CN101430309B - 基于粗糙集—rbf神经网络的环境质量评价方法 - Google Patents

基于粗糙集—rbf神经网络的环境质量评价方法 Download PDF

Info

Publication number
CN101430309B
CN101430309B CN2008102322589A CN200810232258A CN101430309B CN 101430309 B CN101430309 B CN 101430309B CN 2008102322589 A CN2008102322589 A CN 2008102322589A CN 200810232258 A CN200810232258 A CN 200810232258A CN 101430309 B CN101430309 B CN 101430309B
Authority
CN
China
Prior art keywords
attribute
environmental quality
neural network
iii
rough set
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN2008102322589A
Other languages
English (en)
Other versions
CN101430309A (zh
Inventor
于军琪
王佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Architecture and Technology
Original Assignee
Xian University of Architecture and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian University of Architecture and Technology filed Critical Xian University of Architecture and Technology
Priority to CN2008102322589A priority Critical patent/CN101430309B/zh
Publication of CN101430309A publication Critical patent/CN101430309A/zh
Application granted granted Critical
Publication of CN101430309B publication Critical patent/CN101430309B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于粗糙集—RBF神经网络复合技术的环境质量评价方法，该方法在被监测环境的监测数据中，根据不同的环境质量评价要求，选取环境质量评价因子，建立环境质量评价粗糙集属性决策表，然后进行粗糙集属性值约简和粗糙集属性约简，通过规则提取，使用MATLAB工具箱中的newrb函数创建RBF网络，进行训练，训练好的RBF网络用于环境质量评价，用该方法评价环境质量，具有较好的快速性、准确性和通用性，同时进一步解决了单纯使用神经网络容易出现的局部极小、训练样本过少和“过配”现象等问题，本发明还适用于对声学环境质量、土壤环境质量和生态环境质量等进行评价。

