模糊神经网络嘉陵江水质评价.docx

模糊神经网络嘉陵江水质评价.docx

《模糊神经网络嘉陵江水质评价.docx》由会员分享，可在线阅读，更多相关《模糊神经网络嘉陵江水质评价.docx（22页珍藏版）》请在冰豆网上搜索。

模糊神经网络嘉陵江水质评价

1绪论

1.1选题背景和研究意义

随着经济的快速发展，水资源日益恶化，水污染已呈现由点污染向面污染发展的趋势，成为制约和困扰我国可持续发展的一大障碍。

治理污染的水环境和防止水资源被进一步恶化，已经成为当前迫切需要解决的问题。

水质评价是以定量的方式对水环境的质量进行综合的评价，是水环境管理保护和污染治理的一项基础性工作，医务室近年来的研究热点。

当前我国水污染已经得到了有关部门的重视，并且水污染治理工作中所需的硬件设施以及科学技术的不断完善为水污染治理工作起到了重要的支撑作用。

应当认识到水质分析是水污染治理工作中的基础内容，对水质进行科学的分析，能够预防水污染事件的出现，尤其是预防突发性水污染事件的发生，同时在水污染事件发生后能够对水污染程度做出合理的判定，对水污染处理的措施以及方案能够提供必要的依据。

同时居民生活饮用水的水质也影响着人们的身体健康，对饮用水进行必要的水质监测与分析能够确保引用水的质量。

所以水质分析不仅是水污染处理中贯彻以预防为主方针的重要途径，也是水污染处理工作中的重要内容。

传统的水质评价方法有评分法，比质法，统计法等，这些传统的水质评价方法受人为的主观因素的制约，从而影响可评价的精度。

近年来许多学者提出了一个新的评价模型，如聚类发，经济分析法，灰色关联法，关联分析法等的，这些方法比较传统的方法，评价的精度有了较大幅度的提高，但是由于评价因子与水质之间呈复杂的非线性关系，以及水体污染本身居于模糊性，因而影响了评价的精度。

近年来兴起的人工神经网络具有学习逼近任意非线性的能力，模糊理论是一新的学习方法，模糊理论中的相对隶属度能很好的对水质的模糊性进行解释，能清晰地反映水质各因子的质量相对状态，从而确定水质污染影响最大的因子。

水质评价方法是评价理论的核心及水污染控制系统的一个重要环节，是现代环境科学基础理论研究的重要课题之一。

然而如何才能客观地、准确地反映水体环境质量状况，其关键在于合理的选择与建立评价方法和数学模型。

水质的清洁与污染这一对立观念之间，在划分过程中并不存在绝对分明的界限，具有中介过渡性，这是客观存在着的模糊概念。

水质评价的模糊性，是水体质量在清洁与污染的划分过程中所呈现的亦此亦彼性。

由于水质评价涉及到许多模糊概念，如“水质污染程度”就是一个模糊概念，从而作为评价污染程度的分级标准也是模糊的，而水质分级线也是一个模糊的界线，因而有必要用隶属度来描述它。

用模糊理论与方法，比传统评价方法更符合现象的实际，使水质评价的理论与方法建立在比较严谨的数学逻辑基础上。

1.2神经网络与模糊系统

神经网络（NeuralNetwork,简称NN）是由众多简单的神经元连接而成的网络。

尽管每个神经元结构、功能都不复杂,但网络的整体动态行为极为复杂,可组成高度非线性动力学系统,从而可表达许多复杂的物理系统。

神经网络的研究从上世纪40年代初开始,目前,在世界范围已形成了研究神经网络前所未有的热潮。

它已在控制、模式识别、图像和视频信号处理、金融证券、人工智能、军事、计算机视觉、优化计算、自适应滤波和A/D变换等方面获得了应用。

模糊系统（FuzzySystem,简称FS）是仿效人的模糊逻辑思维方法设计的系统,方法本身明确地说明了系统在工作过程中允许数值量的不精确性存在。

模糊数学自1965年诞生至今已有40多年的历史,它在理论上还处于不断发展和完善中。

它是用精确的数学理论研究人类思维的模糊性,其最基本的概念是隶属度。

用隶属度来描述某一对象或称为元素属于某一论域者称为集合的程度,这样既能准确描述人类思维中的模糊性,又能被计算机理解。

目前,它已广泛应用于计算机科学、自动控制、系统工程、环保、机械、管理科学、思维科学、社会科学等领域

1.3文本研究内容和研究思路

随着我国工农业的迅速发展和城市化进程，工业废水和生活污水排放量日益增加，湖泊河流等开发活动加剧，加之人们一个时期以来，环保意识淡薄，全国性的湖泊河流污染及富营养化问题不断出现和发生。

