[發明專利]一種基于狀態池網絡的水質指標預測方法

有效

• 申請號: 201710717555.1
• 申請日: 2017-08-21
• 公開（公告）號: CN109426857B
• 公開（公告）日: 2021-06-08
• 發明（設計）人: 程振波;朱天奇;肖剛;黃初冬;周華康;唐文慶;高晶瑩
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08
• 代理公司: 杭州天正專利事務所有限公司 33201
• 代理人: 王兵;黃美娟

1.一種基于狀態池網絡的水質指標預測方法，步驟如下：

1)確定水質參數的輸入和輸出數據，通過分析，選取流域上游幾個采樣點的水質參數為輸入，流域下游的一個采樣點的水質參數為輸出；進行以天為單位的連續采樣和分析，得到水質參數：葉綠素a，透明度SD、總磷TP、總氮TN、高錳酸鉀指數CODmn、溶解氧、PH值；

2)設計用于檢測水質異常的狀態池網絡結構，根據輸入與輸出的數據，最終確定狀態池的結構為：輸入層即Input Layer，簡稱IL，遞歸層即Recurrent neural layer，簡稱RNL，輸出層即Output Layer，簡稱OL；

輸入層包含輸入信號，由向量y＝[P_1a，P_1b,…P_1m,…P_na,P_nb,…P_nm]表示，y由t時刻的水質采樣點的n段時間m種水質數據(P_ia，P_ib，...P_im)構成的時間序列；輸入層與遞歸層由突觸向量W^IL連接，W^IL中的值從高斯分布N(0,0,5)中隨機采樣；

中間層為遞歸層；中間層包含大量的神經元節點，神經元節點由大小為N×1的向量x表示；中間層的神經元之間隨機相互連接，連接用一個大小為N×N的稀疏矩陣W^RNL表示；其中每一權重的非0項服從高斯分布N(0，g²/pN)的隨機變量隨機產生；其中，g＝1.5，p＝0.1；

遞歸層通過大小為N×m的輸出權向量W^OL合并成為一個包含兩個節點的輸出層，由向量Z表示；其中，m為水質參數個數；網絡的輸出為預測目標在t時刻的水質參數；

網絡的輸出為z(t)，通過被激活的神經元的加權和得到；網絡中被激活的神經元在時刻t表示r(t)，其中r(.)＝tanh(.)；連接神經元到輸出向量的權重為W，輸出表示為：

狀態池網絡的遞歸過程表示為：

其中，τ＝0.01毫秒，I^noise為每一個狀態池神經元的隨機噪聲，服從N(0,10^-6)的高斯分布；

3)在進行狀態池網絡訓練之前，考慮到水質在測量中水體不穩定帶來的誤差以及異常，首先篩選有效的數據，剔除異常的部分；利用格拉布斯準則對樣本數據進行異常值檢測：

式中：G_s為Grubbs準則檢驗特征數據；X_i為可疑的數據，為數據集的算術平均值，S為數據集的標準差；若G_s大于臨界值G_p(n)，則判斷該數據為異常值；G_p(n)與檢出水平和檢驗次數有關，檢出水平σ＝0.05，檢驗次數n為數據集個數；剔除水質異常值的做法是將水質數據按照升序排列，從兩端依次去除異常值，直到數據集滿足要求；

4)使用最小二乘法，即Recursive Least Squares，簡稱RLS，對網絡的輸出權重進行調整；輸出層權重的調整由下式確定：

w(t)＝w(t-Δt)-e_(t)P(t)r(t) (4)

其中，e_(t)為時刻t網絡的實際輸出w(t-Δt)與期望輸出f(t)之間的差值：

e_t＝w(t-Δt)–f(t) (5)

P(t)為N×N矩陣，它控制著RNL層神經元與輸出神經元之間每一個權重調整的比率；這個矩陣在每一步同樣需要按下式更新：

由于P在網絡運行過程中需要不斷更新，為此它需要設定一個初始值：其中I為單位矩陣，α為常數；

5)狀態池網絡開始訓練時，選取T1-Tn時段采樣點的水質數據作為輸入，Tn+1時刻的水質數據作為目標，其中水質參數類型與個數可根據預期計劃調整；訓練結束后，用均方根誤差，即Root-Mean-Square Error，簡稱RMS error，表示網絡的預測誤差，均方根誤差的計算公式為：

其中x_i、y_i...m_i為狀態池網絡輸出的m類水質參數，每種參數包含i個數據；為這些水質參數期望的輸出；

6)使用狀態池網絡進行水質預測；保存第5)步中訓練得到的狀態池網絡結構參數，并使用測試數據集進行網絡效果測試評估；同樣使用均方根誤差對水質預測數據進行評價，得到RMS的值。