基于T-S模型的神经网络在节水灌溉技术选择中的应用

白洁娜

（五家渠农六师勘测设计研究有限责任公司，新疆五家渠831300）



基于T-S模型的神经网络在节水灌溉技术选择中的应用

白洁娜

（五家渠农六师勘测设计研究有限责任公司，新疆五家渠831300）

摘要：为了有效对节水灌溉技术水质展开监控和应用，选取一种基于T-S模糊的神经网络模型对水质加以评价。文中从模糊神经网络的发展情况入手，提出建立基于T-S模型的神经网络模型，分析了创建基于T-S模型的神经网络模块，介绍了基于T-S模糊神经网络模式在节水灌溉技术中的应用。

关键词：T-S模型的神经网络；节水灌溉技术；应用

我国是一个严重缺乏水资源的国家，水资源分布不均衡，加大节水灌溉技术的设计对保障国家的用水安全及促进农业经济的发展有着不可替代的作用。初期的节水灌溉技术评价法是采用粗线条对整个节水灌溉工程展开定性描述。

由于研究的逐步深入，该技术也由定性转为定量、由规范性的研究转化为实质性的研究，所以寻求适应的方法对节水灌溉工程展开综合评定成为重要的问题。模糊神经网络可以引入模糊算法，把模糊逻辑办法及神经网络有机结合起来。

T-S模糊模式是一种非线性系统的局部刻画，该模型把输入空间划分为多个模糊子空间，先创建线性模型，随之采用隶属函数把各个模型进行连接，形成全局模型。

1　简述模糊神经网络的发展现状

模糊神经网络（FNN）是现阶段新型的一种新型评价方法，是一种基于模糊系统与神经网络相互结合的形式。神经网络控制系统是把模糊集合化，以语言变量、逻辑推理为基础的数字控制系统，从而达到智能控制的形式。

神经网络还可以模仿人的大脑神经网络模型及信息处理机能，展开信息的处理、判断、学习等，达到模仿人为进行智能控制的目的。

模糊神经网络是综合神经网络及模糊控制的所有优点，进行非线性、模糊性有关的处理上展现出独特的优势。该系统不用创建基于系统动态特性的数学模型，经过网络结构的综合学习，获取神经网络优异结构，消除了只依靠设计经验选取网络结构的随意性，提升神经网络学习的收敛速度。

2　建立基于T-S模型的神经网络模型

T-S模型网络模型是一种具有超强适应能力的系统，T-S模型可以进行自动更新，也会不停的修正模糊子集的隶属度函数。

T-S模型应该运用IF—THEN规则进行定义，如果规则是Ri的情况下，模糊神经网络推理如下：

Pij代表模糊系统的参数值；

yi是依照模糊规则得出的输出值，输入部门是比较模糊，输出部门是确定的，这个模糊推理代表输出是输入的线性组合。

如果输入量x=［x1，x2…xk］，第一步先根据模糊规则计算出不同的输入变量xj的隶属度。

由模糊网络模型结果计算出所需的模糊模型输出数值。

图1　模糊神经网络结构简图

T-S模糊神经网络结构划分为模糊化层、输入层、模糊计算层、输出层。输出层与输入向量x=［］进行连接，节点数与输入向量的数值相同。

模糊化层运用隶属度函数（1）对输入值展开模糊化从而获取隶属度值μ。模糊计算曾层运用模糊计算公式（2）。输出层运用公式（2）、（3）算出神经网络输出值。

3　创建基于T-S模型神经网络模块

基于T-S模型的神经网络节水灌溉技术一般应用在模糊神经网络及遗传算法展开对初始数据的处理，获取相关的结果方便用户进行判断。该系统主要进行输入数据的预处理、分析结果、数据处理等3项功能。

数据预处理模式主要对原数据进行分类，转化为模糊神经网络通用的格式。数据计算就是指通过预处理后的数据展开处理并获取相关的结果。分析结果就是对模糊神经网络输出层结果展开图形化，方便用户进行理解。

基于模糊神经网络的节水灌溉技术隶属于专家决策的某个分支，主要的特征必须先展开知识的验证，并为验证知识创建相应的知识库，该系统就是采用模糊推理技术根据人的思维及推理意念，采用神经网络的学习机自适应性来对模糊推理系统进行推理，才有遗传算法进行全局优化。

依照系统的特点展开分析，为基于T-S模型神经网络节水灌溉技术系统展开功能设计，具体情况如图2所示。

图2　基于T-S模糊神经网络模型节水灌溉技术模型

3.1数据输入

数据输入模块就是对学习样本及试验样本的原始数据展开输入，方便形成具有可靠的数据预处理模块的形式。以此为基础展开人性化的设计，采用人性化界面方便提升用户的工作效率及使用性能。

