基于神经网络和证据理论的水污染事件智能决策方法技术领域
本发明涉及一种水污染事件智能决策方法，具体涉及一种结合神经网络模式识别
方法和证据理论的水污染事件预测和决策方法，属于人工智能技术领域。
背景技术
随着城市化的推进和经济的逐步发展，水资源的需求也随之日益增大，而伴随而
来的由于工业三废和居民生活垃废弃物带来的水污染现象，也成为一个越来越值得重视的
问题。尤其是在居民用水，农业灌溉和养殖，精细化化工业的用水的领域对水质要求质量日
益提升的情况下，实现对水源区水质的检测和对水污染事件的及时预测和决策成为一个新
兴产业。
目前的水污染检测预测方案主要有两种，第一种就是人工对水质进行采样，再对
采样进行繁杂的化学分析和检验，从而得到详细的水质情况报告，这种方案虽然可以很精
准的得到水污染的详细情况，但是耗时很长，无法得到实时更新的水质数据，而且检验成本
高，经济效益低；第二种就是采用单一的水质监测传感器，对待检测水域的水污染情况进行
实时监测，将传感器得到的属于实时传输到中心计算机上，再进行详细的甄别和预测。这种
方案的成本低，可以实现实时监测，但是水域环境本身就是一个复杂的多变的待检测环境，
单一传感器的监测往往存在信息模糊，容错能力差，检测效率差，监测范围小等弱点。
所以，使用多个不同类型的传感器，对待检测水域展开多维立体化的探测感知，并
将多种观测数据进行优化综合处理，实时获得待检测水域的水污染程度是应该进一步展开
的工作。多传感器信息融合技术是针对多传感器系统的信息表现形式多样性，信息量的巨
大性，信息关系的复杂性以及要求信息处理的及时性所提出的解决方案。其作用在于将多
个传感器系统传出的信息进行综合处理，从而得到可靠的结论。
发明内容
本发明的目的在于克服现有技术中的不足，提供了一种基于神经网络和证据理论
的水污染事件智能决策方法，实现多特征参数和具体的水污染事件之间建立非线性映射关
系，根据D-S证据理论对之前建立的映射关系进行加权处理运算，最终做出对水污染类型的
预测和决策，有效的实时监测目标水域，保证水质的稳定正常。
为解决上述技术问题，本发明提供了基于神经网络和证据理论的水污染事件智能
决策方法，包括以下步骤：
步骤S1，采集待检测水域的水体表面图像，从中提取图像特征参数，并对各类图像
特征参数进行归一化；
步骤S2，基于各类图像特征参数进行模糊推理，得到水污染事件类型的初步判断；
步骤S3，根据水污染事件类型的初步判断，调用相应的水质传感器提取水质特征
参数，并对各水质特征参数数值进行归一化；
步骤S4，以图像特征参数和水质特征参数作为输入层，以水污染事件类型作为输
出层，建立径向基函数神经网络模型，并利用历史数据样本对神经网络进行训练和学习；
步骤S5，将提取的图像特征参数以及水质特征参数输入训练好的神经网络，并进
行识别，计算各特征参数对应的BPA；
步骤S6，运用D-S证据理论合成规则将各特征参数的BPA进行融合，并据此融合BPA
得到最终的水污染类型判断结果；
步骤S7，将水污染类型与对应的水污染事件处理机制进行模糊匹配，获得处理预
案。
进一步的，设各类数据的采集范围是xi～yi(i＝1,2……N)，则对于数据的值zi，做
如下处理，使其归一化的统一量纲的特征参数Ai为：
Ai＝1000zi/(yi-xi)
进一步的，模糊推理采用Mamdani模糊推理法。
进一步的，设各水质传感器仪表测量范围是ai～bi(i为传感器的编号i＝1,2……
K)，则对于该传感器的测量值ci，做如下处理，使其归一化的统一量纲的特征参数Ci：
Ci＝1000ci/(ai-bi)
进一步的，计算每个特征参数对应BPAn的算法是：
其中，n指第n个特征参数，1<n<K+N；Wjn为特征参数对应水污染事件类型的连接权
值。
进一步的，步骤S5中，得到最终的水污染类型判断结果的具体过程为：选择最终所
有BPA中的最大值：
若BPAMAX大于等于设定值，则判断出水污染的类型为该BPA所对应的类型。
与现有技术相比，本发明所达到的有益效果是：
(1)本发明将多传感器的融合技术应用到水污染事件决策系统中，对待检测水域
的水质进行水质传感器和图像采集的立体化多维化的监测，增加了采样信息的多样化和复
杂度，使系统的数据可信度，容错能力，检测性能都有所增强。
(2)本发明将模糊推理理论应用到水污染事件决策系统中，对带检测水域的高清
