倪 健，花延文，及歆榮

（河北工程大學(xué) 信息與電氣工程學(xué)院，河北 邯鄲 056000）

水資源是人類賴以生存的基礎(chǔ)，水質(zhì)評(píng)價(jià)作為水體狀況的定性或定量描述，對(duì)水資源保護(hù)具有重要作用，是解決水資源問題不可或缺的環(huán)節(jié)［1－2］。隨著水體水質(zhì)監(jiān)測手段的多樣化，水質(zhì)監(jiān)測數(shù)據(jù)表現(xiàn)出多源、異構(gòu)、非線性、不確定性問題等特點(diǎn)［3－4］。為了更好利用水質(zhì)監(jiān)測數(shù)據(jù)，提高水質(zhì)評(píng)價(jià)的準(zhǔn)確性，數(shù)據(jù)融合技術(shù)被引入到水質(zhì)評(píng)價(jià)中。Dempster－Shafer（D－S）證據(jù)理論具有解決數(shù)據(jù)不確定性問題等優(yōu)勢，是數(shù)據(jù)融合的有效手段［5］。林志貴等［6］基于長江口區(qū)域水質(zhì)評(píng)價(jià)，論證了D－S證據(jù)理論用于水質(zhì)監(jiān)測數(shù)據(jù)融合的可行性；司源等［7］分析了多源數(shù)據(jù)融合技術(shù)在水質(zhì)評(píng)價(jià)領(lǐng)域的研究現(xiàn)狀和應(yīng)用前景，重點(diǎn)介紹了證據(jù)理論在水質(zhì)評(píng)價(jià)中的良好性能。

盡管D－S證據(jù)理論處理不確定性問題優(yōu)勢明顯，但是依然存在以下缺陷：一是基本概率分配（BPA）大多依據(jù)專家經(jīng)驗(yàn)，缺乏客觀性；二是融合高沖突證據(jù)時(shí)容易產(chǎn)生與事實(shí)相違背的結(jié)果。針對(duì)缺陷一，張志等［8－9］利用神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等方法分配基本概率，雖然避免了基本概率分配的主觀性，但判別結(jié)果對(duì)神經(jīng)網(wǎng)絡(luò)或支持向量機(jī)的性能依賴較大。為了克服這一缺陷，利用反向傳播（BP）神經(jīng)網(wǎng)絡(luò)、徑向基（RBF）神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機(jī)（ELM）神經(jīng)網(wǎng)絡(luò)同時(shí)對(duì)水體監(jiān)測數(shù)據(jù)進(jìn)行初步水質(zhì)判斷，并得到3種基本概率分配。針對(duì)缺陷二，目前D－S證據(jù)理論的改進(jìn)方案以修正證據(jù)源［10－12］、修正合成規(guī)則［13－14］為主，由于修正合成規(guī)則會(huì)破壞原有組合規(guī)則的結(jié)合律和交換律，因此大多數(shù)研究從修正證據(jù)源入手，但在修正證據(jù)源過程中對(duì)沖突程度衡量仍然存在不足。為此，結(jié)合沖突因子k和證據(jù)間Pignistic概率距離共同衡量證據(jù)間沖突程度，轉(zhuǎn)化沖突程度為證據(jù)權(quán)重系數(shù)并修正沖突證據(jù)，同時(shí)根據(jù)迭代思想修正融合結(jié)果，解決高沖突證據(jù)的融合問題。基于上述兩方面改進(jìn)工作，提出一種基于神經(jīng)網(wǎng)絡(luò)與改進(jìn)D－S證據(jù)理論的水質(zhì)評(píng)價(jià)模型，利用該模型對(duì)冀南地區(qū)河流進(jìn)行水質(zhì)評(píng)價(jià)，并與已有評(píng)價(jià)結(jié)果進(jìn)行對(duì)比分析以驗(yàn)證該方法的可行性。

