论文部分内容阅读
摘要：本文选用T-S模型的模糊神经系统进行水质评价，利用该模式能够运用简单的一元函数的复合来实现复杂的多元函数的优势，分析处理花溪河6个断面6项水质指标数据。为了更好的体现T-S模型的优势，本文同步利用单因子评价法，综合污染指数法对水质进行评价，横向对比三者的特点。其结果证明了T-S模型在水质评价中具有强大的优势，操作相对简单，克服了人的主观性，可以进行深入研究，并运用到生产实际。此次水环境评价结果可以为花溪河流域水环境的保护与防治提供依据。
关键词：花溪河流域，T-S模型，水质评价。
引言：从新的地域范围讲，花溪河流域分属花溪区和贵安新区。自2013年以来，花溪区响应国发2号文件的号召，对各项投资优惠政策进行深化，赢得了国内外投资者的青睐，提出建成花溪旅游文化创新区。近年来在花溪区极力打造“大花溪，大花园，大溪流”的良好格局，以建设成“山清水秀”的魅力城市为目标。贵安新区工程性缺水十分严重，对花溪河流域依赖很大，在区政府工作会议上，也把把生态文明建设放在首位，因此花溪河的建设和保护不容忽视，而且花溪河作为国家饮用水保护功能区Ⅰ类区，地位极其特殊。所以必须注重花溪河流域生态环境的建设，响应国家提出的“水十条”等相关内容，确保水功能区纳污红线的开展，促进经济又好又快发展。本文在此时代背景下，实现了T-S模糊神经神经网络对花溪河流域的水环境评价，其结果可以为花溪河流域水资源量的开发与利用，水环境的防范与保护提供依据。
一.T-S模型的理论基础
T-S模糊神经网络采是取神经网络技术进行模糊信息处理，使模糊规则自动提取及自动生成模糊隶属函数成为可能，成功构建自适应模糊系统。它能够不断完善模糊子集的隶属关系，还能自动完成更新。T-S模糊神经系统语句的变现形式为 “if-then”。
模糊神经网络T-S模糊神经网络由四层组成，分别是输入层、模糊化层、模糊规则计算层和输出层，输入层与输入向量之间由变量xi 连接，输入向量与节点数的维数相同。模糊化层采用隶属度函数公式对输入值模糊化处理计算得到模糊隶属度值 μ。模糊规则计算层运用模糊连乘公式进行计算，得到w。输出层运用公式对模糊神经网络的输出进行计算。模糊神经网络的学习算法主要包括误差计算，系数修正，参数修正等三部分组成。
二.T—S模型的建立
（1）网络初始化
根据输入，输出数据对网络结构进行确定，首先初始化模糊神经网络隶属度系数和参数，训练数据作归一化处理，直接调用matlab8.1工具箱中的mapminmax函数对数据进行归一化处理，使归一化的数据值的范围都在[0～1]之间，而且不失去原来的数量关系。
（2）用训练样本进行模糊神经网络的训练
在matlab中主要包括：数据的导入，输入参数模糊化，模糊隶属度计算，隶属度参数计算，系数p，b，c修正值的计算。
（3）利用模糊神经网络评价水质
使用训练好的模糊神经网络进行花溪河各监测断面水质进行评价，根据网络预测值对水质等级进行划分。matlab具体流程包括：导入数据，输入数据归一化，网络预测，输入参数模糊化，计算输出，网络预测值及反归一化，最后确定水质等级。
（4）结果分析
利用训练好的T-S模糊神经网络模型对花溪河各个断面水质监测资料进行评价。
三.水质评价对比分析
研究区内污染源主要为生活污染，废弃煤矿污染。本次共选用以下6组水质因子进行单因子评价分析，分别为氨氮、溶解氧、COD、高锰酸盐指数、总磷和总氮等。共设置了6个水质监测断面，分别为上车田河入车田湖前47m断面，下车田河汇入花溪水库前100m断面，干河汇入松柏山水库前100断面，凯伦河上游金家寨断面，凯伦河汇入松柏山库口前100m断面，养牛大沟汇入花溪河前10m断面，分别以W1？W6代替，下表分别为三种方法对布设断面的评价结果。
