水污染指标预测中的应用[J].南方农业学报，2011，42（10）.
作者简介
朱增加（1993-），本科，主要从事水体污染控制模型、机械污染处理研究等。