基于T—S模糊神經(jīng)網(wǎng)絡(luò)模型的漢中段漢江流域水質(zhì)評價(jià)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(zhì)進(jìn)行監(jiān)控和評價(jià)，采用一種智能T-S模糊神經(jīng)網(wǎng)絡(luò)模型進(jìn)行水質(zhì)綜合評價(jià)。利用建立的T-S模糊神經(jīng)網(wǎng)絡(luò)模型對水質(zhì)評價(jià)標(biāo)準(zhǔn)進(jìn)行訓(xùn)練；利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型，選取漢江流域漢中段18個(gè)監(jiān)測點(diǎn)的7項(xiàng)評價(jià)指標(biāo)的監(jiān)測數(shù)據(jù)，對該段水質(zhì)進(jìn)行綜合評價(jià)。結(jié)果顯示，漢水流域漢中段水質(zhì)相對較好，除濂水河濂水橋監(jiān)測站外，其余站點(diǎn)均屬于Ⅰ類或Ⅱ類水質(zhì)。通過計(jì)算機(jī)實(shí)驗(yàn)發(fā)現(xiàn)，該模型具有避免人工干預(yù)、提高水質(zhì)評價(jià)精確度的優(yōu)勢。

關(guān)鍵詞： 漢江流域； 水質(zhì)評價(jià)； 模糊神經(jīng)網(wǎng)絡(luò)； T-S模型

中圖分類號(hào)：X524 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1006-8228（2013）08-46-03

0 引言

所謂水質(zhì)評價(jià)是指通過物理或化學(xué)手段獲取水源環(huán)境檢測數(shù)據(jù)，通過信息技術(shù)將這些監(jiān)測數(shù)據(jù)轉(zhuǎn)換為確定水源環(huán)境狀況的信息，從而獲得水源環(huán)境現(xiàn)狀及其水質(zhì)分布狀況，然后預(yù)測以后的發(fā)展趨勢，制訂綜合防治措施與方案。水質(zhì)評價(jià)已經(jīng)得到了廣泛的應(yīng)用，寧愛麗等進(jìn)行了夜郎湖水庫水質(zhì)評價(jià)[1]，于洪賢和趙菲利用水質(zhì)評價(jià)進(jìn)行了扎龍濕地浮游植物群落結(jié)構(gòu)特征分析[2]，文獻(xiàn)[3]對長詔水庫浮游植物群落結(jié)構(gòu)及水質(zhì)進(jìn)行了評價(jià)與分析。然而，評價(jià)方法的優(yōu)劣對水質(zhì)評價(jià)及下一步的決策支持具有很大的影響，近年來，多種水質(zhì)評價(jià)方法被提出和應(yīng)用，例如數(shù)理統(tǒng)計(jì)評價(jià)法、主成分分析法[4]、指數(shù)法[5]、模糊綜合評價(jià)法[6]、神經(jīng)網(wǎng)絡(luò)模型法[7-8]、支持向量機(jī)[9]和模糊模式識(shí)別[10]等評價(jià)方法。其中，數(shù)理統(tǒng)計(jì)評價(jià)法、主成分分析法和指數(shù)法計(jì)算量大，采用完全的數(shù)據(jù)擬合，不能隨著新知識(shí)（數(shù)據(jù)）的產(chǎn)生而忘記古老數(shù)據(jù)，并且隨著評價(jià)因素的增多而增大評價(jià)難度；目前，支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)模型法對非線性數(shù)據(jù)處理能力很強(qiáng)，但是存在基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化的神經(jīng)網(wǎng)絡(luò)的局部最優(yōu)，容易出現(xiàn)訓(xùn)練過度等缺陷。為此，本文結(jié)合水質(zhì)評價(jià)標(biāo)準(zhǔn)，采用一種有效的智能T-S模糊神經(jīng)網(wǎng)絡(luò)水質(zhì)評價(jià)方法對漢江流域的水質(zhì)進(jìn)行綜合評價(jià)，實(shí)驗(yàn)證明，該方法效果較好，可以為地區(qū)水資源的可持續(xù)開發(fā)利用提供決策支持。