图像信息进行预处理后与对应的水污染事件实行模糊匹配，避免了直接使用水质传感器检
测，提高了水污染事件预测的准确性，提高了整个水污染预测决策系统的工作效率并降低
了成本。
(3)本发明运用径向基函数神经网络(RBFN)的学习训练机制来获取从传感器检测
出的参数到水污染类型之间的模糊映射关系，使得RBFN的自组织，自学习的特点，强泛化
性，鲁棒性等优点充分发挥，提高了预测的准确性。
(4)本发明运用D-S证据理论，将各传感器采集到的信息经预处理后得到的特征向
量，经神经网络处理后得到的基本概率分配(BPA)进行融合从而得到最终的基本概率分配
(BPA)，较好的克服了信息模糊，不精确的条件限制，得到较为科学的预测结果。
(5)本发明实时性强，生存能力强，分辨力强。本发明从传感器检测水域水质的信
息处理层面出发，将人工智能领域的神经网络和证据融合技术结合，建立了一个较智能的
预测决策系统。和传统的水污染预测决策系统相比，基于神经网络改进证据理论的水污染
事件智能决策系统实现了信息的实时处理和科学处理，大大提升了系统的生存能力和可靠
性，具有更重要的理论意义和实际应用价值。
附图说明
图1是本发明方法的流程示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明
的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，本发明的基于神经网络和证据理论的水污染事件智能决策方法，包括
以下步骤：
步骤S1，采集待检测水域的水体表面图像，从中提取图像特征参数，并对各类图像
特征参数进行归一化。
采集水体表面图像可以采用现有技术中的高清摄像头，将高清摄像头部署在待检
测水域中，采集到水体表面高清数字图像信息后，对此图像进行预处理，提取图像特征参
数，并对各类图像特征参数进行归一化。
预处理的具体过程为，利用现有技术中的图像增强技术，对采集到的数字图像进
行边缘识别、灰度增强、局部锐化处理，让图像中异物和杂质的轮廓更加清晰易于识别。对
预处理后的图象进行特征提取，从中提取出水域的颜色，灰度值，同种颜色的面积大小和异
常斑点阴影信息数据作为图像特征参数z1,z2,z3,z4，此处提取的数据类别并不局限于此四
种，还可加入图像亮度，颗粒度等特征。记提取的图像特征参数类别数为N，在本发明中N的
取值大于等于4。由于各类数据的量纲不同，因此本实施例中对各类数据进行归一化处理，
设各类数据的采集范围是xi～yi(i为不同类数据的编号i＝1,2……N)，则对于数据的值zi，
做如下处理，使其归一化的统一量纲的特征参数Ai为：
Ai＝1000zi/(yi-xi)
步骤S2，基于各类图像特征参数进行模糊推理，得到水污染事件类型的初步判断。
此处模糊推理采用现有技术中的Mamdani模糊推理法，将上一步获得的图像特征
参数{A1,A2,.....,AN}作为一个论域水污染事件类型作为一个论域此水污染事件类
型采用国家《地下水质量标准》中规定的水污染事件类型：病原体污染，需氧性污染物污染，
植物营养污染物，石油污染物，剧毒污染物和其他污染类型等；分别抽象为参数D1,D2,D3,
D4,D5，将其水污染事件类型{D1,D2,.......,DM}作为一个论域(M的取值应大于等于5)，然
后根据隶属度(0＜i＜n)，可以通过模糊集合和的笛卡尔积(取小)求得其模糊
蕴涵关系即：
而后根据求出的模糊蕴含关系，就可以建立图像特征参数到水污染事件的映射关
系，得到对水污染事件类型的初步判断。即根据此蕴含关系得到图像信息数据所对应的水
污染事件类型。
步骤S3，根据水污染事件类型的初步判断，调用相应的水质传感器提取水质特征
参数，并对各水质特征参数进行归一化。
根据水污染事件类型，调用相应的不同水质传感器(水质传感器包含现有技术中
的PH传感器，溶解氧传感器，氨氮传感器，盐度传感器，亚硝酸盐传感器，苯检测器，燃料油
传感器，生物酶传感器和有机碳传感器等)从水域采集数据，如在上步骤中初步判定为化学
污染，则调用PH传感器，氨氮传感器，亚硝酸盐传感器，苯检测器等传感器进行检测，若如在
上步骤中初步判定为石油污染，则调用燃料油传感器等传感器进行检测，若如在上步骤中
初步判定为生物污染，则调用氨氮传感器，溶解氧传感器，有机碳传感器，生物酶传感器等
