复杂性 复杂性 1099 - 0526 1076 - 2787 Hindawi 10.1155 / 2018/8241342 8241342 研究文章 混合与Self-Adapted模糊模糊小波神经网络模型 c ——集群和遗传算法在河流水质预测 http://orcid.org/0000 - 0002 - 2592 - 3544 黄 Mingzhi 1 2 田 迪 2 刘 王宏斌 3 张 曹国伟 2 易 晓惠 1 蔡 Jiannan 4 http://orcid.org/0000 - 0001 - 8194 - 2988 阮 Jujun 5 http://orcid.org/0000 - 0002 - 4424 - 0423 张 道 5 香港 Shaofei 6 应 Guangguo 1 Zargarzadeh 哈桑 1 环境保护研究所 教育部重点实验室的理论化学环境 华南师范大学 广州510631 中国 scnu.edu.cn 2 地理科学与规划学院 城市化和Geo-Simulation广东省重点实验室 中山大学 广州510275 中国 sysu.edu.cn 3 江苏Co-Innovation中心有效的处理和利用森林资源 南京林业大学 南京210037 中国 njfu.edu.cn 4 中山环境监测站 中山528400 中国 zs.gov.cn 5 环境科学与工程学院 中山大学 广州510275 中国 sysu.edu.cn 6 大气科学学系 环境研究学院 中国地质大学(武汉) 武汉430074 中国 cug.edu.cn 2018年 12 12 2018年 2018年 26 04 2018年 18 07年 2018年 13 08年 2018年 12 12 2018年 2018年 版权©2018 Mingzhi黄等。 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。

水质预测是水环境规划的基础上,评价和管理。在这个工作中,一种新颖的智能预测模型基于模糊小波神经网络(FWNN)包括神经网络(NN)的模糊逻辑(FL),小波变换(WT)和遗传算法(GA)提出了模拟水质参数的非线性和水质预测。self-adapted模糊 c 聚类则是用来确定模糊规则的数目。混合学习算法基于遗传算法和梯度下降算法来优化网络参数。之间的比较是提出FWNN模型和模糊神经网络(FNN),小波神经网络算法)和神经网络(ANN)。结果表明,FWNN使有效利用神经网络的自适应性,FL的不确定性的能力,和WT的局部分析能力,所以它可以处理水的波动和季节性时间序列数据质量,而表现出更高的估计精度和更好的鲁棒性和实现更好的性能预测水质测定系数高 R 2 超过0.90。FWNN是可行的和可靠的模拟和预测河流的水质。

 中央大学基础研究基金 310829161005 广州珠江S和T新星计划 201506010058 技术创新的年轻人才广东特殊支持计划 2014年tq01z530 广东省科技计划项目的基础 2014年a020216007 广东省自然科学基金 2016年a030306033 中国国家自然科学基金 51210013 51208206 1。介绍

环境污染变得越来越严重,水质(WQ)引起了广泛关注。许多国家已经提出了各种各样的污染防治措施改善WQ和保护生态需水量 1]。在线分析仪器包括重要信息从河流系统的状态,因此可以利用运营商应用实时管理策略和解决水污染的问题。然而,由于缺乏合适的在线分析仪器(现有的滞后和不稳定) 2)测定化学需氧量(COD)和浊度(TU),有效的监测和控制WQ特别是河流系统的阻碍。因此,为了克服这些问题,有必要开发一个软件传感器模型来估计难以估测的变量从其他在线可测变量。WQ参数的非线性建模和WQ预测基于软测量理论是重要的问题,在水资源管理和环境工程 3]。有许多数学建模方法被用来预测长期的水需求 4, 5]。传统的数学建模技术限制应用程序的实际大规模复杂的变化过程。数学模型可以设置,但是他们的模型是复杂的,所以很难处理水质的非线性特征( 6, 7]。

为了克服传统的数学建模方法的缺点,智能技术,如人工神经网络(ANN)的模糊逻辑(FL)和小波变换(WT),开发模型的非线性WQ管理过程( 8- - - - - - 13]。神经网络(NN)建模的输入和输出参数之间的复杂关系,不需要详细的机械描述的现象 14),因此它可以被用来模拟WQ管理过程。Faruk ( 15)利用反向传播神经网络预测WQ使用108 -月WQ观测数据,包括水温、硼,溶解氧,在曼德列斯Buyuk河、土耳其。结果表明,该模型捕捉复杂的时间序列的非线性特性,产生更准确的预测。另一个连续流系统性能模拟的使用由艾哈迈德(安 16)开发了一种前馈神经网络模型和径向基函数神经网络模型来预测的溶氧生化需氧量(BOD)和化学需氧量(COD)的塞尔玛河。虽然安成功地用于建模WQ管理过程,安计划仍有低收敛速度和局部最小值( 17]。

