[發明專利]一種基于遺傳算法優化的RBF神經網絡的環境污染監測系統

有效

• 申請號: 201710091916.6
• 申請日: 2017-02-21
• 公開（公告）號: CN106991491B
• 公開（公告）日: 2020-11-13
• 發明（設計）人: 黃鴻基;王金元;周行洲;項彤;吳浩;張雨;王永進
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06K9/62;G06N3/04;G06N3/12;G06Q10/06
• 代理公司: 南京知識律師事務所 32207
• 代理人: 李湘群

1.一種基于遺傳算法優化的RBF神經網絡的環境污染監測系統，其特征在于該系統包括信號輸入模塊、信號處理模塊、計算機云端服務器處理模塊、數據庫、報警模塊和污染指標顯示模塊，可見光信號通過信號輸入模塊輸入后，由信號處理模塊依次經過模-數轉換、數字信號處理和數-模轉換后，將信號輸入計算機云端服務器處理模塊，并將污染指標通過污染指標顯示模塊顯示出來，若超過設定的閾值，報警模塊將會報警，從信號輸入到信號輸出整個過程的數據都存儲在數據庫中，所述神經網絡為RBF神經網絡，神經網絡中對各項指標所占的權重運用徑向函數進行合理的分配，實現對整體環境指標進行有效監測，所述神經網絡的前饋系統采用Bayesian決策方法進行訓練，訓練的過程如下：

Step 1.定義RBF神經網絡總共有三層，根據國家相關環境標準對各種不同污染物的區分和嚴重程度的劃分，并把經過統計Bayesian決策方法訓練前饋網絡訓練的number種指標通過徑向函數確定它們各自所占的權重；

Step 2.對于確定了權重的各項指標，考慮到RBF神經網絡存在著收斂慢、難以得到全局最優解的缺點，采用遺傳算法進行處理，定義搜索空間即數據總量為S，將每一個指標定義為一條染色體，這些染色體通過以下自適應函數進行處理

其中，ε可以代表算法的精度，x_i,y_i分別為神經網絡的輸入信號和在實際量化誤差條件下的輸出信號值，通過對ε的控制，并可以調整神經網絡學習的精度，即可以控制本環境污染監測系統的精確度；

Step 3.對于經過Step 2處理的數據，采用輪盤賭法選擇算子，即對每一代種群中的染色體根據適應度差異進行選擇；

Step 4.對個體采用實數二進制交叉編碼，并將編碼后的序列進行交叉遺傳、變異操作，定義迭代代數Generation，設置步長；

Step 5.將遺傳算法的最優個體分解為RBF神經網絡的權值和閾值，同時確定RBF神經網絡隱含層的節點數，設置程序中得到的學習精度為若繼續進行學習訓練，若說明訓練完成，進入Step 6；

Step 6.輸出訓練后的最優樣本值組合Opt，并得到進行監測的特征函數；

神經網絡訓練結束。

2.根據權利要求1所述的基于遺傳算法優化的RBF神經網絡的環境污染監測系統，其特征在于所述系統將污染物和信號的數據輸入到神經網絡系統進行學習和訓練，當監測系統訓練的程度達到設定的監測精度要求時，該系統與計算機云端服務器處理模塊進行連接，形成一套完整的環境污染監測系統。

3.根據權利要求1所述的基于遺傳算法優化的RBF神經網絡的環境污染監測系統，其特征在于選用的徑向函數為Gaussian函數，即

4.根據權利要求1所述的基于遺傳算法優化的RBF神經網絡的環境污染監測系統，其特征在于系統在基于惡化的信道的環境的污染監測功能通過以下步驟實現：

A)在訓練環境下，對于環境干擾處理模塊，設定當前非污染物干擾的濃度為h，h的取值在0-1之間；

B)將h按相同的間隔逐步調高，輸入信號模塊發送一串長度為N的數據比特序列；

C)當h1時，經歷Step 1到Step 7的流程進行訓練學習，得到在不同非污染物干擾的濃度條件下的神經網絡系統；

D)對于訓練完的神經網絡系統，輸入端的信號處理模塊根據實際環境中輸入的信號對h進行選擇，并找到對應的神經網絡，通過數據庫中相應的特征函數進行實時準確監測；

E)對環境中包含的多種污染物指標進行實時監測時，將其分別同時輸入上述經過遺傳算法優化的RBF神經網絡系統，最終獲得所期望的樣值；

F)經過輸出端的信號處理模塊，得到系統不同的響應，報警模塊和污染物指示顯示模塊根據輸出端的信號處理模塊的判決結果，給出相應的指標，同時顯示出污染物濃度信噪比隨時間變化的曲線和污染物隨時間變化的曲線，實時反映環境質量。

5.根據權利要求1所述的基于遺傳算法優化的RBF神經網絡的環境污染監測系統，其特征在于檢測該神經網絡的精度是否達到預期要求的測試流程如下：

S1：設定num個樣本，即人為設定的污染物和輸出設定值，其中n₁個樣本為訓練輸入樣本，n₂個樣本為預測樣本，共兩組，n₁+n₂＝num；

S2：對于上述樣本的第一組，選取不同的樣本經過向量空間變換分為輸入測試樣本X_test和輸出測試樣本Y_test，對于上述樣本的第二組，選擇不同的預測樣本經過向量空間變換后分為輸入測試樣本X_scan和預測輸出樣本Y_scan；

S3：引入系統相對誤差ψ對樣本進行測試分析，可表示為上式中，當ψ無限趨向1時，神經網絡系統實現了無偏監測，即監測結果十分精確。