Description

基于粗糙集—RBF神经网络的环境质量评价方法
技术领域
本发明涉及一种环境质量评价方法，特别涉及一种采用粗糙集—RBF神经网络复合技术的环境质量评价方法。
背景技术
环境质量的准确评价是环境保护、生态文明建设中的一项首要工作。由于环境质量评价问题涉及到多因素、多参数，因此增加了对其准确评价的难度。环境质量评价中已有的方法包括：综合评判法、灰色集类法、模糊综合评判法等，这些方法因需要设计各评价因子对各级标准隶属函数及各指标的权重，因此，造成评价模式难以通用，而且无法消除人为因素对评价结论的影响，评价结果失之科学性与准确性。
在确定了环境质量评价因子之后，环境质量评价问题就转化为典型的模式识别问题，其过程就是把这些评价因子的监测值与标准值进行比较、分析、判断以后，得出环境质量评价结论。当前，智能信息处理技术为环境质量评价提供了新的方法，如BP神经网络模型、遗传算法、学习自动机等，但以上方法有一个缺点就是：神经网络在学习阶段参数的估计可能会陷入其优化标准函数的一个局部极小，或者因为计算量较大而难以实用。径向基函数(Radial Basis Funtion，简称RBF)神经网络在理论上能解决以上问题。但仅单纯使用RBF神经网络进行环境质量评价时，具有如下不足之处：
(1)用环境质量评价标准作为训练样本，训练样本过少，这就需要使用相关函数在标准级间内插，以构造足够的样本数量。同时，还需将原始数据进行归一化处理。
(2)将环境质量监测数据作为训练样本时，众多的评价因子将会导致训练样本冗余，产生“过配”现象，使网络泛化能力降低，造成网络结构冗余。
发明内容
针对上述现有技术存在的缺陷或不足，本发明的目的在于，提供一种基于粗糙集—RBF神经网络复合技术的环境质量评价方法，用该方法评价环境质量时，不但通用性好，而且解决了单纯使用神经网络容易出现的“局部极小”、“训练样本过少”、“过配”现象等问题。
为了实现上述任务，本发明采取如下的技术解决方案：
一种基于粗糙集—RBF神经网络复合技术的环境质量评价方法，该方法包括如下步骤：
步骤一，确定环境质量评价因子：
依据采集的环境质量监测数据，建立其数据列表，根据环境质量评价要求，选取环境质量评价因子ai，i＝1、2、3，…，n；
步骤二，建立环境质量评价粗糙集属性决策表：
把各个监测数据按照环境质量评价标准转化为相应的环境质量级别，构造属性决策表P，其中条件属性集C＝{a1，a2，......an}，决策属性确定为对应的环境质量级别D＝{Dec}，从而把实际环境质量监测数据转化到了粗糙集的知识域，形成属性决策表P；
步骤三，检查并进行粗糙集属性值约简：
1)检查属性决策表P中有无相同行，若有，则进行合并；
2)检查属性决策表P中有无相冲突的行，若有，则进行删除；
3)检查完成后，生成环境质量级别知识表达系统S，该知识表达系统包括有条件属性集C和决策属性D；
步骤四，进行粗糙集知识系统属性约简：
输入环境质量级别知识表达系统S，根据粗糙集最佳约简算法，按如下方式进行：
1)计算决策属性D的条件属性集C正域posC(D)；
2)从条件属性集C中剔除属性ai，Ct＝C-ai，其中，i＝1、2、3，…，n；
3)计算D的Ct正域posC(D)；
4)若 pos C t ( D ) = pos C ( D ) , 则去除ai，反之保留ai；
按以上1)～4)步骤遍历所有条件属性，然后输出条件属性集C对于决策属性D的一个相对约简的环境质量级别知识表达系统；
步骤五，规则提取，创建RBF网络：
把约简后的环境质量级别知识表达系统再转化为实际环境质量监测数据，并以其作为RBF神经网络的训练样本集，使用MATLAB工具箱中的newrb函数创建RBF网络进行训练，训练好的RBF网络用于环境质量评价。
其中训练参数设置如下：
训练精度为0.0001，径向基网络隐层的散布常数为0.09～0.15。
本发明首次将粗糙集—RBF神经网络复合技术应用于环境质量评价中，所带来的技术效果是：
(1)由于采用了人工神经网络技术，它可以逼近任何非线性函数，具有很强的自适应、自学习、联想记忆和并行处理能力。将其应用于环境质量评价可避免传统评价方法中人为设定、计算各评价因子对各级标准隶属函数及各指标的权重等，从而解决了传统环境质量评价方法中评价模式难以通用以及人为因素对评价结论的影响等问题；
(2)由于采用了人工神经网络技术中的RBF网络，使用局部激励函数的RBF网络对于每个输入值，只有很少几个节点具有非零激励值，因此只需改变部分的节点及权值，整个网络训练速度快，适应性强，并且其收敛性也较BP网络更好，从而避免了BP网络中容易出现的“陷入局部极小”问题；
(3)依据粗糙集理论构建环境质量级别知识表达系统，对环境质量监测数据进行属性约简，以约简规则集作为RBF神经网路的训练样本，该训练样本包含了监测数据的基本特征，解决了“训练样本过少”的问题；
(4)使用粗糙集理论对环境质量评价中冗余的评价因子进行属性约简，以约简规则集作为RBF神经网路的训练样本，减少了网络拓扑中的输入维数和隐层神经元个数，简化了网络结构，避免了神经网络中的“过配”现象；
(5)本发明使用newrb函数创建RBF网络，减少了RBF神经网路的训练时间。
附图说明
图1为本发明的复合算法流程图。
图2、图3为实施例一和实施例二的网络训练误差图。
下面结合附图和实施例对本发明作进一步详细说明。
具体实施方式
参见图1复合算法流程图，按照上述技术方案，本发明的基于粗糙集—RBF神经网络复合技术的环境质量评价方法包括如下步骤：
步骤一，确定环境质量评价因子：
依据采集的环境质量监测数据，建立其数据列表，根据环境质量评价要求，选取环境质量评价因子ai，i＝1、2、3，…，n；
步骤二，建立环境质量评价粗糙集属性决策表：
把各个监测数据按照环境质量评价标准转化为相应的环境质量级别，构造属性决策表P，其中条件属性集C＝{a1，a2，......an}，决策属性确定为对应的环境质量级别D＝{Dec}，从而把实际环境质量监测数据转化到了粗糙集的知识域，形成属性决策表P；
步骤三，检查并进行粗糙集属性值约简：
1)检查属性决策表P中有无相同行，若有，则进行合并；
2)检查属性决策表P中有无相冲突的行，若有，则进行删除；
3)检查完成后，生成环境质量级别知识表达系统S，该知识表达系统包括有条件属性集C和决策属性D；
步骤四，进行粗糙集知识系统属性约简：
输入环境质量级别知识表达系统S，根据粗糙集最佳约简算法，按如下方式进行：
1)计算决策属性D的条件属性集C正域posC(D)；
2)从条件属性集C中剔除属性ai，Ct＝C-ai，其中，i＝1、2、3，…，n；
3)计算D的Ct正域posC(D)；
4)若 pos C t ( D ) = pos C ( D ) , 则去除ai，反之保留ai；
按以上1)～4)步骤遍历所有条件属性，然后输出条件属性集C对于决策属性D的一个相对约简的环境质量级别知识表达系统；
步骤五，规则提取，创建RBF网络：
把约简后的环境质量级别知识表达系统再转化为实际环境质量监测数据，并以其作为RBF神经网络的训练样本集，使用MATLAB工具箱中的newrb函数创建RBF网络进行训练，训练好的RBF网络用于环境质量评价。其中训练参数设置如下：训练精度为0.0001，径向基网络隐层的散布常数为0.09～0.15。
以下是发明人给出的具体实施例，需要说明的是，本发明不限于这些实施例，本发明的方法还适用于对声学环境质量、土壤环境质量和生态环境质量等进行评价。
实施例1：长江某水系2002年的水环境质量评价
1、确定环境质量评价因子
选取如表1所示长江某水系2002年的监测数据，包括5个评价因子：总氮(TN)、氨氮(NH3-N)、总磷(TP)、高锰酸盐指数(CODMn)以及总铅，另外还有监测数据的综合指数法评价结果。
表1：水环境质量监测数据
 
