论文部分内容阅读
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.