基于模糊神經網路的水質評價分析案例報告目錄TOC\o"1-3"\h\u16827基于模糊神經網路的水質評價分析案例報告 1318821.1引言 194291.2模糊神經網絡概述 124341.2.1模糊神經網絡數學基礎 1193931.2.2模糊邏輯推理 4228771.3水質評價與模糊神經網絡 510061.3.1T-S模糊神經網絡模型 5227201.3.2T-S模型與水質評價結合 6124591.3.3T-S模型訓練步驟 6271211.4水質評價模糊神經網絡研 7282861.4.1T-S模型訓練 7136761.4.2數據預處理 8291351.5數據結果及分析 972531.1.1系統獲取的真實數據 910631.1.2預處理方法一 91.1引言通過分析模糊神經網絡的優勢來對其水處理中的開發進行深入的研究。如何將模糊神經網路應用于水處理，并且提高水質測評的效率具有非常重要的意義。通過分析研究模糊神經網絡的原理及其應用范圍能夠讓水質監測得到更好的發展，將模糊神經網絡更好地融入到水質監測的研究中。1.2模糊神經網絡概述1.2.1模糊神經網絡數學基礎在引入模糊神經網絡之前，有必要引入“模糊”的概念。“模糊”與數學被認為是非常嚴密、正確的主題相反。模糊的英文名是模糊，有“不明”的意思。“或“未知的邊界”,因此,和數學矛盾概念的獅王。這里的“'”,'數學的討論對象的意思,但數學'取代了數學方法的學習。這2個矛盾。[43]特別是自然和人類社會中,各自的種類的東西,嚴格、明確、模糊等,不同的特性和特性。模糊,性別和共性的角度客觀的東西的模棱兩可的。其理由是類似的,但為了之間有一系列的演替狀態。它們是互相滲透,互相連接,并沒有明確的界限。例如,性別、年齡、教育程度等,許多人類的特性是明確概念。所有的人都在特定的性別、身高、身帶著土地、教育水平。但是,決定論人們無法明確也有幾個特征。人們的健康狀態好,壞,然后中間的某個地方,那是概括性的定性的推測,很多情況下,個體的主觀判斷。表面(丑陋,沒有丑陋,普通,抹)和高(不短,短,個子不高,高)據。現實生活中有非常多具體的例子能夠印證這個觀點在。人類社會中人類一直存在概念也一直存在，尤其是隨著社會科學的不斷發展。人們對于生命科學的研究變得更加的深入，人文科學和生命科學的應用范圍越來越廣闊，傳統的教學方式以及數學表現方式已經很難應用于實際，但是隨著科技的不斷發展，將會融入更加新型的觀點，從多方面的角度進行研究，比如當人的年齡不斷上漲的時候，就可以通過不同的思考來定義年齡，提供不同的閾值來給年輕人以及老年人進行劃分。為了表達x年齡被使用的情況下,x<40歲的年齡是中老年的人來說,這個方法太簡單絕對了。例如,年輕人的閾值定義是困難的。[44]事實上，隨著年齡從中年到中年的逐漸增加，這些概念之間并沒有明確的界限。美國的一個教授曾經發表了相關的言論，并且迅速地獲得了國內外的廣泛關注。人們對于這些觀點的了解變得更加深入，也越來越注重對于這方面的研究。從這門學科誕生以來國內外都十分關注，并且在歐美國家受到更加廣泛的關注。人們希望能夠通過學習這門學科來對科技的發展提供更加良好的幫助。在這門學科剛剛起步的時候，學術界并不贊同里面的很多觀點，但是隨著這么學科的不斷發展，越來越多的人開始認同里面的觀點，并且認為很多數據都具有可靠性和嚴密性。[45]由于中西方文化差異的影響，模糊概念在東方和中國等國被接受，不確定性被視為一種自我升溫的現象。國際模糊系統協會（International）成立了模糊系統協會IFSA。