采样点 TN NH3-N TP CODMn 总铅 综合指数法评价结果
1 0.897 0.35 0.11 2.4 0.036 III
2 0.952 0.29 0.08 2.1 0.037 III
3 1.736 0.32 0.09 2.3 0.038 IV
45 0.8930.744 0.310.39 0.070.08 2.62.1 0.0340.031 IIIIII
6 0.787 0.42 0.08 2.4 0.031 III
7 0.713 0.60 0.09 2.4 0.044 III
8 0.925 0.38 0.09 2.2 0.039 III
9 0.819 0.31 0.08 2.3 0.039 III
10 1.076 0.50 0.08 2.6 0.034 III
11 0.827 0.49 0.09 2.4 0.041 III
12 0.925 0.43 0.12 2.2 0.032 III
13 1.106 0.44 0.11 2.0 0.030 III
14 1.934 0.30 0.09 14.7 0.409 V
根据《地表水环境质量标准》GB3838-2002，如表2所示：
表2 地表水质量评价标准(mg/L)
Figure G2008102322589D00061
Figure G2008102322589D00071
2、建立环境质量评价粗糙集属性决策表
根据表2的评价标准，将表1中的14个采样点的监测数据转化为相应的水质级别。同时，在表1中，用a1、a2、a3、a4、a5分别代表TN、NH3-N、TP、CODMn、总铅五个评价因子，用Dec代表综合指数法评价结果，即论域U＝{1，2，...，14}表示采样点，条件属性C＝{a1，a2，a3，a4，a5}，决策属性D＝{Dec}。形成属性决策表P，结果如表3所示。
表3 属性决策表P
 
