一种基于改进模糊的水产养殖水质综合评价法的制作方法

本发明属于水质评价技术领域，尤其是一种基于改进模糊的水产养殖水质综合评价法。

背景技术：

水产养殖行业的水质优劣直接影响了水产品的品质。水产养殖环境的研究主要集中在对于水质环境因子的研究上。对于水质环境因子的检测，学者们进行了大量的研究。

模糊数学是用数学方法研究和处理具有“模糊性”现象的数学。所谓的模糊性主要是指客观事物差异的中间过渡界限的“不分明性”。这种模糊性在很多领域得到了应用，如油气勘探、风机故障诊断等。因为水环境污染程度与水质分级之间存在模糊性，因此一部分学者将模糊应用到了水质因子的检测。

然而，在水产养殖中，因为水质环境的要求会更高，不同时间节点对水质因子的影响会扩大化。因此，为了更好对水产养殖的水质进行评价，有必要进一步的完善与改进。

技术实现要素：

本发明的目的在于更好的对水产养殖的水质进行评价，通过改进评价因子集和重置水质因子权重，提出了一种基于改进模糊的水产养殖水质综合评价法。

本发明解决其技术问题是采取以下技术方案实现的：

一种基于改进模糊的水产养殖水质综合评价法，包括步骤：

步骤1、确定水质评价因子的种类，构建改进评价标准集，确定合适的隶属度函数；

步骤2、构建水质评价因子权重向量，并在时间维度上对水质评价因子权重进行重构；

步骤3、进行综合评价，然后做出最终决策；最后利用水质评价因子模型进行测试。

而且，上述的构建改进评价标准集的过程为：

选择对于水产养殖水质环境至关重要的温度、溶解氧、ph、氨氮、色味、漂浮物等环境因子以构建成评价因子集，即u＝{温度、溶解氧、ph、氨氮含量、色味、漂浮物}，

确定好评价因子集后，在进行隶属度函数计算前，先依据传统模糊综合水质评价法对某次水质检测数据进行赋权：

w＝[wi]＝[w1w2...wm]

w为实测权重向量(即评价因子实测权重向量)，wi为第i个评价因子的权重值，其中：

其中，k为水质评价标准集中的等级数，k＝4，xi为实测值，si，j为第i个因子第j等级的标准值，第i个因子全标准等级的平均值；

改进的水质评价标准是将渔业水质标准和海水水质标准结合起来并针对特定对象来构建新的评价标准，具体做法为：

(1)取海水水质标准四类中的前两类，因水产养殖所需的水体直接或间接的与人体接触或被人类食用，所以要求较高；

(2)将海水水质标准前两类评价标准与渔业水质标准结合并将改进的评价标准分为四类；

上述隶属度函数确定的过程为：

传统模糊综合水质评价法常用的隶属度函数是递增型和递减型，但是这两种隶属度函数对数值的大小都有一定的要求，任意一个隶属度函数不能应用整个系统；因此，本发明将上述两种隶属度函数进行了结合，构成了一种改进的隶属度函数，此隶属度函数不受数值大小的限制，可以应用整个系统；改进的隶属度函数如下所示：

其中，fij为i因子对应于j等级的隶属度，xi为各因子的实测值，i为评价因子，si，j为第i个因子对应于第j级水质等级的标准值，根据上述各式求出因子i分别对应于各级水质等级的隶属度，构建模糊矩阵r；

其中，fij为i因子对应于j等级的隶属度；

而且，上述水质评价因子权重的更新过程为：

水质评价因子权重的更新，是时间维度上包括横向权重向量的更新和纵向权重向量的更新；

其中，横向权重向量的更新过程具体为：

将水质检测数据集按照时间划分为n组，并且先处理其中的一组检测数据矩阵；

其中，uij表示第i次第j项检测指标的检测值，

计算各评价因子数据的加权平均值，得出有关监测值变化量的加权平均值行向量：

v＝[vj]＝[v1v2...vm]

其中：

其中，kj为第i次检测数据所属的水质等级出现的次数，其中，某次检测水质中温度数据为：

其中，a，b，c分别表示该次检测的数据按照评价标准集来划分分别隶属于a，b，c水质等级，则：

ka＝2，kb＝2，kc＝1

即该因子检测数据中单因子隶属于a类水质的次数为2，隶属于b类水质的次数为2，同理隶属于c类水质的次数为1，

计算检测值的加权平均相对变化量，构造检测值变化行向量：

v′＝[v′j]＝[v′1v′2...v′m]

其中：

设某次检测数据中某因子数据的算数平均值为m1，加权平均值为m2，比例系数：

则v′j可以化简为：

上式能够较好的反应数据的加权平均变化量；最后结果取绝对值，因为考虑到一组数据中如果较小的数据权重大则该评价因子单因子隶属于该水质等级的次数多，那么加权平均数值就偏小，如果较大数据权重大，那么加权平均数就偏大；因此加权平均数是在变化，