4.结论
通过表1的评价结果对比可以看出，三种方法在水质评价中都有自己的优势和不足，接下来逐一进行详细分析。
单因子评价法：计算简单，评价直观，直观体现评价标准与水质状况的关系，指出问题所在，可以针对性的做出改善措施，不过本次所测试验，总氮的含量过高，而单因子评价以水质最差的一项指标所属类别确定水体水质类别，無法反应水环境质量的综合状况，表所示，每个断面都属于劣Ⅴ类。
综合污染指数法：在单因子指数法基础上，考虑多种因子对河段水质的作用，通过水质标准进行对比得出结果，计算同样方便，评价结果较单因子评价法全面，不过权重的赋值存在主观性，对实际结果会产生一定的影响，而且综合污染指数法只能够直观判断评价区是否达到功能区水质要求，不能进行综合水质类别判断，存在一定的局限性。
T-S模糊神经网络法：本方法消除了主观因素的影响，水质评价结果更加全面，客观。对比三种方法，我们能够发现，T-S模糊神经法满足综合污染指数法得到的评价结果，并在此基础上使结果更加精准，克服了综合污染指数法不能进行综合水质判别的缺点，T-S神经网络操作简单，网络结构可以随着指标的改变而自行调整。而且将模糊理论与神经网络复合，训练的时间大大减少，网络的泛化能力比较强，可以在实际工作中加以利用。
参考文献：
[1]杜刚.改进的BP神经网络在地下水水质评价中的应用[D].上海：上海师范大学，2007.
[2]王海霞.模糊神经网络在水质评价中的作用[D]. 重庆：重庆大学，2002.
[3]邹美玲.基于人工神经网络的济南市北沙河水环境综合整治研究[D].济南：山东师范大学，2008.
[4]周忠寿.基于T-S模型的模糊神经网络在水质评价中的应用[D].南京：河海大學，2007.
[5]李晶. 基于人工神经网络的黄河宁夏段水质评价研究[D].宁夏：宁夏大学，2013.
[6]张宇，卢文喜等. 基于T-S模糊神经网络的地下水水质评价[J].节水灌溉.2012，7：35-38.
[7]侯涛.基T-S 模糊神经网络在三川河地表水质评价中的应用[J].能源与节能.2011，6：54-56.
关键词：花溪河流域，T-S模型，水质评价。
引言：从新的地域范围讲，花溪河流域分属花溪区和贵安新区。自2013年以来，花溪区响应国发2号文件的号召，对各项投资优惠政策进行深化，赢得了国内外投资者的青睐，提出建成花溪旅游文化创新区。近年来在花溪区极力打造“大花溪，大花园，大溪流”的良好格局，以建设成“山清水秀”的魅力城市为目标。贵安新区工程性缺水十分严重，对花溪河流域依赖很大，在区政府工作会议上，也把把生态文明建设放在首位，因此花溪河的建设和保护不容忽视，而且花溪河作为国家饮用水保护功能区Ⅰ类区，地位极其特殊。所以必须注重花溪河流域生态环境的建设，响应国家提出的“水十条”等相关内容，确保水功能区纳污红线的开展，促进经济又好又快发展。本文在此时代背景下，实现了T-S模糊神经神经网络对花溪河流域的水环境评价，其结果可以为花溪河流域水资源量的开发与利用，水环境的防范与保护提供依据。
一.T-S模型的理论基础
T-S模糊神经网络采是取神经网络技术进行模糊信息处理，使模糊规则自动提取及自动生成模糊隶属函数成为可能，成功构建自适应模糊系统。它能够不断完善模糊子集的隶属关系，还能自动完成更新。T-S模糊神经系统语句的变现形式为 “if-then”。
模糊神经网络T-S模糊神经网络由四层组成，分别是输入层、模糊化层、模糊规则计算层和输出层，输入层与输入向量之间由变量xi 连接，输入向量与节点数的维数相同。模糊化层采用隶属度函数公式对输入值模糊化处理计算得到模糊隶属度值 μ。模糊规则计算层运用模糊连乘公式进行计算，得到w。输出层运用公式对模糊神经网络的输出进行计算。模糊神经网络的学习算法主要包括误差计算，系数修正，参数修正等三部分组成。
