文 献 综 述

1.课题背景和意义

水质是评判水体环境质量的一个重要指标，对水资源的利用、治理和保护具有重要意义。由于进入水体的污染物成分和数量是随时间和空间变化的不确定量，水质级别、分类标准都存在着模糊性^[1]。对水质进行综合评价时，由于评价因子众多且它们与水质级别之间具有复杂的非线性关系，使得传统的水质评价数学模型具有很大的局限性。因此如何将水质监测数据转化为水质状况信息，获得水环境现状及水质分布状况具有重要的实际意义。

2.研究方法的发展现状

水的评价指标一般为色、嗅、味、透明度、水温、矿化度、总硬度、氧化-还原电位、PH值、生化需氧量和化学需氧量等。天然水中的大气降水水质与当地的气象条件和降水淋融的大气颗粒物的化学成分有关；地表水水质与径流流程中的岩石、土壤和植被有关；地下水水质主要与含水层岩石的化学成分和补给区的地质条件有关。近年来，国内外学者进行水质评价的方法呈现出百花齐放、百家争鸣的发展态势。除改良的单因子污染指数法^[2]、综合污染指数法^[3]等，还提出了模糊综合评价法^[4,5]、物元可拓法^[6]和人工神经网络法^[7]等一系列新方法。

影响水质的因素有很多，比如工业废水和城市生活污水的排放等等，由于水环境系统的随机性、模糊性和灰色性，迄今为止，仍没有形成一种统一的方法。单因子污染指数法虽然操作简单方便，但在一定程度上不能清楚地反映水体的整体水质情况^[8]。目前我国环境质量报告书采用的水质评价方法是综合污染指数法，此法计算简便，评价结果便于比较，适合于管理者对大尺度流域的统一管理、规划和控制^[9]，但现有方法采用的是分指数算术平均的方法，视各种污染物对水质的影响等同，缺乏科学性。模糊综合评价法对多因子赋权时计算繁琐，工作量大^[10]，而人工神经网络法对样本数据的需求量大。鉴此，本文拟采用T-S模糊神经网络法对水质进行评价。它是根据模糊系统和人工神经网络的优缺点具有明显的互补性结合而成，既考虑到水环境系统的随机性、模糊性和灰色性，又能达到水质级别的合理评价。

3. 模糊系统的Takagi-Sugeno模型

模糊系统理论^[11]是沟通经典数学的精确性与现实世界中大量存在的不精确性之间的桥梁。它是以模糊集合的形式表示系统所含的模糊性并能处理这些模糊性的系统理论，能够有效地处理系统的不确定性、测量的不精确性等模糊性。Takagi-Sugeno模糊系统（T-S模糊系统）作为函数模糊系统的一种特例，由于构成的各条规则采用线性方程式作为结论，使得模型的全局输出具有良好的数学表达特性，这在处理多变量系统时能有效地减少模糊规则个数，具有很大的优越性^[12]。

4. T-S模糊神经网络

模糊系统在模糊建模的过程中常存在学习能力缺乏，辨识过程复杂，模型参数优化困难等问题。而人工神经网络具有自学习、自组织和自适应的能力，具有强大的非线性处理能力。二者的结合构成模糊神经网络，可以有效地发挥模糊逻辑与神经网络的各自优势，弥补各自的不足^[14]。