传感器进行检测。需要说明的是，传感器的数量应不局限于以上提及的所有类型，还可以根
据需要进行添加。提取的水质特征参数主要包括：PH值，重金属离子含量，有害气体溶解含
量，微生物含量等数据。
设各水质传感器仪表测量范围是ai～bi(i为传感器的编号i＝1,2……K)，则对于
该传感器的测量值ci，做如下处理，使其归一化的统一量纲的特征参数Ci：
Ci＝1000ci/(ai-bi)
步骤S4，以图像特征参数和水质特征参数作为输入层，以水污染事件类型作为输
出层，建立径向基函数神经网络模型，并利用历史数据样本对神经网络进行训练和学习。
以从图像中提取的图像特征参数和水质传感器提取的水质特征参数作为输入层，
以水污染事件类型抽象出的特征参数{D1,D2,.......,DM}作为输出层，对水污染事件类型
的特征参数提取过程可以简化处理，{D1,D2,.......,Dk}可分别对应{1,2,.....,k}。于是
便建立起径向基函数神经网络(RBFN)模型，利用数据库中已有的历史样本对RBFN进行训练
和学习，其具体训练过程参考现有的径向基函数神经网络学习过程(李国勇，神经模糊控制
理论及应用[M]，北京，电子工业出版社，2009)，即对所有样本的输入进行聚类，求得各隐含
层节点的RBF的中心向量，通过无监督学习过程建立隐含层和输出层各神经元之间的非线
性映射关系。
步骤S5，将提取的图像特征参数以及水质特征参数输入训练好的神经网络，并进
行识别，计算各特征参数对应的基本概率分配(BPA)。
由于已经根据历史数据库中的数据训练得到了所有图像特征参数和水质特征参
数对应水污染事件类型的连接权值Wjn(隐含层的第j个神经元至输出层的第n个神经元的连
接系数)，假设第n次的检测使用了一个从水质传感器提取的水质特征参数或一个从图像提
取的图像特征参数(F1,,F2,......,Fn)(1<n<K+N，K+N为可以调用的传感器数目K和图像可
采集特征参数的数目N的和)，则计算每个采集到特征参数对应BPAn的算法是：
其中，n指第n个特征参数，1<n<K+N。
步骤S6，运用D-S证据理论合成规则将各特征参数的BPA进行融合，并据此融合BPA
得到最终的水污染类型判断结果。
依据现有技术D-S证据理论的融合规则(吴晓平，叶清，刘玲艳《基于改进的BP网络
的D-S证据理论及其应用》，武汉理工大学学报，2007,29(8):158-161)，每进行一次测量就
进行一次融合，融合算法是：对于第(n-1)条证据，运用证据合成规则进行融合后得到各命
题的BPA为未知命题的BPA为bU(k-1)。则在第n条证据获得以后，经RBF神经网络计
算后各命题的BPA为bK(Aj)(j＝1,2,...,m)，未知命题的BPA为mk(U)。则多概率分配函数的
正交和依据如下公式获得：
式中，
根据上式，融合后的BPA为
未知命题的BPA为：
其中，当下一次测量而产生新的证据后，
就可根据上式进行融合推断，得到最终的各水污染事件类型对应的BPA。最终即可按照给定
的类型判断决策规则，判断规则为，选择最终所有BPA中的最大值即：
并判断该BPA的值：BPAMAX是否大于α(α为人为设定值，可根据需要进行具体赋值)。
若大于等于α，则判断出水污染的类型为该BPA所对应的类型。
步骤S7，将水污染类型与对应的水污染事件处理机制进行模糊匹配，获得处理预
案。
将水污染类型结果与知识库中对应的水污染事件处理机制进行模糊匹配，给出处
理预案，需要说明的是，这里的水污染事件处理机制应参考现有的处理机制。
如果在证据理论判断以后，若BPAMAX≥α，(α为人为设定值，可根据需要进行具体赋
值，本实施例中设定为50％)则启动应急处理过程，将判断出的水污染类型和对应的处理机
制进行匹配，给出处理预案，同时将新的预测数据和决策数据送回到神经网络中进行重新
训练。
如果在证据理论判断之后，若融合选择出的BPAMAX<α，则认为这是一种新的水域水
质情况类型，并将其上报至管理员，管理员则利用本次采集到的原始样本对这种情况进行
进一步的化验检测，然后对原有的数据库进行更新操作。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人
员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型
也应视为本发明的保护范围。