克服的缺点安,各种类型的小说集成智能网络开发,如模糊神经网络( 2, 18- - - - - - 20.)和小波神经网络(算法) 21]。将安理论研究的一个新的分支,是由以小波变换为安的预处理器。小波变换已广泛应用在处理复杂系统由于它的时频局部化特征。算法比传统的安在建模精确和收敛率和学习记忆能力和准确性( 22, 23]。的基础上的各种网络输入变量,一个建模方法基于小波分析模型旨在预测油藏流入( 24]。wavelet-linear遗传编程模型提出了监控钠(Na+)浓度在河流 25]。将困难克服了主观选择模糊规则的人类,这是FL的特点之一。Gharibi等人开发了WQ指数基于FL WQ评估,特别是对人类饮用水的分析( 26]。结果表明,该方法可以解决不确定性问题的变化WQ。WQ索引使用模糊推理系统已经成功,因为它已经被证明是有利的在解决不确定性问题 27]。

一种新的混合智能technique-fuzzy提出的小波神经网络(FWNN)——结合神经网络,FL,和WT。FWNN使有效利用神经网络的自适应性,FL的不确定性的能力,和WT的局部分析能力,所以网络有更好的学习和更高的速度和精度 28]。FWNN结合了小波的时频局部化能力,FL的模糊推理,和教育的安在一起,改善其能力达到全球最好的结果。FWNN提供了一个更加优雅和强大的方法的建模过程和模拟水资源管理过程比传统的建模方法。

在这项研究中,一种混合智能软件传感器模型基于FWNN开发的实时估计WQ珠江,中国。self-adapted模糊 c 聚类则被用来提取系统的角色和优化网络空间。提出了一种混合学习算法来进一步提高神经网络的预测能力。FWNN模型开发了预测和估计WQ基于可用的历史数据,如COD、NH4+- n,溶解氧(做),电导率(EC), pH值,水温(WT)和浊度(图),这可能会增加的安全性和提高操作性能WQ管理。

 2。材料和方法 2.1。研究区域

珠江升起在云南高原,流经贵州、广西、广东、湖南和江西省份的中国和越南的北部,最后注入南海。珠江,包括西江镇北江、东江河流,是中国第三大河,总长度2320公里,流域面积0.45×106公里2。作为最大的支流珠江,西江河是“黄金地带”凝聚资源在中国南方,连接中国西南沿海发达地区。开发了预测模型的精度和效率进行了测试使用观察水质数据的Hengsha站西江河在中山城市(中国)(见图 1)。

珠江广州段的地图正在考虑。

完成日常抽样选择Hengsha站。六个重要的WQ变量,COD、NH4+- n,、EC、WT、pH值和图,进行了分析。鳕鱼是最重要的参数之一,对水污染的程度。这是通常被称为有机物质在水中的一个重要指标,是水质监测的最重要的参数。你被认为是一个综合参数,水是一个重要的指标。你密切相关,其他参数与水质有关,如鳕鱼、或不同的物质的浓度与污染(铵、硫酸和硝酸)。由于其他参数的大影响,你已经成为的其他参数的综合影响的说明。你是一个综合参数。鳕鱼和TU被选为预测参数。有340个样本收集了从2013年到2014年,其中88%(300组数据)被用来训练模型,时间序列预测鳕鱼和你水平和12%(40组数据)被用于模型试验。pH值,EC、WT和NH吗4+使用- n作为输入值。

 2.2。遗传算法进化模糊小波神经网络(FWNN) 2.2.1。提出FWNN的结构

图 2显示了FWNN的基本结构。它分为五层,如下所示 29日]:

输入层,第一层是用来接受信号的系统。它包括影响因素( x 1 , x 2 , … , x n )的输出被用作输入到第二层。在这部作品中,输入参数,pH值、EC、WT, NH4+- n;然后, n = 5 。

层2模糊层,输入特征变量转化为模糊变量。在这工作,WQ时间序列的分布接近高斯函数、高斯函数的隶属函数是由( 29日),这使得网络权值具有明确的知识意义。层的输出如下所示: (1) F j x 我 = 经验值 − x 我 − c 我 j 2 2 σ 我 j 2 , j = 1 , 2 , … , n , 我 = 1 , 2 , … 米 , 在哪里 我 和 j 输入变量的数量和模糊语言术语,分别和 c 我 j 和 σ 我 j 是高斯函数的中心和宽度参数,分别。self-adapted模糊 c ——聚类来确定集群的数量的样本数据,然后建立规则(48模糊规则)的数量。所以,节点的数目是48×5在这一层。

