一、模糊神經網絡水質預測簡介

1 模糊神經網絡
從整體結構框架上看, 兩個輸入一個輸出, 它像一個神經網絡;從功能上講, 是一個模糊系統。模糊神經網絡結構如圖1所示, 此網絡結構共分為5個層次, 它是一個由神經網絡構造實現的模糊推理系統, 以模糊系統的工作過程為依據來設計的。首先, 輸入層輸入兩個信號;其次模糊化層, 模糊化輸入的信號;再次是模糊規則計算層;然后是模糊決策層, 將滿足條件的量分類并且將模糊的量轉化為清晰結果;最后第五層作為輸出層, 輸出最后的運算結果。

2 水質評價問題
目前為止水質監控評測的方法有很多, 可是都存在局限性。我國一直以營養物、無機物、微生物和重金屬離子作為主要水質參數。傳統的生物或者化學水質評價方法, 只能得出是否污染以及污水主要的成分, 不能將水質真正所存在的潛在問題反映出來。在線自動連續監測的水質污染綜合系統, 與連續自動監測大氣污染的系統相比, 水質監測要困難得多。當然, 這些問題都是可以解決的, 但是找到合適的水質評價方法尤為重要。

圖2 模糊神經網絡水質評價的一般步驟
2.1 水質評價的主要參數
水質評價中常用的參數有六種: (1) 常規水質參數; (2) 氧平衡參數; (3) 重金屬參數; (4) 有機污染物參數; (5) 無機污染物參數, ; (6) 生物參數。

2.2 水質評價的一般步驟
模糊神經網絡水質評價算法實驗的主要步驟如圖2所示, 主要分為六個步驟。

3 基于T-S模糊神經網絡建模
3.1 T-S模糊模型
T-S模糊系統不僅能夠自動更新模糊子集的隸屬函數, 而且能不斷更新隸屬度函數。屬于一種不斷成長的自學習系統。該模型, T-S模糊系統定義在下面的“if-then”規則中。根據規則Ri中, 模糊推理如下:

其中, Aij為模糊系統的模糊集;pij (j=1, 2, …, k) 為模糊系統參數;yi為根據模糊規則得到的輸出, 輸入部分 (即if部分) 是模糊的, 輸出部分 (即then部分) 是確定的, 該模糊推理表示輸出為輸入的線性組合。

假設輸入量x=[x1, x2, …xk], 首先依照模糊規則計算每個輸入變量, xj的隸屬度。

其中, cji, bji分別為隸屬度函數的中心和寬度;k為輸入參數;n為模糊子集數。將各個隸屬度進行模糊計算, 應用模糊算子作為連乘算子。

根據模糊計算結果計算模糊模型的輸出值yi。

3.2 T-S模糊神經網絡
T-S模糊神經網絡包括四層結構:輸入層、模糊化層、模糊規則計算層和輸出層。模糊神經網絡的學習算法如下:

(1) 誤差計算

式中, yd是網絡預期輸出;yc網絡實際輸出;e預期輸出和實際輸出的誤差。

(2) 系數修正

式中, pji為神經網絡系數, α為網絡學習效率, xj為網絡輸入參數;ωi為輸入參數隸屬度連乘積。

(3) 參數修正

式中, cji, bji分別為隸屬度函數的中心和寬度。

3.3 模型的建立
模糊神經網絡將訓練樣本的維數作為基礎前提, 構建模糊神經網絡基礎要素:輸入、輸出節點數、模糊隸屬度函數個數。最后選定輸入數據為6個 (包括氨氮含量、溶解氧含量、化學需氧量、高錳酸鹽指數、總磷和總氮六項指標) , 將水質等級劃分為五類, 用數字1—5表示水質等級I—V類, 所以輸出的節點數字為1, 形成了6-12-1的網絡結構。

二、部分源代碼

%---------------------------------------------% % %---------------------------------------------%%% 清空環境變量 clc clear%% 參數初始化 xite=0.001; alfa=0.05;%網絡節點 I=6; %輸入節點數 M=12; %隱含節點數 O=1; %輸出節點數%系數初始化 p0=0.3*ones(M,1);p0_1=p0;p0_2=p0_1; p1=0.3*ones(M,1);p1_1=p1;p1_2=p1_1; p2=0.3*ones(M,1);p2_1=p2;p2_2=p2_1; p3=0.3*ones(M,1);p3_1=p3;p3_2=p3_1; p4=0.3*ones(M,1);p4_1=p4;p4_2=p4_1; p5=0.3*ones(M,1);p5_1=p5;p5_2=p5_1; p6=0.3*ones(M,1);p6_1=p6;p6_2=p6_1;%參數初始化 c=1+rands(M,I);c_1=c;c_2=c_1; b=1+rands(M,I);b_1=b;b_2=b_1;maxgen=100; %進化次數%網絡測試數據，并對數據歸一化 load data1 input_train output_train input_test output_test%選連樣本輸入輸出數據歸一化 [inputn,inputps]=mapminmax(input_train); [outputn,outputps]=mapminmax(output_train); [n,m]=size(input_train);%% 網絡訓練 %循環開始，進化網絡 for iii=1:maxgeniiifor k=1:m x=inputn(:,k);%輸出層結算for i=1:Ifor j=1:Mu(i,j)=exp(-(x(i)-c(j,i))^2/b(j,i));endend

三、運行結果

四、matlab版本及參考文獻

1 matlab版本
2014a

2 參考文獻
[1]康彩麗.模糊神經網絡在水質評價中的應用研究[J].忻州師范學院學報. 2019,35(02)

3 備注
簡介此部分摘自互聯網，僅供參考，若侵權，聯系刪除

總結

以上是生活随笔為你收集整理的【水质预测】基于matlab模糊神经网络水质预测【含Matlab源码 1923期】的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。