[發明專利]一種基于ELM算法的地表水COD在線監測系統及方法

在審

• 申請號: 201910088540.2
• 申請日: 2019-01-29
• 公開（公告）號: CN109580519A
• 公開（公告）日: 2019-04-05
• 發明（設計）人: 趙巨峰;毛海鋒;崔光茫;張鈺;公曉麗;林君;辛青
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G01N21/33
• 分類號: G01N21/33;G01N33/18;G06N3/08
• 代理公司: 杭州浙科專利事務所(普通合伙) 33213
• 代理人: 吳秉中

1.一種基于改進ELM算法的地表水COD在線測量方法，包括如下步驟：

步驟一、搭建基于寬光譜探頭的硬件框架；

步驟二、建立樣本數據庫；

步驟三、構建基于ELM算法的COD預測輸出模型；

步驟四、COD實際輸出值的處理。

2.如權利要求1所述的基于改進ELM算法的地表水COD在線測量方法，其特征在于：步驟1中所述硬件框架包括寬光譜水質探頭，輔助傳感器，嵌入式芯片，電源模塊，顯示模塊，電源模塊為整個系統供電，寬光譜水質探頭和輔助傳感器集合在一起，浸沒在待測地表水水樣中，寬光譜水質探頭和輔助傳感器將采集的數據傳輸給嵌入式芯片，嵌入式芯片分別處理寬光譜水質探頭和輔助傳感器采集的水樣數據，輸出結果通過顯示模塊進行顯示。

3.如權利要求2所述的基于改進ELM算法的地表水COD在線測量方法，其特征在于：步驟2具體如下：

利用寬光譜探頭和輔助傳感器采集N組水樣參數，每組水樣進行多次采集，每次采集的時間間隔為10秒，每組的采集結果加上時間點標注；其中輔助傳感器采集與COD密切相關的水質參數：溫度，PH，氯離子濃度，TSS(懸浮物)，DO(溶解氧)，寬光譜水質探頭采集COD參數；

將上述水質數據進行異常值的剔除和歸一化處理，將處理后的水質數據分別整理成輔助變量數據庫和COD樣本數據庫即預測變量數據庫，其中輔助變量數據庫包括溫度，PH，氯離子濃度，TSS(懸浮物)，DO(溶解氧)和前一時刻(t-1)COD濃度，將輔助變量數據庫和對應的預測變量數據庫組成數據集，再將數據集進行分類，分成訓練樣本數據集和測試樣本數據集。

4.如權利要求3所述的基于改進ELM算法的地表水COD在線測量方法，其特征在于：步驟3具體如下：

從上述構建完成的訓練樣本數據集中選取N個訓練樣本(x_i,t_i)∈Rⁿ×R^m,x_i為輸入目標即輔助變量數據庫，t_i為輸出目標即預測變量數據庫，隱含層節點數為L，激活函數為g(x)，其ELM模型表示為

其中a_i為輸入層到第i個隱含層節點的輸入權值，a_i＝[a_i1,a_i2,…,a_in]^T；b_i為第i個隱含層節點的偏置；β_i為連接第i個隱含層節點的輸出權值,β_i＝[β_i1,β_i2,…,β_in]^T；

矩陣表示為Hβ＝T (2)

H是隱含層輸出矩陣，β為輸出權值，T為期望輸出。

其中

求解其最小二乘問題可以得到隱含層輸出權值

β＝H+T＝(H^TH)^-1H^TT (4)

其中，H⁺為隱含層輸出矩陣的Moore-Penrose廣義逆矩陣；

輸入層到隱含層的連接權值通過下式確定：

QW＝TY (5)

式子中Y為隨機確定的,Q和W的定義如下：

將每次訓練誤差定義為δ，c為δ的權值，將訓練誤差引入到神經網絡中，Q和W的定義如下：

尋找滿足最優的權值W＝(Q,T,Y)使得代價函數E(W)最小。其數學模型可以表示為：

其中誤差的平方和||W||²代表經驗風險；||D(QW-TY)||²代表結構風險；而γ則是兩種風險的比例參數，通過交叉驗證的方式來調節γ來調節經驗風險和結構風險的比例，D＝diag(v₁,v₂,…,v_N)表示誤差的權值對角陣；

求出最優的W：

根據式子(9)計算網絡學習參數，輸入權值a_i，隱含層偏置b_i，訓練誤差值c_i

將所求得的學習參數a_i,b_i,c_i代入式子(10)中，可以得到隱含層輸出矩陣H；

再根據式子(4)計算隱含層輸出權值β；

即COD預測輸出模型為：

T_預測COD＝Hβ

利用訓練樣本數據對模型進行不斷的訓練，直到滿足訓練條件訓練停止；再從測試樣本數據集中選取多組測試樣本作為檢測數據集，通過檢測數據檢驗COD預測輸出模型的正確性。