第三层被称为模糊规则层,用来实现基于模糊逻辑推理规则。每个节点在第三层对应一个模糊逻辑规则根据乘法。所以,有48个节点层3。在这一层,输出如下: (2) μ j x = ∏ j = 1 n F j x 我 , 我 = 1 , 2 , … , 米 , 在哪里 n 模糊规则的数目。

第四层是称为小波层。在这一层,将利用网络的结果,在小波函数代替内涵的有效功能层,用于转换数据去噪。输入的产品在这一层的输出层3和4。输出的算法 j t h 小波神经元被表示为 (3) w o j = w j ψ j z , ψ j z = ∑ 我 = 1 米 1 一个 我 j 1 − z 我 j 2 e z 我 j 2 / 2 , 在哪里 z 我 j = x 我 − b 我 j / 一个 我 j ,在这 一个 我 j 和 b 我 j 的扩张和翻译参数小波网络,分别和 w j 小波网络的重量。墨西哥帽小波是高斯函数的二阶导数,优良性能,尤其是对测量的瞬时振幅和频率振荡信号。墨西哥帽小波作为小波的母亲,和分解层次的数量是一样的模糊语言学术语的数量。

输出层5层。在这一层,网络的输出 y 是如下: (4) y k = ∑ j = 1 n μ j x w o j ∑ j = 1 n μ j x 。

FWNN模型的结构示意图。

在这部作品中,WQ索引、鳕鱼和TU被选为网络的输出。

FWNN结合了小波的时频局部化能力,模糊推理,和安在一起的教育特征,能够达到提高了全球最好的结果( 30.]。

 2.2.2。训练算法来优化FWNN提议

相结合的一种新的混合算法的好属性全局搜索的遗传算法(GA)和良好的产权的地区搜索(GDA)的梯度下降算法训练该FWNN和优化网络参数。中心( c 我 j )和宽度( σ 我 j )参数的高斯函数,扩张( 一个 我 j )和翻译( b 我 j )参数的小波函数和重量( w j )确定小波网络。

遗传算法是一种简单,但是效率,基于自然进化原理的组合优化算法( 31日]。GDA确定它很容易陷入局部最优和对初始值敏感。遗传算法初始化网络;然后,的前提参数和结论参数FWNN GDA的同时优化。在这项工作中,一个目标函数提出了评价的最小错误( E )之间所需的值( y d l FWNN)和输出值( y k ),这是鉴于如下: (5) E = 1 2 ∑ K = 1 n y d k − y k 2 。

的输出FWNN根据 年代 th染色体与 y k l 是由以下方程: (6) y 年代 l = ∑ j = 1 n μ j 年代 x 我 l ⋅ w o j 年代 ∑ j = 1 n μ j 年代 x 我 l = ∑ j = 1 n w o j 年代 ⋅ ∏ 我 经验值 − x 我 l − c 我 j 年代 2 / σ 我 j 年代 2 ∑ j = 1 n ∏ 我 经验值 − x 我 l − c 我 j 年代 2 / σ 我 j 年代 2 。

在这里, (7) w o j 年代 = w j 年代 ⋅ ∑ 我 = 1 米 一个 我 j 年代 − 1 / 2 1 − x 我 l − b 我 j 年代 一个 我 j 年代 2 经验值 − 0.5 x 我 l − b 我 j 年代 一个 我 j 年代 2 , 在哪里 我 和 j 输入变量的数量和小波神经元,分别。染色体的操作是真正的编码设置如下: (8) X n 年代 = c 我 j 年代 σ 我 j 年代 一个 我 j 年代 b 我 j 年代 w j 年代 , 在哪里 (9) c 我 j 年代 = c 11 年代 ⋯ c 米 1 年代 ⋯ c 1 n 年代 ⋯ c 米 n 年代 , σ 我 j 年代 = σ 11 年代 ⋯ σ 米 1 年代 ⋯ σ 1 n 年代 ⋯ σ 米 n 年代 , 一个 我 j 年代 = 一个 11 年代 ⋯ 一个 米 1 年代 ⋯ 一个 1 n 年代 ⋯ 一个 米 n 年代 , b 我 j 年代 = b 11 年代 ⋯ b 米 1 年代 ⋯ b 1 n 年代 ⋯ b 米 n 年代 , w j 年代 = w 1 年代 ⋯ w n 年代 , 在哪里 我 和 j 输入变量的数量和模糊语言术语,分别。

