周 燕,王里奥

模糊神经网络在重庆市饮用水原水水质评价中的应用

周 燕,王里奥

(重庆大学资源与环境科学学院,重庆400044)

多因子的水质综合评价是一个复杂的数学建模问题,一般方法难以求得精确结果。人工神经网络是一种先进的复杂非线性计算方法,是目前前沿研究领域之一。本文在研究神经网络和模糊数学的基础上,构建了一种模糊神经网络,并用它对水质进行评价。通过仿真实验表明了该方法的有效性。

模糊神经网络;水质评价;长江;嘉陵江

水质评价是根据水质评价标准和水质检测样本各项指标值,通过一定的数学模型,确定样本的等级。水质评价的目的是能够准确判断出水质样本的污染等级,为水质源的保护方案制定提供依据。水质评价常用的方法包括单因子评价、主分量分析评价、综合指数评价法、模糊评价法和灰色评价法等[1-4]。人工神经网络是一种新颖的数学建模方法,具有非线性映射、并行性、自适应、自学习和容错性等能力,能够解决属于模式设别的水质评价问题。

1 模糊神经网络原理

1.1 P-S神经网络模型

前向型神经网络中一般都含有求和节点,在复杂问题的求解中往往不能得到较好的结果,混合型P-S神经网络中没有求和节点,可以用来模拟仿真复杂系统。假设输入层有2个节点,混合性P-S神经网络如图1所示。

图1 混合型模糊神经网络

其中S表示相加节点,P表示相乘节点,^表示逻辑运算。

当输入节点为3个时,P-S神经网络的输入如下所示:

y=

其中,x1,x2,x3是网络输入,μAi·μAi·μAi是

123

隶属度函数,p0,p1,p2,p3是系数。

隶属度函数都用高斯型函数,具体形式如下:

其中,cij和bij为模型参数。

1.2 P-S神经网络学习算法

混合型P-S神经网络根据网络输出和期望输出的误差来修正系数和隶属函数参数,从而使模糊神经网络输出不断逼近真实输出,其学习修正算法如下所示:

(1)系数修正

其中,yd是网络的期望输出,yc是网络的实际输出,e表示期望输出和实际输出的误差。

(2)参数修正

2 基于P-S模糊神经网络的水质评价

用P-S模糊神经网络对水质进行评价,模糊神经网络水质评价的分为P-S模糊神经网络构建,模糊神经网络训练和模糊神经网络水质评价3个部分,如图2所示。

图2 模糊神经网络水质评价总体结构

其中模糊神经网络构建确定网络的输入和输出数量,隶属度函数和参数的个数,模糊神经网络训练用国家标准水质划分标准中的数据范围对网络进行训练,模糊神经网络评价用训练好的模糊神经网络对水质等级进行评价。

3 仿真实验

模糊神经网络用于水质评价时,需要采用水质分级标准作为训练样本对网络进行训练。由于水质评价数据的真实数据比较难找,所以采用了等隔均匀分布方式内插标准数据表生成样本的方式来生成样本,采用的水质标准数据表是《地表水环境质量标准》(GB3838-2002),其规定限值如表1所示。

表1 地表水环境质量标准 mg/L

采用内插的方式一共得到400组数据,其中Ⅰ类到Ⅱ类间取100组,Ⅱ类到Ⅲ类间取100组,Ⅲ类到Ⅳ类间取100组,Ⅳ类到Ⅴ类间取100组,共400组,从中随机取350组数据作为训练数据,50组数据作为测试数据。

采用模糊神经网络对重庆市饮用水原水水质进行评价,选取的水质取样点分布在重庆城区长江和嘉陵江的上游、中游和下游,其中,嘉陵江的上游、中游和下游取水点分别为红工水厂、高家花园水厂和大溪沟水厂的一级泵房原水监测点,长江的上游、中游和下游取水点分别为毛纺水厂、和尚山水厂和黄桷渡水厂的一级泵房原水监测点。水样每季度采集一次,分析采用水样的氨氮、溶解氧、化学需氧量、高锰酸钾指数、总磷和总氮全部六项指标。

采用神经网络评价1997年-2008年的两江水质,首先根据输入数据和输出数据的特点设置神经网络结构,因为数据数据为六项指标,输出数据为水质标准,故设置网络的输入节点数为6,输出节点数为1,并且因为有6个输入,所以设置了7组系数, p0-p6。用环境质量标准得到的数据对模糊神经网络进行预测,首先随机初始化系数 p0-p6,b,c,给定一组输入值 xi,根据式(2)和(1)可以得到网络预测值 yci,通过比较预测值 yci和期望输出值yd,通过式(3),(4)和(5)调整 p0-p6,b,c值,如此训练200次,然后用训练好的网络对训练数据进行预测,得到网络训练过程和数据预测如图3-4所示。

图3 网络训练过程

图4 测试数据预测

运用训练好的网络对1997年-2008年的嘉陵江长江各取水口的原水水质进行评价,得到的结果如图5-6所示,其中横坐标表示从1997年-2008年每季度水质样本,每个季度采集一次,一共是48个季度,纵坐标表示样本水质等级数据。

图5 嘉陵江饮用水原水水质评价

图6 长江饮用水原水水质评价

从评价的结果可以看出,嘉陵江3个取水口原水水质从1997年-2008年总体呈逐年好转趋势,从以前的Ⅳ类水体上升为Ⅱ类水体,且近年水质都稳定在Ⅱ类,上中下游的水质也日趋接近;长江三个取水口原水水质从1997年-2008年也是逐年下降趋势,从以前的Ⅴ类水体到近年的Ⅱ类水体,上下游的水质也是非常接近的。这说明两江水质的治理收到了很好的成效,水质评价结果与嘉陵江和长江的实际情况相吻合。预测结果的准确性说明了模糊神经网络在水质预测中的应用价值。

4 结论

本文首先把神经网络和模糊数学相结合,构建了一种模糊神经网络,然后用模糊神经网络对水样水质进行评价,通过仿真实验表明了该方法的有效性,为水质评价提供了一种新的参考方法。

[1] 尹海龙,徐祖信.我国单因子水质评价方法改进探讨[J].净水技术,2002,(8):1-3.

[2] 林华荣.大气环境质量评价的主分量综合指标法[J].中国环境监测,1995,11(3):42-45.

[3] 厉彦玲,王亮.基于综合指数法的生态环境质量综合评价系统的设计与应用[J].测绘科学,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,工程硕士,研究方向为水环境保护。