CN113850516A - 基于t-s模糊神经网络的水质评价方法 - Google Patents

基于t-s模糊神经网络的水质评价方法 Download PDF

Info

Publication number
CN113850516A
CN113850516A CN202111144461.2A CN202111144461A CN113850516A CN 113850516 A CN113850516 A CN 113850516A CN 202111144461 A CN202111144461 A CN 202111144461A CN 113850516 A CN113850516 A CN 113850516A
Authority
CN
China
Prior art keywords
evaluation
fuzzy
water quality
neural network
membership
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.)
Pending
Application number
CN202111144461.2A
Other languages
English (en)
Inventor
叶伟
宋薇
朱宇新
寿幼平
赵英杰
赵俊杰
李亚娟
王宁
李广楼
乔建哲
董世培
管翔
石婷婷
陈怡�
刘爱珍
焦润红
王莹
陈思奇
刘斌
张继周
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.)
Tianjin Research Institute for Water Transport Engineering MOT
Original Assignee
Tianjin Research Institute for Water Transport Engineering MOT
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 Tianjin Research Institute for Water Transport Engineering MOT filed Critical Tianjin Research Institute for Water Transport Engineering MOT
Priority to CN202111144461.2A priority Critical patent/CN113850516A/zh
Publication of CN113850516A publication Critical patent/CN113850516A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • Fuzzy Systems (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)

Abstract

本发明公开了基于T‑S模糊神经网络的水质评价方法，包括以下步骤：根据所选择的评价指标，构建评价指标集合；根据评价指标的相应评价标准，确定评价指标评判标准集合；建立隶属度函数；建立模糊关系矩阵R；评价因子权重值B计算；进行模糊复合运算，确定水体的综合隶属度；按最大隶属度原则确定水质级别，本发明适用于水生态环境保护技术领域，使用模糊综合评价法中的模糊规则、隶属度函数，使模型拥有较强的逻辑推理能力，容易处理高阶问题，并可以解决准确信息和某些不确定的模糊信息；能快速、准确地评价水体的水质等级，便于水环境质量综合研判、监管和治理措施的制定，具有较强的适用性；计算速度快、计算结果准确、评价效果好。