自1985年第一次會議以來，家用電器模糊控制技術在牙套中得到了廣泛的應用。模糊技術在地鐵機車、過程控制、故障診斷、圖像處理和市場預測等方面有著廣泛的應用。這樣，Fasi集熱理論的成功應用創造了巨大的市場前景。由于它的使用，它對歐美公司和科學界產生了影響，消除了偏見，否定了模糊理論。[46]目前通過分析模糊理論在市場上的應用能夠發現其應用范圍得到了非常良好的擴大，越來越多的行業開始運用這個理論，并且得到了良好的發展。通過運用其理論為行業的發展提供了良好的幫助，所以模糊理論的發展前景將會更加廣闊，速度也會越來越快，這個理論也將會成為學術界更加重視的一個理論，成為世界關注的話題。在學術的競爭中也會將有非常領先的地位，有著越來越高的地位，并且在未來很有可能實現不可替代性。模糊集合的定義是，在一個閉區間上的任何映射都滿足該域中已知的下列公式。[47]如果在已知的領域中U，那么U到閉區間[0,1]上的任意一個映射熱均滿足如下公式：然后說，該成像過程定義了某個模糊量a，該模糊量a是屬于該模糊量a的函數。歸屬函數可以解釋為其中一個元素是模糊量的層次。確定隸屬關系功能的過程既有主觀因素，也有客觀因素。工程中常用的相關功能包括以下五種類型。(1)三角形隸屬函數三角形隸屬函數的具體表達形式如下所示。在公式5-2中，{a,b,c}(a<b<c)描述了三角形隸屬函數的3個坐標點。(2)梯形隸屬函數梯形隸屬函數的分布如式5-3所示。等式5-3中，{a,b,c，}(a<b<c=""<d)表示王角成員函數的四個坐標點的橫坐標。<=""span="">特別地，當d-c=b-a成立時，(x;a、b、c)縮成等距梯形。當b=c時，(x;a、b、c)縮成三角形。H角和梯形等成員函數的優點是使用范圍廣，計算速度快，形式簡單。缺點是函數曲線基本上是直線，拐點稍微有點陡</b>[48]1.2.2模糊邏輯推理通過分析模糊集合論會發現模糊的關系以及各要素的關系十分具有趣味性，并且關聯程度十分高，通過分析模糊結合論各個模塊之間的關聯能夠更加有效地來對模糊進行命名研究。模糊集合理論中的邏輯關系也值得更加深入的思考，不管是從正確推論的角度還是從事實的角度來說，模糊集合論都有其不可替代性，不管結論是否能夠被推翻都能夠起到非常良好的作用。所以在對模糊邏輯理論進行推理的過程中不能過于的關注結果，需要對過程進行詳細的分析，并且提供正確的方向，用良好的方法正確的有效的方法對模糊理論進行更加深入的研究分析，并且將其應用到更廣闊的市場上。[49]模糊推理是一種不正確的推理方法，模糊文和模糊邏輯是其核心部分。其基本結構如圖5-1所示。模糊邏輯推理框架包括以下三個部分。模糊化接口模糊邏輯推理處理的是模糊尺寸，而不是確定性尺寸。因此，模糊化必須通過模糊化接口進行，才能作為推理機的輸入。模糊接口的輸入和輸出是不同的。一個是清晰尺寸，另一個是模糊尺寸。最后通過屬性函數實現了輸入輸出之間的賦值。圖5-1模糊邏輯推理圖模糊邏輯思維與確定性大小無關，而是與模糊大小有關。因此，在將模糊化接口作為推理機的輸入之前，必須通過模糊化接口進行模糊化。模糊接口的輸入和輸出是不同的。一是一定數額，二是數額不明。最后通過元素函數實現輸入輸出之間的分配。(2)知識庫知識庫的兩個重要組成部分是模糊規則和數據庫。在發生模糊侵擾的情況下，知識庫應提供侵擾機所需的重要和必要的準備數據[50]模糊規則庫中的許多模糊規則以類似于人類結論的方式表達。如5-4所示，一個輸入一個輸出只能添加模糊推理規則。在等式5-4中，R(4)表示M個模糊推理規則的第k個句子。x1到xn表示n個模糊輸入量。