[发明专利]一种基于连续时间神经动力学网络的水质评价方法

说明书

本发明公开了一种基于连续时间神经动力学网络的水质评价方法，所述包括如下步骤：一、结合水质评价问题和给定的置信水平，确定模糊机会约束规划问题的目标函数及约束条件，构建模糊机会约束规划问题；二、确定模糊机会约束规划问题的等价优化问题；三、构建求解等价优化问题的具有连续时间的神经动力学网络；四、给定变量的初始状态，根据构建的神经动力学网络运行电路，电路运行至平衡状态可得到原问题的最优解，即可得到用于水质评价的最优超平面方程，最后代入测试数据，根据超平面方程输出水质评价的结果。本发明提出的基于神经动力学网络的水质评价方法，具有连续时间特性，可满足实际中水质评价问题的实时求解需求。

技术领域

本发明涉及一种水质评价方法，具体涉及一种基于连续时间神经动力学网络的水质评价方法。

背景技术

由于水质评价并不存在清晰的等级边界，所以在水环境质量的综合评价(简称水质评价)问题中，水质样本常使用向量值数据进行表示，水质评价的等级常用语言(如良好、轻度污染、较重污染、重污染、严重污染)定性地进行描述。然而在实际应用中，大部分水质评价方法都是硬性划分等级的边界，从而使得水质等级非常接近的样本被划分为两个截然不同的等级，使评价结果产生很大的偏差。

为此，有学者用模糊集来描述水质评价的等级，用隶属度来描述水质样本属于评价等级的程度等模糊信息，用可能性(或必要性、可信性)测度来描述模糊事件发生可能性(或必要性、可信性)的大小。体现了水质评价等级亦此亦彼的过渡性，更符合实际情况。另一方面，为了解决水质评价问题，针对给定的水质样本，有学者用可能性测度Pos来描述模糊事件发生可能性的大小，也有学者用可信性测度Cr来描述模糊事件发生可信性的大小，还有学者用必要性测度Nec来描述模糊事件发生必要性的大小，最后，针对获得的反映水质的模糊训练集：建立了如下模糊机会约束规划问题：

其中：s_j为反映水质的样本，为描述水质等级的模糊变量(如三角模糊数)，x＝(x₁,x₂)^T表示用于评价的分类超平面参数，x₁与s_j维数相同，x₂为一维偏差量，λ为给定的置信水平，分别表示模糊事件发生的可能性/必要性/可信性测度，h(x)表示可能存在的对变量x的某种凸性约束，如对x取值范围的限定等，在实际中也可省略此项。然而，当前这类模糊规划问题的求解方法还没有得到很好的解决，尤其当前水质评价问题的实时求解需求得不到满足。

尽管神经动力学网络具有硬件的可实现性和实时求解的优良特性，已经被用来处理多种类型的优化问题和某些特殊的模糊优化问题。但是，对于问题(1)这种具有一般性的模糊机会约束优化问题尚无权威文献进行详细研究和阐述。

发明内容

为了有效地解决水质评价问题，满足实际中水质评价问题的实时求解需求，本发明提供了一种求解这类模糊机会约束规划问题的连续时间神经动力学网络，进而给出了一种基于连续时间神经动力学网络的水质评价方法。本发明结合理论分析和应用举例，验证了所构建方法的有效性。

本发明的目的是通过以下技术方案实现的：

一种基于连续时间神经动力学网络(Continuous time neural dynamicnetwork，CTNDN)的水质评价方法，包括如下步骤：

步骤一、结合水质评价问题和给定的置信水平λ，确定模糊机会约束规划问题的目标函数及约束条件，构建一般化的模糊机会约束规划问题；

min f(x)

h(x)≤0