FWNN的初始参数进行了优化通过选择、交叉和变异。初始人口规模 N 流行是100,交叉鼠电脑是0.7,和突变点的时间间隔为0.01。

 2.2.3。通过梯度下降算法更新参数

后提出FWNN由遗传算法初始化,GDA采用更新的参数FWNN [ 29日]。中心( c 我 j )和宽度( σ 我 j )参数的高斯函数,扩张( 一个 我 j )和翻译( b 我 j )参数的小波函数和重量( w j )的小波网络进行调整根据以下功能。 (10) E = 1 2 y d t − y t 2 , 在哪里 y d t 和 y t 是FWNN的预期值和输出值在时间吗 t ,分别。FWNN的参数值的计算是通过以下公式: (11) w j t + 1 = w j t + η ∂ E ∂ w j + ξ w j t − w j t − 1 , (12) 一个 我 j t + 1 = 一个 我 j t + η ∂ E ∂ 一个 我 j + ξ 一个 我 j t − 一个 我 j t − 1 , (13) b 我 j t + 1 = b 我 j t + η ∂ E ∂ b 我 j + ξ b 我 j t − b 我 j t − 1 , (14) σ 我 j t + 1 = σ 我 j t + η ∂ E ∂ σ 我 j + ξ σ 我 j t − σ 我 j t − 1 , (15) c 我 j t + 1 = c 我 j t + η ∂ E ∂ c 我 j + ξ c 我 j t − c 我 j t − 1 , 在哪里 η 和 ξ 是网络的学习速率和动量因子,分别。

衍生品的值( 11)和( 15)是由下列公式计算: (16) ∂ E ∂ w j = y t − y d t ⋅ μ j ⋅ ψ z j ∑ j = 1 n μ j , ∂ E ∂ 一个 我 j = δ j 3.5 z 我 j 2 − z 我 j 4 − 0.5 e − z 我 j 2 / 2 一个 我 j 3 , ∂ E ∂ b 我 j = δ j 3 z 我 j − z 我 j 3 e − z 我 j 2 / 2 一个 我 j 3 , ∂ E ∂ c 我 j = ∑ j ∂ E ∂ y ∂ y ∂ μ j ∂ μ j ∂ c 我 j , ∂ E ∂ σ 我 j = ∑ j ∂ E ∂ y ∂ y ∂ μ j ∂ μ j ∂ σ 我 j , ∂ E ∂ y = y t − y d t , ∂ E ∂ μ j = w o j − y ∑ j = 1 n μ j , ∂ E ∂ c 我 j = ∑ j ∂ E ∂ y ∂ y ∂ μ j ∂ μ j ∂ c 我 j , ∂ E ∂ c 我 j = μ j x 我 2 x 我 − c 我 j σ 我 j 2 , 如果 我 n o d e 是 c o n n e c t e d 来 r u l e n o d e j , 0 , o t h e r w 我 年代 e , ∂ E ∂ σ 我 j = μ j x 我 2 x 我 − c 我 j σ 我 j 3 b , 如果 我 n o d e 是 c o n n e c t e d 来 r u l e n o d e j , 0 , o t h e r w 我 年代 e 。

在这里, (17) δ j = y t − y d t ⋅ μ j ⋅ w j ∑ j = 1 n μ j , 我 = 1 , … , 米 。

2.3。Self-Adapted模糊< inline-formula > < mml:数学xmlns: mml = " http://www.w3.org/1998/Math/MathML " id = " M57 " > < mml: mi > c < / mml: mi > < / mml:数学> < / inline-formula >——集群

为了优化FWNN模糊规则自动小说有效性函数, B K 解决问题,提出了关于局部优化和确定集群的数量( 32]。有效性函数的分子和分母表示类之间的距离之和,intradistances之和的集群。更高的值 B K 显示更好的聚类结果,最好的集群时获得的数量 B K 达到了最大值。有效性函数给出了如下: (18) B K = ∑ 我 = 1 K ∑ j = 1 n u 我 j 米 v 我 − x ¯ 2 / K − 1 ∑ 我 = 1 K ∑ j = 1 n u 我 j 米 v 我 − x ¯ 2 / n − K , x ¯ = 1 n ∑ 我 = 1 K ∑ j = 1 n u 我 j 米 x j , 在哪里 K 和 n 是分类编号和校准的对象数量的数据。 u 我 j 米 隶属函数值, 米 的权重系数代表了模糊性的WQ分类。在这, ⋅ 代表了欧几里得距离测量。

工作的FCM聚类算法作为一种无监督分类方法基于准则函数的最小化。目标函数的基础上,介绍了最小平方加权欧氏距离之和 d 我 j 。目标函数定义如下: (19) J 米 U , V = ∑ 我 = 1 K ∑ j = 1 n u 我 j 米 d 我 j 2 , (20) ∑ 我 = 1 K u 我 j = 1 , 1 ≤ j ≤ n , 在哪里 d 我 j 代表一个对象和一个集群之间的欧氏距离,定义的 (21) d 我 j = x j − v 我 , 在哪里 x j 和 v 我 分别是观测值和集群重心。 · 代表欧氏距离度量。单个对象,( 20.)是用于计算成员值。隶属函数值 u 我 j 到 我 t h 当时的集群 k 定义如下: (22) u 我 j k = 1 ∑ r = 1 c d 我 j k / d r j k 2 / 米 − 1 。

