[發明專利]應用反向傳播神經網絡模型評價游泳池水質的方法

有效

• 申請號: 201410014790.9
• 申請日: 2014-01-13
• 公開（公告）號: CN104007243A
• 公開（公告）日: 2014-08-27
• 發明（設計）人: 黃麗紅
• 申請（專利權）人: 上海市長寧區衛生局衛生監督所
• 主分類號: G01N33/18
• 分類號: G01N33/18;G06N3/02
• 代理公司: 上海天協和誠知識產權代理事務所 31216
• 代理人: 李彥

1.一種應用反向傳播神經網絡模型評價游泳池水質的方法，包括a.指標篩選、b.標準選定、c.劃定分級和d.模型擬合，其特征是：按如下步驟依次實施：

a.指標篩選：

選定如下7個指標，其中括號內的是指標所用單位：①游離性余氯(mg/L)、②氰尿酸(mg/L)、③氧化還原電位(mV)、④pH值、⑤總堿度(mg/L)、⑥鈣硬度(mg/L)和⑦尿素(mg/L)；

b.標準選定：a步驟選定的7個指標從①至⑦的標準限值依次為：[0.2,1.0]、≤150、≥650、[7.0,7.8]、[60,200]、[200,450]和≤3.5；

c.劃定分級：各指標的分級標準如下表所示：

d.模型擬合：

d.1訓練樣本的建立：將c步驟表所列的7個指標的分級標準中的數據進行歸一化處理，即按照y=(x-最小值)/(最大值-最小值)規則將具體數值轉化為[0,1]區間上的數據，把水質分級標準作為訓練樣本，將其輸入到網絡的輸入節點；

采用產生隨機數原理，在至少兩種水質的水樣中，在每種水樣中各抽取不低于100份的樣本，將全體樣本進行訓練和建模；

d.2神經網絡初始化：設定輸入層、隱含層和輸出層的節點數，并初始化其神經元之間的連接權值ω_ij和ω_jk、隱含層閥值a和輸出層閥值b，給定學習速率和神經元激勵函數，選取輸入輸出序列(X,Y)；

d.3隱含層輸出計算：根據輸入向量X、輸入層和隱含層間的連接權值ω_ij以及隱含層閥值a，計算隱含層輸出H，其計算式如式(1)所示：

Hj=f(Σi=1nωijxi-aj),j=1,2,······m--(1);]]>

式(1)中f為激勵函數，激勵函數的表達形式為經典的Sigmoid函數，其計算式如式(2)所示：

f(x)=11+e-x--(2);]]>

d.4輸出層輸出計算：根據隱含層輸入H、隱含層和輸出層間的連接權值ω_jk以及輸出層閥值b，計算預測輸出O，其計算式如式(3)所示：

Ok=f(Σj=1mHjωjk-bk),k=1,2,······l--(3);]]>

d.5誤差計算：根據預測輸出O和期望輸出Y獲得預測誤差e，其計算式如式(4)所示：e_k=Y_k-O_k，k=1,2……l——(4)；

d.6權值更新：根據預測誤差e對連接權值ω_ij、ω_jk進行更新，其計算如式(5)和式(6)所示：式(5)和式(6)中的η為學習速率，

ωij=ωij+ηHj(1-Hj)xiΣk=1lωjkek,i=1,2······n;j=1,2······m--(5),]]>

ω_jk=ω_jk+ηH_je_k，j=1,2……m；k=1,2……l——(6)；

d.7閥值更新：根據預測誤差e對閥值a和b進行更新，其計算如式(7)和式(8)所示：

aj=aj+ηHj(1-Hj)Σk=1lωjkek,j=1,2······m;k=1,2······l--(7),]]>

b_k=b_k+e_k，k=1,2……l——(8)；

d.8判斷算法迭代是否結束：若迭代結束，表示訓練過程可以結束，模型建立完成；若迭代還沒有結束，則返回隱含層輸出計算步驟重新開始一個新的訓練調整過程，直至算法迭代得以結束；

算法迭代結束后，根據輸出的數據和步驟c中確定的分級標準表最終確定水質級別。

2.如權利要求1所述的應用反向傳播神經網絡模型評價游泳池水質的方法，其特征是：d.模型擬合中，d.1訓練樣本的建立時，采用產生隨機數原理，在四種水質的水樣中，在每種水樣中各抽取250份的樣本，將全體共1000份樣本進行訓練和建模；

d.2神經網絡初始化時，隱含層節點數采用經驗公式計算：