Description

基于T-S模糊神经网络的水质评价方法
技术领域
本发明属于水生态环境保护技术领域，具体是基于T-S模糊神经网络的水质评价方法。
背景技术
随着流域内工农业经济迅猛发展和城市化进程不断加快，大量工业废水、农田退水和居民生活污水排入水体，造成流域水环境污染和生态退化问题严峻，水环境、水资源成为社会经济可持续发展的决定性因素；以水定城、以水定地、以水定人、以水定产，水资源成为目前社会经济发展的最大刚性约束；水环境污染防治是水生态环境保护的主要工作，准确评价水体污染程度，识别水环境系统的演变规律，针对性地提出科学有效的水环境保护措施是管理人员和科研工作者的主要任务。
单因子指数法是我国水质评价中运用较广泛的方法之一，以选择评价指标的最差标准作为该水体最终的水质等级，其优点就是计算简单，能够识别水体主要污染物质；然而，水环境是一个多因子耦合的复杂动态系统，其污染程度是一个模糊的概念，因此评价污染程度的分级界限也是模糊的，仅仅根据最差的单项污染指标来定义类别往往产生“过保护”的片面评价。
作为目前在水环境质量评价中应用较为成功的方法之一的模糊综合评价法同时考虑了评价对象的模糊性和层次性，从而可以做到定性与定量评价相结合，扩大评价对象的信息量，提高了评价精度。但是模糊综合评价也有其缺点，计算量大，对指标的权重确定具有较强的主观性。并且当参与评价的水质指标过多时，在指标权重的和为1的条件限制下，各项指标的相对权重往往会偏小，权重向量与模糊矩阵R匹配度不高，导致评价结果分辨率不高甚至评价失败。。
发明内容
本发明的目的在于克服现有技术的缺陷，提供基于T-S模糊神经网络的水质评价方法。
为实现上述目的，本发明采用了如下技术方案：
基于T-S模糊神经网络的水质评价方法，包括以下步骤：
根据所选择的评价指标，构建评价指标集合；
根据评价指标的相应评价标准，确定评价指标评判标准集合；
建立隶属度函数；
建立模糊关系矩阵R；
评价因子权重值B计算；
进行模糊复合运算，确定水体的综合隶属度；
按最大隶属度原则确定水质级别。
优选的，所述评价指标集合为：U＝{u1,u2,…,ui}，共有i个评价指标。
优选的，所述评价指标评判标准集合为：V＝{v1,v2,...,vi}，代表评价等级的集合，共有j个等级，每一等级可对应一个模糊子集。
优选的，所述建立隶属度函数，包括：
根据水质等级标准构建隶属函数：
当j＝1时，隶属度函数为
Figure BDA0003284870010000031
当1＜j＜n
Figure BDA0003284870010000032
当j＝n时
Figure BDA0003284870010000033
其中：Ci为某种污染物实测浓度值；Si为某种污染物的评价标准，rij为隶属度。
优选的，所述模糊关系矩阵R为：
Figure BDA0003284870010000034
优选的，所述评价因子权重值B计算，包括：对各参数给予权重，按照各分指标超标情况进行加权，超标越多，权重越大，权重值为：
Pi＝Ci/Si
式中：Ci为第i种污染物实测浓度值；Si为第i种污染物某种用途各级水质标准值的算术平均值；
为进行模糊计算，将各单项权重进行归一化：
Figure BDA0003284870010000041
对上述集合中的各项指标给予权重，组成一个行矩阵。
优选的，所述模糊复合运算为：
Figure BDA0003284870010000042
优选的，对于模糊矩阵，两数相乘取小者为积，相加取大者为和。
优选的，所述按最大隶属度原则确定水质级别，包括：从综合隶属度矩阵中选取最大值，其序号即代表评价水体的水质等级，若矩阵中有两个相等的最大值，则根据相邻数按靠大不靠小的原则确定水质等级。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
本发明的T-S模糊神经网络水质评价方法使用模糊综合评价法中的模糊规则、隶属度函数，使模型拥有较强的逻辑推理能力，容易处理高阶问题，并可以解决准确信息和某些不确定的模糊信息；而神经网络的有机结合，则让模型中模糊规则提炼与隶属度函数产生实现自动化；通过此方法对流域水环境质量进行综合评价能快速、准确地评价水体的水质等级，便于水环境质量综合研判、监管和治理措施的制定。
本发明根据神经网络的特点，水质参数指标越多，时间尺度越小，建立的模型越精确，得到的水质评价结果也越准确；同时，根据不同的研究区域和水质指标，仅需要修改部分代码就能完成计算任务，具有较强的适用性；
本发明适用于涉及流域的大范围、多批次、多水质参数的水质评价，计算速度快、计算结果准确、评价效果好。
附图说明
图1是本发明基于T-S模糊神经网络的水质评价方法的流程图。
具体实施方式
以下结合附图1，进一步说明本发明基于T-S模糊神经网络的水质评价方法的具体实施方式。本发明基于T-S模糊神经网络的水质评价方法不限于以下实施例的描述。
实施例1：
本实施例给出基于T-S模糊神经网络的水质评价方法的具体结构，如图1所示，包括以下步骤：
根据所选择的评价指标，构建评价指标集合；
根据评价指标的相应评价标准，确定评价指标评判标准集合；
建立隶属度函数；
建立模糊关系矩阵R；
评价因子权重值B计算；
进行模糊复合运算，确定水体的综合隶属度；
按最大隶属度原则确定水质级别。
具体地，评价指标集合为：U＝{u1,u2,…,ui}，共有i个评价指标。
具体地，评价指标评判标准集合为：V＝{v1,v2,…,vi}，代表评价等级的集合，共有j个等级，每一等级可对应一个模糊子集。
具体地，建立隶属度函数，包括：
评价指标的实测浓度值隶属于评价标准集合中不同评价等级的程度，隶属度rij可通过隶属度函数求得，根据水质等级标准构建隶属函数：
当j＝1时，隶属度函数为：
Figure BDA0003284870010000061
当1＜j＜n：
Figure BDA0003284870010000062
当j＝n时：
Figure BDA0003284870010000071
其中：Ci为某种污染物实测浓度值；Si为某种污染物的评价标准，rij为隶属度。
具体地，模糊关系矩阵R为：
Figure BDA0003284870010000072
具体地，评价因子权重值B计算，包括：对各参数给予权重，按照各分指标超标情况进行加权，超标越多，权重越大，权重值为：
Pi＝Ci/Si
式中：Ci为第i种污染物实测浓度值；Si为第i种污染物某种用途各级水质标准值的算术平均值；
为进行模糊计算，将各单项权重进行归一化：
Figure BDA0003284870010000073
对上述集合中的各项指标给予权重，组成一个行矩阵。
进一步的，模糊复合运算为：
Figure BDA0003284870010000081
进一步的，对于模糊矩阵，两数相乘取小者为积，相加取大者为和。
进一步的，按最大隶属度原则确定水质级别，包括：从综合隶属度矩阵中选取最大值，其序号即代表评价水体的水质等级，若矩阵中有两个相等的最大值，则根据相邻数按靠大不靠小的原则确定水质等级。
通过采用上述技术方案：
本发明的T-S模糊神经网络水质评价方法将模糊规则、隶属度函数与神经网络模型有机结合，相互取长补短，模糊规则使得方法能够拥有较强的逻辑推理能力，容易处理高阶问题，同时可以解决准确信息和某些不确定的模糊信息。
神经网络让本方法中的模糊规则提炼与隶属度函数产生实现自动化，进而让模糊系统成为一种能够自我处理的系统，得到T-S模糊神经网络模型，并运用此模型对流域水环境质量进行综合评价。
通过对实际环境数据的评价，T-S模糊综合评价法能够快速、准确的计算出评价水体的水质等级，而且评价结果的效果最佳。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (9)

