模糊神經(jīng)網(wǎng)絡(luò)在重慶市飲用水原水水質(zhì)評價中的應(yīng)用

周 燕,王里奧

模糊神經(jīng)網(wǎng)絡(luò)在重慶市飲用水原水水質(zhì)評價中的應(yīng)用

周 燕,王里奧

(重慶大學(xué)資源與環(huán)境科學(xué)學(xué)院,重慶400044)

多因子的水質(zhì)綜合評價是一個復(fù)雜的數(shù)學(xué)建模問題,一般方法難以求得精確結(jié)果。人工神經(jīng)網(wǎng)絡(luò)是一種先進的復(fù)雜非線性計算方法,是目前前沿研究領(lǐng)域之一。本文在研究神經(jīng)網(wǎng)絡(luò)和模糊數(shù)學(xué)的基礎(chǔ)上,構(gòu)建了一種模糊神經(jīng)網(wǎng)絡(luò),并用它對水質(zhì)進行評價。通過仿真實驗表明了該方法的有效性。

模糊神經(jīng)網(wǎng)絡(luò);水質(zhì)評價;長江;嘉陵江

水質(zhì)評價是根據(jù)水質(zhì)評價標準和水質(zhì)檢測樣本各項指標值,通過一定的數(shù)學(xué)模型,確定樣本的等級。水質(zhì)評價的目的是能夠準確判斷出水質(zhì)樣本的污染等級,為水質(zhì)源的保護方案制定提供依據(jù)。水質(zhì)評價常用的方法包括單因子評價、主分量分析評價、綜合指數(shù)評價法、模糊評價法和灰色評價法等[1-4]。人工神經(jīng)網(wǎng)絡(luò)是一種新穎的數(shù)學(xué)建模方法,具有非線性映射、并行性、自適應(yīng)、自學(xué)習(xí)和容錯性等能力,能夠解決屬于模式設(shè)別的水質(zhì)評價問題。

1 模糊神經(jīng)網(wǎng)絡(luò)原理

1.1 P-S神經(jīng)網(wǎng)絡(luò)模型

前向型神經(jīng)網(wǎng)絡(luò)中一般都含有求和節(jié)點,在復(fù)雜問題的求解中往往不能得到較好的結(jié)果,混合型P-S神經(jīng)網(wǎng)絡(luò)中沒有求和節(jié)點,可以用來模擬仿真復(fù)雜系統(tǒng)。假設(shè)輸入層有2個節(jié)點,混合性P-S神經(jīng)網(wǎng)絡(luò)如圖1所示。

圖1 混合型模糊神經(jīng)網(wǎng)絡(luò)

其中S表示相加節(jié)點,P表示相乘節(jié)點,^表示邏輯運算。

當(dāng)輸入節(jié)點為3個時,P-S神經(jīng)網(wǎng)絡(luò)的輸入如下所示:

y=

其中,x1,x2,x3是網(wǎng)絡(luò)輸入,μAi·μAi·μAi是

123

隸屬度函數(shù),p0,p1,p2,p3是系數(shù)。

隸屬度函數(shù)都用高斯型函數(shù),具體形式如下:

其中,cij和bij為模型參數(shù)。

1.2 P-S神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

混合型P-S神經(jīng)網(wǎng)絡(luò)根據(jù)網(wǎng)絡(luò)輸出和期望輸出的誤差來修正系數(shù)和隸屬函數(shù)參數(shù),從而使模糊神經(jīng)網(wǎng)絡(luò)輸出不斷逼近真實輸出,其學(xué)習(xí)修正算法如下所示:

(1)系數(shù)修正

其中,yd是網(wǎng)絡(luò)的期望輸出,yc是網(wǎng)絡(luò)的實際輸出,e表示期望輸出和實際輸出的誤差。

(2)參數(shù)修正

2 基于P-S模糊神經(jīng)網(wǎng)絡(luò)的水質(zhì)評價

用P-S模糊神經(jīng)網(wǎng)絡(luò)對水質(zhì)進行評價,模糊神經(jīng)網(wǎng)絡(luò)水質(zhì)評價的分為P-S模糊神經(jīng)網(wǎng)絡(luò)構(gòu)建,模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練和模糊神經(jīng)網(wǎng)絡(luò)水質(zhì)評價3個部分,如圖2所示。

圖2 模糊神經(jīng)網(wǎng)絡(luò)水質(zhì)評價總體結(jié)構(gòu)

其中模糊神經(jīng)網(wǎng)絡(luò)構(gòu)建確定網(wǎng)絡(luò)的輸入和輸出數(shù)量,隸屬度函數(shù)和參數(shù)的個數(shù),模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練用國家標準水質(zhì)劃分標準中的數(shù)據(jù)范圍對網(wǎng)絡(luò)進行訓(xùn)練,模糊神經(jīng)網(wǎng)絡(luò)評價用訓(xùn)練好的模糊神經(jīng)網(wǎng)絡(luò)對水質(zhì)等級進行評價。

3 仿真實驗

模糊神經(jīng)網(wǎng)絡(luò)用于水質(zhì)評價時,需要采用水質(zhì)分級標準作為訓(xùn)練樣本對網(wǎng)絡(luò)進行訓(xùn)練。由于水質(zhì)評價數(shù)據(jù)的真實數(shù)據(jù)比較難找,所以采用了等隔均勻分布方式內(nèi)插標準數(shù)據(jù)表生成樣本的方式來生成樣本,采用的水質(zhì)標準數(shù)據(jù)表是《地表水環(huán)境質(zhì)量標準》(GB3838-2002),其規(guī)定限值如表1所示。

表1 地表水環(huán)境質(zhì)量標準 mg/L

采用內(nèi)插的方式一共得到400組數(shù)據(jù),其中Ⅰ類到Ⅱ類間取100組,Ⅱ類到Ⅲ類間取100組,Ⅲ類到Ⅳ類間取100組,Ⅳ類到Ⅴ類間取100組,共400組,從中隨機取350組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù),50組數(shù)據(jù)作為測試數(shù)據(jù)。

采用模糊神經(jīng)網(wǎng)絡(luò)對重慶市飲用水原水水質(zhì)進行評價,選取的水質(zhì)取樣點分布在重慶城區(qū)長江和嘉陵江的上游、中游和下游,其中,嘉陵江的上游、中游和下游取水點分別為紅工水廠、高家花園水廠和大溪溝水廠的一級泵房原水監(jiān)測點,長江的上游、中游和下游取水點分別為毛紡水廠、和尚山水廠和黃桷渡水廠的一級泵房原水監(jiān)測點。水樣每季度采集一次,分析采用水樣的氨氮、溶解氧、化學(xué)需氧量、高錳酸鉀指數(shù)、總磷和總氮全部六項指標。

采用神經(jīng)網(wǎng)絡(luò)評價1997年-2008年的兩江水質(zhì),首先根據(jù)輸入數(shù)據(jù)和輸出數(shù)據(jù)的特點設(shè)置神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),因為數(shù)據(jù)數(shù)據(jù)為六項指標,輸出數(shù)據(jù)為水質(zhì)標準,故設(shè)置網(wǎng)絡(luò)的輸入節(jié)點數(shù)為6,輸出節(jié)點數(shù)為1,并且因為有6個輸入,所以設(shè)置了7組系數(shù), p0-p6。用環(huán)境質(zhì)量標準得到的數(shù)據(jù)對模糊神經(jīng)網(wǎng)絡(luò)進行預(yù)測,首先隨機初始化系數(shù) p0-p6,b,c,給定一組輸入值 xi,根據(jù)式(2)和(1)可以得到網(wǎng)絡(luò)預(yù)測值 yci,通過比較預(yù)測值 yci和期望輸出值yd,通過式(3),(4)和(5)調(diào)整 p0-p6,b,c值,如此訓(xùn)練200次,然后用訓(xùn)練好的網(wǎng)絡(luò)對訓(xùn)練數(shù)據(jù)進行預(yù)測,得到網(wǎng)絡(luò)訓(xùn)練過程和數(shù)據(jù)預(yù)測如圖3-4所示。