采样点 a1 a2 a3 a4 a5 Dec
1 III II III II III III
2 III II II II III III
3 V II II II III IV
4 III II II II III III
5 III II II II III III
6 III II II II III III
7 III III II II III III
8 III II II II III III
9 III II II II III III
10 IV II II II III III
11 III II II II III III
12 III II III II III III
13 IV II III II III III
14 V II II V V V
3、检查并进行粗糙集属性值约简
从表3可以看出，采样点1和12的水质级别相同，将其合并；采样点2、4、5、6、8、9以及11水质级别相同，将其合并。如果有相冲突的行，即条件属性相同，而决策属性不同，将其删除。这样就得到如表4所示的水质级别知识表达系S：
表4 水质级别知识表达系统S
 
采样点 a1 a2 a3 a4 a5 Dec
1 III II III II III III
2 III II II II III III
3 V II II II III IV
4 III III II II III III
5 IV II II II III III
6 IV II III II III III
7 V II II V V V
4、进行粗糙集知识系统属性约简
根据粗糙集最佳约简算法，对水质级别知识表达系统进行属性约简。每次去掉一个条件属性ai，检查D在C＝{ai}的正域是否等于D在C的正域，如相等，则为冗余属性，删除之。以a1为例，判断属性a1是否为冗余属性：
U/C＝{{1}，{2}，{3}，{4}，{5}，{6}，{7}}；
U/D＝{{1，2，4，5，6}，{3}，{7}}；
posC(D)＝{{1}，{2}，{3}，{4}，{5}，{6}，{7}}；
U/(C＝{a1})＝{{1，6}，{2，3，5}，{4}，{7}}；
pos ( C = { a 1 } ) ( D ) = { { 1,6 } , { 4 } , { 7 } } ≠ pos C ( D )
所以，a1是Dec不可省略的，不能删除。依次类推，经计算表4中a4、a5是可省略的，删除后，得到属性约简后的水质级别知识表达系统，如表5所示。
表5 约简后的水质级别知识表达系统
 
采样点 a1 a2 a3 Dec
1 III II III III
2 III II II III
3 V II II IV
4 III III II III
5 IV II II III
6 IV II III III
7 V II II V
5、规则提取，创建RBF网络
根据约简结果，以约简后的水质级别知识表达系统中的7组数据作为RBF网络的输入。而针对网络的输出，考虑到水质级别评价包括1、2、3、4、5共5个级别，即5种模式，因此采用0-1的形式来表示输出，见表6。
表6：RBF网络的输入输出模式
 
采样点 TN NH3-N TP 水质级别 对应输出
1 0.897 0.35 0.11 III 011
2 0.952 0.29 0.08 III 011
3 1.736 0.32 0.09 IV 100
4 0.713 0.60 0.09 III 011
5 1.076 0.50 0.08 III 011
6 1.106 0.44 0.11 III 011
7 1.934 0.30 0.09 V 101
如果在设计中，使用newrb函数创建RBF网络，设计参数为：训练精度为0.001、径向基网络隐层的散布常数为0.1。当隐层径向基神经元个数增加到4时，网络达到了期望的误差值，如图2所示。
6、系统测试
以表7中的数据为测试数据，对训练好的RBF网络进行测试，并给出传统综合指数法的评价结果，以作对比。
表7 测试数据
 