计算所有标定对象的成员值后,集群中心 v 我 是由以下方程: (23) v 我 k + 1 = ∑ j = 1 n u 我 j k 米 x j ∑ j = 1 n u 我 j k 米 。

最小化( 19)是提供集群中心的初始值。方程( 20.)- ( 23先后在每个迭代中重复步骤。

 3所示。结果与讨论 3.1。数据收集和预处理

2013年和2014年之间的数据是来自中国国家环境监测中心和用于开发软件传感器,见图 3。340年收集的样本Hengsha珠江形成每日的复合样品进行分析。在数据的总数中,编号为训练和测试(预测)300和40。

水质参数的变化。

一个数据库,其中包含系统性能信息模型发展的先决条件。一般来说,它是由定期收集监控参数。培训数据库的质量是至关重要的模型生成正确的关于系统的信息。数据库应该包含适当的和正确的信息在系统中准确地描述这一过程。它仍然是常见的原始数据库包含一些冗余或相互矛盾的数据。因此,有必要预处理的原始数据库通过删除冗余数据和解决冲突。

 3.2。FWNN发展

在这项研究中,WQ软件传感器系统的性能预测你的鳕鱼和模拟使用FWNN模型。pH值,EC、WT和NH吗4+- n模型的输入,输出变量是鳕鱼和TU。通过分析与self-adapted模糊数据集 c ——集群、48集群获得模糊规则。self-adapted模糊 c ——集群算法,预处理的原始训练数据被要求准备一个简洁的数据库和数据库作为一个实际的训练。软件传感器系统包含两个FWNN模型, FWNNCOD和 FWNNTU,预测鳕鱼和你。每个模型都有自己的规则库,但是他们共享相同的输入。模型被用于预测鳕鱼和你。FWNN软件传感器系统的结构如图 2。

在最初FWNN模型的结构和参数确定,混合学习算法,综合运用GA和GDA训练和优化网络参数。后的结构和参数FWNN被GA优化,并运用GDA更新网络的参数。

 3.3。模拟混合FWNN模型

两个预测模型基于FWNN到MATLAB实现。初始人口规模 N 流行是100,交叉鼠Pc为0.7,突变点的时间间隔为0.01,最大代数量是200,学习速度 η 是0.01,和动量因子 ξ 是0.5。图 4显示了培训过程的FWNN(以FWNNCOD为例)。图 3表明,该混合算法有一个快速的收敛能力和迅速满足目标的错误。隶属度函数的中心和宽度模糊化层( c 我 j 和 σ 我 j 分别),小波函数的膨胀和翻译的小波层( 一个 我 j 和 b 我 j 分别)和小波网络的重量 w j )决定,如表所示 S1- - - - - - S4(补充信息)。

培训FWNN基于混合GA-GDA算法的性能。

如数据所示 5和 6软件的预测结果,基于测试数据集的FWNN传感器模型。所做的观测值符合预测预报模型。为了评估该FWNN模型的预测精度,各种性能指标用来评估预测的稳定值,其中包括确定系数( R 2 ),相关系数( R ),均方根误差(RMSE),均方误差(MSE)和平均绝对百分比误差(日军)。如表所示 1的性能指标提出FWNN模型获得的测试数据集。

FWNN性能评估水质的鳕鱼。

FWNN性能评估水质的浊度。

表演的FWNN、算法和神经网络在建模水质管理。

模型(COD) 模型(涂)
FWNN 模糊神经网络 算法的 神经网络 FWNN 模糊神经网络 算法的 神经网络
R 0.9499 0.8129 0.7733 0.5639 0.9678 0.8502 0.8332 0.6690
R 2 0.9023 0.6608 0.598 0.318 0.9366 0.7228 0.6942 0.4476
日军 19.2030 26.2873 46.9316 34.0226 26.3203 29.6884 41.3267 66.0219
RMSE 0.3127 0.6035 0.6404 0.9198 4.5452 10.8572 11.9338 14.1188
均方误差 0.0978 0.3643 0.4102 0.8461 20.6585 117.878 142.4146 199.3415

表 1显示, R 值0.9499和0.9678的鳕鱼和图,分别是通过使用FWNN。的 R 2 值的鳕鱼和你分别为0.9023和0.9366,分别。地图的鳕鱼和你分别为19.2030和26.3203,分别。RMSE值分别为0.3127和4.5452的鳕鱼和你通过FWNN分别。这些结果表明,拟议的WQ FWNN模型取得了令人满意的性能预测。