1 基于神經(jīng)網(wǎng)絡(luò)與改進(jìn)D－S證據(jù)理論的水質(zhì)評(píng)價(jià)模型

基于神經(jīng)網(wǎng)絡(luò)與改進(jìn)D－S證據(jù)理論的水質(zhì)評(píng)價(jià)模型見圖1，該模型包括基本概率分配和改進(jìn)證據(jù)理論融合評(píng)價(jià)兩部分。首先依據(jù)采集到的溶解氧（DO）、高錳酸鹽指數(shù)（CODMn）、五日生化需氧量（BOD5）、氨氮（NH3－N）、總磷（TP）水質(zhì)評(píng)價(jià)指標(biāo)數(shù)據(jù)采用BP、RBF、ELM神經(jīng)網(wǎng)絡(luò)進(jìn)行初步水質(zhì)類別判斷，然后將神經(jīng)網(wǎng)絡(luò)的輸出值歸一化處理后作為證據(jù)理論的基本概率分配，最后利用改進(jìn)的D－S證據(jù)理論融合輸出水質(zhì)判定結(jié)果。本文提出的水質(zhì)評(píng)價(jià)模型利用神經(jīng)網(wǎng)絡(luò)自組織、自學(xué)習(xí)和良好的非線性映射能力，采用3種不同神經(jīng)網(wǎng)絡(luò)避免對(duì)單個(gè)神經(jīng)網(wǎng)絡(luò)的過度依賴，保證基本概率分配的客觀性。通過改進(jìn)的D－S證據(jù)理論解決高沖突證據(jù)的融合問題，充分發(fā)揮其處理不確定信息的能力，提高水質(zhì)評(píng)價(jià)的準(zhǔn)確性。

圖1 水質(zhì)評(píng)價(jià)模型

2 基于神經(jīng)網(wǎng)絡(luò)的基本概率分配

2.1 神經(jīng)網(wǎng)絡(luò)選擇

在水質(zhì)評(píng)價(jià)中，證據(jù)理論的基本概率分配代表著對(duì)不同水質(zhì)類別的支持概率。水質(zhì)評(píng)價(jià)本質(zhì)上是基于《地表水環(huán)境質(zhì)量標(biāo)準(zhǔn)》（GB 3838—2002）進(jìn)行水質(zhì)分類。神經(jīng)網(wǎng)絡(luò)因其強(qiáng)大的自組織、自學(xué)習(xí)和良好的非線性映射能力而被廣泛用于解決多分類問題。綜合考慮評(píng)價(jià)模型的分類性能和結(jié)構(gòu)復(fù)雜程度，采用單隱含層前饋神經(jīng)網(wǎng)絡(luò)進(jìn)行水質(zhì)初步評(píng)價(jià)。

BP神經(jīng)網(wǎng)絡(luò)是一種按照誤差反向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，具有很強(qiáng)的非線性映射能力，是目前應(yīng)用最廣泛和最成熟的神經(jīng)網(wǎng)絡(luò)分類方法；RBF神經(jīng)網(wǎng)絡(luò)能夠逼近任意非線性函數(shù)，權(quán)重和閾值修正少，學(xué)習(xí)收斂速度快，非常適用于模式分類；極限學(xué)習(xí)機(jī)的輸入層與隱含層間的權(quán)重和閾值隨機(jī)產(chǎn)生，且不需要在訓(xùn)練過程中調(diào)整權(quán)重和閾值，學(xué)習(xí)速度比傳統(tǒng)學(xué)習(xí)算法更快，也具有較強(qiáng)的分類性能［15］。以上3種神經(jīng)網(wǎng)絡(luò)雖然都被廣泛應(yīng)用于模式分類，但是使用單個(gè)神經(jīng)網(wǎng)絡(luò)進(jìn)行模式分類存在隨機(jī)性和不確定性，因此采用BP、RBF、ELM單隱含層前饋神經(jīng)網(wǎng)絡(luò)同時(shí)對(duì)水質(zhì)進(jìn)行初步評(píng)價(jià)。

2.2 基本概率分配

基本概率分配需要得到神經(jīng)網(wǎng)絡(luò)的初步評(píng)價(jià)結(jié)果，因此首先構(gòu)建神經(jīng)網(wǎng)絡(luò)。3種神經(jīng)網(wǎng)絡(luò)均是單隱含層的3層網(wǎng)絡(luò)結(jié)構(gòu)，神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)為評(píng)價(jià)指標(biāo)數(shù)5，輸出層神經(jīng)元個(gè)數(shù)為水質(zhì)類別數(shù)6，隱含層神經(jīng)元個(gè)數(shù)根據(jù)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果確定，其中神經(jīng)網(wǎng)絡(luò)輸出的水質(zhì)類別采用one－h(huán)ot編碼。神經(jīng)網(wǎng)絡(luò)作為分類器，可以依據(jù)水體監(jiān)測數(shù)據(jù)進(jìn)行初步水質(zhì)判斷，但此時(shí)的網(wǎng)絡(luò)輸出并不是嚴(yán)格與水質(zhì)類別編碼吻合，不能直接作為概率使用，因此需要對(duì)神經(jīng)網(wǎng)絡(luò)輸出進(jìn)行歸一化處理，進(jìn)而作為D－S證據(jù)理論的基本概率分配，具體流程見圖2。

