[發(fā)明專(zhuān)利]一種基于深度置信網(wǎng)絡(luò)的水體氨氮預(yù)測(cè)方法及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 201810482608.0
• 申請(qǐng)日: 2018-05-18
• 公開(kāi)（公告）號(hào): CN108710974B
• 公開(kāi)（公告）日: 2020-09-11
• 發(fā)明（設(shè)計(jì)）人: 陳英義;成艷君;程倩倩;劉燁琦;方曉敏;龔川洋;于輝輝
• 申請(qǐng)（專(zhuān)利權(quán)）人: 中國(guó)農(nóng)業(yè)大學(xué)
• 主分類(lèi)號(hào): G06Q10/04
• 分類(lèi)號(hào): G06Q10/04;G06K9/62;G06N3/08
• 代理公司: 北京路浩知識(shí)產(chǎn)權(quán)代理有限公司 11002
• 代理人: 王瑩;吳歡燕

1.一種基于深度置信網(wǎng)絡(luò)的水體氨氮預(yù)測(cè)方法，其特征在于，包括：

基于目標(biāo)水體水質(zhì)的實(shí)際水質(zhì)參數(shù)和實(shí)際環(huán)境因子參數(shù)，利用預(yù)先建立的深度置信網(wǎng)絡(luò)預(yù)測(cè)模型，預(yù)測(cè)所述目標(biāo)水體的氨氮含量；

其中，所述深度置信網(wǎng)絡(luò)預(yù)測(cè)模型為預(yù)先根據(jù)預(yù)測(cè)需求進(jìn)行初始化，并利用選取的樣本數(shù)據(jù)，進(jìn)行基于暫時(shí)拋棄點(diǎn)dropout的訓(xùn)練和測(cè)試獲取的，所述樣本數(shù)據(jù)為樣本水質(zhì)環(huán)境參數(shù)與樣本水體氨氮含量對(duì)；

其中，所述樣本數(shù)據(jù)包括訓(xùn)練樣本和測(cè)試樣本；在所述利用預(yù)先建立的深度置信網(wǎng)絡(luò)預(yù)測(cè)模型，預(yù)測(cè)所述目標(biāo)水體的氨氮含量的步驟之前，所述方法還包括：

逐個(gè)將所述訓(xùn)練樣本中的樣本水質(zhì)環(huán)境參數(shù)輸入所述根據(jù)預(yù)測(cè)需求建立的預(yù)測(cè)模型中，執(zhí)行吉布斯采樣法對(duì)網(wǎng)絡(luò)模型每層進(jìn)行迭代預(yù)訓(xùn)練，獲取預(yù)測(cè)氨氮含量輸出；

求取所述預(yù)測(cè)氨氮含量輸出與對(duì)應(yīng)的樣本水體氨氮含量之間的偏差，并根據(jù)給定比率，隨機(jī)凍結(jié)所述根據(jù)預(yù)測(cè)需求建立的預(yù)測(cè)模型中的部分網(wǎng)絡(luò)結(jié)點(diǎn)；

使所述偏差在凍結(jié)部分結(jié)點(diǎn)的預(yù)測(cè)模型中反向傳播，以進(jìn)行網(wǎng)絡(luò)參數(shù)的逐層修正，直至訓(xùn)練完成，獲取訓(xùn)練完成的深度置信網(wǎng)絡(luò)預(yù)測(cè)模型；

利用所述測(cè)試樣本，通過(guò)對(duì)所述訓(xùn)練完成的深度置信網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行正向預(yù)測(cè)運(yùn)算，測(cè)試所述訓(xùn)練完成的深度置信網(wǎng)絡(luò)預(yù)測(cè)模型，直至測(cè)試完成，獲取所述深度置信網(wǎng)絡(luò)預(yù)測(cè)模型；

其中，所述深度置信網(wǎng)絡(luò)預(yù)測(cè)模型具體由受限玻爾茲曼機(jī)單元堆疊而成；

相應(yīng)的，利用選取的樣本數(shù)據(jù)，進(jìn)行基于暫時(shí)拋棄點(diǎn)dropout的訓(xùn)練的步驟進(jìn)一步包括：