见表 1,提出FWNN模型展示了一个非常令人满意的性能预测的WQ确定系数值(高 R 2 )的鳕鱼和图0.90和0.94,分别。高价值的确定系数表明,只有10%和6%的鳕鱼和涂总变化,分别被提议FWNN模型无法解释。根据高 R 鳕鱼和你,新模型的预测值更接近测量的。根据其他描述性的性能指标的值(RMSE日军,MSE),开发了FWNN模型显示一个优越的预测性能。有一个小开发了FWNN模型产生的偏差。使用WQ预测模型,河水的不利影响用户的排水估计函数。这是由于浓度的剧烈变化的鳕鱼和你在中山地区。

 3.4。比较与模糊神经网络算法和神经网络

发达FWNN模型与模糊神经网络相比,算法,以及神经网络模型来证明正确性,效率,和混合网络的优点。FWNN模型有较小的RMSE (MSE)和日军和更高 R 2 和 R 值,见表 1。当FWNN模型用于预测河流的鳕鱼(例子是鳕鱼), R , R 2 日军,RMSE和均方误差值分别为0.9499,0.9023,19.203,0.3127,和0.0978,分别。模糊神经网络时,算法,神经网络模型被用来预测河流的鳕鱼, R 值分别为0.8129、0.7733和0.5639,分别。的 R 2 值分别为0.6608、0.598和0.3180,分别。日军的值分别为26.2873、46.9316和34.0226,分别。RMSE值分别为0.6025、0.6404和0.9198,分别。均方误差值分别为0.3643、0.4102和0.8461,分别。

神经网络模型是无法从数据集中提取非平稳。神经网络模型演示了自己的弱点来提取非线性,当训练数据集的长度是相同的。这表明,神经网络模型提取能力有限的非平稳数据集。算法和模糊神经网络模型的性能优于神经网络模型。这是因为时间序列数据的小波变换分解成分提取不同时变组件,可以代表的总和与原始时间序列数据集相关联的子流程。这些不同的组件的能力用出世的神经网络模型和模糊推理来提取非线性和非平稳,使其性能优于神经网络模型使用原始数据集。FWNN模型的性能,其中包括神经网络、FL、WT, GA,被发现是最好的比其余的模型。

FWNN模型性能优于模糊神经网络实现的算法,神经网络模型,这说明FWNN模型预测WQ比模糊神经网络更准确,算法,神经网络模型。结果清楚地表明,FWNN提取动态行为模型有一个高能力和复杂的相互关系,从各种WQ变量。这项研究的结果表明,提取FWNN模型有一个高能力的动态变化,水资源管理系统。

考虑到高水平的复杂性WQ管理,有大量的变量数据集信息传播和宽的浓度范围,如良好的预测性能FWNN模型的参数。的FWNN建模的WQ管理是一个很好的选择。模拟模型、基于FWNN模型可以有效地应用于WQ管理为了应对水质变化。结果表明,混合学习后,提出FWNN可以表现得更好的WQ管理过程比模糊神经网络算法,神经网络。环境标准维护,FWNN模型能有效地实现环境和经济目标的WQ实时管理。

 4所示。结论

WQ预测是一个重要的方式了解水污染的倾向。本研究提出了一个基于FWNN WQ模型估算的WQ数据集。FWNN模型的性能相比表现的三种不同的模式:传统的安,算法和模糊神经网络模型。拟议的WQ预测模型,基于FWNN,产生更好的性能比其他三个模型。描述性FWNN提出的性能指标模型表明,FWNN可以处理的严重波动时间序列数据更好的WQ准确性。该混合方法的建模提供了一个有效的和有用的工具WQ系列,使工程师监控各种WQ参数改善WQ管理。

 数据可用性

使用的数据来支持本研究的发现没有提供,因为作者被要求签署一份保密协议与中国政府提供的基础数据。

 的利益冲突

作者宣称没有利益冲突有关的出版。

 确认

这项研究得到了国家自然科学基金(51208206和51208206号),广东省自然科学基金(没有。2016 a030306033),广东省科技计划项目(没有基础。广东2014 a020216007),技术创新的年轻人才(没有特殊的支持计划。2014 tq01z530),广州珠江新项目(没有。201506010058),基础研究基金为中央大学(没有。310829161005)。作者感谢匿名评论者的有见地的意见和建议。

 补充材料

(1)FWNNTU的参数测定:隶属度函数的中心和宽度参数( c 我 j 和 σ 我 j 分别),小波函数的膨胀和翻译参数( 一个 我 j 和 b 我 j 分别)和小波网络的重量 w j 表S1-S4),如图所示。(2)主代码混合算法的补充道。

