文献类型：期刊文章

作　　者：杨程[1,2] 郭亚昆[2] 郑兰香[3] 李春光[1] 景何仿[1]

YANG Cheng;GUO Ya-kun;ZHENG Lan-xiang;LI Chun-guang;JING He-fang(College of Civil Engineering,North Minzu University,Yinchuan 750021,China;Faculty of Engineering&Informatics,University of Bradford,Bradford BD71DP,UK;School of Resources and Environment,Ningxia University,Yinchuan 750021,China)

机构地区：[1]北方民族大学土木工程学院,银川750021 [2]工程与信息学院布拉德福德大学,布拉德福德BD71DP [3]宁夏大学资源环境学院,银川750021

出　　处：《水动力学研究与进展（A辑）》

基　　金：国家自然科学基金项目(11761005,11861003);宁夏自然科学基金项目(2019AAC03136);宁夏科学技术厅重点研发计划项目(2019BEG03048);宁夏教育厅高等学校科学研究项目(NGY2018040);国家留学基金委公派访问学者项目(201808645049)。

年　　份：2020

卷　　号：35

期　　号：3

起止页码：356-366

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：该文利用T-S模糊神经网络模型评价鸣翠湖水质。根据不同的训练样本数量和训练次数设置多种工况,基于T-S模糊神经网络探讨了训练样本的三种构成方法,利用MATLAB软件进行编程计算。结果表明:训练样本的构成方式和数量明显影响神经网络的训练效果;由标准样本或监测样本训练的T-S模糊神经网络模型认知能力和泛化能力不足,对检验样本评价的准确率在80%以内。当混合样本中有足够多的监测样本时,可训练神经网络模型完全准确评价检验样本。将混合样本训练的模型应用于银川鸣翠湖的水质评价,结果显示从2014年到2019年水质类别从Ⅳ类逐渐提高到Ⅲ类,评价结果与当地实际情况相符。说明采用混合样本进行水质预测评价是合理的,以混合样本作为训练样本是一种简单有效的数据处理方法。

关 键 词：模糊神经网络 训练样本  水质评价 混合样本  

分 类 号：X824]