采样点 TN NH3-N TP 水质级别
1 0.801 0.37 0.37 III
2 1.122 0.27 0.09 III
3 0.808 0.32 0.13 III
4 0.787 0.46 0.08 III
5 1.977 0.25 0.07 V
测试结果为：Y＝
采样点1    采样点2   采样点3   采样点4    采样点5
0.0000     0.0000    0.0000    0.0000     0.8877
1.0000     1.0000    1.0000    1.0000     0.1123
1.0000     1.0000    1.0000    1.0000     1.0340
在上述的测试结果中，每一列数据代表一个采样点的水质级别。结合步骤5中的规定，以0.5为0和1的分界点，比如，采样点1对应的测试结果为011，这与步骤5中规定的III级水质级别一致，所以判断采样点1的水质级别为III级。依次类推，将测试结果逐个转换，并与传统综合指数法评价结果对比，发现该方法水环境质量评价的准确性完全可以满足水质评价的实际要求。
实施例2：陕西省西安市空气环境质量评价
1、确定环境质量评价因子
选取如表8所示陕西省西安市空气环境2006年的监测数据，包括7个评价因子：总悬浮颗粒物(TSP)、二氧化硫(SO2)、氮氧化物(NOX)、二氧化氮(NO2)、飘尘(PM10)、一氧化碳(CO)以及臭氧(O3)，另外还有监测数据的综合指数法评价结果。
表8：空气环境质量监测数据
 
采样点 TSP SO2 NOX NO2 PM10 CO O3 综合指数法评价结果
1 0.423 0.110 0.025 0.046 0.296 2.029 0.068 III2
2 0.409 0.126 0.026 0.049 0.286 1.961 0.065 III2
3 0.446 0.151 0.028 0.054 0.312 2.139 0.071 III2
4 0.491 0.152 0.033 0.091 0.344 2.359 0.079 III2
5 0.380 0.116 0.030 0.056 0.266 1.824 0.060 III2
6 0.417 0.142 0.028 0.053 0.292 2.002 0.067 III2
7 0.466 0.116 0.026 0.048 0.326 2.235 0.075 III2
8 0.246 0.118 0.030 0.048 0.154 1.056 0.035 III1
9 0.300 0.080 0.032 0.038 0.150 1.029 0.034 II
10 0.346 0.078 0.028 0.045 0.216 1.481 0.049 III1
根据空气质量评价标准，如表9所示：
表9：空气质量评价标准(mg/L)
Figure G2008102322589D00111
Figure G2008102322589D00121
2、建立环境质量评价粗糙集属性决策表
根据表9的评价标准浓度限值，将表8中的10个采样点的监测数据转化为相应的空气质量级别。同时，在表8中，用a1、a2、a3、a4、a5、a6、a7分别代表TSP、SO2、NOX、NO2、PM10、CO、O3七个评价因子，用Dec代表综合指数法评价结果，即论域U＝{1，2，3......10}表示采样点，条件属性C＝{a1，a2，a3，a4，a5，a6，a7}，决策属性D＝{Dec}。
形成属性决策表P，结果如表10所示。
表10：属性决策表P
 
采样点 a1 a2 a3 a4 a5 a6 a7 Dec
1 III2 II I I III2 I I III2
2 III2 II I I III2 I I III2
3 III2 III1 I I III2 I I III2
4 III2 III1 I II III2 I I III2
5 III1 II I I III2 I I III2
6 III2 II I I III2 I I III2
7 III2 II I I III2 I I III2
8 II II I I III1 I I III1
 
9 II II I I II I I II
10 III1 II I I III1 I I III1
3、检查并进行粗糙集属性值约简
从表10以看出，采样点1、2、6和7的空气质量级别相同，将其合并。如果有相冲突的行，即条件属性相同，而决策属性不同，将其删除。这样就得到如表11所示的空气质量级别知识表达系统S：
表11：空气质量级别知识表达系统S
 
采样点 a1 a2 a3 a4 a5 a6 a7 Dec
1 III2 II I I III2 I I III2
2 III2 III1 I I III2 I I III2
3 III2 III1 I II III2 I I III2
4 III1 II I I III2 I I III2
5 II II I I III1 I I III1
6 II II I I II I I II
7 III1 II I I III1 I I III1
4、进行粗糙集知识系统属性约简
根据粗糙集最佳约简算法，对空气质量级别知识表达系统进行属性约简，每次去掉一个条件属性ai，检查D在C＝{ax}的正域是否等于D在C的正域，如相等，则为冗余属性，删除之。以a1为例，判断属性a1是否为冗余属性：
U/C＝{{1}，{2}，{3}，{4}，{5}，{6}，{7}}；
U/D＝{{1，2，3，4}，{5，7}，{6}}；
posC(D)＝{{1}，{2}，{3}，{4}，{5}，{6}，{7}}；
U/(C＝{a1})＝{{1，4}，{2}，{3}，{5，7}，{6}}；
pos ( C = { a 1 } ) ( D ) = { { 1,4 } , { 2 } , { 3 } , { 5,7 } { 6 } } ≠ pos C ( D )
所以，a1是Dec不可省略的，不能删除。依次类推，经计算，表11中的a3、a6、a7是可省略的，删除后，得到属性约简后的空气质量级别知识表达系统，如表12所示。
表12：约简后的空气质量级别知识表达系统
 
