基于T—S模糊神经网络模型的汉中段汉江流域水质评价与分析

2013-04-29 00:44:03拓守恒何红李鹏飞
计算机时代 2013年8期
关键词:水质评价

拓守恒 何红 李鹏飞

摘 要: 为了有效对汉中段汉江流域水质进行监控和评价,采用一种智能T-S模糊神经网络模型进行水质综合评价。利用建立的T-S模糊神经网络模型对水质评价标准进行训练;利用训练好的神经网络模型,选取汉江流域汉中段18个监测点的7项评价指标的监测数据,对该段水质进行综合评价。结果显示,汉水流域汉中段水质相对较好,除濂水河濂水桥监测站外,其余站点均属于Ⅰ类或Ⅱ类水质。通过计算机实验发现,该模型具有避免人工干预、提高水质评价精确度的优势。

关键词: 汉江流域; 水质评价; 模糊神经网络; T-S模型

中图分类号:X524 文献标志码:A 文章编号:1006-8228(2013)08-46-03

0 引言

所谓水质评价是指通过物理或化学手段获取水源环境检测数据,通过信息技术将这些监测数据转换为确定水源环境状况的信息,从而获得水源环境现状及其水质分布状况,然后预测以后的发展趋势,制订综合防治措施与方案。水质评价已经得到了广泛的应用,宁爱丽等进行了夜郎湖水库水质评价[1],于洪贤和赵菲利用水质评价进行了扎龙湿地浮游植物群落结构特征分析[2],文献[3]对长诏水库浮游植物群落结构及水质进行了评价与分析。然而,评价方法的优劣对水质评价及下一步的决策支持具有很大的影响,近年来,多种水质评价方法被提出和应用,例如数理统计评价法、主成分分析法[4]、指数法[5]、模糊综合评价法[6]、神经网络模型法[7-8]、支持向量机[9]和模糊模式识别[10]等评价方法。其中,数理统计评价法、主成分分析法和指数法计算量大,采用完全的数据拟合,不能随着新知识(数据)的产生而忘记古老数据,并且随着评价因素的增多而增大评价难度;目前,支持向量机和神经网络模型法对非线性数据处理能力很强,但是存在基于经验风险最小化的神经网络的局部最优,容易出现训练过度等缺陷。为此,本文结合水质评价标准,采用一种有效的智能T-S模糊神经网络水质评价方法对汉江流域的水质进行综合评价,实验证明,该方法效果较好,可以为地区水资源的可持续开发利用提供决策支持。

1 模糊神经网络评价方法介绍

模糊神经网络(Fuzzy Neural Network,简称FNN)是近年兴起的一种新型评价方法,是模糊系统与神经网络的结合。模糊控制系统(Fuzzy control system:FCS)是以模糊集合化、模糊语言变量及模糊逻辑推理为基础的一种数字控制系统,是实现智能控制的一种重要而有效的形式。神经网络(neural network)模仿生物神经系统,可以模仿人的大脑神经网络模型和信息处理机能,进行信息处理、判断决策、联想记忆、学习等,以实现模仿人行为的智能控制。模糊神经网络结合了神经网络与模糊控制的优点,在处理非线性、模糊性等问题上显示出极大的优越性。它不需要建立基于系统动态特性的数学模型,可以通过对网络结构的学习,得到神经网络的最佳结构,克服了单凭设计经验来选择网络结构的随意性,提高了模糊神经网络的学习收敛速度。T-S模糊神经网络模型[11]就融合了模糊神经网络推理能力与神经网络的学习能力,具有更高的全局逼近能力。

2 T-S模糊神经网络模型构建

T-S模糊系统是一种自适应能力很强的模糊系统,T-S模型能够自动更新,还可以不断地修正模糊子集的隶属度函数。T-S模糊系统采用“IF—THEN”规则形式来定义,在规则为Ri的情况下,模糊推理如下:

T-S模糊神经网络结构(图1)分为输入层、模糊化层、模糊规则计算层和输出层。输入层与输入向量x=[]连接,节点数与输入向量的维数相同。模糊化层采用隶属度函数⑴对输入值进行模糊化得到模糊隶属度值μ。模糊规则计算层采用模糊计算公式⑵ω。输出层采用公式⑵、公式⑶计算模糊神经网络的输出。

3 汉江流域水质评价过程

3.1 汉江流域水质评价指标选择与评价标准

根据国家环保部关于重点流域水质考核指标,考虑到数据的可获得性,本文选取汉水流域18个水质自动监测站6项指标作为模糊神经网络的输入,分别是pH、溶解氧、高锰酸盐指数、氨氮、化学需氧量和生化需要量。

pH值是表征水体酸碱性的指标,pH值为7时表示为中性,小于7为酸性,大于7为碱性。天然地表水的pH值一般为6~9之间;溶解氧(DO)代表溶解于水中的分子态氧。水中溶解氧指标是反映水体质量的重要指标之一,含有有机物污染的地表水,在细菌的作用下有机污染物质分解时,会消耗水中的溶解氧,使水体发黑发臭,会造成鱼类、虾类等水生生物死亡;高锰酸盐指数(CODMn)是以高锰酸钾为氧化剂,处理地表水样时所消耗的量,以氧的mg/L来表示。氨氮(NH3-N)常以溶解状态的分子氨(又称游离氨,NH3)和以铵盐(NH4+)形式存在于水体中,两者的比例取决于水的pH值和水温,以含N元素的量来表示氨氮的含量。水中氨氮的来源主要为生活污水和某些工业废水(如焦化和合成氨工业)以及地表径流(主要指使农田使用的肥料通过地表径流进入河流、湖库等)。

