[发明专利]一种GA-BP优化TSFNN的富营养水质评价方法

权利要求书

1.一种GA-BP优化TSFNN的富营养水质评价方法，其特征在于，包括以下步骤：

S101：获取国家地表水环境质量标准(GB3838-2002)，构建基于GA-BP优化模糊神经网络模型，并初始化遗传算法、BP神经网络和TS模糊神经网络，设定算法的初始化参数；待S101完成后，进入S102；

S102：从多参数水质系统的传感器历史数据选取2000组数据作为模型的训练数据，训练模型的数据校准部分，在训练的过程中将训练数据预测均方误差MSE作为个体适应度值，根据最优个体得到网络的初始阈值和权值。再随机选取200组数据作为测试数据，用于测试训练后的网络性能；待S102完成后，进入S103；

S103：根据地表水环境质量标准(GB3838-2002)进行等间隔均匀分布方式内插标准数据的方式获取400组数据，其中I到II类，II到III类，III到IV类及IV到V类数据各100组。随机选取350组数据用于训练模型的水质评价部分模糊神经网络，50组数据用于测试网络是否有良好的泛化能力和判断准确性；待S103完成后，进入S104

S104：得到模糊神经网络模型与遗传算法优化的BP神经网络模型部分共同组成一种根据多参数的GA-BP优化TSFNN的水质评价方法。将200组测试数据作为GA-BP神经网络的输入数据进行校准，得到预测结果后再将其作为TS模糊神经网络的输入数据对当前传感器节点所在水域的水质进行等级评价。

2.根据权利要求1所述的一种GA-BP优化TSFNN的富营养水质评价方法，其特征在于，S101中包括建立GA-BP多隐含层神经网络，包括以下步骤：

S201：根据传感器测量到的水质数据维数可以确定输入节点和输出节点为4，采用双隐含层的结构，通过不同隐含层节点数仿真的均方误差、绝对误差、绝对误差百分比的大小，确定神经网络结构为4-7-6-4。待S201完成后。进入S202；

S202：设置BP神经网络中的参数，包括：学习速率、迭代次数、训练目标的允许误差；设置GA算法的参数，包括：群体大小N、遗传代数G、交叉概率Pc、变异概率Pm。待S202完成后，进入S203；

S203：选取2000组数据作为GA-BP神经网络的训练数据，并将训练数据的均方误差作为个体适应度值，进行交叉、变异操作并计算适应度值。进入循环，直至求得最优个体。待S203完成，进入S204；

S204：获取最优个体中的权阈值，赋值给BP神经网络作为初始权阈值，利用2000组训练数据计算网络误差，在训练中不断更新网络的权阈值，直至满足调节。仿真预测，得到结果。

3.根据权利要求2所述的一种GA-BP优化TSFNN的富营养水质评价方法，其特征在于，S203中所指采用均方误差MSE作为个体适应度值，计算方式为：上式说明，均方误差由点估计的方差与偏差的平方两部分组成。