采样点 a1 a2 a4 a5 Dec
1 III2 II I III2 III2
2 III2 III1 I III2 III2
3 III2 III1 II III2 III2
4 III1 II I III2 III2
5 II II I III1 III1
6 II II I II II
7 III1 II I III1 III1
5、规则提取，创建RBF网络
根据约简结果，以约简后的空气质量级别知识表达系统中的7组数据作为RBF网络的输入。而针对网络的输出，考虑到空气质量级别评价包括I、II、III1、III2、IV1、IV2、V共7个级别，即7种模式，因此采用0-1的形式来表示输出，见表13。
表13：RBF网络的输入输出模式
 
采样点 TSP SO2 NO2 PM10 空气质量级别 对应输出
1 0.423 0.110 0.046 0.296 III2 100
2 0.446 0.151 0.054 0.312 III2 100
 
3 0.491 0.152 0.091 0.344 III2 100
4 0.380 0.116 0.056 0.266 III2 100
5 0.246 0.118 0.048 0.154 III1 011
6 0.300 0.080 0.038 0.150 II 010
7 0.346 0.078 0.045 0.216 III1 011
在设计中，使用newrb函数创建RBF网络，设计参数为：训练精度为0.001、径向基网络隐层的散布常数为0.15。当隐层径向基神经元个数增加到6时，网络达到了期望的误差值，如图3所示。
6、系统测试
以表14中的数据为测试数据，对训练好的RBF网络进行测试，并给出传统综合指数法的评价结果，以作对比。
表14：测试数据
 
采样点 TSP SO2 NO2 PM10 空气质量级别
1 0.300 0.068 0.037 0.150 II
2 0.466 0.116 0.048 0.326 III2
3 0.284 0.070 0.035 0.142 II
4 0.419 0.090 0.046 0.262 III2
5 0.307 0.122 0.040 0.192 III1
测试结果为：Y＝
采样点1  采样点2  采样点3  采样点4  采样点5
0.0081   0.8845   0.0787   0.9376   0.1006
1.0081   0.1155   0.9213   0.2624   0.8994
0.1634  0.1470  0.0318  0.1919  0.9870
在上述的测试结果中，每一列数据代表一个采样点的空气质量级别。结合步骤5中的规定，以0.5为0和1的分界点，比如，采样点1对应的测试结果为010，这与步骤5中规定的II级空气质量级别一致，所以判断采样点1的空气质量级别为II级。依次类推，将测试结果逐个转换，并与传统综合指数法评价结果对比，发现该方法空气环境质量评价的准确性完全可以满足空气质量评价的实际要求。
本发明方法还适用于对声学环境质量、土壤环境质量和生态环境质量等进行评价，评价模式通用性好，解决了单纯使用神经网络容易出现的“局部极小”、“训练样本过少”、“过配”现象等问题。

Claims (2)

