灰色聚类法评价淀山湖水质状况

灰色聚类法评价淀山湖水质状况（精选2篇）

1.灰色聚类法评价淀山湖水质状况 篇一

改进的灰色聚类法在道路网建设评价中的应用

从城市的用地规模、人口规模、经济水平、车辆拥有量和道路网络质量5个方面分析了城市道路网络与城市大系统各方面的.适应程度,并运用层次分析的思想对灰色聚类法进行了局部的改进,建立了城市道路网建设水平评价模型,并以重庆市为例进行了实例计算.

作 者：翟长旭 ZHAI Chang-xu 作者单位：重庆市城市交通规划研究所,重庆,400020刊 名：山西建筑英文刊名：SHANXI ARCHITECTURE年，卷(期)：35(1)分类号：U412.1关键词：灰色聚类 层次分析 道路网建设水平白化权函数

2.灰色聚类法评价淀山湖水质状况 篇二

水环境质量评价作为环境质量评价的重要组成部分, 是进行环境管理决策的依据。目前, 海洋环境部门采用较多的仍是单项因子评价法。单项因子评价法对于有针对的治污具有清晰明了的优势, 却很难反映不同海域的整体水质状况。综合评价法体现各个评价因子对水质的整体影响程度。目前, 水质综合评价主要有综合指数法、多因子综合评价法、属性识别法、模糊数学法、灰色理论法和人工神经网络法等。考虑到在环境质量评价中, 有限的时空监测数据所提供的信息是不完全的, 污染物与环境之间存在着复杂多变的联系, 这种联系往往带有一定的不确定性, 实际上构成了灰色系统的基本特征。本文主要采用灰色聚类法和具有很强的非线性映射能力和并行性、自适应、容错性及自学习能力的人工神经网络分别对水质进行评价, 将两种方法做一比较。

2 改进的灰色聚类法

灰色聚类法自创立以来广泛应用于环境评价的各个领域, 发展较为成熟, 模型具有数据分辨力高的优点, 在多因子的综合评价中有独到的优势。经典的灰色聚类法采用直线型白化函数, 使得某些数值权重为零, 这是明显不合理的[1], 本文采用改进的灰色聚类法进行计算。

2.1 水质聚类样本的构成

设有k个样本 (测点) k=1, 2, …m, 且各有i个指标 (污染物) i=1, 1, 2, …n, 每个指标有j个灰类 (环境质量等级) , 则由k个样本的i个指标的白化数构成矩阵为C= (Cki) m×n。

2.2 数据的标准化处理

为了对各样本指标进行综合分析和使聚类结果具有可比性。首先要对给出的白化函数和灰类进行无量纲处理, 本文采用标准化处理, 对于数值越大污染越严重的污染因子计算公式如下:

式中:dki为第k个样本第i个指标的标准化值;Cki为第k个样本第i个指标的实测值;Coi为第i个指标 (污染因子的) 参考标准, 本文取二类海水水质标准对于数值越大水质越好的因子如溶解氧, 则采用标准值比实测值。

2.3 灰类的标准化处理

为了使原始白化数与灰类之间比较分析, 仍用Coi进行灰类的无量纲化处理, 具体如下:

rij第i个指标第j个灰类Sij的标准化处理值;Sij指标灰数;Coi第i个指标 (污染因子的) 参考标准。

2.4 白化函数的确定

白化函数反映了聚类指标对灰类的亲疏关系, 经典的灰色聚类法采用直线型白化函数, 导致某些数值的权重为零。本文采用指数型白化函数[2], 从而使得任意一个实际监测数据与某等级的一个非零权重值之间存在一一对应, 更全面地体现了因子的影响作用。对于第i个指标第j个灰类可以用白化函数曲线或关系式表达 (图1) 。各个指标的白化值分别对j个灰类的亲疏关系如下。

i个指标灰类1的白化函数为:

i个指标灰类j (2≤j≤h-1) 的白化函数为:

第i个指标灰类j=h的白化函数为:

2.5 求聚类权

聚类是衡量各个指标同一灰类的权重, 其计算公式如下:

式中:wij是第i个指标对j个灰类的权值;rij是第i个指标对j个灰类的标准化处理值。

2.6 求聚类系数

聚类系数通过灰数白化函数的生成而得到, 反映了聚类样本对灰类的亲疏程度。设有k个样本, 每个样本分别对j个灰类的聚类系数用εkj表示, 计算公式如下:

εkj是第k个样本对j个灰类的聚类系数;fij (dki) 第k个样本对i个指标的第j个灰类的白化函数。

3 BP神经网络法

环境质量评价本质上属于模式识别, 这正是ANN的特长所在。对某区域的水环境质量的综合评价一般涉及到较多的评价因素, 且各因素与区域环境整体质量关系复杂。而在建模过程中BP网络本身存在收敛速度慢, 目标函数存在局部极小点的情况, 这些问题一般通过附加动量项和变速率学习的方法来解决 (图2) 。

3.1 样本数据的输入与输出

BP网络的水质评价不同于一般的预测的主要问题在于预测一般都有较长的样本, 而水质评价的样本主要来源于水质标准。对于海水水质标准四个等级来说, 只有四个样本。用四个样本训练出来的模型去评价复杂多变的水质状况, 显然不合理。本文通过采用matlab中unifrnd函数随机生成样本的方法在每个因子水质标准等级之间增加50例样本。增加的200例样本和水质标准共204个样本共同构成训练样本 (表1) , 将训练样本和待评价样本用下式进行初始化。

考虑到sigmoid函数的线性映射范围为0~1, 为了避免极值处微分为0, 将样本的初始化在[0.1 0.9]之间。输出值为相应的水质标准, Ⅰ、Ⅱ、Ⅲ、Ⅳ类水分对应输出值为0.2、0.4、0.6、0.8。

