基于T—S模糊神經網絡模型的漢中段漢江流域水質評價與分析

拓守恒　何紅　李鵬飛

摘 要： 為了有效對漢中段漢江流域水質進行監控和評價，采用一種智能T-S模糊神經網絡模型進行水質綜合評價。利用建立的T-S模糊神經網絡模型對水質評價標準進行訓練；利用訓練好的神經網絡模型，選取漢江流域漢中段18個監測點的7項評價指標的監測數據，對該段水質進行綜合評價。結果顯示，漢水流域漢中段水質相對較好，除濂水河濂水橋監測站外，其余站點均屬于Ⅰ類或Ⅱ類水質。通過計算機實驗發現，該模型具有避免人工干預、提高水質評價精確度的優勢。

關鍵詞： 漢江流域； 水質評價； 模糊神經網絡； T-S模型

中圖分類號：X524 文獻標志碼：A 文章編號：1006-8228（2013）08-46-03

0 引言

所謂水質評價是指通過物理或化學手段獲取水源環境檢測數據，通過信息技術將這些監測數據轉換為確定水源環境狀況的信息，從而獲得水源環境現狀及其水質分布狀況，然后預測以后的發展趨勢，制訂綜合防治措施與方案。水質評價已經得到了廣泛的應用，寧愛麗等進行了夜郎湖水庫水質評價[1]，于洪賢和趙菲利用水質評價進行了扎龍濕地浮游植物群落結構特征分析[2]，文獻[3]對長詔水庫浮游植物群落結構及水質進行了評價與分析。然而，評價方法的優劣對水質評價及下一步的決策支持具有很大的影響，近年來，多種水質評價方法被提出和應用，例如數理統計評價法、主成分分析法[4]、指數法[5]、模糊綜合評價法[6]、神經網絡模型法[7-8]、支持向量機[9]和模糊模式識別[10]等評價方法。其中，數理統計評價法、主成分分析法和指數法計算量大，采用完全的數據擬合，不能隨著新知識（數據）的產生而忘記古老數據，并且隨著評價因素的增多而增大評價難度；目前，支持向量機和神經網絡模型法對非線性數據處理能力很強，但是存在基于經驗風險最小化的神經網絡的局部最優，容易出現訓練過度等缺陷。為此，本文結合水質評價標準，采用一種有效的智能T-S模糊神經網絡水質評價方法對漢江流域的水質進行綜合評價，實驗證明，該方法效果較好，可以為地區水資源的可持續開發利用提供決策支持。

1 模糊神經網絡評價方法介紹

模糊神經網絡（Fuzzy Neural Network，簡稱FNN）是近年興起的一種新型評價方法，是模糊系統與神經網絡的結合。模糊控制系統（Fuzzy control system：FCS）是以模糊集合化、模糊語言變量及模糊邏輯推理為基礎的一種數字控制系統，是實現智能控制的一種重要而有效的形式。神經網絡（neural network）模仿生物神經系統，可以模仿人的大腦神經網絡模型和信息處理機能，進行信息處理、判斷決策、聯想記憶、學習等，以實現模仿人行為的智能控制。模糊神經網絡結合了神經網絡與模糊控制的優點，在處理非線性、模糊性等問題上顯示出極大的優越性。它不需要建立基于系統動態特性的數學模型，可以通過對網絡結構的學習，得到神經網絡的最佳結構，克服了單憑設計經驗來選擇網絡結構的隨意性，提高了模糊神經網絡的學習收斂速度。T-S模糊神經網絡模型[11]就融合了模糊神經網絡推理能力與神經網絡的學習能力，具有更高的全局逼近能力。

2 T-S模糊神經網絡模型構建

T-S模糊系統是一種自適應能力很強的模糊系統，T-S模型能夠自動更新，還可以不斷地修正模糊子集的隸屬度函數。T-S模糊系統采用“IF—THEN”規則形式來定義，在規則為Ri的情況下，模糊推理如下：

T-S模糊神經網絡結構（圖1）分為輸入層、模糊化層、模糊規則計算層和輸出層。輸入層與輸入向量x=[]連接，節點數與輸入向量的維數相同。模糊化層采用隸屬度函數⑴對輸入值進行模糊化得到模糊隸屬度值μ。模糊規則計算層采用模糊計算公式⑵ω。輸出層采用公式⑵、公式⑶計算模糊神經網絡的輸出。