圖2 基本概率分配

歸一化公式如下：

式中：yj為神經(jīng)網(wǎng)絡(luò)第j個(gè)神經(jīng)元的輸出；mi（A）為證據(jù)i對(duì)水質(zhì)類別A的基本概率分配值。

3 改進(jìn)D－S證據(jù)理論

3.1 傳統(tǒng)D－S證據(jù)理論

在D－S證據(jù)理論中，由n個(gè)互不相容的基本命題組成 的 非 空 集 合Θ稱 為 識(shí) 別 框 架，即Θ ＝{θ1，θ2，…，θn}。2Θ稱為Θ的冪集，問題域中所有子命題都屬于冪集2Θ。在Θ上定義基本概率分配m：2Θ∈[ 0，1]；m滿足，其中m（A）為對(duì)命題A發(fā)生的支持程度。設(shè)m1和m2為識(shí)別框架Θ上兩個(gè)基本概率分配，D－S證據(jù)理論的組合規(guī)則為

多個(gè)證據(jù)的組合實(shí)則為證據(jù)間兩兩組合，組合規(guī)則符合結(jié)合律和交換律。合理的決策規(guī)則對(duì)D－S證據(jù)理論的融合判斷至關(guān)重要，而不是簡單地以基本概率分配中具有最大概率值的目標(biāo)為最終決策結(jié)果。設(shè)A1?Θ、A2?Θ，其中m（A1）＝max｛m（B）｜B?Θ｝、m（A2）＝max｛m（B）｜B?Θ且B≠A1｝，滿足m（A1）－m（A2）＞ε1、m（A1）＞m（Θ）、m（A1）＞ε2，則A1即為最終決策結(jié)果，其中ε1、ε2為設(shè)定的閾值，本文取ε1＝0.2、ε2＝0.5。

3.2 D－S證據(jù)理論的改進(jìn)

當(dāng)所有證據(jù)的決策結(jié)果一致時(shí)，證據(jù)合成選擇傳統(tǒng)D－S證據(jù)理論即可。當(dāng)所有證據(jù)的決策結(jié)果不一致時(shí)，則要采用以下方法進(jìn)行改進(jìn)：計(jì)算證據(jù)間沖突程度，獲得各個(gè)證據(jù)的權(quán)重，修正沖突證據(jù)，利用D－S合成規(guī)則融合各個(gè)證據(jù)并迭代修正融合結(jié)果。改進(jìn)D－S證據(jù)理論的計(jì)算流程見圖3（其中δ為閾值，取0.001）。

圖3 改進(jìn)D－S證據(jù)理論的計(jì)算流程

（1）沖突程度衡量與證據(jù)權(quán)重獲取。Liu［16］指出沖突因子k無法準(zhǔn)確度量證據(jù)間沖突，且證明Pignistic概率距離比Jousselme距離能夠更好地衡量證據(jù)間的差異性，因此采用沖突因子k和證據(jù)間Pig?nistic概率距離共同衡量證據(jù)間沖突程度。m為識(shí)別框架Θ上的基本概率分配，與m對(duì)應(yīng)的Pignistic函數(shù)BetPm：Θ→[ 0，1]為

式中：｜A｜為集合A的勢，即集合的元素個(gè)數(shù)。

將BetPm擴(kuò)展到Θ的冪集2Θ上，則BetPm為

根據(jù)BetPm函數(shù)定義兩個(gè)基本概率分配m1和m2間的Pignistic概率距離為

Liu雖然提出了利用沖突因子k和Pignistic概率距離的二元組衡量證據(jù)間沖突程度，但是并沒有給出兩者的組合關(guān)系，筆者在分析比較幾種常見的組合形式后，選擇證據(jù)間沖突程度的衡量方法為（設(shè)共有n個(gè)證據(jù)，u、v為其中任意兩個(gè)證據(jù)，t＝1，2，…，n）：