doublek表示第k個模糊推理規則。n個輸入變量的值。Gk是第k個模糊推理規則的模糊輸出的值。模糊推理引擎的功能是使用模糊路徑庫生成的模糊輸入變量和模糊輸出。[51]模糊邏輯推理法還在改進過程中，其中經典的方法包括扎德法、鮑德溫法、茨卡莫法、耶格爾法和密茲莫法。模糊邏輯推理有兩種非常典型的模糊含義規則。1)重心法模糊集中法的優點是:當N的定義域為V時，非模糊化的結果為u。可以用下面的公式計算。參照公式，滿足理論上的要求。但是，特定的計算過程有一定的困難，計算更加復雜，不適合所有的場所，特別是有較高的理論推導和實時要求的場所。2)最大隸屬度法輸出的最大成員值直接決定非模糊化的結果。最大的會員資格的特征是簡單易用，優秀的實時性能。不利的是不能有效地使用從屬要素的信息和功能，輸出信息過小，往往會產生反效果，不能有效地控制推論結果。1.3水質評價與模糊神經網絡1.3.1T-S模糊神經網絡模型在模糊系統的應用過程中，最常用的模糊模型表示方法有以下兩個方面。其中之一是模糊輸出集的模糊規則，如NB和PB。另一個是語言模糊規則的輸入變量。典型的例子是輸入參數的線性組合。[52]由于該模型最初由Takagi和Kanno提出，因此通常稱為模糊系統的T-S模型。1.3.2T-S模型與水質評價結合水質綜合評價是一個多指標模式識別問題。為了建立具有模糊評價的神經網絡模型，該網絡以《水環境質量標準》中的五個水質標準為研究樣本，建立了研究標準模型。這些數據是從本文檔中開發的無線傳感器網絡中檢索的。這些都是符合海南白暨山水庫的水質數據。同時測定溶解氧（D0>、化學需氧量（CSB>、氨氮（NH3-N>、高錳酸鉀））（CODMn）、總氮、總磷的化學質量指標[38]。其中，溶解氧是溶于水中的分子篩氧，反映水域的自我凈化能力，主要監測全磷、全氮、氨態氮、分子篩氧等指標。高錳酸鉀是反映有機污染的綜合性指標。全氮和全磷分別表示水中的氮和磷的含量，它們也是測定水的富營養化的指標。根據第1.3.1節，模糊神經網絡的設計和水環境質量標準中指定的6個重要指標，包括輸入層、3個隱藏層和輸出層，共構成5個層。利用網絡結構模型和TS模糊神經網絡模型對獲得的數據進行分析。測試樣品用被選擇的水質參數,即氧、鹽分、溶解氧(do)、需求(cod)、氨氮(nh3-n),高錳酸鉀(codmn)、全氮及合計的選擇,考慮到6參數對應特征向量林。作為網絡輸入層的六個輸入節點，第二層對網絡第一層的所有輸入數據進行2(大小)模糊分割，計算模糊。兩個語言變量的值集合內的各水質參數的成員函數值。擁有的節點數是6×2=12。1.3.3T-S模型訓練步驟如上所述，將T-S模糊神經網絡模型的訓練水質分為五個層次：輸入層、模糊控制層、計算層、抗融合層和輸出層。輸入層連接到輸入向量x.t，節點數對應于輸入向量的維數。[53]如公式5-12所示，模糊層是一個高斯隸屬函數，輸入一個刀的模糊隸屬值。如5-5所示計算適合度。輸出層如等式5-6所示。它計算模糊神經網絡的所有正態線性組合。具體安裝步驟如下。第一步:初始化參數b、c和系數p，確定網絡節點和重復次數。步驟2:使用mapminmax函數將測試數據歸一化。第三步:設定重復次數iii=1，計算模糊層的模糊成員資格。對于輸入量x-[x1,x2,x3，…，x]T，首先使用模糊規則獲得每個輸入參數x=對應的成員函數值。式中，CIS與分別代表了隸屬函數的中心以及它的寬度。對應層的節點數目是。第四步:計算模糊規則層的模糊規則。對每個隸屬度實施模糊計算，借助模糊算子進行連續乘積得到公式5-12:第五步:計算模糊模型的輸出值，與網絡期望輸出比較得到誤差。