[發(fā)明專利]共享直飲水水質(zhì)自適應(yīng)動態(tài)自學(xué)習(xí)在線監(jiān)測系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201710501486.0
• 申請日: 2017-06-27
• 公開（公告）號: CN107229970B
• 公開（公告）日: 2018-08-17
• 發(fā)明（設(shè)計）人: 李太福;葉儀;李家慶;張堃;段棠少;王甜;唐海紅
• 申請（專利權(quán)）人: 重慶科技學(xué)院
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/10;G06K9/62;G06Q50/06;G01N33/18
• 代理公司: 重慶蘊(yùn)博君晟知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 50223
• 代理人: 王玉芝;楊明

1.共享直飲水水質(zhì)自適應(yīng)動態(tài)自學(xué)習(xí)在線監(jiān)測方法，其特征在于：包括以下步驟：

S110根據(jù)恒定水箱內(nèi)水質(zhì)的影響的控制參數(shù)，建立神經(jīng)網(wǎng)絡(luò)輸入樣本集；

S120根據(jù)實(shí)時測量的恒定水箱內(nèi)水質(zhì)指標(biāo)，建立神經(jīng)網(wǎng)絡(luò)輸出樣本集；

S130將輸入樣本集和輸出樣本集進(jìn)行歸一化處理，獲得歸一化樣本集；

S140根據(jù)所述歸一化樣本集構(gòu)建三層的BP神經(jīng)網(wǎng)絡(luò)模型；

S150根據(jù)所述三層BP神經(jīng)網(wǎng)絡(luò)，運(yùn)用UKF算法進(jìn)行網(wǎng)絡(luò)權(quán)值閾值動態(tài)調(diào)整；

S160對云端服務(wù)器上積累的海量數(shù)據(jù)，利用UKFNN算法進(jìn)行建模，獲取神經(jīng)網(wǎng)絡(luò)參數(shù)；

S170對實(shí)時變化的恒定水箱內(nèi)水質(zhì)的影響因素實(shí)現(xiàn)實(shí)時預(yù)測；根據(jù)恒定水箱水質(zhì)實(shí)時預(yù)測，實(shí)現(xiàn)共享直飲水水質(zhì)自適應(yīng)動態(tài)自學(xué)習(xí)在線監(jiān)測；所述恒定水箱內(nèi)影響水質(zhì)的控制參數(shù)包括，確定影響水箱內(nèi)水質(zhì)的影響因素，該影響因素包括：直飲水機(jī)濾芯性能、地區(qū)ID號碼、直飲水機(jī)累計用水量、水箱內(nèi)水溫歷史溫度實(shí)時數(shù)據(jù)、實(shí)時水箱出水口處開關(guān)狀態(tài)；

根據(jù)實(shí)時測量的恒定水箱內(nèi)水質(zhì)指標(biāo)，建立神經(jīng)網(wǎng)絡(luò)輸出樣本集，包括：通過定期質(zhì)檢員巡檢，抽取水箱內(nèi)飲用水水樣進(jìn)行水質(zhì)指標(biāo)檢測并實(shí)時傳輸?shù)皆贫朔?wù)器，即獲得神經(jīng)網(wǎng)絡(luò)輸出樣本集；

在所述步驟S150，

三層BP神經(jīng)網(wǎng)絡(luò)包括(M-s₁-l)的拓?fù)浣Y(jié)構(gòu)，隱含層激發(fā)函數(shù)為s型函數(shù)，輸出層為線性函數(shù)；輸入層神經(jīng)元數(shù)為M個，隱含層節(jié)點(diǎn)數(shù)由經(jīng)驗(yàn)公式所得，M,s₁,l分別表示表輸入層、隱含層、輸出層的神經(jīng)元個數(shù)，α為1-10的常數(shù)，輸出層節(jié)點(diǎn)數(shù)為4個，則建立初始模型為：

