[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

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；2)設計用于檢測水質異常的狀態池網絡結構；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；4)使用最小二乘法對網絡的輸出權重進行調整；5)狀態池網絡訓練；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。

技術領域

本發明涉及利用遞歸神經網絡進行水質預測的應用。通過檢測水體中指標，如如氨氮、溶解氧、葉綠素a、懸浮物、總磷和總氮等的含量可以確定水質等級。本發明根據水體指標在時間和空間變化的對應關系，提出一種利用遞歸神經網絡預測水質參數的方法，該方法對于河流水體等級預測與監控具有一定的應用前景。

背景技術

傳統的水質檢測設備往往分布在水處理廠以及河流的一些定點位置。為了測試水體質量，一般都需要采集水體樣本，然后對樣本進行化學分析從而得到水體中各個指標的結果。然而，由于傳感器分布受到氣候、地形以及成本等限制，無法獲取全流域內水質指標的數據變化趨勢。此外，一般河流甚至會跨越幾個地市，受到人力、資金等限制，水質指標數據的采集時間等不同等因素影響，造成河流可能沒有完整的水質指標數據。這種數據的缺失不但在評價流域水質歷史變化時會有遺漏，也會導致構建的水質數據預測模型不可靠。所以，使用統計或者人工智能算法，對特定流域或者流域未來水體指標進行預測已成為水質環境監測的常用手段之一。

受到環境變化的影響，水質指標在時間與空間上存在聯系?，F有的水質指標模型主要有經驗模型、生物光學模型、統計回歸算法、層次回歸法等線性模型，以及BP人工神經網絡，徑向基神經網絡(RBF)等非線性模型。盡管這些方法能在一定程度上進行水質指標預測，然而由于這些方法沒有融合水質指標在時間上的相關性，導致現有方法要么預測誤差大，或者預測規模小等弊端。為了建立能構建水質指標在時間尺度上的關系，本發明提出利用一類特殊的遞歸神經網絡——狀態池網絡(Reservoir Network,RN)用于構建水質指標關系模型。

狀態池網絡是一類稀疏遞歸神經網絡，遞歸層接受來自輸入的信號，通過遞歸連接矩陣產生輸出。通過設置稀疏遞歸連接矩陣，可以使得網絡具備短時記憶，也就是當前時刻的輸出受前一段時間輸入的影響，這一特性使得該網絡非常適用于建模輸入時序信號。此外，通過調整遞歸層與輸出神經元之間的連接權重，可以獲得期望的時序輸出信號。為此，本項目采用遞歸最小二乘法，快速調整輸出連接權重，獲得期望的輸出。該學習算法最大的優勢就是可以在少量訓練數據的情況下，使得網絡收斂。這使得模型可以在只有少量水質指標數據的情況下，就可以獲得較好的預測結果。

總之，本發明提出使用狀態池遞歸神經網絡進行水質指標預測的方法，對環境監測部門監控大流域水質指標變化將具有廣闊的應用前景。

發明內容

針對現有技術存在的不足，本發明的目的在于提供一種基于狀態池網絡模型的水質數據預測方法。狀態池網絡的主要特性是隱藏層的神經元之間為稀疏連接，訓練時算法只調整狀態池神經元與輸出層神經元之間連接的權重。

本發明的技術方案是這樣實現的：

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，如：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值等。

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(Input Layer，IL)，遞歸層(Recurrent neural layer，RNL)，輸出層(Output Layer，OL)。