灰色聚类法和人工神经网络在水质综合评价中的比较

尹姗姗等

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

1引言

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。

2014年3月绿色科技第3期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。

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

[10] 陈新军灰色系统理论在渔业科学中的应用[M]北京：中国农业出版社，2003：64～77

78

Abstract：This article discusses two kinds ofwater comprehensiveevaluation methods：the modifiedgray-clustering law and the artificial neural networkThe artificial neural network model is created through increasing the number of training samples and optimization algorithm of golden section hidden layer nodeComparing the two kinds of water comprehensive evaluation methods，the results show that the modified grey-clustering method is rather stable and subjective，but its calculation burden is too heavy；the artificial neural network is objective and more stable by interpolating，while the network training is tedious and the expanded training sample can not representscomplex water quality，so the assessment result will be influenced

Key words：gray-clustering law；artificial neural network；water quality；assessmentendprint

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

1引言

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。

2014年3月绿色科技第3期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。

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

[10] 陈新军灰色系统理论在渔业科学中的应用[M]北京：中国农业出版社，2003：64～77

78

Abstract：This article discusses two kinds ofwater comprehensiveevaluation methods：the modifiedgray-clustering law and the artificial neural networkThe artificial neural network model is created through increasing the number of training samples and optimization algorithm of golden section hidden layer nodeComparing the two kinds of water comprehensive evaluation methods，the results show that the modified grey-clustering method is rather stable and subjective，but its calculation burden is too heavy；the artificial neural network is objective and more stable by interpolating，while the network training is tedious and the expanded training sample can not representscomplex water quality，so the assessment result will be influenced

Key words：gray-clustering law；artificial neural network；water quality；assessmentendprint

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

1引言

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。

2014年3月绿色科技第3期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。

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

[10] 陈新军灰色系统理论在渔业科学中的应用[M]北京：中国农业出版社，2003：64～77

78

Abstract：This article discusses two kinds ofwater comprehensiveevaluation methods：the modifiedgray-clustering law and the artificial neural networkThe artificial neural network model is created through increasing the number of training samples and optimization algorithm of golden section hidden layer nodeComparing the two kinds of water comprehensive evaluation methods，the results show that the modified grey-clustering method is rather stable and subjective，but its calculation burden is too heavy；the artificial neural network is objective and more stable by interpolating，while the network training is tedious and the expanded training sample can not representscomplex water quality，so the assessment result will be influenced

Key words：gray-clustering law；artificial neural network；water quality；assessmentendprint