[發(fā)明專利]一種混合優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的湖泊水質(zhì)預測模型構(gòu)建方法

在審

• 申請?zhí)枺?/td>: 201910055480.4
• 申請日: 2019-01-21
• 公開（公告）號: CN109740286A
• 公開（公告）日: 2019-05-10
• 發(fā)明（設(shè)計）人: 閆健卓;徐宗寶
• 申請（專利權(quán)）人: 北京工業(yè)大學
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06N3/08
• 代理公司: 北京思海天達知識產(chǎn)權(quán)代理有限公司 11203
• 代理人: 沈波

本發(fā)明公開了一種混合優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的湖泊水質(zhì)預測模型構(gòu)建方法，首先從Oracle數(shù)據(jù)庫中導出某市地表水的基本信息與水質(zhì)監(jiān)測數(shù)據(jù)，并用VBA語言將數(shù)據(jù)格式調(diào)整正確。然后使用SPSS刪除數(shù)據(jù)空缺較多的行。完成預處理之后，再根據(jù)水環(huán)境知識篩選出實驗相關(guān)的水質(zhì)指標參數(shù)，接著分別利用BP神經(jīng)網(wǎng)絡(luò)、PSO?BP神經(jīng)網(wǎng)絡(luò)、GA?BP神經(jīng)網(wǎng)絡(luò)和GA?PSO?BP神經(jīng)網(wǎng)絡(luò)對水質(zhì)指標參數(shù)預測進行模型構(gòu)建，最后運用評估方法對構(gòu)建模型進行評估。通過結(jié)合不同算法構(gòu)建方法，充分考慮了各種算法的優(yōu)缺點，結(jié)果表明基于遺傳算法GA和粒子群算法PSO混合優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型能夠提高水質(zhì)指標參數(shù)預測準確率。

技術(shù)領(lǐng)域

本發(fā)明涉及湖泊水質(zhì)預測模型構(gòu)建領(lǐng)域，涉及基于遺傳算法和粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的湖泊水質(zhì)預測模型構(gòu)建方法，特別涉及一種基于遺傳算法和粒子群算法混合優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的湖泊水質(zhì)預測模型構(gòu)建方法。

背景技術(shù)

基于歷史數(shù)據(jù)建立的水質(zhì)預測預測模型，用以預測河流湖泊以及地下水的水質(zhì)動態(tài)變化趨勢，具有十分重大的理論價值和現(xiàn)實意義。目前國外對于這類水質(zhì)時間序列預測模型已經(jīng)有較多研究，提供并驗證了許多較為可行的方法并具有較好的結(jié)果。我國的水質(zhì)預測模型發(fā)展較晚，但隨著對環(huán)境污染和環(huán)境保護的重視不斷提高，越來越多的方法應(yīng)用于水環(huán)境預測模型。比較知名的有2003年，陳麗華等人提出的基于Levenberg-Marguardt訓練算法的BP神經(jīng)網(wǎng)絡(luò)水質(zhì)濃度預測模型，對黃河水質(zhì)的10項指標進行了預測和分類，取得了較好的預測結(jié)果；2010年，鄭廣勇等人利用免疫粒子群優(yōu)化算法與徑向基RBF神經(jīng)網(wǎng)絡(luò)相結(jié)合的水質(zhì)參數(shù)預測模型，成功對廣州某污水處理場污水處理出的重要水質(zhì)參數(shù)進行預測仿真實驗，取得了理想的預測效果，拓寬了在神經(jīng)網(wǎng)絡(luò)預測模型中對時間序列動態(tài)系統(tǒng)、非線性系統(tǒng)的應(yīng)用場景；2013年，王澤平采用生物學方法遺傳算法，對多隱層BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進行優(yōu)化，構(gòu)建了新的水質(zhì)預測模型和方法用以預測云南某水庫總氮含量?，F(xiàn)如今大多數(shù)的神經(jīng)網(wǎng)絡(luò)預測模型都是基于BP神經(jīng)網(wǎng)絡(luò)算法展開的，具有極強的自主學習和非線性映射能力，但其由于是一種局部搜索方法，易出現(xiàn)“過擬合”現(xiàn)象，且在算法訓練過程中已陷入極小值，因此不斷有新的方法去優(yōu)化BP神經(jīng)網(wǎng)絡(luò)以提高預測精度，如遺傳算法和粒子群算法，二者都是基于仿生學的全局搜索方法。遺傳算法具備極強的全局搜索能力，并且具有并行性，具有較好的運行速度和可擴展性，但其局部搜索能力薄弱，易出現(xiàn)早起收斂，許多參數(shù)的選取缺乏確切的理論支持。粒子群算法也是一個全局搜索方法，具有記憶能力，收斂速度快，實現(xiàn)過程簡單，但在高緯復雜問題中常遇到早起收斂，易收斂于局部極值而無法刀刀全局最優(yōu)。為了彌補這些算法的不足，有人提出混合算法的思想，用遺傳算法和貝葉斯算法構(gòu)成混合算法，在一定程度上取得了不錯的效果，但仍有很大的提升空間，需要不斷地去提出，改進和驗證。

發(fā)明內(nèi)容

有鑒于上述現(xiàn)有的不足，本發(fā)明的目的在于提供一種混合優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的湖泊水質(zhì)預測模型構(gòu)建方法，旨在解決水環(huán)境水生態(tài)污染安全預測的問題。

本發(fā)明解決其技術(shù)問題所采取的技術(shù)方案是：一種混合優(yōu)化BP神經(jīng)網(wǎng)絡(luò)時間序列預測模型構(gòu)建方法，該方法包括如下步驟：

步驟1：從水質(zhì)檢測數(shù)據(jù)庫中導出某市地表水的基本信息與水質(zhì)監(jiān)測數(shù)據(jù)，查詢出實驗湖泊數(shù)據(jù)進行時間序列排序以Excel表形式導出并保存。

步驟2：將導出的湖泊水質(zhì)數(shù)據(jù)進行預處理，包括異常值檢測和空缺值填充，根據(jù)水環(huán)境知識，選擇合適的水質(zhì)參數(shù)，整理出符合實驗要求的數(shù)據(jù)。

步驟3：利用經(jīng)典的BP神經(jīng)網(wǎng)絡(luò)構(gòu)建水質(zhì)預測模型，再分別用遺傳算法和粒子群算法對BP神經(jīng)網(wǎng)絡(luò)進行優(yōu)化，最后提出基于遺傳算法和粒子群算法相結(jié)合的混合優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的湖泊水質(zhì)時間序列預測模型，根據(jù)性能指標檢驗?zāi)Ｐ皖A測結(jié)果。

進一步的，本發(fā)明步驟1所述的構(gòu)建湖泊水質(zhì)數(shù)據(jù)的方法，其步驟具體包括：

步驟1-1：以授權(quán)用戶身份登錄Oracle數(shù)據(jù)庫。