[发明专利]一种GA-BP优化TSFNN的富营养水质评价方法

摘要

本发明公开了一种GA‑BP优化TSFNN的富营养水质评价方法，属于环境监测领域。一种GA‑BP优化TSFNN的富营养水质评价方法通过水质的不同参数来评价水质等级。本发明建立多隐含层的GA‑BP神经网络和TS模糊神经网络，以均方误差为个体适应度值的GA‑BP神经网络拟合非线性地表水模型，通过传感器的测量值准确地预测出水质的PH、溶解氧、浊度、氨氮真实值，从而达到校准测量数据，消除温漂、干扰，将其作为判断水质标准等级的依据和TS模糊神经网络的输入。因为PH在水质等级评价标准中没有明确界限，TS模糊神经网络根据校准后的溶解氧、浊度和氨氮值进行水质等级评价，判断传感器所在水域是否富营养化。

主权项

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S104S104：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。