1 模糊神經(jīng)網(wǎng)絡(luò)評價(jià)方法介紹

模糊神經(jīng)網(wǎng)絡(luò)（Fuzzy Neural Network，簡稱FNN）是近年興起的一種新型評價(jià)方法，是模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的結(jié)合。模糊控制系統(tǒng)（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(chǔ)的一種數(shù)字控制系統(tǒng)，是實(shí)現(xiàn)智能控制的一種重要而有效的形式。神經(jīng)網(wǎng)絡(luò)（neural network）模仿生物神經(jīng)系統(tǒng)，可以模仿人的大腦神經(jīng)網(wǎng)絡(luò)模型和信息處理機(jī)能，進(jìn)行信息處理、判斷決策、聯(lián)想記憶、學(xué)習(xí)等，以實(shí)現(xiàn)模仿人行為的智能控制。模糊神經(jīng)網(wǎng)絡(luò)結(jié)合了神經(jīng)網(wǎng)絡(luò)與模糊控制的優(yōu)點(diǎn)，在處理非線性、模糊性等問題上顯示出極大的優(yōu)越性。它不需要建立基于系統(tǒng)動(dòng)態(tài)特性的數(shù)學(xué)模型，可以通過對網(wǎng)絡(luò)結(jié)構(gòu)的學(xué)習(xí)，得到神經(jīng)網(wǎng)絡(luò)的最佳結(jié)構(gòu)，克服了單憑設(shè)計(jì)經(jīng)驗(yàn)來選擇網(wǎng)絡(luò)結(jié)構(gòu)的隨意性，提高了模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)收斂速度。T-S模糊神經(jīng)網(wǎng)絡(luò)模型[11]就融合了模糊神經(jīng)網(wǎng)絡(luò)推理能力與神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力，具有更高的全局逼近能力。

2 T-S模糊神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

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

T-S模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)（圖1）分為輸入層、模糊化層、模糊規(guī)則計(jì)算層和輸出層。輸入層與輸入向量x=[]連接，節(jié)點(diǎn)數(shù)與輸入向量的維數(shù)相同。模糊化層采用隸屬度函數(shù)⑴對輸入值進(jìn)行模糊化得到模糊隸屬度值μ。模糊規(guī)則計(jì)算層采用模糊計(jì)算公式⑵ω。輸出層采用公式⑵、公式⑶計(jì)算模糊神經(jīng)網(wǎng)絡(luò)的輸出。

3 漢江流域水質(zhì)評價(jià)過程

3.1 漢江流域水質(zhì)評價(jià)指標(biāo)選擇與評價(jià)標(biāo)準(zhǔn)

根據(jù)國家環(huán)保部關(guān)于重點(diǎn)流域水質(zhì)考核指標(biāo)，考慮到數(shù)據(jù)的可獲得性，本文選取漢水流域18個(gè)水質(zhì)自動(dòng)監(jiān)測站6項(xiàng)指標(biāo)作為模糊神經(jīng)網(wǎng)絡(luò)的輸入，分別是pH、溶解氧、高錳酸鹽指數(shù)、氨氮、化學(xué)需氧量和生化需要量。

pH值是表征水體酸堿性的指標(biāo)，pH值為7時(shí)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(tài)氧。水中溶解氧指標(biāo)是反映水體質(zhì)量的重要指標(biāo)之一，含有有機(jī)物污染的地表水，在細(xì)菌的作用下有機(jī)污染物質(zhì)分解時(shí)，會(huì)消耗水中的溶解氧，使水體發(fā)黑發(fā)臭，會(huì)造成魚類、蝦類等水生生物死亡；高錳酸鹽指數(shù)（CODMn）是以高錳酸鉀為氧化劑，處理地表水樣時(shí)所消耗的量，以氧的mg/L來表示。氨氮（NH3-N）常以溶解狀態(tài)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(yè)廢水（如焦化和合成氨工業(yè)）以及地表徑流（主要指使農(nóng)田使用的肥料通過地表徑流進(jìn)入河流、湖庫等）。

根據(jù)國家《地面水環(huán)境質(zhì)量標(biāo)準(zhǔn)》（GB3838-2002）將水環(huán)境質(zhì)量分為優(yōu)（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(gè)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(zhì)評價(jià)的6個(gè)指標(biāo)對應(yīng)的等級(jí)。

3.2 漢江流域水質(zhì)評價(jià)數(shù)據(jù)樣本的選取

選取了漢江流域3個(gè)國控站（烈金壩、黃金峽和魯光坪）、5個(gè)省控站（梁西渡、南柳渡、蒙家渡、橫現(xiàn)河和燕子砭）、10個(gè)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(jì)18個(gè)水質(zhì)自動(dòng)監(jiān)測站2011年的一組數(shù)據(jù)，并將其作為訓(xùn)練樣本數(shù)據(jù)。表2-表4列出了9個(gè)水質(zhì)自動(dòng)監(jiān)測站4組指標(biāo)監(jiān)測值。