当vj’＝0时，代表该组检测数据无波动，即代表该组数据的算数平均值m1与加权平均值m2相等，分以下两种情况：

(1)每个隶属度等级的kj出现的次数都为1次；

(2)每个隶属度等级的kj出现的次数相等，都为a次；

针对第一种情况，因为评价标准集的选择划分为四个等级，只要保证该组测量数据最少检测4次以上，即可保证该算法的可用性；

针对第二种情况，需要满足条件

condition2：不失一般性的设某组数据为：

其中，ui，j表示第i次检测的值单因子隶属于第j类水质；显然有

kj1＝kj2＝kj3＝kj4＝a

针对于该组数据的算数平均值和加权平均值分别为：

算数平均值：

加权平均值：

可以得到，在测量数据数大于4次时，也有可能出现“数据波动，但是加权变化量为0”的情况；针对这一情况，需满足：

k＞4且k≠4a

其中，k为该单因子数据样本量，a为整数；现实生活中，时间的划分主要按照月份，除去非闰年的2月有28天外，其余月份的天数都不是4的倍数，且即使在非闰年的2月，单因子隶属于的各水质等级次数一样也是小概率事件，不影响本算法的实用性；

构造判断矩阵：

其中：

得到特征向量：

a′0＝[a′0i]

经过处理后得到权重向量：

w′＝[w′1w′2...w′m]

其中：

得到的特征向量即是我们所需要的横向权重向量；至此，横向权重向量更新完毕。

纵向权重向量的更新过程具体为：

考虑到纵向权重向量表示的是对数据的深度挖掘，因此在数据的选择上应该按照一定的周期而定，即每个自然周期内相同次序的时间，以每一年的同一天的数据为基准进行计算，有：

构建实测数据矩阵：

其中，u′ij为第j个评价因子在第i年相同一天的数值；

在实测数据的基础上，构建方差矩阵：

其中，表示第j个评价因子前i年的总体方差；

其中，ei表示数据前i年的均值；

该方差矩阵反应了同一地点在不同年份的同一天的数据波动情况，越接近于0，表明该点的历史气候情况越稳定；

原理相同于构建横向权重向量时的步骤，构建判断矩阵为：

其中：

为第k个因子前n年的平均总体方差，即：

考虑到实际应用的意义，对判断矩阵d′做修改，有：

剩下步骤同求解横向权重向量相似，得到特征向量：

w″0＝[w″0i]

处理后得到各评价因子的权重向量：

w″＝[w″1w″2...w″m]

其中：

得到的权重向量即是所需要的纵向权重向量；至此，纵向权重向量更新完毕；

而且，上述的进行综合评价的过程为：

将三种评价因子权重向量结合得到评价因子综合权重向量；

实测权重向量为：

w＝[w1w2...wm]

横向权重向量为：

w′＝[w′1w′2...w′m]

纵向权重向量为：

w″＝[w″1w″2...w″m]

则综合权重向量的计算公式为：

w″′＝[w″′1w″′2...w″′m]

其中：

最后进行模糊综合评价：

b＝w·r＝w″′·r。

本发明的优点和积极效果是：

1、本发明建立了改进的评价标准集，使得评价标准更加准确合理，有利于更好的对水质进行评价。

2、先依据模糊综合水质评价法对水质检测数据进行赋权，使得评价方法更加合理。

3、构建改进的隶属度函数，此隶属度函数与传统方法相比不受数值大小的限制，可以应用整个系统。

4、本发明考虑到时间维度对水质的影响，在时间维度上对水质因子权重进行了重构，使得评价结果更加精确合理。

5、本发明在传统模糊综合水质评价法的基础上对评价标准和评价因子权重进行了改进，使得对于养殖水域水质状况的评价更符合实际状况。

附图说明

图1是基于改进模糊的水产养殖水质综合评价法的流程图；

图2是单因子水质评价法等级结果；

图3是模糊综合水质评价等级结果；

图4是改进的模糊综合水质评价等级结果。

具体实施方式

以下结合附图对本发明实施例做进一步详述：

参见图1所示，本发明的基于改进模糊的水产养殖水质综合评价法，包括步骤：

步骤1、首先确定水质评价因子的种类，构建改进评价标准集，确定合适的隶属度函数；

上述的构建改进评价标准集的过程为：

选择对于水产养殖水质环境至关重要的温度、溶解氧、ph、氨氮、色味、漂浮物等环境因子以构建成评价因子集，即u＝{温度、溶解氧、ph、氨氮含量、色味、漂浮物}。

确定好评价因子集后，在进行隶属度函数计算前，先依据传统模糊综合水质评价法对某次水质检测数据进行赋权：

w＝[wi]＝[w1w2...wm](1)