借助模糊規則計算的輸出得到模糊模型對應的結果yi;平均誤差計算式為:1.4水質評價模糊神經網絡研在用模糊神經網絡T-S評價水質等級之前，必須對網絡進行訓練。因此，我們選取從無線傳感器網絡獲得的河南白桂山水庫相應的水質數據對神經網絡進行訓練。預先標記400條記錄，確定每條記錄的真實水質水平與數據相對應，選取350條記錄作為訓練模式，其余50句作為測試樣本。這個網絡已經訓練過幾百次了。1.4.1T-S模型訓練使用350個數據集訓練神經網絡的T-S模糊模型。訓練輸入數據的維數為6，輸出數據的維數為1，即輸出神經元的數目為1。通過計算實際輸出與期望輸出之間的平均誤差，對模糊神經網絡的參數進行修正。為達到模型培訓的目的，請在此處輸入最大培訓次數（培訓的最終條件也是）。圖5-2是訓練模糊神經網絡T-S模型的結果。圖5-2T-S模糊神經網絡訓練過程根據圖5-2的結果，使用350組訓練數據來訓練TS模糊神經網絡模型。實驗誤差總是可以保持在一定的范圍內，伴隨著一定的變化。這意味著每次改變訓練參數時，誤差都會或多或少地減小，并且這種誤差可以保持在一定的間隔內，這樣就產生了不好的結果，但訓練結果達到了理想的狀態。[54]這里需要說明的是，我們可以適當增加訓練模式的數量，但對計算機模擬功能有要求。為了在短時間內獲得合適的結果，本文選擇了這種方法。1.4.2數據預處理由于水質數據的物理大小不同，所有的物理參數范圍都是不同的，許多參數范圍的大小有時是數字不同的55）為了保證所有參數原則上具有相同的功能，避免增加或減少某些條件的影響，必須刪除物理尺寸，以防止對水質評價的影響。即標準化。特征值標準化的基本要求如下。標準化數據在區間[0，l]內，而特征數據僅具有一般意義。他們必須參考不同的特征，以決定使用哪種適當的公式。形勢和真正的問題。所有的樣本數據都必須相差懸殊。另外，有必要提高網絡處理速度。有必要盡可能地評價水質狀態，從樣本信息中提取有效的信息。事前處理。這是目前流行的多種數據預處理方法的列表。（1）方法一:最大值歸一化數據的正規化是將數據除以各等級標準的各水質參數的最大濃度，將數據轉換為[0,l]區間。具體的實現方法如圖5-13所示。等式5-13中，x表示輸入的實際濃度值。Xmax表示所有I-V級別的水質數據對應的最高濃度。1.5數據結果及分析水質評價是根據四舍五入的原則來確定水質評價。如果預測值小于1.5，則水質為1。如果預測值為1.5～2.5，則水質為2。如果預測值為2,5到3,5，則水質處于3。正確的。1.1.1系統獲取的真實數據對T-S模糊神經網絡模型進行了訓練，仿真結果表明，該網絡模型達到了準確預測水質等級的目的。為了進一步驗證系統的性能和預測指定水域的水質水平，無線傳感器網絡在長江上的一個城鎮附近接收本文描述的水域數據。下表列出了一些實驗數據。表5-2白龜山水庫斷面2020年7月-12月部分監測數據1.1.2預處理方法一預處理這種方法能夠適用于很多場景，尤其是在進行數據的檢測過程中，采用預處理方法能夠讓數據的準確度得到提升。在對數據進行測試的過程中也可以采用預處理的方法使得測速測試的數據更加真實有效，以及當測試出來的數據需要與實際數據進行對比的時候，預處理的方法也能夠讓這個過程執行的時候變得更加的標準。所以在對數據進行檢測之前可以常用預處理的方法對各個數據進行深入的分析，并且通過模糊神經網絡模型來對這些數據進行測試真實有效的記錄每一個數據，并且把實際的測試結果記錄下來，通過模型數據處理的方式來將結果呈現出來。圖5-3測試樣品