[發(fā)明專利]一種變權(quán)組合的景觀水水質(zhì)預(yù)警方法

有效

• 申請?zhí)枺?/td>: 201410389438.3
• 申請日: 2014-08-08
• 公開（公告）號: CN104155423A
• 公開（公告）日: 2014-11-19
• 發(fā)明（設(shè)計）人: 趙加斌;彭森;吳卿
• 申請（專利權(quán)）人: 天津大學(xué)
• 主分類號: G01N33/18
• 分類號: G01N33/18
• 代理公司: 天津市北洋有限責(zé)任專利代理事務(wù)所 12201
• 代理人: 杜文茹

技術(shù)領(lǐng)域

本發(fā)明涉及一種景觀水水質(zhì)預(yù)警方法。特別是涉及一種基于神經(jīng)網(wǎng)絡(luò)和支持向量機的變權(quán)組合的景觀水水質(zhì)預(yù)警方法。

背景技術(shù)

隨著社會經(jīng)濟的發(fā)展和人們生活水平的提高，景觀河道、人造湖泊和人造景觀湖等景觀水體作為一種可以調(diào)節(jié)氣候、美化環(huán)境與陶冶情操的“元素”，在越來越多的城市開始出現(xiàn)。然而景觀水體大多數(shù)都是靜止或者流動性很差的緩流水體，易污染，自凈能力差，并容易成為居民生活污水、雨水和垃圾的受納體。同時，不少景觀水體的建設(shè)過于形式化，生搬硬套，后期又缺少維護和治理，使得景觀水體在一段時間之后就會發(fā)黑發(fā)臭，出現(xiàn)嚴(yán)重的水污染現(xiàn)象。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題是，提供一種在掌握景觀水體的水質(zhì)變化規(guī)律，及早對水質(zhì)污染進行預(yù)警預(yù)報，并及時采取相應(yīng)的措施來防止水質(zhì)污染事故，避免造成嚴(yán)重損失的變權(quán)組合的景觀水水質(zhì)預(yù)警方法。

本發(fā)明所采用的技術(shù)方案是：一種變權(quán)組合的景觀水水質(zhì)預(yù)警方法，包括如下步驟：

1)在線水質(zhì)監(jiān)測，利用若干個遙測遠傳終端，用于采集景觀水各個監(jiān)測點的水樣，并將數(shù)據(jù)傳輸?shù)奖镜氐臄?shù)據(jù)中心并儲存，形成水質(zhì)樣本序列，以便于進行水質(zhì)分析與水質(zhì)預(yù)警；

2)進行水質(zhì)變化的預(yù)測，是利用神經(jīng)網(wǎng)絡(luò)、支持向量機、變權(quán)組合和區(qū)間估計的方法對水質(zhì)樣本進行分析處理，得到景觀水體未來的水質(zhì)預(yù)測區(qū)間，具體包括：

(1)對數(shù)據(jù)中心的水質(zhì)樣本進行歸一化處理，歸一化公式為：

Xi=xi-xminxmax-xmin---(1)]]>

式中：x_min為原始監(jiān)測值的最小值；

x_max為原始監(jiān)測值的最大值；

x_i為第i個原始監(jiān)測值；

X_i為歸一化處理之后的第i個監(jiān)測值；

(2)分別建立神經(jīng)網(wǎng)絡(luò)預(yù)測模型和建立支持向量機預(yù)測模型；

(3)建立變權(quán)組合預(yù)測模型，是基于神經(jīng)網(wǎng)絡(luò)預(yù)測模型和支持向量機預(yù)測模型的變權(quán)組合預(yù)測模型，即將神經(jīng)網(wǎng)絡(luò)預(yù)測模型和支持向量機預(yù)測模型這2個單一預(yù)測模型的預(yù)測值進行變權(quán)重組合，從而得到更加準(zhǔn)確的預(yù)測值；

(4)進行變權(quán)組合預(yù)測模型的區(qū)間估計，是通過預(yù)測誤差的正態(tài)分布特點和統(tǒng)計學(xué)知識，得到并確定最終變權(quán)組合預(yù)測模型的區(qū)間估計值，從而得到景觀水水質(zhì)未來的變化區(qū)間；

3)水質(zhì)預(yù)警，即利用變權(quán)組合模型的區(qū)間估計值來進行水質(zhì)預(yù)警，將變權(quán)組合模型的區(qū)間估計值的整個預(yù)測范圍中超過《地表水環(huán)境質(zhì)量標(biāo)準(zhǔn)》V類水質(zhì)指標(biāo)限值的量作為預(yù)警強度劃分的依據(jù)，依次為無警、輕警、中警、重警和巨警。

步驟1)中所述的在線水質(zhì)監(jiān)測包括測定水樣的溶解氧、pH、化學(xué)需氧量、總氮、氨氮和總磷六項水質(zhì)指標(biāo)。

步驟2)中第(2)步所述的建立神經(jīng)網(wǎng)絡(luò)預(yù)測模型，是將歸一化處理后的水質(zhì)樣本中的溶解氧、pH、化學(xué)需氧量、總氮、氨氮和總磷六項水質(zhì)指標(biāo)作為神經(jīng)網(wǎng)絡(luò)的輸入量，輸出量為溶解氧、pH、化學(xué)需氧量、總氮、氨氮和總磷六項水質(zhì)指標(biāo)的預(yù)測值，隱含層的神經(jīng)元采用Sigmoid型變換函數(shù)，輸出層則采用線性變換函數(shù)，而對于神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的各個參數(shù)確定則利用L-M算法，經(jīng)過訓(xùn)練與擬合，得到景觀水體的神經(jīng)網(wǎng)絡(luò)預(yù)測模型。

步驟2)中的第(2)步所述的建立支持向量機預(yù)測模型，是將歸一化處理后的水質(zhì)樣本中的溶解氧、pH、化學(xué)需氧量、總氮、氨氮和總磷六項水質(zhì)指標(biāo)作為神經(jīng)網(wǎng)絡(luò)的輸入量，輸出量為溶解氧、pH、化學(xué)需氧量、總氮、氨氮和總磷六項水質(zhì)指標(biāo)的預(yù)測值，同時，采用高斯徑向基核作為支持向量機模型的核函數(shù)，并用十字交叉法來尋找最優(yōu)損失函數(shù)的參數(shù)和高斯徑向積核函數(shù)的參數(shù)，經(jīng)過訓(xùn)練與擬合，得到景觀水體的支持向量機預(yù)測模型。