1.基于T-S模糊神经网络的水质评价方法，其特征在于，包括以下步骤：
根据所选择的评价指标，构建评价指标集合；
根据评价指标的相应评价标准，确定评价指标评判标准集合；
建立隶属度函数；
建立模糊关系矩阵R；
评价因子权重值B计算；
进行模糊复合运算，确定水体的综合隶属度；
按最大隶属度原则确定水质级别。
2.如权利要求1所述的基于T-S模糊神经网络的水质评价方法，其特征在于，所述评价指标集合为：U＝{u1,u2,…,ui}，共有i个评价指标。
3.如权利要求1所述的基于T-S模糊神经网络的水质评价方法，其特征在于，所述评价指标评判标准集合为：V＝{v1,v2,…,vi}，代表评价等级的集合，共有j个等级，每一等级可对应一个模糊子集。
4.如权利要求1所述的基于T-S模糊神经网络的水质评价方法，其特征在于，所述建立隶属度函数，包括：
根据水质等级标准构建隶属函数：
当j＝1时，隶属度函数为
Figure FDA0003284863000000021
当1＜j＜n
Figure FDA0003284863000000022
当j＝n时
Figure FDA0003284863000000023
其中：Ci为某种污染物实测浓度值；Si为某种污染物的评价标准，rij为隶属度。
5.如权利要求4所述的基于T-S模糊神经网络的水质评价方法，其特征在于，所述模糊关系矩阵R为：
Figure FDA0003284863000000024
6.如权利要求1所述的基于T-S模糊神经网络的水质评价方法，其特征在于，所述评价因子权重值B计算，包括：对各参数给予权重，按照各分指标超标情况进行加权，超标越多，权重越大，权重值为：
Figure FDA0003284863000000031
式中：Ci为第i种污染物实测浓度值；Si为第i种污染物某种用途各级水质标准值的算术平均值；
为进行模糊计算，将各单项权重进行归一化：
Figure FDA0003284863000000032
对上述集合中的各项指标给予权重，组成一个行矩阵。
7.如权利要求1所述的基于T-S模糊神经网络的水质评价方法，其特征在于，所述模糊复合运算为：
Figure FDA0003284863000000033
8.如权利要求1所述的基于T-S模糊神经网络的水质评价方法，其特征在于，对于模糊矩阵，两数相乘取小者为积，相加取大者为和。
9.如权利要求1所述的基于T-S模糊神经网络的水质评价方法，其特征在于，所述按最大隶属度原则确定水质级别，包括：从综合隶属度矩阵中选取最大值，其序号即代表评价水体的水质等级，若矩阵中有两个相等的最大值，则根据相邻数按靠大不靠小的原则确定水质等级。
CN202111144461.2A 2021-09-28 2021-09-28 基于t-s模糊神经网络的水质评价方法 Pending CN113850516A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111144461.2A CN113850516A (zh) 2021-09-28 2021-09-28 基于t-s模糊神经网络的水质评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111144461.2A CN113850516A (zh) 2021-09-28 2021-09-28 基于t-s模糊神经网络的水质评价方法

