论文部分内容阅读
水质评价是进行水环境容量计算和实施水污染控制规划的重要基础。本论文在分析阐述了人工神经网络，尤其是BP网络的基本原理、算法并在介绍了模糊数学基本理论的基础上，将神经网络与模糊数学有效结合起来，根据水质评价的要求和特点，建构了水质评价BP网络-隶属度串联模型及FNN模型。对学习成功后的两种网络模型进行实例测试，得到了客观而准确的评价结果。论文第3章介绍了神经网络与模糊系统以串联方式组成的水质评价BP网络-隶属度串联模型的原理、算法及模式特征。BP网络不必对各评价指标权值大小做人为规定，只需学习5类水质标准就能自动掌握水质参数间的合理规则，评价结果具有客观性。网络学习完毕后的权值和阈值可对训练集以外的样本进行评价，计算简便，实用性强。不同于一般BP网络，BP网络-隶属度串联模型要将BP网络的输出作为模糊系统的输入，计算出实测样本属于各级水质的隶属度值，最终输出为测试样本准确、具体的水质类别。论文第4章重点介绍了神经网络和模糊系统按学习结合型构成的FNN的原理、算法和模式特征。FNN中的ANN不再是一黑箱，其所有节点与参数都具有物理意义，并克服了ANN结构的选择缺乏充分理论分析的缺点。FNN模型既能直接表达人们惯用的逻辑含义，适宜于直接或高层的知识表达，又兼具ANN的自适应学习功能和非线性表述能力等优点。将FNN应用于水质评价领域是笔者的初探，通过实例研究证明，学习5类水质标准后的FNN能够正确评价其它水质样本，具有较好的客观性、可靠性及可解释性。用长江和嘉陵江的水质样本来检测训练好的BP网络-隶属度串联模型和FNN模型，结果表明：BP网络-隶属度串联模型和FNN模型的评价结果的准确率和精度都比较高，而后者的网络结构中各个节点及所有参数均有明确的物理意义，便于理解。论文还就不同数据预处理方法对同一样本集的评价结果作了比较，结合模型运算提出了一些较有效的改进BP算法的策略，收到良好的效果。将BP网络-隶属度串联模型和FNN模型应用于水质评价都具有良好的应用前景，在理论上切实可行，在实践中更有巨大的意义。特别是对FNN模型，如果能在其模糊分割数及规则数的确定方面再做进一步的研究，应该能取得更好的评价效果。这值得科研工作者作更深入的开发研究。