根据国家《地面水环境质量标准》(GB3838-2002)将水环境质量分为优(Ⅰ和Ⅱ类)、良好(Ⅲ类)、轻度污染(Ⅳ类)、中度污染(Ⅴ类)和重度污染(劣Ⅴ类)六个类别。其中,劣Ⅴ类没有任何使用功能。表1列出了用于汉江流域水质评价的6个指标对应的等级。

3.2 汉江流域水质评价数据样本的选取

选取了汉江流域3个国控站(烈金坝、黄金峡和鲁光坪)、5个省控站(梁西渡、南柳渡、蒙家渡、横现河和燕子砭)、10个市控站(南河入汉江口、黑河沮水桥、漾家河入汉江口、堰河新桥、汉江临江寺、冷水河冷水桥、濂水河阳春桥、濂水河濂水桥、褒河张码头和湑水河原公大桥),合计18个水质自动监测站2011年的一组数据,并将其作为训练样本数据。表2-表4列出了9个水质自动监测站4组指标监测值。

4 汉中段汉江流域水质评价

根据地表水环境质量标准,通过等隔均匀分布方式内插水质指标标准环境质量标准数据生成样本的方式来生成训练样本,网络反复训练100次。根据训练好的模糊神经网络进行样本测试,发现网络的预测输出值与实际输出值非常接近,训练数据平均误差:0.027222(见图2),测试数据平均误差:0.071715(见图3)。结果表明运用T-S模糊神经网络模型对水质进行综合评价精度很高。

通过本文采用的T-S神经网络模糊模型对汉中段汉江流域水质评价结果(如图4所示)表明,总体来看,汉中段水质相对较好,18个监测站的评价结果中,除了濂水河濂水桥的综合评价结果很不理想之外,其余检测站检测结果都属于1类或Ⅱ类水质。进一步通过具体定量分析发现,濂水河濂水桥监测站中的氨氮(2.36)明显偏高,生化需氧量(3.5)较低,氨氮偏高说明该地区可能存在严重生活污水或农田排水,可能会对汉江鱼类呈现严重的毒害作用,生化需氧量偏低说明水体可能被有机物污染,可能存在废水排放的可能。

5 结束语

本文通过采用T-S模糊神经网络模型进行汉中段汉江流域水质评价,该模型能够自动通过神经网络模型进行水质评价分析,避免过多地人工干预分析,可以有效提高工作效率,并且通过多因素综合评价提高预测水平。

参考文献:

[1] 宁爱丽,陈椽,潘静,徐兴华,龙胜兴.夜郎湖水库春季后生浮游动物调查与水质评价[J].湖北农业科学,2012.21:4763-4766

[2] 于洪贤,赵菲.扎龙湿地浮游植物群落结构特征与水质评价[J].东北林业大学学报,2012.11:99-101,119

[3] 刘金殿,顾志敏,杨元杰,张玉明.长诏水库浮游植物群落结构及水质评价[J].生态学杂志,2012.11:2865-2871

[4] 汪天祥,许士国,韩成伟.改进主成分分析法在南淝河水质评价中的应用[J].水电能源科学,2012.10:33-36

[5] 王林,王兴泽.水质标识指数法在太子河水质评价中的应用[J].北方环境,2012.5:198-200

[6] 黄剑.模糊综合评价在嘉陵江南充段水质评价中的应用[J]. 安徽农学通报(上半月刊),2012.19:22-24,55

[7] 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].河海大学,2007.

[8] Matlab中文论坛.Matlab神经网络30个案例分析[M].北京航空航天大学出版社,2010.

[9] 戴宏亮.基于智能遗传算法与复合最小二乘支持向量机的长江水质预测与评价[J].计算机应用研究,2009.26(1):79-81

[10] 周林飞,赵崭,孙佳竹,邢旭光.基于模糊模式识别的浑河水质评价研究[J].水土保持研究,2012.5:163-166

[11] 邱焕耀,模糊控制、神经网络和变结构控制的交叉结合及其应用研究[D].华南理工大学,1999.

猜你喜欢
水质评价
阿什河哈尔滨段水质评价
基于模糊综合评价法的某城市内湖水质评价
供水技术(2021年3期)2021-08-13 09:08:26
浞河浮游藻类的调查研究与水质评价
滻灞河水质评价方法研究
基于随机森林的浑河沈阳段水质评价
基于灰色关联度的水质评价分析
基于概率统计和模糊综合评价法的水质评价模型及其应用——以拉萨河水质评价为例
徐州京杭运河大型底栖动物群落结构变化及水质评价
环境科技(2016年6期)2016-11-10 05:14:08
基于主成分神经网络的水质评价模型
基于SPAM的河流水质评价模型