其中，分別代表輸入層與隱含層的連接權(quán)值、隱含層和輸出層的連接權(quán)值、隱含層閾值，輸出層閾值；表示歸一化的樣本，i,j均為變量下標(biāo)；函數(shù)f()為S型函數(shù)；

利用UKFNN算法對云端服務(wù)器存儲的海量數(shù)據(jù)進(jìn)行建模，獲取神經(jīng)網(wǎng)絡(luò)參數(shù)具體包括以下子步驟：

第一步：設(shè)BP神經(jīng)網(wǎng)絡(luò)，輸入層至隱含層神經(jīng)元的連接權(quán)值閾值為隱含層至輸出層的連接權(quán)值閾值為則UKF神經(jīng)網(wǎng)絡(luò)中所有權(quán)值和閾值組成的狀態(tài)矩陣I為：

設(shè)I中的個數(shù)為n個值；設(shè)定非線性方程：

I_k表示k時刻狀態(tài)變量，I_k+1表示(k+1)時刻狀態(tài)變量，ω_k,ν_k,分別表示觀測噪聲，測量非線性方程，測量噪聲；

其中，X_k為k時刻的神經(jīng)網(wǎng)絡(luò)輸入樣本；令ω_k＝0，v_k＝0，Y_k為神經(jīng)網(wǎng)絡(luò)輸出樣本；

第二步：設(shè)定UKF計算過程中控制采樣點(diǎn)的分布狀態(tài)參數(shù)a、待選參數(shù)κ；

第三步：計算2n+1個σ點(diǎn)以及σ點(diǎn)的相應(yīng)權(quán)重，其中，n為狀態(tài)矩陣I的維度，λ＝a²(n+κ)-n；σ表示sigma采樣點(diǎn)，λ為縮放比例參數(shù)；

第四步：計算σ點(diǎn)的一步狀態(tài)預(yù)測及狀態(tài)變量協(xié)方差P_k+1|k；

第五步：計算輸出的一步提前預(yù)測以及協(xié)方差

第六步：進(jìn)行濾波更新獲取新的狀態(tài)矩陣、協(xié)方差矩陣、增益矩陣；

第七步：對獲取的新樣本數(shù)據(jù)重新進(jìn)行第二步至第六步，直至所有樣本對狀態(tài)矩陣、協(xié)方差矩陣、增益矩陣進(jìn)行了更新；

第八步：對最后一組樣本得到狀態(tài)矩陣I作為前饋神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的權(quán)值和閾值；

第九步：根據(jù)獲得網(wǎng)絡(luò)參數(shù)各層權(quán)值、閾值，利用UKF神經(jīng)網(wǎng)絡(luò)構(gòu)建的函數(shù)模型。

2.根據(jù)權(quán)利要求1所述的共享直飲水水質(zhì)自適應(yīng)動態(tài)自學(xué)習(xí)在線監(jiān)測方法，其特征在于：所述步驟S120后還包括預(yù)處理步驟，所述預(yù)處理步驟具體為：將構(gòu)建的建模輸入樣本集進(jìn)行主元提取，并獲得新樣本集。

3.根據(jù)權(quán)利要求2所述的共享直飲水水質(zhì)自適應(yīng)動態(tài)自學(xué)習(xí)在線監(jiān)測方法，其特征在于：利用主元分析算法對狀態(tài)變量X進(jìn)行主元提取，構(gòu)建新的狀態(tài)變量X′＝{x_z1,x_z2,…,x_zm}，X′為m個狀態(tài)主元分量，每個狀態(tài)主元分量的維度與輸入中的訓(xùn)練樣本的數(shù)量相同。

4.根據(jù)權(quán)利要求1所述的共享直飲水水質(zhì)自適應(yīng)動態(tài)自學(xué)習(xí)在線監(jiān)測方法，其特征在于：所述步驟S150中，動態(tài)調(diào)整權(quán)值閾值算法流程如下：

1)對所述狀態(tài)矩陣I進(jìn)行Sigma采樣，獲得2n+1個采樣點(diǎn)，初始化控制2n+1個采樣點(diǎn)的分布狀態(tài)參數(shù)α、待選參數(shù)κ，以及非負(fù)權(quán)系數(shù)β，對狀態(tài)矩陣I的Sigma采樣如下：