 郑 J。 阮 J。 越南盾 l 张 T。 黄 M。 徐 Z。 空心铝粒子在涡流分离废墨盒中恢复 ACS可持续化学和工程 2017年 5 1 161年 167年 10.1021 / acssuschemeng.6b01168 2 - s2.0 - 85008428526 黄 M。 马 Y。 王ydF4y2B一个 J。 陈 X。 sensor-software基于遗传算法神经模糊系统建模和模拟废水处理过程 应用软计算 2015年 27 1 10 10.1016 / j.asoc.2014.10.034 2 - s2.0 - 84911940897 Gazzaz n·M。 Yusoff m·K。 阿里斯 答:Z。 Juahir H。 Ramli m F。 人工神经网络建模的金太河水质指数(马来西亚)使用水质变量的预测指标 海洋污染公告 2012年 64年 11 2409年 2420年 10.1016 / j.marpolbul.2012.08.005 2 - s2.0 - 84868194101 22925610 黄 M。 王ydF4y2B一个 j . Q。 马 y W。 李 w·J。 太阳 x F。 王ydF4y2B一个 Y。 快速预测神经模糊模型的在线估计营养动力学缺氧/好氧的过程 生物资源技术 2010年 101年 6 1642年 1651年 10.1016 / j.biortech.2009.08.111 2 - s2.0 - 77958175011 19857962 Boyacioglu H。 开发基于欧洲的水质指数分类方案 水山 2009年 33 1 101年 106年 10.4314 / wsa.v33i1.47882 吴 c . L。 洲 k W。 水质数学模型与雨水利用康复:一个案例研究在Haigang 国际环境与污染杂志 2006年 28 3/4 534年 545年 10.1504 / IJEP.2006.011227 2 - s2.0 - 33845388923 江 Y。 南 Z。 利用不确定性评估河流水质数学模型:黄河,中国的一个案例研究 2012年国际研讨会上地理信息学综合水资源管理 2012年10月 兰州,中国 1 4 10.1109 / GIWRM.2012.6349563 2 - s2.0 - 84870623658 卡里尔 B。 Ouarda t·b·m·J。 St-Hilaire 一个。 估计ungauged地点使用人工神经网络水质特征和典型相关分析 《水文 2011年 405年 3 - 4 277年 287年 10.1016 / j.jhydrol.2011.05.024 2 - s2.0 - 79960418874 吴 c . L。 洲 k W。 李 y S。 使用数据驱动的模型预测每月流水量加上数据预处理技术 水资源研究 2009年 45 8 2263年 2289年 10.1029/2007 wr006737 2 - s2.0 - 70349777454 麦尔 h·R。 耆那教徒的 一个。 花花公子 g . C。 Sudheer k P。 方法用于预测的神经网络的发展水资源在河流系统变量:现状与未来的发展方向 环境建模和软件 2010年 25 8 891年 909年 10.1016 / j.envsoft.2010.02.003 2 - s2.0 - 77951175284 王 Y。 郑 T。 赵 Y。 江 J。 王 Y。 郭 l 王 P。 每月的水质预测和不确定性评估通过引导小波神经网络在哈尔滨缺失的数据,中国 环境科学与污染研究 2013年 20. 12 8909年 8923年 10.1007 / s11356 - 013 - 1874 - 8 2 - s2.0 - 84891090198 23749372 金 s E。 搜索引擎优化 i W。 人工神经网络集成的建模与连接的数据聚类在河流水质预测 Hydro-Environment研究期刊》的研究 2015年 9 3 325年 339年 10.1016 / j.jher.2014.09.006 2 - s2.0 - 84940899906 Alizadeh m·J。 Kavianpour m·R。 开发wavelet-ANN模型来预测小矿脉湾水质参数,太平洋 海洋污染公告 2015年 98年 1 - 2 171年 178年 10.1016 / j.marpolbul.2015.06.052 2 - s2.0 - 84941317757 26140748 Nasr N。 哈菲兹 H。 el Naggar m . H。 陨石 G。 应用人工神经网络建模的生物产量 国际期刊的氢能源 2013年 38 8 3189年 3195年 10.1016 / j.ijhydene.2012.12.109 2 - s2.0 - 84874661379 Faruk d . O。 混合神经网络水质和ARIMA模型时间序列预测 人工智能技术的工程应用 2010年 23 4 586年 594年 10.1016 / j.engappai.2009.09.015 2 - s2.0 - 77950516820 艾哈迈德 答:a . M。 预测塞尔玛河的溶氧生化需氧量和化学需氧量使用人工神经网络(ann) 沙特国王大学工程科学杂志》上 2017年 29日 2 151年 158年 10.1016 / j.jksues.2014.05.001 2 - s2.0 - 85021260425 穆斯塔法 m·R。 Rezaur r B。 Saiedi 年代。 Isa m . H。 