3.2 网络拓扑结构的确定

选择输入层-隐含层-输出层的结构, 输入层节点数为5个评价因子, 输出层节点数为1, 隐含层节点数的选择采用黄金分割试验点法确定。即若神经网络的输入层和输出层的节点数分别为I和J, 则理想的隐含层节点数L一般在如下范围:

在[a, b]范围内分别以取g1=0.618× (b-a) +a和g2=0.382× (b-a) +a, 若g1节点时网络输出误差小于g2节点的网络输出误差则舍去[a, g2) , 留下[g2, b], 反之留下[a, g1], 若g1、g2节点的网络输出误差一样, 则留下[g1, g2]。在[g1, g2]区间内重复上述步骤, 直到确定最优节点[7]。依次记录a, b, g1, g2……的网络输出误差, 取输出误差最小的节点数, 确定模型结构为7层。

3.3 网络训练参数的确定

BP人工神经网络所采用的算法是LevenbergMarquardt动量项法 (即L-M法) 来实现。输入层与隐含层之间采用tansig型传递函数, 隐含层和输出层之间选用logsig函数。最大循环次数1000次, 目标误差0.001, 动量常数0.001, 学习速率0.1。

3.4 模型的检验

为了对所建立的BP神经网络模型进行检验, 采用随机生成几个样本, 对样本进行评价 (表2) 。

经过插值扩充训练样本后, 增加了训练样本的连续性, 网络变得更为稳定, 评价结果表明, 网络已经充分对样本进行了学习。

4 两种方法的结果对比

参照GB3097-1997《海水水质标准》, 分别采用灰色聚类法和BP人工神经网络对表3中的水质进行评价, 评价结果见表3。

mg/L

通过随机生成训练样本的方式大大缩短了网络训练的时间。由评价结果 (表4) 表明改进的灰色聚类法和BP神经网络的评价并不完全符合。改进的灰色聚类法白化函数的确定对评价结果影响较大。BP网络其评价结果直接取决于网络训练的好坏, 通常来说样本越多代表性越好训练出的网络越好。

5 结语

灰色聚类法经过长时间的发展较为成熟, 其不足之处在于庞大的计算量, 并且白化函数的选择具有一定的主观性。灰色聚类法概念明确, 并不要求有庞大的样本来支持, 适合于环境评价的各个领域。近年来改进的灰色聚类法较多, 主要都是对白化函数的改进。不同的白化函数导致不同的评价结果, 但是确定白化函数的聚类模型其评价结果的稳定性是BP网络所难以媲及的。

BP神经网络的计算通过程序或软件实现, 工作量相对较小。神经网络具有很强的非线性映射能力和并行性、自适应、容错性及自学习能力, 特别适用于解决因果关系复杂的非确定性推理、判断、预测和分类等问题。水质评价方式看似和一般的预测一样, 其实不然。由于预测允许一定的误差, 是估计未发生的状况, 而评价则是对发生的状况的判别, 要求有一定的稳定性及统一的标准。此外, 即使确定了最优BP神经网络在做评价过程中仍然会遇到如下问题。

(1) 通过随机生成样本, 使样本容量和样本的连续性都有增加, 大大缩短了训练时间。但是随机增加的样本单个评价因子严格满足各级水质标准, 对于复杂多样的水质状况来说, 并没有很好的代表性。

(2) 网络的泛化能力和预测能力仍然存在矛盾, 通过最小误差确定的的网络仅仅是达到了对样本的最优拟合, 评价的结果未必最优。

(3) 网络结构和误差的大小的人为规定的, 致使BP神经网络的评价结果仍然存在一定的主观性。

摘要：探讨了两种水质综合评价方法:改进的灰色聚类法和人工神经网络法。通过采用增加训练样本和黄金分割的隐含层节点优化算法建立了人工神经网络模型, 将两种水质综合评价方法进行了比较, 结果表明:改进的灰色聚类法计算量较大, 主观性较强, 评价结果稳定。BP人工神经网络进行水质综合评价具有客观性, 但网络训练较为繁琐, 通过插值生成训练样本, 极大地增强了网络的稳定性。但扩充后的训练样本, 不能代表复杂的水质实况, 使评价结果受到一定影响。

关键词：灰色聚类,人工神经网络,水质,评价

参考文献

[1]孟宪林.灰色理论在环境质量评价中的应用与完善[J].哈尔滨工业大学学报, 2002, 34 (5) :700～702.

[2]徐卫国, 张清宇.基于修正灰色聚类模型计算污染物排放阈值[J].生物数学学报, 2007, 22 (1) :164～170.

[3]刘金生, 周焕银, 刘金辉.基于BP神经网络的抚河水环境质量评价研究[J].东华理工大学学报:自然科学版, 2008 (1) .

[4]蒋佰权, 王万森, 温香彩.改进算法的BP神经网络水质评价模型[J].计算机系统应用, 2007 (9) .

[5]娄申, 干晓蓉.基于BP神经网络的水质评价[J].中南民族大学学报:自然科学版, 2007 (2) .

[6]刘坤, 刘贤赵, 李希国, 等.模糊概率神经网络模型在水质评价中的应用[J].水文, 2007 (1) .

[7]夏克文, 李昌彪, 沈钧毅.前向神经网络隐含层节点数的一种优化算法[]J.计算机科学, 2005 (10) .

[8]邹志红, 王学良.基于随机样本的BP模型在水质评价中的应用[J].环境工程, 2007 (1) .

[9]劳期团.灰色聚类法在海水水质评价中的应用[M].北京, 中国环境出版社, 1994:63～75.