式(1)中w为实测权重向量(即评价因子实测权重向量)，wi为第i个评价因子的权重值。其中：

式(2)-(3)中：k为水质评价标准集中的等级数，在本文中k＝4，xi为实测值，si，j为第i个因子第j等级的标准值，为第i个因子全标准等级的平均值。

改进的水质评价标准是将渔业水质标准和海水水质标准结合起来并针对特定对象来构建新的评价标准。具体做法为：

(1)取海水水质标准四类中的前两类，因水产养殖所需的水体直接或间接的与人体接触或被人类食用，所以要求较高；

(2)将海水水质标准前两类评价标准与渔业水质标准结合并将改进的评价标准分为四类。

改进的评价标准集如下表1所示。

表1

上述隶属度函数确定的过程为：

传统模糊综合水质评价法常用的隶属度函数是递增型和递减型，但是这两种隶属度函数对数值的大小都有一定的要求，任意一个隶属度函数不能应用整个系统。因此，本发明将上述两种隶属度函数进行了结合，构成了一种改进的隶属度函数，此隶属度函数不受数值大小的限制，可以应用整个系统。改进的隶属度函数如下所示：

式(4)-(7)中的fij为i因子对应于j等级的隶属度，xi为各因子的实测值，i为评价因子，si，j为第i个因子对应于第j级水质等级的标准值，根据上述各式求出因子i分别对应于各级水质等级的隶属度，构建模糊矩阵r。

式(8)中fij为i因子对应于j等级的隶属度。

步骤2、构建水质评价因子权重向量，并在时间维度上对水质评价因子权重进行重构；

考虑到对于同一养殖水域，其水质环境会随着一年四季周期性变化而变化(横向)，同时对于同一地点的养殖水域，不同年份的同一季节，不同年份的同一天的水质环境状况会有关联(纵向)。

其中，横向权重向量的更新过程具体为：

将水质检测数据集按照时间划分为n组，并且先处理其中的一组检测数据矩阵。

式(9)中：uij表示第i次第j项检测指标的检测值。

计算各评价因子数据的加权平均值，得出有关监测值变化量的加权平均值行向量：

v＝[vj]＝[v1v2...vm](10)

式(10)中：

式(11)中：kj为第i次检测数据所属的水质等级出现的次数。例：某次检测水质中温度数据为：

式(12)中a，b，c分别表示该次检测的数据按照评价标准集来划分分别隶属于a，b，c水质等级，则：

ka＝2，kb＝2，kc＝1(13)

即该因子检测数据中单因子隶属于a类水质的次数为2，隶属于b类水质的次数为2，同理隶属于c类水质的次数为1。

计算检测值的加权平均相对变化量，构造检测值变化行向量：

v′＝[v′j]＝[v′1v′2...v′m](15)

式(15)中：

设某次检测数据中某因子数据的算数平均值为m1，加权平均值为m2。比例系数：

则式(16)可以化简为：

式(18)能够较好的反应数据的加权平均变化量。最后结果取绝对值，因为考虑到一组数据中如果较小的数据权重大则该评价因子单因子隶属于该水质等级的次数多，那么加权平均数值就偏小，如果较大数据权重大，那么加权平均数就偏大。因此加权平均数是在变化。

当vj`＝0时，代表该组检测数据无波动。即代表该组数据的算数平均值m1与加权平均值m2相等，分以下两种情况：

(1)每个隶属度等级的kj出现的次数都为1次。

(2)每个隶属度等级的kj出现的次数相等，都为a次。

针对第一种情况，因为评价标准集的选择划分为四个等级，只要保证该组测量数据最少检测4次以上，即可保证该算法的可用性。

针对第二种情况，需要满足条件

condition2：不失一般性的设某组数据为：

式(20)中：ui，j表示第i次检测的值单因子隶属于第j类水质。显然有

kj1＝kj2＝kj3＝kj4＝a(21)

针对于该组数据的算数平均值和加权平均值分别为：

算数平均值：

加权平均值：

可以得到，在测量数据数大于4次时，也有可能出现“数据波动，但是加权变化量为0”的情况。针对这一情况，需满足：

k＞4且k≠4a(24)

式(24)中，k为该单因子数据样本量，a为整数。现实生活中，时间的划分主要按照月份，除去非闰年的2月有28天外，其余月份的天数都不是4的倍数，且即使在非闰年的2月，单因子隶属于的各水质等级次数一样也是小概率事件，不影响本算法的实用性。

构造判断矩阵：

式(25)中：

得到特征向量：

a′0＝[a′0i](27)

经过处理后得到权重向量：

w′＝[w′1w′2...w′m](28)