式中：kuv為沖突因子；confuv為沖突程度。

根據(jù)證據(jù)間的沖突程度進(jìn)一步計(jì)算證據(jù)間相似度Suv：

再由相似度得到證據(jù)支持度Sup（mu），某一證據(jù)的支持度為該證據(jù)與其他證據(jù)間相似度的和：

一般認(rèn)為，一個(gè)證據(jù)被其他證據(jù)所支持的程度越高表明此證據(jù)越可信。證據(jù)權(quán)重ωu為所求證據(jù)的支持度與證據(jù)支持度總和的比值：

（2）修正沖突證據(jù)。以往的修正方法會(huì)削弱優(yōu)秀證據(jù)的信息，從而導(dǎo)致融合結(jié)果不理想。為了充分利用原始證據(jù)的有效信息，沒有沖突的證據(jù)不予修正，只采用加權(quán)平均證據(jù)修正存在沖突的證據(jù)。沖突證據(jù)定義為權(quán)重小于平均證據(jù)權(quán)重的證據(jù)，即加權(quán)平均證據(jù)計(jì)算公式：

（3）迭代修正融合結(jié)果。考慮融合結(jié)果更接近期望輸出，因此根據(jù)融合結(jié)果重新確定證據(jù)權(quán)重，即引入迭代思想修正融合結(jié)果。首次融合過程：根據(jù)式（9）計(jì)算首次證據(jù)合成的權(quán)重；將權(quán)重代入式（10）求得加權(quán)平均證據(jù)并修正沖突證據(jù)；將修正后的證據(jù)代入式（2）進(jìn)行合成，得到證據(jù)首次融合結(jié)果R0。第p（p≥1）次迭代過程：計(jì)算原始證據(jù)與第p－1次合成的結(jié)果Rp－1的沖突程度、相似度、支持度，確定新的證據(jù)權(quán)重；根據(jù)權(quán)重修正沖突證據(jù)；計(jì)算第p次融合結(jié)果Rp。判斷迭代收斂條件：當(dāng)時(shí)迭代完成并輸出Rp，否則繼續(xù)迭代，本文n＝6，即水質(zhì)類別數(shù)。

4 水質(zhì)融合評(píng)價(jià)實(shí)例

4.1 研究區(qū)域及監(jiān)測數(shù)據(jù)

研究區(qū)域選擇冀南地區(qū)，即河北省南部，包括邯鄲市和邢臺(tái)市。冀南地區(qū)河流屬于海河流域，主要包括漳河、滏陽河、洺河、馬頰河等河流，共設(shè)置11個(gè)監(jiān)測斷面。水質(zhì)監(jiān)測斷面布設(shè)見圖4，圖中1～11分別為艾辛莊、后西吳橋、郎呂坡、沙陽、曲周、劉家莊、西達(dá)、東武仕水庫出口、岳城水庫出口、蔡小莊、冢北橋監(jiān)測斷面。

圖4 水質(zhì)監(jiān)測斷面布設(shè)

考慮個(gè)別水質(zhì)監(jiān)測斷面數(shù)據(jù)不完整，選取其中最具代表性的劉家莊、冢北橋、岳城水庫出口、沙陽和艾辛莊5個(gè)監(jiān)測斷面數(shù)據(jù)進(jìn)行水質(zhì)評(píng)價(jià)。中國環(huán)境監(jiān)測總站發(fā)布的2021年7月5個(gè)監(jiān)測斷面實(shí)測水質(zhì)評(píng)價(jià)指標(biāo)數(shù)據(jù)見表1。