该系统选取的输入数据量很大，用户比较容易出现错误，所以该模块运用数据输入验证技术，以此来提升数据输入的效率及准确度。

3.2数据处理

数据预处理模块的功能就是对输入学习的样本数据展开相关的计算和预处理，消除不需要的数据信息，把原始数据处理形成可以为神经网络及遗传算法应用的数据。

数据处理模块则是采用通过预处理的样本数据及遗传算法为神经网络展开训练，并采用训练后的网络对样本展开数据处理，获取最终的输出结果，便于为用户提供分析。

采用T-S模糊神经网络对节水灌溉的水质进

公式（5）中，y作为归一化之后的数据，x代表原始数据，xmin、xmax分别表示数据集合内的最小值和最大值。

因输入数据是5个水质指标，输出数据则是1水质等级，因此，模糊神经网络结构是5-10-1，就是说有10个隶属度。文中模糊隶属度中心、宽度采用“rand（）”函数随意取得。

3.3结果分析

结果分析是采用处理过的样本展开节水灌溉技术方面的阐述，形成比较简单的文字性文字或图像进行表述，方便用户展开决策分析，为灌溉地区选取高效的节水灌溉技术。

T-S模糊神经网络是根据模糊系统原理创建起来的，网络内不同节点及其参数都有相应的物理含义。在网络初始化之时，这类参数的初始值由系统的模糊及定性知识来得到，如此一来网络可以快速进行收敛。

文中运用对比检验的SVM模型运用交叉验证及时展开参数，如此一来，可以从大范围内一直缩小参数范围，从而实现寻优参数的效果。行评价之前对样本数据展开归一化处理，采用maPminmax函数把训练样本及检验样本根据公式（5）展开归一化处理，让其转换为0～1之间的数。

4　基于T-S模糊神经网络模式在节水灌溉技术中的应用

节水灌溉上几乎选取的指标受到多种因素的影响，模糊系统可以有效地对人的思维展开模拟，很好的解决推断过程中出现的自学问题，把模糊系统及神经网络相互结合，实现较好解决节水灌溉技术有关的问题。

依照模糊神经网络的结构、特点，建立基于TS模糊神经网络的输入层包括5个神经元，4个输出元，具体情况如图2所示。

把模糊神经网络及节水灌溉技术相互结合，各层的计算如下所示，最后获取基于T-S模糊神经网络节水灌溉技术模型。输入层是各个节点直接与输入向量的不同分量x进行连接，它起到把输入值传递到下一层次，这层的节点数为N1=n。

在节水灌溉上几乎选为指标体系的向量，这里的节点与输入序列相互连接，把不同输入值传递到下层。该层的各个节点对每一语言变量的取值，它的作用可以对各个输入分量计算。

根据输入层所输入的数据，模糊化层的各几点必须算出模糊隶属度，从而选取最佳的节水灌溉技术。

运用高斯函数当作隶属度函数，计算公式如下：

输出层是为模糊化计算所设置的，达到清晰化计算，获取输出值，该层的节点个数是由实际问题所设定。在该模型中输出层神经元的节点数是由选用的节水灌溉技术种类而定。

5　结语

模糊神经网络是一种新型的网络模式，可以把模糊逻辑法与神经网络法有效的结合起来。文中以T-S模糊神经网络模型应用在节水灌溉技术的实际情况为研究依据，由模糊神经网络的发展现状入手，提出建立基于T-S模型的神经网络模型，从而改进节水灌溉技术。

参考文献

［1］赵振霞，唐涛，张茂国等.基于神经网络的节水灌溉适宜技术模型——人机交互界面的设计与实现［J］.水利科技与经济，2011，17（03）：86-88，100.

［2］巨天珍，孟凡涛，姚晶晶等.基于T-S模型的神经网络在小陇山森林健康评价中的应用［J］.广东农业科学，2012，39（03）：167-169.

［3］荀新新，张德生，王雁等.基于T-S模糊神经网络组合模型的CPI预测［J］.陕西科技大学学报（自然科学版），2014（03）：173-176.

［4］周志轩，王艳芳.基于BP神经网络的灌区耗水量模拟预测模型［J］.农业科学研究，2011，32（03）：41-43.

［5］孙萍，黄彬彬.基于神经网络的万年县节水灌溉适宜技术选择研究［J］.安徽农业科学，2011，39（35）：21962-21964.

［6］夏美娟，梁雪春，韩峰涛等.基于改进FCM聚类算法的T-S模糊神经网络水质评价方法［J］.计算机与应用化学，2013（10）：1197-1202.

［7］殷飞，金世佳.节水灌溉对生态环境影响评价方法的影响研究［J］.农机化研究，2013（05）：45-48.

中图分类号：S275

文献标识码：B

文章编号：1008-1305（2016）01-0040-03

DOI：10.3969 /j.issn.1008-1305.2016.01.0013

收稿日期：2014-09-05

作者简介：白洁娜（1981年—），女，工程师。