截止至1997年底，我国各类水体82％左右的河段受到不同程度的污染，其中大约39％的河段污染严重，70％以上的城市河段达不到饮水水源的标准，50％的城市地下水浑浊不清，长江、珠江等七大水系水质持续恶化，湖泊水库普遍受到污染。

根据2009年我国环境保护部公布的数字表明，全国地表水污染依然很严重。

2007年，在我国七大水系197条河流407个重点监测断面中，I～Ⅲ类水质占49．9％，IV、V类水质占26．5％，劣V类水质占23．6％。

其中，松花江为轻度污染，淮河、黄河为中度污染，海河、辽河为重度污染。

为了应对水质的急剧变化，对水质的分析是相当必要的。

在水文、水利工作中，水质分析的定义为通过物理学、化学以及生物学方法对水质样品的水质参数的性质、含量、形态以及危害进行定性与定量分析。

水质是指水资源的质量，地球上的水资源循环包括自然循环与社会循环两种，自然循环的过程是在地球引力以及太阳辐射的作用下以不同的流动、蒸发、降雨等形式构成，而社会循环则是指人们为了满足社会发展的需要，从自然界中开发水资源进行利用，使用后的废水或污水又重新排放入水资源当中。

社会循环对水质造成的问题主要体现为水污染，水污染问题已经得到了我国社会以及政府部门广泛的重视，而自然循环同样会因为水资源中混入杂质而使水资源产生水质的变化，所以水质分析的对象不仅包括受到污染的水资源，同时包括自然循环中的水资源。

水质分析的任务在于通过对水资源的鉴定来了解水资源是否能满足用水的需求，同时指导水处理工程的建设以及水污染控制的决策。

水体污染使得城市居民的饮水安全和身体健康遭受到严重威胁，不仅加剧了水体资源短缺的矛盾，也对我国的可持续发展战略带来了严重的负面影响。

水体污染导致的富营养化的危害也是多方面的，它可以使水体变得腥臭难闻，降低水体透明度，影响水体中的溶解氧，向水体释放有毒物质，影响供水质量，增加供水成本，加速湖泊衰亡。

因此水质分析的意义重大，可为水体污染的治理提供科学依据。

模糊神经网络最基本的概念是它的隶属度和模糊隶属度的函数，其中，隶属度是指元素u属于模糊字迹f的隶属程度，用μf（u）表示，他说一个在[0，1]之间的数，μf（u）越接近于0，表示u属于模糊子集f的程度越小；越靠近1，表示u隶属于f的程度越大。

模糊隶属度函数是用于定量计算元素隶属度的函数，模糊隶属度函数一般包括三角函数，梯形函数和正态函数等

2模糊神经网络的基本原理

2.1模糊神经网络概述

1965年美国L.A.Zadeh教授著名的《模糊集合》一文的发表，标志了模糊数学的诞生并很快发展起来。

模糊数学诞生后，开始并未引起西方的普遍重视，反而遭到不少学术权威的批评和否定，认为是对科学的精确性和严格性的冒犯。

由于东西方文化的差异，日本、中国、印度等东方国家很容易接受模糊数学，认为这是很自然的事。

1974年，印度裔的英国学者E.H.Mamdani首先将模糊理论用于锅炉和蒸汽机的控制，并在实验室作了成功的实验，不仅验证了模糊理论的有效性，也开创了模糊控制这一新的领域。

1984年，国际模糊系统联合会（InternationalFuzzySystemAssociation,IFSA）成立，并于1985年召开了首届年会。

80年代后期以来，在日本采用模糊控制技术的家电产品大量上市，模糊技术在地铁机车、机器人、过程控制、故障诊断、声音识别、图像处理、市场预测等领域普遍应用，掀起了一股模糊热。

