[發明專利]一種基于多層循環神經網絡和D-S證據理論的水質參數預測方法

有效

• 申請號: 201810323080.2
• 申請日: 2018-04-11
• 公開（公告）號: CN108764520B
• 公開（公告）日: 2021-11-16
• 發明（設計）人: 蔣鵬;李雷;許歡;余善恩;林廣
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/08
• 代理公司: 浙江千克知識產權代理有限公司 33246
• 代理人: 周希良

本發明公開了一種基于多層循環神經網絡和D?S證據理論的水質參數含量預測方法，本發明針對水環境這種具有高維、多峰值、不連續、非凸性等特征的復雜非線性系統，利用水質參數含量的歷史數據對深層RNN預測模型進行訓練，完成對模型的構造，并對水質參數的未來含量進行初步預測；由于D?S證據理論能夠從數學理論上解決不確定性的問題，因此在RNN模型預測結果的基礎上利用D?S證據理論進行沖突解決和證據融合，提升了單一參數的預測精度，并提高了多參數預警的準確性。

技術領域

本發明涉及一種水質參數預測方法，尤其涉及一種基于多層循環神經網絡和D-S證據理論的水質參數預測方法。

背景技術

水是工業生產和農業生產中不可或缺的資源，也是人類社會的生命源泉。近年來，隨著人類社會的不斷發展，水資源正不斷的在減少，有些地區甚至嚴重緊缺，正在制約著人類社會經濟的發展，因此進行水質分析，加強水資源的監管和水質預警對水資源的利用至關重要。水質參數的定量分析是進行水質分析的重要任務之一，而獲取進行水質參數定量分析的首要任務是獲取水質參數的含量。水質預測是利用水質參數含量的歷史數據進行建模，并對未來時間水質參數的含量進行估計，為水質參數的定量分析提供了基礎數據支持，從而實現水質預警，有效的降低水質惡化所造成的危害。

目前，淺層的非機理模型在水質預測中的應用比較常見，如，徑向基函數(radialbasis function,RBF)網絡，多元線性回歸模型(multi-linear regression,MLR)，支持向量回歸(support vector regression,SVR)，人工神經網絡(artificial neuralnetworks,ANN)，自回歸積分滑動平均模型(Autoregressive Integrated Moving AverageModel,ARIMA)等。

傳統的的水質預測模型通常是一些淺層模型，對水環境這種具有高維、多峰值、不連續、非凸性等特征的復雜非線性系統，深層模型具有更強的表達能力。

發明內容

本發明針對現有預測方法中預測水質參數含量精度不高和多參數預警效果較差的問題，提供了一種基于多層循環神經網絡和D-S證據理論的水質參數預測方法。

本發明包括以下步驟：

步驟1：對采集的水質參數樣本進行預處理：所述水質參數樣本為水質參數含量的歷史數據，將數據集按照“留出法”劃分成訓練集和測試集；采用最大最小法分別對訓練集和測試集進行歸一化處理，轉化為[0,1]之間的值。

步驟2：初始化LSTM、GRU、SRN三種多層RNN模型的結構：三種多層RNN模型的隱藏層均為兩層，最大迭代次數為200，激活函數為tanh函數，隱藏層神經元個數相同。

步驟3：采用隨時間進行反向傳播(BPTT)算法利用步驟1預處理后的訓練集對LSTM模型、GRU模型、SRN模型中的循環層進行訓練，具體方法如下：

1).前向計算每個神經元的輸出值。

2).反向計算每個神經元的誤差項值，它是誤差函數對神經元的加權輸入的偏導數。

3).計算每個權重的梯度，再用批量梯度下降算法更新權重，判斷損失函數是否收斂要求或者是否達到最大迭代次數，損失函數未收斂且未達到最大迭代次數則返回第1)步，否則結束訓練。

步驟4：利用步驟3訓練好的LSTM模型、GRU模型和SRN模型對水質參數進行預測，分別得到三種模型在預測時刻的初步預測結果P₁，P₂，P₃。

步驟5：對水質參數的歷史數據進行自相關分析，獲取合適的證據個數，具體方法如下：

1).計算自相關系數r_k，計算函數如下：