1.一种基于粗糙集-径向基函数神经网络复合技术的环境质量评价方法，其特征在于，该方法包括如下步骤：
步骤一，确定环境质量评价因子：
依据采集的环境质量监测数据，建立其数据列表，根据环境质量评价要求，选取环境质量评价因子ai，i＝1、2、3，…，n；
步骤二，建立环境质量评价粗糙集属性决策表：
把各个监测数据按照环境质量评价标准转化为相应的环境质量级别，构造属性决策表P，其中条件属性集C＝{a1，a2，......an}，决策属性确定为对应的环境质量级别D＝{Dec}，Dec代表综合指数法评价获得的环境质量级别结果，从而把实际环境质量监测数据转化到了粗糙集的知识域，形成属性决策表P；
步骤三，检查并进行粗糙集属性值约简：
1)检查属性决策表P中有无相同行，若有，则进行合并；
2)检查属性决策表P中有无相冲突的行，若有，则进行删除；
3)检查完成后，生成环境质量级别知识表达系统S，该知识表达系统包括有条件属性集C和决策属性D；
步骤四，进行粗糙集知识系统属性约简：
输入环境质量级别知识表达系统S，根据粗糙集最佳约简算法，按如下方式进行：
1)计算决策属性D的条件属性集C正域posC(D)；
2)从条件属性集C中剔除属性ai，Ct＝C-ai，其中，i＝1、2、3，…，n；
3)计算D的Ct正域posC(D)；
4)若则去除ai，反之保留ai；
按以上1)～4)步骤遍历所有条件属性，然后输出条件属性集C对于决策属性D的一个相对约简的环境质量级别知识表达系统；
步骤五，规则提取，创建径向基函数神经网络：
把约简后的环境质量级别知识表达系统再转化为实际环境质量监测数据，并以其作为径向基函数神经网络的训练样本集，使用MATLAB工具箱中的newrb函数创建径向基函数神经网络进行训练，训练好的径向基函数神经网络用于环境质量评价。
2.如权利要求1所述的方法，其特征在于，所述的径向基函数神经网络的训练参数设置如下：
训练精度为0.0001，径向基函数神经网络隐层的散布常数为0.09～0.15。
CN2008102322589A 2008-11-14 2008-11-14 基于粗糙集—rbf神经网络的环境质量评价方法 Expired - Fee Related CN101430309B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2008102322589A CN101430309B (zh) 2008-11-14 2008-11-14 基于粗糙集—rbf神经网络的环境质量评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2008102322589A CN101430309B (zh) 2008-11-14 2008-11-14 基于粗糙集—rbf神经网络的环境质量评价方法

Publications (2)

Publication Number Publication Date
CN101430309A CN101430309A (zh) 2009-05-13
CN101430309B true CN101430309B (zh) 2012-03-21

Family

ID=40645826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2008102322589A Expired - Fee Related CN101430309B (zh) 2008-11-14 2008-11-14 基于粗糙集—rbf神经网络的环境质量评价方法

Country Status (1)