表1 監(jiān)測斷面水質(zhì)評(píng)價(jià)指標(biāo)數(shù)據(jù) mg／L

4.2 神經(jīng)網(wǎng)絡(luò)構(gòu)建

神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)集按照《地表水環(huán)境質(zhì)量標(biāo)準(zhǔn)》（GB 3838—2002）中各指標(biāo)范圍利用均勻隨機(jī)差值產(chǎn)生。每類水質(zhì)生成300組數(shù)據(jù)，6類水質(zhì)共生成1 800組數(shù)據(jù)，按照4∶1劃分訓(xùn)練集和測試集。構(gòu)建完成3種神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)后，將生成的訓(xùn)練集樣本分別輸入3種神經(jīng)網(wǎng)絡(luò)中訓(xùn)練得到合適的神經(jīng)網(wǎng)絡(luò)，通過測試樣本驗(yàn)證網(wǎng)絡(luò)性能，并確定各神經(jīng)網(wǎng)絡(luò)的關(guān)鍵參數(shù)，見表2。BP、RBF、ELM神經(jīng)網(wǎng)絡(luò)訓(xùn)練集正確率分別為100%、100%、約97%，測試集正確率分別為100%、100%、約96%。盡管3種神經(jīng)網(wǎng)絡(luò)測試集正確率很高，但實(shí)際上并不是所有評(píng)價(jià)指標(biāo)都屬于同一水質(zhì)類別，因此需要通過實(shí)際監(jiān)測數(shù)據(jù)驗(yàn)證模型的泛化能力。

表2 神經(jīng)網(wǎng)絡(luò)關(guān)鍵參數(shù)

4.3 基本概率分配

水質(zhì)評(píng)價(jià)識(shí)別框架共6類水質(zhì)，分別為Ⅰ類（A1）、Ⅱ類（A2）、Ⅲ類（A3）、Ⅳ類（A4）、Ⅴ類（A5）、劣Ⅴ類（A6）。首先將各個(gè)監(jiān)測斷面的監(jiān)測數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)，分別輸出水質(zhì)初步評(píng)價(jià)結(jié)果。將神經(jīng)網(wǎng)絡(luò)輸出結(jié)果按照式（1）進(jìn)行歸一化處理，得到基本概率分配m1、m2、m3，分別代表BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機(jī)的評(píng)價(jià)結(jié)果，見表3。表3中基本概率分配代表在概率層面對(duì)某類水質(zhì)的支持程度，概率值越大表示越有把握判定為此類水質(zhì)。通過與單因子評(píng)價(jià)結(jié)果的對(duì)比可以發(fā)現(xiàn)，整體上使用神經(jīng)網(wǎng)絡(luò)進(jìn)行水質(zhì)初步評(píng)價(jià)是客觀準(zhǔn)確的。單因子評(píng)價(jià)以最差水質(zhì)指標(biāo)代表整體評(píng)價(jià)結(jié)果，沒有綜合考慮多源水質(zhì)監(jiān)測信息，結(jié)果太保守、片面。不同的神經(jīng)網(wǎng)絡(luò)性能不同，因此得到的基本概率分配有時(shí)會(huì)有很大差異。當(dāng)根據(jù)3種神經(jīng)網(wǎng)絡(luò)的基本概率分配支持的水質(zhì)類別不同或者水質(zhì)類別相同但概率較小時(shí)，將影響水質(zhì)等級(jí)的判斷，因此需要通過證據(jù)理論融合基本概率分配確定實(shí)際的水質(zhì)等級(jí)，提高水質(zhì)評(píng)價(jià)準(zhǔn)確度。

表3 神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)結(jié)果

4.4 改進(jìn)D－S證據(jù)理論融合評(píng)價(jià)

為了驗(yàn)證基于神經(jīng)網(wǎng)絡(luò)與改進(jìn)D－S證據(jù)理論的水質(zhì)評(píng)價(jià)模型的有效性和改進(jìn)效果，將基本概率分配分 別 采 用 傳 統(tǒng)D－S證 據(jù) 理 論、Murphy［10］方 法、Yager［13］方法和本文改進(jìn)方法進(jìn)行融合分析，結(jié)果見表4，其中m（Θ）表示不確定性。

表4 證據(jù)理論融合分析結(jié)果

續(xù)表

4.5 結(jié)果分析

結(jié)合表3、表4可以發(fā)現(xiàn)，BP、RBF和ELM神經(jīng)網(wǎng)絡(luò)對(duì)5個(gè)監(jiān)測斷面的水質(zhì)評(píng)價(jià)結(jié)果基本相同，但某些斷面基本概率分配差異明顯，對(duì)所判定的水質(zhì)類別的支持程度較小，甚至ELM對(duì)岳城水庫出口斷面水質(zhì)類別判斷出錯(cuò)，這是單個(gè)神經(jīng)網(wǎng)絡(luò)進(jìn)行水質(zhì)評(píng)價(jià)時(shí)性能不佳造成的?；谏窠?jīng)網(wǎng)絡(luò)與改進(jìn)D－S證據(jù)理論的水質(zhì)評(píng)價(jià)模型對(duì)5個(gè)斷面的水質(zhì)評(píng)價(jià)結(jié)果全部正確，且對(duì)判定水質(zhì)類別的支持程度接近于1，原因是該方法融合了3種神經(jīng)網(wǎng)絡(luò)的評(píng)價(jià)結(jié)果，可以整體提高對(duì)判定水質(zhì)類別的支持程度，即使個(gè)別神經(jīng)網(wǎng)絡(luò)判斷出錯(cuò)也不會(huì)影響最終的判定結(jié)果。