模糊理论在日本的成功应用和巨大的市场前景给西方的企业界和科技界以巨大的震动，现实使他们由怀疑观望转变为奋起直追。

80年代以来信息科学技术飞速发展，网络化、智能化、综合化成为时代的特征，为模糊理论的发展和应用提供了更广阔的需求，模糊理论在学术界也得到普遍的认同和重视。

1992年IEEE召开了第一届关于模糊系统的国际会议（FUZZ-IEEE，并决定以后每年举行一次。

1993年IEEE创办了专刊IEEETransactiononFuzzySystems。

当前，模糊理论和应用正向深度和广度进一步发展，且速度越来越快，研究成果大量涌现，己成为世界各国高科技竞争的重要领域之一。

模糊神经网络（FuzzyNeuralNetwork，简称FNN）是近年来智能控制与智能自动化领域的热点，美国早在1988年就召开了由NASA（国家航天航空局）主持的“神经网络与模糊系统”的国家研讨会，其后模糊神经网络的研究在美国、日本、法国、加拿大等国蓬勃开展起来，成果大量涌现。

1992年IEEE召开了有关模糊神经网络的国际会议，美国南加州大学的B.Kosko出版了该领域的第一本专著《神经网络与模糊系统》，模糊数学的创始人Zadeh和神经网络的权威Anderson分别为该书作序，在国内外引起极大影响。

通过一组神经元不同程度的兴奋表达一个抽象的概念值，由此将抽象的经验规则转化成多层神经网络的输入一输出样本，提出模糊逻辑控制和决策诊断系统综合神经网络模型，该模型能发展为模糊逻辑规律和寻找最优输入输出隶属函数，由自组织和监督学习方案相结合，学习速度收敛性比普通BP学习算法更快。

还有许多研究人员对神经网络自适应模糊控制进行了研究和设计。

当前，模糊神经网络的研究热潮方兴未艾，并已取得了很多理论和应用成果。

2.2模糊系统和神经网络结合的可能性

模糊神经网络使得神经网络“黑箱”问题走向透明化，即可以将许多能够用规则描述的因果关系用模糊神经网络的输入输出关系实现。

模糊系统的显著特点是它能更自然而直接地表达人类习惯使用的逻辑含义，很适用于直接的或高层的知识表达。

但是，难以用它来表不时变知识和过程;而神经元网络则能通过学习功能来实现自适应，自动获得精确的或模糊的数据表达的知识。

但是，这种知识在神经元网络中是隐含表达的，难以直接看出其含义，从而不能直接对其进行语义解释。

可见两者各有优缺点。

不难发现，它们的优缺点在一定意义上是互补的，即模糊系统比较适合在设计智能系统时自顶向下的分析和设计过程，而神经元网络则更适于在已初步设计了一个智能系统之后，自底向上地来改进和完善系统的过程。

因此，若能将两者巧妙结合就可实现优势互补，即一个领域的固有缺点可以通过另一个领域的优点来补偿。

由于模糊数学的突出特点在于对事物的辨别与评判，因此有关模糊评判的其它方法都在水质综合评价中得到应用，如模糊模式识别理论、模糊聚类法、模糊贴近度方法、模糊相似选择法运用水质综合评价都取得了较好效果。

模糊系统是模糊数学在自动控制、信息处理、系统工程等领域的应用，属于系统论的范畴，而神经网络是人工智能的一个分支，属于计算机科学，乍看起来两者相去甚远，“隔行如隔山”。

因而对它们的结合，先从宏观上作了一下比较。

2.2.1人工神经网络与模糊系统的相同之处

1、模糊系统试图描述和处理人的语言和思维中存在的模糊性概念，从而模仿人的智能。

神经网络则是根据人脑的生理结构和信息处理过程，来创造人上神经网络，其目的也是模仿人的智能。

模仿人的智能是它们共同的奋斗目标和合作的基础.

2、它们在处理和解决问题时，无需建立对象的精确数学模型，只需要根据输入的采样数据去估计其要求的决策，这一种无模型的估计。

3、知识的储存方式来看，模糊系统将知识存在规则集中，神经网络将知识存在权系数中，都具有分布存储的特点。

4、它们在对信息的加工处理过程中，均表现出了很强的容错能力。

5、它们都可以用硬件实现，模糊芯片及ANN芯片最近得到迅速发展，商品化产品日益增多，两者在民用和军用中得到了广泛的应用，今后的应用还会向广度和深度方向发展。

2.2.2人工神经网络与模糊系统的不同之处

1、神经网络是模拟人脑的结构以及对信息的一记忆和处理功能，擅长从输入输出数据中学习有用的知识;模糊系统则是模拟人的思维和语言中对模糊信息的表达和处理方式，擅长利用人的经验性知识。

2、从知识的表达方式来看，模糊系统可以表达人的经验性知识，便于理解，而神经网络只能描述大量数据之间的复杂函数关系，难于理解.

3、