二.T—S模型的建立
（1）网络初始化
根据输入，输出数据对网络结构进行确定，首先初始化模糊神经网络隶属度系数和参数，训练数据作归一化处理，直接调用matlab8.1工具箱中的mapminmax函数对数据进行归一化处理，使归一化的数据值的范围都在[0～1]之间，而且不失去原来的数量关系。
（2）用训练样本进行模糊神经网络的训练
在matlab中主要包括：数据的导入，输入参数模糊化，模糊隶属度计算，隶属度参数计算，系数p，b，c修正值的计算。
（3）利用模糊神经网络评价水质
使用训练好的模糊神经网络进行花溪河各监测断面水质进行评价，根据网络预测值对水质等级进行划分。matlab具体流程包括：导入数据，输入数据归一化，网络预测，输入参数模糊化，计算输出，网络预测值及反归一化，最后确定水质等级。
（4）结果分析
利用训练好的T-S模糊神经网络模型对花溪河各个断面水质监测资料进行评价。
三.水质评价对比分析
研究区内污染源主要为生活污染，废弃煤矿污染。本次共选用以下6组水质因子进行单因子评价分析，分别为氨氮、溶解氧、COD、高锰酸盐指数、总磷和总氮等。共设置了6个水质监测断面，分别为上车田河入车田湖前47m断面，下车田河汇入花溪水库前100m断面，干河汇入松柏山水库前100断面，凯伦河上游金家寨断面，凯伦河汇入松柏山库口前100m断面，养牛大沟汇入花溪河前10m断面，分别以W1？W6代替，下表分别为三种方法对布设断面的评价结果。
4.结论
通过表1的评价结果对比可以看出，三种方法在水质评价中都有自己的优势和不足，接下来逐一进行详细分析。
单因子评价法：计算简单，评价直观，直观体现评价标准与水质状况的关系，指出问题所在，可以针对性的做出改善措施，不过本次所测试验，总氮的含量过高，而单因子评价以水质最差的一项指标所属类别确定水体水质类别，無法反应水环境质量的综合状况，表所示，每个断面都属于劣Ⅴ类。
综合污染指数法：在单因子指数法基础上，考虑多种因子对河段水质的作用，通过水质标准进行对比得出结果，计算同样方便，评价结果较单因子评价法全面，不过权重的赋值存在主观性，对实际结果会产生一定的影响，而且综合污染指数法只能够直观判断评价区是否达到功能区水质要求，不能进行综合水质类别判断，存在一定的局限性。
T-S模糊神经网络法：本方法消除了主观因素的影响，水质评价结果更加全面，客观。对比三种方法，我们能够发现，T-S模糊神经法满足综合污染指数法得到的评价结果，并在此基础上使结果更加精准，克服了综合污染指数法不能进行综合水质判别的缺点，T-S神经网络操作简单，网络结构可以随着指标的改变而自行调整。而且将模糊理论与神经网络复合，训练的时间大大减少，网络的泛化能力比较强，可以在实际工作中加以利用。
参考文献：
[1]杜刚.改进的BP神经网络在地下水水质评价中的应用[D].上海：上海师范大学，2007.
[2]王海霞.模糊神经网络在水质评价中的作用[D]. 重庆：重庆大学，2002.
[3]邹美玲.基于人工神经网络的济南市北沙河水环境综合整治研究[D].济南：山东师范大学，2008.
[4]周忠寿.基于T-S模型的模糊神经网络在水质评价中的应用[D].南京：河海大學，2007.
[5]李晶. 基于人工神经网络的黄河宁夏段水质评价研究[D].宁夏：宁夏大学，2013.
[6]张宇，卢文喜等. 基于T-S模糊神经网络的地下水水质评价[J].节水灌溉.2012，7：35-38.
[7]侯涛.基T-S 模糊神经网络在三川河地表水质评价中的应用[J].能源与节能.2011，6：54-56.