其中，為(k-1)時刻的最優(yōu)狀態(tài)變量估計的第i列，n為狀態(tài)矩陣維度，p_k-1為(k-1)時刻的最優(yōu)狀態(tài)變量的協(xié)方差,I_k-1為(K-1)時刻的狀態(tài)變量，λ為縮放比例參數(shù)；

2)計算每個采樣點(diǎn)的權(quán)重，每個采樣點(diǎn)的權(quán)重如下：

其中，W_c為計算狀態(tài)變量的協(xié)方差的權(quán)重，W_m為計算狀態(tài)估計和觀測預(yù)測時的權(quán)重，是的第一列，是的第一列；

3)通過離散時間非線性系統(tǒng)的狀態(tài)方程將每個采樣點(diǎn)的(k-1)時刻的最優(yōu)狀態(tài)變量的狀態(tài)估計變換為k時刻的狀態(tài)變量的狀態(tài)估計并通過合并k時刻的狀態(tài)估計的向量，獲得k時刻的狀態(tài)變量的狀態(tài)先驗(yàn)估計和協(xié)方差P_k|k-1；其中，

所述狀態(tài)估計為：

F()表示狀態(tài)方程

其中，w_k的協(xié)方差矩陣Q_k為cov(ω_k,ω_j)＝Q_kδ_kj，w_j表示狀態(tài)噪聲，cov(ω_k,ω_j)表示狀態(tài)噪聲協(xié)方差；

所述狀態(tài)先驗(yàn)估計為：

所述狀態(tài)變量的協(xié)方差P_k|k-1為：

4)通過離散時間非線性系統(tǒng)的觀測方程建立k時刻的狀態(tài)變量的狀態(tài)估計和k時刻的觀測預(yù)測估計之間的聯(lián)系以完成觀測預(yù)測，并估計k時刻的觀測預(yù)測的協(xié)方差

所述k時刻的觀測預(yù)測估計為：

最終狀態(tài)變量估計為：

其中，ν_k的協(xié)方差矩陣R_k為cov(v_k,v_j)＝R_kδ_kj，v_j表示測量噪聲；g(),f()分別表示神經(jīng)網(wǎng)絡(luò)輸出層激發(fā)函數(shù)，隱含層激發(fā)函數(shù)；

所述k時刻的觀測預(yù)測的協(xié)方差為：

5)計算k時刻的狀態(tài)變量和觀測預(yù)測之間的協(xié)方差P_xy,k：

6)通過建立協(xié)方差P_xy,k和協(xié)方差的關(guān)系，更新k時刻的狀態(tài)變量的狀態(tài)估計和協(xié)方差，獲得k時刻的最優(yōu)狀態(tài)變量；

7)將獲得的k時刻的最優(yōu)狀態(tài)變量代入步驟1)重新進(jìn)行sigma采樣，循環(huán)步驟1)-6)，獲得所述神經(jīng)網(wǎng)絡(luò)模型的最優(yōu)狀態(tài)變量；

其中，步驟6)中的通過建立協(xié)方差P_xy,k和協(xié)方差的關(guān)系，更新k時刻的狀態(tài)變量的狀態(tài)估計和協(xié)方差，獲得k時刻的最優(yōu)狀態(tài)變量，

其中，K_k為增益矩陣，以此實(shí)現(xiàn)更新k時刻的最優(yōu)狀態(tài)變量的狀態(tài)估計和更新k時刻的狀態(tài)變量的協(xié)方差P_k；

更新后的k時刻的最優(yōu)狀態(tài)變量的狀態(tài)估計I_k|k為：

更新后的k時刻的狀態(tài)變量的協(xié)方差P_k為：

將更新后的k時刻的狀態(tài)變量的狀態(tài)估計I_k和協(xié)方差P_k作為k時刻的最優(yōu)狀態(tài)變量。