[發明專利]一種基于氣象因子的CA-NARX水質預測方法

有效

• 申請號: 202010025553.8
• 申請日: 2020-01-10
• 公開（公告）號: CN111260117B
• 公開（公告）日: 2022-03-25
• 發明（設計）人: 王晶;耿燕;章胤;金玉璽
• 申請（專利權）人: 燕山大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06;G06N3/08
• 代理公司: 石家莊眾志華清知識產權事務所(特殊普通合伙) 13123
• 代理人: 張明月

1.一種基于氣象因子的CA-NARX水質預測方法，其特征在于，包括以下步驟：

步驟1：將逐日水質數據、氣象因子數據分別存入矩陣，并對數據進行Min-Max標準化；

步驟2：根據分類數對應分位數選取初始聚類中心；

步驟3：根據各樣本觀測點距初始聚類中心的歐氏距離進行初步聚類；

步驟4：根據各樣本觀測點距聚類中心的馬氏距離進行按批迭代聚類，直至前后兩次迭代的聚類中心歐式距離之差小于某數值；

步驟5：遍歷某范圍的聚類數，分別計算每類聚類數下的樣本平均輪廓系數值，選取與1相差最小的輪廓系數對應的聚類數，得到最佳聚類情況；

步驟6：將分類后的氣象因子數據和水質數據歸一化，并轉化為時間序列數據，創建數據集，并初始化輸入、輸出延時階數，隱含層個數參數；

步驟7：采用交叉驗證方法，將樣本數據隨機的分成m份，每次隨機的選擇m-3份作為訓練集，剩下的1份做測試集，2份做驗證集，當這一輪完成后，重新隨機選擇m-3份來訓練數據算法，重復進行一定輪數；

步驟8：創建非線性自回歸神經網絡，確定訓練函數、誤差函數；

步驟9：進行網絡訓練，計算隱含層、輸出層的輸出，計算實際輸出值與期望輸出值的誤差；

步驟10：進行權值、閾值更新，重復步驟8～步驟9，直至滿足訓練結果的平均誤差小于某數值；

步驟11：輸入相應影響因子數據，通過網絡仿真輸出總磷、總氮含量預測值。

2.根據權利要求1所述的一種基于氣象因子的CA-NARX水質預測方法，其特征在于：步驟1中的逐日水質數據包括總磷、總氮含量；氣象因子數據包括氣溫、水溫、降雨量、相對濕度。

3.根據權利要求1所述的一種基于氣象因子的CA-NARX水質預測方法，其特征在于：步驟1中具體的Min-Max標準化方法為：將n日的水質數據總磷、總氮含量數據存入矩陣Y＝[Y₁，Y₂]，其中Y_i＝[Y_1i，Y_2i...Y_ni]′i＝1，2，將四個氣象因子氣溫、水溫、降雨量、相對濕度數據存入矩陣X＝[X₁，X₂，X₃，X₄]，其中X_i＝[X_1i，X_2i...X_ni]′i＝1，2，3，4，分別對兩類數據進行Min-Max標準化，具體標準化公式為：

4.根據權利要求1所述的一種基于氣象因子的CA-NARX水質預測方法，其特征在于：步驟2中選取初始聚類中心的具體方法為：設聚類數為k，設將樣本分為k類，則第h個聚類中心為各變量的分位數，h＝1，2...k，以k＝3為例，則三個初始聚類中心分別為

5.根據權利要求1所述的一種基于氣象因子的CA-NARX水質預測方法，其特征在于：步驟3中進行初步聚類的具體方法為：根據n個觀測值距k個聚類中心的歐氏距離進行第一次聚類，設y₁，y₂，...y_n為n個樣本，即y_i＝[Y_1i，Y_i2，...Y_im]′，則第j個樣本與第h個聚類中心之間的歐氏距離為：

則分類準則為：

即將觀測點歸到距聚類中心歐式距離最小的類別。