基于T-S模糊神经网络模型的钦州市主要河流水质评价

为客观评价河流水质,基于钦州市6条主要河流水质监测数据,将T-S模糊神经网络模型用于钦州市主要河流水质评价。结果表明:通过训练的T-S模糊神经网络模型具有很强的泛化能力,训练样本最大误差绝对值小于0.05;检验样本最大误差绝对值仅为0.092 4,能满足水质综合评价要求;钦州市内主要河流水质相对较好,处于Ⅱ~Ⅲ类,其中大风江、张黄江水质较好,马江较差。     

组合权重模糊联系度模型在水质评价中的应用

针对水质评价指标存在的不确定性和水质评价标准存在的模糊性,基于集对分析理论与模糊层次分析法构建了模糊联系度水质评价模型。首先计算各评价指标值的分级联系度,对样本指标值做初步分类;再计算各评价样本与水质标准之间的综合联系度;最后通过置信度准则评判评价样本的水质级别。为突出不同评价指标的贡献率,将熵值赋权法和超标加权法引入该模型,并通过理想点法进行权重的合成,实现了多种赋权方法优势的融合。将模型应用于闽江渔业水域的水质评价,结果表明基于组合权重的模糊联系度水质评价结果更贴近实际情况,评价结果合理可信。     

基于改进的多元模糊综合评价数学模型的河流水质评价研究

本文引入变量权重向量,对传统多元模糊综合评价数学模型进行改进,并结合河流水质监测数据,将改进的多元模糊综合评价数学模型运用于河流水质评价。研究结果表明:改进后的模型可结合水质监测的多个指标进行河流水质的综合评价,改变以往单一要素指标评价的片面性,评价结果更为合理,和河流实际水质情况吻合,在河流水质评价中具有较好的适用性。研究成果可对河流水质综合评价提供参考价值。     

基于SPAM的河流水质评价模型

河流水质评价为河流主管部门在进行河流管理决策时,提供一定的理论依据。运用集对评价法建立河流水质评价模型。结合评价指标的主观权重和客观权重,利用最小相对熵原理确定评价指标的组合权重,同时兼顾专家的主观经验和数据本身携带的客观属性。该模型在贾鲁河的实证研究结果表明,该河水质处于严重污染状态,必须严格控制污染源、减少废污水排放量和相关部门加强监督管理力度等,以改善该河的水质污染状况。应用结果表明,该模型用于评价河流水质是可行的,评价结果较为简便、可靠,在河流水质评价中具有一定的应用价值。     

基于改进可变模糊集的延河水质评价

为了合理评价延河水质,基于集对分析法、熵值理论和可变模糊集,构建了水质评价模型。该模型利用可变模糊集的思想,将熵权集对分析法得出的加权平均联系度作为相对差异度,计算水质的最终评价等级。利用该模型对延河5个监测断面的6项水质指标进行了综合评价,结果表明:延河整体水质较好,4个监测断面属于Ⅲ类水体,1个监测断面属于Ⅱ类水体;与其他方法比较,该模型评价结果合理,计算简便,同时还可以比较处于同一水质等级下不同监测断面的污染情况,对研究河流沿程污染和确定河流纳污能力有一定指导意义。     

基于协调发展度的河流健康评价方法研究

为评价河流系统的健康和协调发展状况,首先,从影响河流生态完整性要素和社会服务要素的角度出发,构建了包括水文资源、物理结构、水质、生物和社会服务功能等多个准则层的河流健康评价指标体系的统一框架;然后,借鉴社会经济与环境的协调发展度理念,建立了河流系统的协调发展度评价模型,并探索性地提出了基于河流健康管理的协调发展度等级标准;最后,以滦河为研究对象,对2011年滦河健康状态与协调发展状况进行了实证研究。结果表明,协调发展度模型既能评价河流系统的健康程度,又能衡量河流自然属性与社会属性的协调发展状况。     

引入SPA的6级模糊模式识别模型在水质综合评价中的应用

为了解决普遍意义上的水质模糊识别理论不能评价指标数据超过5级标准值和最大隶属度原则的缺点,本文提出6级水质计算方法来改进模糊模式识别模型。再者,引入Set Pair Analysis(SPA)理论处理等级标准间的不确定性信息。从而构建引入SPA的6级模糊模式识别模型,将其运用于河流实例中。评价结果表明:引入SPA的6级模糊模式识别模型更能准确地确定水质综合等级,为治理河流水质污染提供理论支持。     

基于随机训练样本的河流系统健康状况评价

河流系统健康状况的评价对于河流的可持续管理、区域生态环境建设具有重要的意义。在综述河流系统健康状况传统评价方法的基础上,建立了基于随机训练样本的BP神经网络评价模型。该模型采用随机方式分别在各标准评价等级上、下限之间随机产生若干评价样本,再经过建模、训练步骤得到用于河流系统健康状况评价的模型,一定程度上减少了由于评价样本较少带来的评价结果不确定性影响。海河三岔口河流实例研究结果显示:基于随机样本的河流系统健康状况评价模型中,实数码与二进制码输出形式都给出了2.95级良好状态的评价结果,二进制码形式还得到了该河流有向不健康状态演变的趋势。与模糊综合评价模型给出的结果相比,本文建立的模型评价结果更符合实际河流健康状况,为研究河流系统健康状况提供了一条新的解决途径。     

基于熵权物元可拓法的松花江干流哈尔滨段水质评价

针对松花江干流哈尔滨段近年来水质健康状况,寻求可持续的、合理的开发和保护方式。从松花江水质状况出发,构建河流水质健康评价指标体系,建立熵权物元可拓模型,结合各指标的时间序列的变化信息对河流水质健康状况进行动态评价。综合评价结果表明,松花江干流哈尔滨段2015-2019年河流水质健康等级整体处于"健康"和"亚健康"等级,评价结果科学合理。     

基于水质模拟系统软件计算下的某河流水质状态分析研究

本文针对某河流水质状态分析评价,引入综合水质模型(WASP)开展模拟计算研究,获得了综合水质模型(WASP)模拟计算结果与断面实测数据基本一致,且相对误差值亦均在允许范围内,模型匹配性较佳。河流水质受河两岸地质条件及工业产区空间分布影响,工业产区及人流量活动大的区域,水质状态不佳。研究表明降雨量一定程度上会提升水质清洁度,但降雨量超过一定程度时,降雨会带来河流水质二次污染;污水处理厂中排出水质污染物浓度与河流水质状态并无明显关联,但排出水量与河流水质状态成反比。研究成果为水质模型模拟计算方法在河流水质状态分析评价中应用提供一定参考。     

基于熵权的河流水质评价模糊集对分析模型

运用可变模糊集理论和集对分析建立模糊集对分析模型,结合信息熵理论确定评价指标的权重,避免了主观定权的个人偏好和随意性.实例结果表明,该模型评价河流水质是可行的,评价结果可靠、直观,在河流水质评价中具有推广应用价值.     

模糊矩阵法在南方某河流水质评价中的应用

采用南方某河流连续多年枯水期的水质监测资料,通过建立模糊矩阵,得到该河流的水质级别隶属度,应用模糊综合评价反映出该河流连续多年水质变化趋势。     

基于TFN-SPA的河流水质评价模型

运用三角模糊数与集对分析耦合的方法构建河流水质评价模型,结合评价指标的主观权重和客观权重,利用最小相对熵原理确定评价指标的组合权重,同时兼顾专家的主观经验和数据本身携带的客观属性,以区间形式给出在不同截集水平下的评价样本等级区间,评价结果较为合理、可靠,更符合实际情况。     

基于SPA和信息熵的可变模糊集水质评价方法

针对水环境质量动态多变性、不确定性和模糊性的特点,采用集对分析方法计算水质样本与水质评价等级之间的联系度,运用信息熵确定评价指标的权重值,进而建立基于可变模糊集的水质定量评价模型,以5级评判为原则,对以往利用集对势评判水质等级的方法进行了改进。实例评价结果与综合指数法、灰色关联法评价结果对比,验证了该方法的实用性和有效性,其评价结果能够反映研究对象的真实状况。     

基于熵权-正态云模型的地下水水质综合评价

针对地下水水质综合评价问题,建立了基于熵权—正态云的地下水水质综合评价模型。选取氟化物、高锰酸盐指数、氨氮、氯化物、总硬度、亚硝酸盐、硫酸盐、硝酸盐以及溶解性总固体9个指标作为水质综合评价指标,建立了相应的评价标准,采用云模型正向发生器计算水质分级评价指标的隶属度,采用熵权法给出各指标权重,根据隶属度矩阵和权重矩阵给出水质分级的确定度并进行综合评价。结合工程实例,选取模糊物元模型和投影寻踪模型对评价结果进行对比分析,结果表明:熵权—正态云模型评价结果和模糊物元模型、投影寻踪模型给出的评价结果基本一致;该模型在水质分级综合评价中应用是可行的,可作为一种新的水质分级模型。     

基于云模型的中运河水安全评价

为了全面衡量河流水安全评价过程中的随机性与模糊性,将云模型引入河流水安全评价,并论述了确定度向量标准化的重要性,根据实测值和评价阈值,构建评价指标相对于各评语的确定度向量,而后结合权重计算河流的综合水安全确定度向量,并判断河流安全等级。并以南水北调东线工程的骨干输水河道——中运河为例,进行河流水安全评价,结果表明:中运河2012年水安全等级为"良";与模糊综合模型和集对分析模型评价结果对比发现,云模型是一种行之有效的河流水安全评价模型。     

基于模糊物元模型的地表水水质评价

为解决水质评价中评价指标众多,存在复杂性、模糊性和不确定性等问题,采用基于指标变换值的模糊物元模型对克孜河河流2012年的水质进行评价,并与传统的单因子评价法和灰色关联分析法评价结果进行对比。结果表明:模糊物元评价得出不同时期河流水质级别均为Ⅰ级;基于指标变换值的模糊物元得出的评价结果与灰色关联分析法是一致的,与单因子评价法的评价结果在5月8日的取样值略有不同;基于指标变换值的模糊物元模型应用在该河流水质评价中是合理可行的,且计算简便实用。     

河流健康评价的回归支持向量机模型及应用

建立河流健康评价指标体系、分级标准及回归支持向量机（ SVR ）河流健康评价模型,并以云南省文山州清水河健康评价为例进行研究。首先,利用层次分析法（ AHP ）从水文水资源、物理结构、水质、水生生物和社会服务功能5个方面遴选出13个评价指标,构建3个层次的河流健康评价指标体系和5个等级的分级标准;其次,基于SVR原理,利用随机生成和随机选取的方法,在等级标准阈值间构造5种不同容量大小的训练样本和检验样本,提出5种不同容量方案的SVR河流健康评价模型,设计合理的输出模式,并构建具有良好性能的RBF（radial basis function neural network ）回归模型作为对比模型,利用模型随机5次运行的平均相对误差绝对值、最大相对误差绝对值和运行时间对各方案模型性能进行评价;最后,利用达到期望精度的SVR模型对实例进行评价分析。结果表明：①无论是训练样本还是检验样本,5种方案的SVR模型的预测精度和泛化能力均优于 RBF模型。在相同参数设置条件下,SVR模型随着样本容量的增加其精度和泛化能力变化不大;而RBF模型随着样本容量的增加其精度和泛化能力均有提高。表明SVR模型具有较高的精度和泛化能力,可以用于河流健康评价,尤其在小样本情况下,SVR模型的精度和泛化能力是RBF模型不可比拟的。②5种方案的SVR模型对清水河2011-2012年3次调查的评价结果均为健康,但已接近于亚健康。     

模糊模式识别在水体质量评价中的初步应用

水体污染程度是模糊概念，用模糊数学理论研究水体质量评价是一条值得探索的途径。水质评价的模糊模式识别方法即基于样本水体水质与各级水质标准按近程度的模糊性，将各级水质标准和样本水体水质参数通过一定形式的隶属函数模型化，然后根据样本水体水质对各级水质标准的贴近度识别样本水体的综合等级。文中以湖南省湘江湘潭河段的水质评价为例，初步应用了这一评价方法。     

模糊矩阵法在南方某河流水质评价的应用

我国水质评价标准是采用GB3838-2002标准单因子评价法[1],这样能够直观、简单地评价水质,确定水质级别。但如果碰到多因子影响,且影响因子作用也不一的时候,仅仅因一个因子超标而判别水质级别似不科学,故应采用综合评价法[2]。"水污染程度"本身就是一种模糊概念,故水质综合评价标准也应是模糊的,所以采用模糊综合评价的模糊矩阵进行水质评价将会更加客观和全面,评价结果也会更加科学,符合实际情况。根据南方某河流连续多年枯水期的水质监测资料,通过建立模糊矩阵,得到该河流的水质级别隶属度,应用模糊综合评价反映出该河流连续多年水质变化趋势。