基于T—S模糊神經網絡花溪河流域水質評價

楊秀忠

摘要：本文選用T-S模型的模糊神經系統進行水質評價，利用該模式能夠運用簡單的一元函數的復合來實現復雜的多元函數的優勢，分析處理花溪河6個斷面6項水質指標數據。為了更好的體現T-S模型的優勢，本文同步利用單因子評價法，綜合污染指數法對水質進行評價，橫向對比三者的特點。其結果證明了T-S模型在水質評價中具有強大的優勢，操作相對簡單，克服了人的主觀性，可以進行深入研究，并運用到生產實際。此次水環境評價結果可以為花溪河流域水環境的保護與防治提供依據。

關鍵詞：花溪河流域，T-S模型，水質評價。

引言：從新的地域范圍講，花溪河流域分屬花溪區和貴安新區。自2013年以來，花溪區響應國發2號文件的號召，對各項投資優惠政策進行深化，贏得了國內外投資者的青睞，提出建成花溪旅游文化創新區。近年來在花溪區極力打造“大花溪，大花園，大溪流”的良好格局，以建設成“山清水秀”的魅力城市為目標。貴安新區工程性缺水十分嚴重，對花溪河流域依賴很大，在區政府工作會議上，也把把生態文明建設放在首位，因此花溪河的建設和保護不容忽視，而且花溪河作為國家飲用水保護功能區Ⅰ類區，地位極其特殊。所以必須注重花溪河流域生態環境的建設，響應國家提出的“水十條”等相關內容，確保水功能區納污紅線的開展，促進經濟又好又快發展。本文在此時代背景下，實現了T-S模糊神經神經網絡對花溪河流域的水環境評價，其結果可以為花溪河流域水資源量的開發與利用，水環境的防范與保護提供依據。

一.T-S模型的理論基礎

T-S模糊神經網絡采是取神經網絡技術進行模糊信息處理，使模糊規則自動提取及自動生成模糊隸屬函數成為可能，成功構建自適應模糊系統。它能夠不斷完善模糊子集的隸屬關系，還能自動完成更新。T-S模糊神經系統語句的變現形式為 “if-then”。

模糊神經網絡T-S模糊神經網絡由四層組成，分別是輸入層、模糊化層、模糊規則計算層和輸出層，輸入層與輸入向量之間由變量xi 連接，輸入向量與節點數的維數相同。模糊化層采用隸屬度函數公式對輸入值模糊化處理計算得到模糊隸屬度值 μ。模糊規則計算層運用模糊連乘公式進行計算，得到w。輸出層運用公式對模糊神經網絡的輸出進行計算。模糊神經網絡的學習算法主要包括誤差計算，系數修正，參數修正等三部分組成。

二.T—S模型的建立

（1）網絡初始化

根據輸入，輸出數據對網絡結構進行確定，首先初始化模糊神經網絡隸屬度系數和參數，訓練數據作歸一化處理，直接調用matlab8.1工具箱中的mapminmax函數對數據進行歸一化處理，使歸一化的數據值的范圍都在[0～1]之間，而且不失去原來的數量關系。

（2）用訓練樣本進行模糊神經網絡的訓練

在matlab中主要包括：數據的導入，輸入參數模糊化，模糊隸屬度計算，隸屬度參數計算，系數p，b，c修正值的計算。

（3）利用模糊神經網絡評價水質

使用訓練好的模糊神經網絡進行花溪河各監測斷面水質進行評價，根據網絡預測值對水質等級進行劃分。matlab具體流程包括：導入數據，輸入數據歸一化，網絡預測，輸入參數模糊化，計算輸出，網絡預測值及反歸一化，最后確定水質等級。

（4）結果分析

利用訓練好的T-S模糊神經網絡模型對花溪河各個斷面水質監測資料進行評價。

三.水質評價對比分析

研究區內污染源主要為生活污染，廢棄煤礦污染。本次共選用以下6組水質因子進行單因子評價分析，分別為氨氮、溶解氧、COD、高錳酸鹽指數、總磷和總氮等。共設置了6個水質監測斷面，分別為上車田河入車田湖前47m斷面，下車田河匯入花溪水庫前100m斷面，干河匯入松柏山水庫前100斷面，凱倫河上游金家寨斷面，凱倫河匯入松柏山庫口前100m斷面，養牛大溝匯入花溪河前10m斷面，分別以W1？W6代替，下表分別為三種方法對布設斷面的評價結果。

4.結論

通過表1的評價結果對比可以看出，三種方法在水質評價中都有自己的優勢和不足，接下來逐一進行詳細分析。

單因子評價法：計算簡單，評價直觀，直觀體現評價標準與水質狀況的關系，指出問題所在，可以針對性的做出改善措施，不過本次所測試驗，總氮的含量過高，而單因子評價以水質最差的一項指標所屬類別確定水體水質類別，無法反應水環境質量的綜合狀況，表所示，每個斷面都屬于劣Ⅴ類。

綜合污染指數法：在單因子指數法基礎上，考慮多種因子對河段水質的作用，通過水質標準進行對比得出結果，計算同樣方便，評價結果較單因子評價法全面，不過權重的賦值存在主觀性，對實際結果會產生一定的影響，而且綜合污染指數法只能夠直觀判斷評價區是否達到功能區水質要求，不能進行綜合水質類別判斷，存在一定的局限性。

T-S模糊神經網絡法：本方法消除了主觀因素的影響，水質評價結果更加全面，客觀。對比三種方法，我們能夠發現，T-S模糊神經法滿足綜合污染指數法得到的評價結果，并在此基礎上使結果更加精準，克服了綜合污染指數法不能進行綜合水質判別的缺點，T-S神經網絡操作簡單，網絡結構可以隨著指標的改變而自行調整。而且將模糊理論與神經網絡復合，訓練的時間大大減少，網絡的泛化能力比較強，可以在實際工作中加以利用。

參考文獻：

[1]杜剛.改進的BP神經網絡在地下水水質評價中的應用[D].上海：上海師范大學，2007.

[2]王海霞.模糊神經網絡在水質評價中的作用[D]. 重慶：重慶大學，2002.

[3]鄒美玲.基于人工神經網絡的濟南市北沙河水環境綜合整治研究[D].濟南：山東師范大學，2008.

[4]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].南京：河海大學，2007.

[5]李晶. 基于人工神經網絡的黃河寧夏段水質評價研究[D].寧夏：寧夏大學，2013.

[6]張宇，盧文喜等. 基于T-S模糊神經網絡的地下水水質評價[J].節水灌溉.2012，7：35-38.

[7]侯濤.基T-S 模糊神經網絡在三川河地表水質評價中的應用[J].能源與節能.2011，6：54-56.endprint