3 漢江流域水質評價過程

3.1 漢江流域水質評價指標選擇與評價標準

根據國家環保部關于重點流域水質考核指標，考慮到數據的可獲得性，本文選取漢水流域18個水質自動監測站6項指標作為模糊神經網絡的輸入，分別是pH、溶解氧、高錳酸鹽指數、氨氮、化學需氧量和生化需要量。

pH值是表征水體酸堿性的指標，pH值為7時表示為中性，小于7為酸性，大于7為堿性。天然地表水的pH值一般為6～9之間；溶解氧（DO）代表溶解于水中的分子態氧。水中溶解氧指標是反映水體質量的重要指標之一，含有有機物污染的地表水，在細菌的作用下有機污染物質分解時，會消耗水中的溶解氧，使水體發黑發臭，會造成魚類、蝦類等水生生物死亡；高錳酸鹽指數（CODMn）是以高錳酸鉀為氧化劑，處理地表水樣時所消耗的量，以氧的mg/L來表示。氨氮（NH3-N）常以溶解狀態的分子氨（又稱游離氨，NH3）和以銨鹽（NH4+）形式存在于水體中，兩者的比例取決于水的pH值和水溫，以含N元素的量來表示氨氮的含量。水中氨氮的來源主要為生活污水和某些工業廢水（如焦化和合成氨工業）以及地表徑流（主要指使農田使用的肥料通過地表徑流進入河流、湖庫等）。

根據國家《地面水環境質量標準》（GB3838-2002）將水環境質量分為優（Ⅰ和Ⅱ類）、良好（Ⅲ類）、輕度污染（Ⅳ類）、中度污染（Ⅴ類）和重度污染（劣Ⅴ類）六個類別。其中，劣Ⅴ類沒有任何使用功能。表1列出了用于漢江流域水質評價的6個指標對應的等級。

3.2 漢江流域水質評價數據樣本的選取

選取了漢江流域3個國控站（烈金壩、黃金峽和魯光坪）、5個省控站（梁西渡、南柳渡、蒙家渡、橫現河和燕子砭）、10個市控站（南河入漢江口、黑河沮水橋、漾家河入漢江口、堰河新橋、漢江臨江寺、冷水河冷水橋、濂水河陽春橋、濂水河濂水橋、褒河張碼頭和湑水河原公大橋），合計18個水質自動監測站2011年的一組數據，并將其作為訓練樣本數據。表2-表4列出了9個水質自動監測站4組指標監測值。

4 漢中段漢江流域水質評價

根據地表水環境質量標準，通過等隔均勻分布方式內插水質指標標準環境質量標準數據生成樣本的方式來生成訓練樣本，網絡反復訓練100次。根據訓練好的模糊神經網絡進行樣本測試，發現網絡的預測輸出值與實際輸出值非常接近，訓練數據平均誤差：0.027222（見圖2），測試數據平均誤差：0.071715（見圖3）。結果表明運用T-S模糊神經網絡模型對水質進行綜合評價精度很高。

通過本文采用的T-S神經網絡模糊模型對漢中段漢江流域水質評價結果（如圖4所示）表明，總體來看，漢中段水質相對較好，18個監測站的評價結果中，除了濂水河濂水橋的綜合評價結果很不理想之外，其余檢測站檢測結果都屬于1類或Ⅱ類水質。進一步通過具體定量分析發現，濂水河濂水橋監測站中的氨氮（2.36）明顯偏高，生化需氧量（3.5）較低，氨氮偏高說明該地區可能存在嚴重生活污水或農田排水，可能會對漢江魚類呈現嚴重的毒害作用，生化需氧量偏低說明水體可能被有機物污染，可能存在廢水排放的可能。

5 結束語

本文通過采用T-S模糊神經網絡模型進行漢中段漢江流域水質評價，該模型能夠自動通過神經網絡模型進行水質評價分析，避免過多地人工干預分析，可以有效提高工作效率，并且通過多因素綜合評價提高預測水平。

參考文獻：

[1] 寧愛麗，陳椽，潘靜，徐興華，龍勝興.夜郎湖水庫春季后生浮游動物調查與水質評價[J].湖北農業科學，2012.21：4763-4766

[2] 于洪賢，趙菲.扎龍濕地浮游植物群落結構特征與水質評價[J].東北林業大學學報，2012.11：99-101，119

[3] 劉金殿，顧志敏，楊元杰，張玉明.長詔水庫浮游植物群落結構及水質評價[J].生態學雜志，2012.11：2865-2871

[4] 汪天祥，許士國，韓成偉.改進主成分分析法在南淝河水質評價中的應用[J].水電能源科學，2012.10：33-36

[5] 王林，王興澤.水質標識指數法在太子河水質評價中的應用[J].北方環境，2012.5：198-200

[6] 黃劍.模糊綜合評價在嘉陵江南充段水質評價中的應用[J]. 安徽農學通報（上半月刊），2012.19：22-24，55

[7] 周忠壽.基于T-S模型的模糊神經網絡在水質評價中的應用[D].河海大學，2007.

[8] Matlab中文論壇.Matlab神經網絡30個案例分析[M].北京航空航天大學出版社，2010.

[9] 戴宏亮.基于智能遺傳算法與復合最小二乘支持向量機的長江水質預測與評價[J].計算機應用研究，2009.26（1）：79-81

[10] 周林飛，趙嶄，孫佳竹，邢旭光.基于模糊模式識別的渾河水質評價研究[J].水土保持研究，2012.5：163-166

[11] 邱煥耀，模糊控制、神經網絡和變結構控制的交叉結合及其應用研究[D].華南理工大學，1999.