Publications (1)

Publication Number Publication Date
CN113850516A true CN113850516A (zh) 2021-12-28

Family

ID=78980418

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111144461.2A Pending CN113850516A (zh) 2021-09-28 2021-09-28 基于t-s模糊神经网络的水质评价方法

Country Status (1)

Country Link
CN (1) CN113850516A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115860561A (zh) * 2022-12-20 2023-03-28 成都联客信息技术有限公司 一种对水质进行量化评价的方法
CN116153437A (zh) * 2023-04-19 2023-05-23 乐百氏(广东)饮用水有限公司 一种饮用水源的水质安全评价与水质预测方法及系统
CN116467939A (zh) * 2023-04-10 2023-07-21 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 电能表寿命预测方法、装置、计算机设备和存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115860561A (zh) * 2022-12-20 2023-03-28 成都联客信息技术有限公司 一种对水质进行量化评价的方法
CN116467939A (zh) * 2023-04-10 2023-07-21 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 电能表寿命预测方法、装置、计算机设备和存储介质
CN116153437A (zh) * 2023-04-19 2023-05-23 乐百氏(广东)饮用水有限公司 一种饮用水源的水质安全评价与水质预测方法及系统
CN116153437B (zh) * 2023-04-19 2023-06-30 乐百氏(广东)饮用水有限公司 一种饮用水源的水质安全评价与水质预测方法及系统

Similar Documents

Publication Publication Date Title
CN113850516A (zh) 基于t-s模糊神经网络的水质评价方法
Li et al. Water quality assessment in Qu River based on fuzzy water pollution index method
Zhao et al. Water resources risk assessment model based on the subjective and objective combination weighting methods
CN106250695A (zh) 一种平原河网河流水环境安全评估体系
CN110175948A (zh) 一种基于河流整体健康的生态环境需水阈值量化方法
CN107122927A (zh) 一种调水引流水环境改善效果综合评价方法
CN105469196A (zh) 一种矿井建设项目过程后评价的综合评价方法及系统
CN105844401B (zh) 基于案例推理的湖库水华治理复杂动态关联模型与决策方法
CN107895100B (zh) 一种流域水质综合评价方法及系统
CN109948876A (zh) 一种北方缺水城市水生态文明建设成效评估方法
CN107423564A (zh) 流域生态修复策略的决策分析方法
CN103440525A (zh) 基于Vague值相似度量改进算法的城市湖库水华应急治理多目标多层次决策方法
CN112712268A (zh) 一种海绵城市优化布局与综合效益评价方法
CN113033997A (zh) 基于改进集对分析的城市水质等级确定方法、装置及介质
Jian-Hua et al. Fuzzy synthetic evaluation of wetland soil quality degradation: a case study on the Sanjiang Plain, Northeast China
CN109670679A (zh) 基于可变模糊法的三类六级水资源承载状态预警方法
CN108122077A (zh) 一种水环境安全评价方法及装置
CN113343601A (zh) 一种复杂水系湖泊水位和污染物迁移的动态模拟方法
CN105160422B (zh) 基于自组织级联神经网络的污水处理出水总磷预测方法
CN114169699A (zh) 考虑不确定性和主客观权重结合的水资源系统可持续发展评价方法
CN112330081A (zh) 基于水生态环境功能分区单元的流域治理效果评估方法
Du et al. Operating mechanism and set pair analysis model of a sustainable water resources system
Wang et al. Application of grey clustering method based on improved analytic hierarchy process in water quality evaluation
CN112862144B (zh) 基于双层目标优化的无资料城市确定最优损失曲线的方法
CN114186787A (zh) 一种基于多层次模糊分析的城市黑臭水体整治模型评估方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination