基于anfis模型的水質cod預測研究

1、基于基于ANFIS模型的水質模型的水質COD預測研究預測研究水是一切有機體的主要組成部分，可是地球上可利用的水資源日趨短缺。因此，針對水質變化的檢測與監(jiān)測顯得尤為重要。化學需氧量（ChemicalOxygenDem，COD）是以化學方法測量水樣中需要被氧化的還原性物質的量。在河流污染和工業(yè)廢水性質的研究過程中，COD是一個重要且能較快測定的有機物污染參數(shù)。國內外眾多學者關于COD的預測研究已經(jīng)有很多成果。例如湯斌、趙敬曉[1]等研究了一

2、種基于粒子群算法聯(lián)合最小二乘法支持向量機（PSO_LSSVM）的水質檢測COD預測模型優(yōu)化方法，并引入主元分析（PCA）算法提高模型的收斂速度和精度。崔雪梅[2]通過采用灰色GM（1，1）模型預測數(shù)據(jù)并得到殘差，運用遺傳算法對LMBP神經(jīng)網(wǎng)絡的初始權值和閾值進行優(yōu)化，最后利用GALMBP神經(jīng)網(wǎng)絡對殘差進行擬合、測試和預測。宓云耕[3]等人運用機器學習方法中的LMBP神經(jīng)網(wǎng)絡和支持向量機，建立紫外多波段光譜數(shù)據(jù)與COD值的相關性模型，并采

3、用最小二乘法來比較實驗的準確度。梁勇[4]構建了SVR時間序列預測模型，計算一定時期內的COD濃度和氨氮濃度，通過與BP神經(jīng)網(wǎng)絡進行誤差對比證實了SVR預測性能優(yōu)于BP神經(jīng)網(wǎng)絡。高峰[5]采用粒子群算法（PSO）優(yōu)化BP神經(jīng)網(wǎng)絡模型并將此模型運用于COD預測與驗證實驗中，大大提高了COD預測的精確度。HaZareAbyaneh[6]以PH、總懸浮固體（TSS）和總懸浮物（TS）為輸入，采用多變量線性回歸數(shù)。通常f（x，y）為x和y的多項

4、式。當f=（x，y）為一階多項式時，模型稱謂一階Sugeno模糊模型。模糊規(guī)則如下。規(guī)則1：規(guī)則2：其對應的ANFIS結構圖如圖1所示。第一層：將輸入變量模糊化，輸出對應模糊集的隸屬度。該層的每個結點i是一個有結點函數(shù)的自適應結點。x和y是結點i的輸入，O1，i是模糊集A（A1，A2，B1或B2）的隸屬度，A的隸屬函數(shù)μA（x）可以是任意合適的參數(shù)化隸屬函數(shù)，如高斯函數(shù)。第二層：該層結點都是固定結點，它的輸出是所有輸入信號的代數(shù)積，如式