河悬浮泥沙预测使用各种多层感知器神经网络训练algorithms-a案例研究在马来西亚 水资源管理 2012年 26 7 1879年 1897年 10.1007 / s11269 - 012 - 9992 - 5 2 - s2.0 - 84860486004 肖 Z。 彭 l 陈 Y。 刘 H。 王 J。 聂 Y。 基于神经网络的溶解氧预测方法 复杂性 2017年 2017年 6 4967870 10.1155 / 2017/4967870 2 - s2.0 - 85042228586 阮 J。 张 C。 李 Y。 李 P。 杨 Z。 陈 X。 黄 M。 张 T。 提高效率的溶解氧控制使用一个在线控制系统基于遗传算法进化FWNN软件传感器 环境管理杂志》 2017年 187年 550年 559年 10.1016 / j.jenvman.2016.10.056 2 - s2.0 - 85006851639 27865729 瓦尔韦德 m . C。 Araujo E。 坎波斯Velho H。 神经网络和模糊逻辑统计降尺度的大气循环型特定的天气模式降水预报 应用软计算 2014年 22 681年 694年 10.1016 / j.asoc.2014.02.025 2 - s2.0 - 84903726569 Dehghan s . a . M。 Danesh M。 Sheikholeslam F。 Zekri M。 自适应force-environment估计基于自适应小波神经网络的机械手 应用软计算 2015年 28 527年 540年 10.1016 / j.asoc.2014.12.021 2 - s2.0 - 84920996860 穆罕默 M。 Danandeh 一个。 纳西尔Aghdam H。 Ojaroudi N。 小波神经网络的基础上通过inverter-based DG孤岛效应检测 复杂性 2015年 21 2 324年 10.1002 / cplx.21606 2 - s2.0 - 84945555370 Evrendilek F。 Karakaya N。 监控一昼夜的溶氧动力学通过积分小波去噪和颞神经网络 环境监测和评估 2014年 186年 3 1583年 1591年 10.1007 / s10661 - 013 - 3476 - 9 2 - s2.0 - 84895793454 24100799 库马尔 年代。 女子 m·K。 Chatterjee C。 Mishra 一个。 油藏流入预测使用整体模型基于神经网络、小波分析和引导方法 水资源管理 2015年 29日 13 4863年 4883年 10.1007 / s11269 - 015 - 1095 - 7 2 - s2.0 - 84940961004 Ravansalar M。 Rajaee T。 Zounemat-Kermani M。 钠(Na wavelet-linear遗传编程模型+在河流)浓度预测 《水文 2016年 537年 398年 407年 10.1016 / j.jhydrol.2016.03.062 2 - s2.0 - 84962786770 Gharibi H。 Mahvi a . H。 Nabizadeh R。 Arabalibeik H。 Yunesian M。 Sowlat m . H。 新方法在水质评价基于模糊逻辑 环境管理杂志》 2012年 112年 87年 95年 10.1016 / j.jenvman.2012.07.007 2 - s2.0 - 84864826303 22885368 Roveda s . r . M . M。 Bondanca a . p . M。 席尔瓦 j·g·S。 Roveda j·a·F。 罗莎 a . H。 开发的水质指数使用模糊逻辑:一个案例研究的索罗卡巴河 国际会议上模糊系统 2010年7月 西班牙巴塞罗那 1 5 10.1109 / FUZZY.2010.5584172 2 - s2.0 - 78549261727 Loussifi H。 努里· K。 Benhadj Braiek N。 一个新的高效的混合智能非线性动力系统识别方法:小波内核模糊神经网络 非线性科学与数值模拟通信 2016年 32 10 30. 10.1016 / j.cnsns.2015.08.010 2 - s2.0 - 84943426422 刘 Z。 吴 Q。 张 Y。 王 Y。 陈 c·l·P。 自适应模糊小波神经网络滤波器在显微外科手震颤取消 应用软计算 2011年 11 8 5315年 5329年 10.1016 / j.asoc.2011.05.027 2 - s2.0 - 80053565047 黄 M。 张 T。 阮 J。 陈 X。 一个新的高效的混合智能模型DMP生物降解过程的模糊小波神经网络 科学报告 2017年 7 1,第41239条 10.1038 / srep41239 2 - s2.0 - 85010977613 28120889 黄 M。 王ydF4y2B一个 J。 马 Y。 张 H。 王 Y。 魏 C。 刘 H。 柳 c K。 遗传神经模糊系统建模的一个造纸厂废水处理过程 工业化学与工程化学研究 2011年 50 23 13500年 13507年 10.1021 / ie201296p 2 - s2.0 - 82555186839 黄 M。 王ydF4y2B一个 J。 胡 K。 马 Y。 王 Y。 提高溶解氧控制使用一个在线混合模糊神经软测量模型控制系统在厌氧/缺氧/好氧的过程 工业微生物学和生物技术杂志》上 2013年 40 12 1393年 1401年 10.1007 / s10295 - 013 - 1334 - y 2 - s2.0 - 84892699128 24052227