Country Link
CN (1) CN101430309B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101718769B (zh) * 2009-11-17 2012-12-26 重庆大学 一种基于并联型遗传Elman神经网络的源驱动式235U浓度识别方法
CN102254227A (zh) * 2011-07-06 2011-11-23 无锡泛太科技有限公司 一种物联网多传感器的基于粗糙集的bp神经网络融合的方法
CN102254224A (zh) * 2011-07-06 2011-11-23 无锡泛太科技有限公司 一种基于粗糙集神经网络的图像识别的物联网电动汽车充电桩系统
CN104298873B (zh) * 2014-10-10 2017-06-06 浙江大学 一种基于遗传算法和粗糙集的属性约简方法及精神状态评估方法
CN105741258A (zh) * 2014-12-09 2016-07-06 北京中船信息科技有限公司 基于粗糙集和神经元网络的船体零部件图像分割方法
CN105677854A (zh) * 2016-01-04 2016-06-15 安徽大学 基于粗糙集的学生单科成绩决策分析方法及分析器
CN107256341B (zh) * 2017-05-12 2020-10-09 四川省绵阳太古软件有限公司 一种生态环境健康质量评估方法
CN110309609B (zh) * 2019-07-06 2022-06-28 桂林电子科技大学 一种基于粗糙集和wnn的建筑室内空气品质评价方法
CN110688809B (zh) * 2019-09-05 2023-06-09 西安理工大学 一种基于vprs-rbf神经网络的箱变故障诊断方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6775646B1 (en) * 2000-02-23 2004-08-10 Agilent Technologies, Inc. Excitation signal and radial basis function methods for use in extraction of nonlinear black-box behavioral models
CN101110106A (zh) * 2007-06-21 2008-01-23 上海交通大学 结合粗糙集和神经网络的多传感器信息融合方法
CN101198922A (zh) * 2005-06-13 2008-06-11 Lg化学株式会社 用于测试电池充电状态的装置和方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6775646B1 (en) * 2000-02-23 2004-08-10 Agilent Technologies, Inc. Excitation signal and radial basis function methods for use in extraction of nonlinear black-box behavioral models
CN101198922A (zh) * 2005-06-13 2008-06-11 Lg化学株式会社 用于测试电池充电状态的装置和方法
CN101110106A (zh) * 2007-06-21 2008-01-23 上海交通大学 结合粗糙集和神经网络的多传感器信息融合方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
F. Fernandez Riverola等.Reducing the memory size of a fuzzy case-based reasoning system applying rough set techniques.《IEEE Transactions on Systems, Man, and Cybernetics_Part C: Applications and Reviews》.2007,第37卷(第1期),138-146. *
伍长荣 等.基于粗糙集和RBF神经网络的分类模型研究.《宿州学院学报》.2008,第23卷(第4期),103-105. *
潘佳 等.基于粗糙集与神经网络的机场气象新型预测模型.《云南民族大学学报（自然科学版）》.2007,第16卷(第3期),185-188. *

Also Published As

Publication number Publication date
CN101430309A (zh) 2009-05-13

Similar Documents

Publication Publication Date Title
CN101430309B (zh) 基于粗糙集—rbf神经网络的环境质量评价方法
Kapur et al. A unified approach for developing software reliability growth models in the presence of imperfect debugging and error generation
Fan et al. A hybrid FDD strategy for local system of AHU based on artificial neural network and wavelet analysis
CN100440092C (zh) 生产管理系统
CN111325403B (zh) 一种公路隧道机电设备剩余寿命预测方法
CN103870670B (zh) 一种油管腐蚀程度预测方法及装置
CN104034794A (zh) 一种基于极限学习机的管道漏磁缺陷检测方法
Rajabi et al. Efficient fuzzy Bayesian inference algorithms for incorporating expert knowledge in parameter estimation
CN104198912A (zh) 一种基于数据挖掘的硬件电路fmea分析方法
CN112016253A (zh) 一种适用于cfd不确定度量化的高保真度混沌多项式修正方法
CN107295537A (zh) 一种测评无线传感器网络可靠性的方法及系统
CN106021671B (zh) 结合相关性关系和灰色聚类技术的电路健康分级评估方法
Rabiei et al. Determination of dew point pressure in gas condensate reservoirs based on a hybrid neural genetic algorithm
CN107247888A (zh) 基于储备池网络的污水处理出水总磷tp软测量方法
Priyangga et al. Application of pattern recognition and classification using artificial neural network in geothermal operation
CN112819087B (zh) 一种基于模块化神经网络的出水bod传感器异常检测方法
CN117829655A (zh) 一种基于因果推断的污水处理厂进水质量预测方法
Tian et al. Causal network construction based on convergent cross mapping (CCM) for alarm system root cause tracing of nonlinear industrial process
CN106778252B (zh) 基于粗糙集理论与waode算法的入侵检测方法
CN104504265A (zh) 一种在役桥梁监测信息安全评估的方法
CN116881640A (zh) 岩心采出程度的预测方法、系统及计算机可读存储介质
Zhu et al. Identification of network sensor locations for estimation of traffic flow
Hong et al. Drainage network flow anomaly classification based on XGBoost
Jianmin et al. A K-shell improved method for the importance of complex network nodes
CN118821599A (zh) 钢桥疲劳损伤评估方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
C17 Cessation of patent right
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20120321

Termination date: 20121114