采用無(wú)監(jiān)督的貪心算法，初始化受限玻爾茲曼機(jī)單元網(wǎng)絡(luò)模型各層之間的鏈接權(quán)重及偏置值，并設(shè)定各受限玻爾茲曼機(jī)單元隱含層的激活函數(shù)；

對(duì)于任一訓(xùn)練樣本，按所述給定比率，隨機(jī)凍結(jié)所述受限玻爾茲曼機(jī)單元網(wǎng)絡(luò)模型中的部分結(jié)點(diǎn)，并將該樣本的樣本水質(zhì)環(huán)境參數(shù)輸入凍結(jié)的受限玻爾茲曼機(jī)單元網(wǎng)絡(luò)模型，獲取所述預(yù)測(cè)氨氮含量輸出；

通過(guò)將網(wǎng)絡(luò)模型各結(jié)點(diǎn)的偏差按所述給定比率置零，求取所述預(yù)測(cè)氨氮含量輸出與該樣本的樣本水體氨氮含量之間的綜合偏差；

基于所述綜合偏差，利用BP神經(jīng)網(wǎng)絡(luò)算法，進(jìn)行所述凍結(jié)的受限玻爾茲曼機(jī)單元網(wǎng)絡(luò)模型中偏差的逐層前向傳播，求取各層結(jié)點(diǎn)偏差，并利用梯度下降法計(jì)算并更新未凍結(jié)結(jié)點(diǎn)的網(wǎng)絡(luò)參數(shù)；

解凍凍結(jié)結(jié)點(diǎn)并恢復(fù)該結(jié)點(diǎn)的權(quán)重值，并再次按所述給定比率隨機(jī)凍結(jié)所述受限玻爾茲曼機(jī)單元網(wǎng)絡(luò)模型中的部分結(jié)點(diǎn)，利用下一個(gè)訓(xùn)練樣本進(jìn)行網(wǎng)絡(luò)模型的訓(xùn)練，直至所述訓(xùn)練樣本使用完畢或預(yù)測(cè)精度滿足設(shè)定條件。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述實(shí)際水質(zhì)參數(shù)具體包括：水體水質(zhì)氨氮含量以及水體水溫、水質(zhì)電導(dǎo)率、水深、水質(zhì)鹽度、總?cè)芙夤腆w濃度、水密度、pH值、溶解氧含量、溶解氧飽和度、氧化還原電位(ORP)、亞硝酸鹽濃度、散射濁度、濁度和藍(lán)綠藻濃度中的一種或多種；

所述實(shí)際環(huán)境因子參數(shù)具體包括：風(fēng)速、風(fēng)向、太陽(yáng)輻射、空氣溫度、空氣濕度、大氣壓強(qiáng)、土壤水分和土壤溫度中的一種或多種。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于目標(biāo)水體水質(zhì)的實(shí)際水質(zhì)參數(shù)和實(shí)際環(huán)境因子參數(shù)，利用預(yù)先建立的深度置信網(wǎng)絡(luò)預(yù)測(cè)模型，預(yù)測(cè)所述目標(biāo)水體的氨氮含量的步驟進(jìn)一步包括：

對(duì)所述實(shí)際水質(zhì)參數(shù)和實(shí)際環(huán)境因子參數(shù)進(jìn)行小波降噪處理，獲取純凈的水質(zhì)及環(huán)境因子參數(shù)；

對(duì)所述純凈的水質(zhì)及環(huán)境因子參數(shù)進(jìn)行給定算法的標(biāo)準(zhǔn)化處理，獲取標(biāo)準(zhǔn)化的水質(zhì)及環(huán)境因子特征向量；

利用主成分分析算法，對(duì)所述標(biāo)準(zhǔn)化的水質(zhì)及環(huán)境因子特征向量進(jìn)行降維處理，獲取氨氮關(guān)鍵影響因子；

將所述氨氮關(guān)鍵影響因子輸入所述深度置信網(wǎng)絡(luò)預(yù)測(cè)模型，進(jìn)行前向預(yù)測(cè)運(yùn)算，輸出所述目標(biāo)水體的氨氮含量。