4 漢中段漢江流域水質(zhì)評價(jià)

根據(jù)地表水環(huán)境質(zhì)量標(biāo)準(zhǔn)，通過等隔均勻分布方式內(nèi)插水質(zhì)指標(biāo)標(biāo)準(zhǔn)環(huán)境質(zhì)量標(biāo)準(zhǔn)數(shù)據(jù)生成樣本的方式來生成訓(xùn)練樣本，網(wǎng)絡(luò)反復(fù)訓(xùn)練100次。根據(jù)訓(xùn)練好的模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行樣本測試，發(fā)現(xiàn)網(wǎng)絡(luò)的預(yù)測輸出值與實(shí)際輸出值非常接近，訓(xùn)練數(shù)據(jù)平均誤差：0.027222（見圖2），測試數(shù)據(jù)平均誤差：0.071715（見圖3）。結(jié)果表明運(yùn)用T-S模糊神經(jīng)網(wǎng)絡(luò)模型對水質(zhì)進(jìn)行綜合評價(jià)精度很高。

通過本文采用的T-S神經(jīng)網(wǎng)絡(luò)模糊模型對漢中段漢江流域水質(zhì)評價(jià)結(jié)果（如圖4所示）表明，總體來看，漢中段水質(zhì)相對較好，18個(gè)監(jiān)測站的評價(jià)結(jié)果中，除了濂水河濂水橋的綜合評價(jià)結(jié)果很不理想之外，其余檢測站檢測結(jié)果都屬于1類或Ⅱ類水質(zhì)。進(jìn)一步通過具體定量分析發(fā)現(xiàn)，濂水河濂水橋監(jiān)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(qū)可能存在嚴(yán)重生活污水或農(nóng)田排水，可能會(huì)對漢江魚類呈現(xiàn)嚴(yán)重的毒害作用，生化需氧量偏低說明水體可能被有機(jī)物污染，可能存在廢水排放的可能。

5 結(jié)束語

本文通過采用T-S模糊神經(jīng)網(wǎng)絡(luò)模型進(jìn)行漢中段漢江流域水質(zhì)評價(jià)，該模型能夠自動(dòng)通過神經(jīng)網(wǎng)絡(luò)模型進(jìn)行水質(zhì)評價(jià)分析，避免過多地人工干預(yù)分析，可以有效提高工作效率，并且通過多因素綜合評價(jià)提高預(yù)測水平。

參考文獻(xiàn)：

[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(dòng)物調(diào)查與水質(zhì)評價(jià)[J].湖北農(nóng)業(yè)科學(xué)，2012.21：4763-4766

[2] 于洪賢，趙菲.扎龍濕地浮游植物群落結(jié)構(gòu)特征與水質(zhì)評價(jià)[J].東北林業(yè)大學(xué)學(xué)報(bào)，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(jié)構(gòu)及水質(zhì)評價(jià)[J].生態(tài)學(xué)雜志，2012.11：2865-2871

[4] 汪天祥，許士國，韓成偉.改進(jìn)主成分分析法在南淝河水質(zhì)評價(jià)中的應(yīng)用[J].水電能源科學(xué)，2012.10：33-36

[5] 王林，王興澤.水質(zhì)標(biāo)識(shí)指數(shù)法在太子河水質(zhì)評價(jià)中的應(yīng)用[J].北方環(huán)境，2012.5：198-200

[6] 黃劍.模糊綜合評價(jià)在嘉陵江南充段水質(zhì)評價(jià)中的應(yīng)用[J]. 安徽農(nóng)學(xué)通報(bào)（上半月刊），2012.19：22-24，55

[7] 周忠壽.基于T-S模型的模糊神經(jīng)網(wǎng)絡(luò)在水質(zhì)評價(jià)中的應(yīng)用[D].河海大學(xué)，2007.

[8] Matlab中文論壇.Matlab神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析[M].北京航空航天大學(xué)出版社，2010.

[9] 戴宏亮.基于智能遺傳算法與復(fù)合最小二乘支持向量機(jī)的長江水質(zhì)預(yù)測與評價(jià)[J].計(jì)算機(jī)應(yīng)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(shí)別的渾河水質(zhì)評價(jià)研究[J].水土保持研究，2012.5：163-166

[11] 邱煥耀，模糊控制、神經(jīng)網(wǎng)絡(luò)和變結(jié)構(gòu)控制的交叉結(jié)合及其應(yīng)用研究[D].華南理工大學(xué)，1999.