監(jiān)測斷面劉家莊、冢北橋、沙陽、艾辛莊對(duì)應(yīng)的3種神經(jīng)網(wǎng)絡(luò)求得的基本概率分配支持的水質(zhì)類別相同，傳統(tǒng)證據(jù)理論、Murphy方法和本文方法均能夠正確判定水質(zhì)類別。Yager方法將沖突完全作為不確定性，只有像劉家莊這樣對(duì)應(yīng)的基本概率分配沖突較小時(shí)才能正確評(píng)價(jià)水質(zhì)。針對(duì)結(jié)果存在明顯沖突的岳城水庫出口，除Yager方法外，其他3種方法的評(píng)價(jià)結(jié)果均為Ⅰ類水，但傳統(tǒng)D－S證據(jù)理論和Murphy方法的結(jié)果不滿足設(shè)定的決策閾值，無法判定水質(zhì)類別，而本文改進(jìn)方法可以正確判定水質(zhì)。原因是，Murphy方法只是簡單求證據(jù)的算術(shù)平均值，忽略了證據(jù)間的關(guān)聯(lián)性，與傳統(tǒng)證據(jù)理論一樣并不能有效處理證據(jù)沖突，而本文改進(jìn)方法首先結(jié)合沖突因子k和Pignisitic概率距離獲取可靠的證據(jù)權(quán)重，然后用加權(quán)平均證據(jù)替換沖突證據(jù)且保留不沖突證據(jù)，可以充分利用原始證據(jù)信息，再通過迭代修正融合結(jié)果進(jìn)一步提高融合精度，因此該方法具有處理沖突證據(jù)融合的能力。當(dāng)3種神經(jīng)網(wǎng)絡(luò)的評(píng)價(jià)結(jié)果一致即證據(jù)間沖突較小時(shí)，本文改進(jìn)方法與傳統(tǒng)D－S證據(jù)理論的融合結(jié)果相同，且與Murphy結(jié)果相近；證據(jù)間沖突較大時(shí)，本文改進(jìn)方法的融合精度明顯優(yōu)于其他3種方法的。

5 結(jié) 語

提出了一種基于多源數(shù)據(jù)融合的水質(zhì)評(píng)價(jià)模型，具體采用基于神經(jīng)網(wǎng)絡(luò)與改進(jìn)D－S證據(jù)理論的方法融合水質(zhì)監(jiān)測數(shù)據(jù)進(jìn)行水質(zhì)評(píng)價(jià)。實(shí)例計(jì)算結(jié)果表明：將3種不同神經(jīng)網(wǎng)絡(luò)的輸出歸一化處理后作為D－S證據(jù)理論的基本概率分配，保證了其客觀性；結(jié)合沖突因子k和證據(jù)間Pignistic概率距離可以更好地衡量證據(jù)間沖突程度，進(jìn)而獲得合理的權(quán)重分配，只修正沖突證據(jù)能夠最大限度地保留原有證據(jù)的信息，引入迭代思想修正融合結(jié)果進(jìn)一步提高了存在沖突證據(jù)的融合精度；對(duì)比傳統(tǒng)證據(jù)理論、Murphy方法、Yager方法和本文改進(jìn)方法水質(zhì)評(píng)價(jià)結(jié)果表明，基于神經(jīng)網(wǎng)絡(luò)與改進(jìn)D－S證據(jù)理論的評(píng)價(jià)模型的評(píng)價(jià)結(jié)果準(zhǔn)確性更高，且該模型可以降低水質(zhì)評(píng)價(jià)過程中的不確定性，適用于解決監(jiān)測數(shù)據(jù)多源、不確定性大的水質(zhì)評(píng)價(jià)問題。