式(36)中：

得到的特征向量即是我们所需要的横向权重向量。至此，横向权重向量更新完毕。

纵向权重向量的更新过程具体为：

考虑到纵向权重向量表示的是对数据的深度挖掘，因此在数据的选择上应该按照一定的周期而定，即每个自然周期内相同次序的时间。以每一年的同一天的数据为基准进行计算，有：

构建实测数据矩阵：

式(30)中：u′ij为第j个评价因子在第i年相同一天的数值。

在实测数据的基础上，构建方差矩阵：

式(31)中：表示第j个评价因子前i年的总体方差。

式(32)中：ei表示数据前i年的均值。

该方差矩阵反应了同一地点在不同年份的同一天的数据波动情况，越接近于0，表明该点的历史气候情况越稳定。

原理相同于构建横向权重向量时的步骤，构建判断矩阵为：

式(34)中：

为第k个因子前n年的平均总体方差，即：

考虑到实际应用的意义，对判断矩阵d′做修改，有：

剩下步骤同求解横向权重向量相似，得到特征向量：

w″0＝[w″0i](38)

处理后得到各评价因子的权重向量：

w″＝[w″1w″2...w″m](39)

式(39)中：

得到的权重向量即是我们所需要的纵向权重向量。至此，纵向权重向量更新完毕。

步骤3、进行综合评价，然后做出最终决策。最后利用水质因子模型进行测试，验证该发明的优越性和合理性。

上述的进行综合评价的过程为：

将三种评价因子权重向量结合得到评价因子综合权重向量。

实测权重向量为：

w＝[w1w2...wm](41)

横向权重向量为：

w′＝[w′1w′2...w′m](42)

纵向权重向量为：

w″＝[w″1w″2...w″m](43)

则综合权重向量的计算公式为：

w″′＝[w″′1w″′2...w″′m](44)

式(44)中：

最后进行模糊综合评价：

b＝w·r＝w″′·r(54)

水质因子模型进行测试过程为：

将终端节点的数据采集频率设置为5分钟/次，采集周期为5小时。中间分三次人为添加干扰行为，影响水质环境，最后将得到的数据分别用单因子评价法、传统模糊综合水质评价法、改进模糊综合水质评价法进行计算，并进行结果对比。其测试数据如表2所示。

表2

水质评价标准分为i、ii、iii、iv四个等级，其中i级水质最好，并随着等级的增加逐渐恶化，而iv级水质最差。

在测试过程中，人为干扰行为分别为第50分钟时往水中倒入热水、第150分钟时人为搅动水体、第250分钟时添加碱性溶液。目的是人为干扰水质的温度、ph、溶解氧含量，通过水质因子含量的波动来对比三种评价方法的优劣。

测试数据应用单因子评价法，可得单因子评价结果如表3所示。

表3

单因子水质评价法等级结果如表3所示。由表3可知，由于单因子水质评价方法的局限性，使得整体水质评价等级在60次的测量中大部分处于第iii、iv等级。主要原因是在于单因子水质评价法中整体水质等级只与评价因子集中因子最差评价等级相对应。所以该方法所体现的结果相对较保守。

对该组数据应用模糊综合水质评价法，严格按照模糊综合水质评价法的步骤进行计算，经过计算后得到的模糊综合评价结果如表4(结果保留三位小数)所示。

表4

如表4所示，将模糊综合水质评价法应用于测试数据后，得到了模糊综合评价结果表，将其结果与单因子水质评价法进行对比，如图3所示。

从图3中可以看出：当各水质因子的含量没有发生剧烈变化时，水质等级取决于各水质因子间的相互权重，结果既与选取的评价标准有关，也与权重的计算方法有关。大体上可以认为，当某一个或某些水质因子的含量剧烈变化时，就认为该因子在这一时刻所占权重高于其他因子，因此结果更加趋于含量突变的因子。

从图4中的第30-50次测试数据来看，各因子的含量没有发生突变，只是在合理的范围内有小的波动，却使得评价结果在该区间内多次发生突变。这样的情况在实际应用中是很危险的，水质评价的目的在于对水质进行管控、调节，以求养殖水域水质状况优良。水质等级在短时间内多次突变会大大降低设备的使用寿命、也会消耗工作人员精力，严重时还会引起设备损坏、着火等。

对该组数据应用改进模糊综合水质评价法，最终结果如图4所示。

通过评价结果对比图可以看到：改进的模糊综合水质评价法相比于传统模糊综合水质评价法变化的更加缓和。通过在横向向量中采用加权平均值的方法、在纵向向量中采用求平均总体方差的方法使得整体数据的差异性被压缩、评价结果更加趋于稳定。应用于实际情况时，可以很好的降低设备的损耗、延长设备使用寿命。

以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。