圖3 網(wǎng)絡(luò)訓(xùn)練過程

圖4 測試數(shù)據(jù)預(yù)測

運用訓(xùn)練好的網(wǎng)絡(luò)對1997年-2008年的嘉陵江長江各取水口的原水水質(zhì)進行評價,得到的結(jié)果如圖5-6所示,其中橫坐標表示從1997年-2008年每季度水質(zhì)樣本,每個季度采集一次,一共是48個季度,縱坐標表示樣本水質(zhì)等級數(shù)據(jù)。

圖5 嘉陵江飲用水原水水質(zhì)評價

圖6 長江飲用水原水水質(zhì)評價

從評價的結(jié)果可以看出,嘉陵江3個取水口原水水質(zhì)從1997年-2008年總體呈逐年好轉(zhuǎn)趨勢,從以前的Ⅳ類水體上升為Ⅱ類水體,且近年水質(zhì)都穩(wěn)定在Ⅱ類,上中下游的水質(zhì)也日趨接近;長江三個取水口原水水質(zhì)從1997年-2008年也是逐年下降趨勢,從以前的Ⅴ類水體到近年的Ⅱ類水體,上下游的水質(zhì)也是非常接近的。這說明兩江水質(zhì)的治理收到了很好的成效,水質(zhì)評價結(jié)果與嘉陵江和長江的實際情況相吻合。預(yù)測結(jié)果的準確性說明了模糊神經(jīng)網(wǎng)絡(luò)在水質(zhì)預(yù)測中的應(yīng)用價值。

4 結(jié)論

本文首先把神經(jīng)網(wǎng)絡(luò)和模糊數(shù)學(xué)相結(jié)合,構(gòu)建了一種模糊神經(jīng)網(wǎng)絡(luò),然后用模糊神經(jīng)網(wǎng)絡(luò)對水樣水質(zhì)進行評價,通過仿真實驗表明了該方法的有效性,為水質(zhì)評價提供了一種新的參考方法。

[1] 尹海龍,徐祖信.我國單因子水質(zhì)評價方法改進探討[J].凈水技術(shù),2002,(8):1-3.

[2] 林華榮.大氣環(huán)境質(zhì)量評價的主分量綜合指標法[J].中國環(huán)境監(jiān)測,1995,11(3):42-45.

[3] 厲彥玲,王亮.基于綜合指數(shù)法的生態(tài)環(huán)境質(zhì)量綜合評價系統(tǒng)的設(shè)計與應(yīng)用[J].測繪科學(xué),2005,30(1):89-90.

[4] Takagi T,Sugeno M.Fuzzy identification of systems and its application to modeling and control[J].IEEE Trans on System,Man,and Cybernetworkics,1985,15(1):21-24.

Application of Fuzzy Neural Network in Water Quality Assessment of Chongqing Drinking Water Sources

Water quality evaluation of multi-factor is a complex problem of mathematical modeling.Generally,common methods can not get precise result.Artificial neural network is an advanced complex nonlinear method.It plays a leading role in this field.A kind of fuzzy neural network is conceived by combining the advantages of both neural network and fuzzy mathematics for water quality evaluation.Simulation experiment shows the effectiveness of the method.

fuzzy neural network,water quality assessment,Yangtze river,Jialingjiang river

(College of Resource and Environmental Science,Chongqing University,Chongqing 400044,China)

ZHOU Yan,WANG Li-ao

X824

A

1674-2842(2010)01-0033-03

2009-12-02

周燕(1973-),女,工程碩士,研究方向為水環(huán)境保護。