[發明專利]斷面水質中的氨氮含量預測方法及裝置

在審

• 申請號: 202011120923.2
• 申請日: 2020-10-19
• 公開（公告）號: CN112529147A
• 公開（公告）日: 2021-03-19
• 發明（設計）人: 閆健卓;高雅;于涌川
• 申請（專利權）人: 北京工業大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06F17/16;G06F17/18;G06N20/10;G06K9/46
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 郭亮

1.一種斷面水質中的氨氮含量預測方法，其特征在于，包括：

將待預測水質區域的當前水質因子輸入到DBN模型，輸出當前水質因子的特征向量；

將當前水質因子的特征向量輸入到LSSVR模型，輸出所述待預測水質區域的氨氮含量；

其中，所述DBN模型和LSSVR模型根據預先獲取的歷史水質因子和所述歷史水質因子對應的預先獲取的氨氮含量進行訓練獲取。

2.根據權利要求1所述的斷面水質中的氨氮含量預測方法，其特征在于，所述將待預測水質區域的當前水質因子輸入到DBN模型，輸出當前水質因子的特征向量；將當前水質因子的特征向量輸入到LSSVR模型，輸出所述待預測水質區域的氨氮含量之前，還包括：

將所述歷史水質因子輸入到所述DBN模型中，對所述DBN模型進行訓練；

將所述歷史水質因子再次輸入到訓練后的DBN模型中，將所述DBN模型輸出的所述歷史水質因子的特征向量輸入到所述LSSVR模型中，對所述DBN模型和LSSVR模型進行訓練。

3.根據權利要求2所述的斷面水質中的氨氮含量預測方法，其特征在于，所述將所述歷史水質因子輸入到所述DBN模型中，對所述DBN模型進行訓練，包括：

將所述歷史水質因子輸入所述DBN模型的第一層RBM網絡，基于能量函數訓練所述第一層RBM網絡，直到所述能量函數收斂；

將訓練后的第一層RBM網絡的輸出作為所述DBN模型的第二層RBM網絡輸入，基于所述能量函數訓練所述第二層RBM網絡，直到所述能量函數收斂；

將訓練后的第二層RBM網絡的輸出作為所述DBN模型的第三層RBM網絡輸入，基于所述能量函數訓練所述第三層RBM網絡，直到所述能量函數收斂。

4.根據權利要求3所述的斷面水質中的氨氮含量預測方法，其特征在于，所述能量函數的公式為：

其中，v_i表示任一層RBM網絡中第一層的第i個單元的輸入，h_j表示該層RBM網絡中第二層的第j個單元的輸入，w_ij為所述第一層的第i個單元和所述第二層的第j個單元之間的連接權重，a_i和b_j分別表示所述第一層的第i個單元的偏置和所述第二層的第j個單元的偏置，θ＝{w_ij,a_i,b_j}是該層RBM網絡的參數，m表示該層RBM網絡中第一層單元的總數量，n表示該層RBM網絡中第二層單元的總數量，E(v,h|θ)表示該層RBM網絡的參數為θ，第一層的輸入為v，第二層的輸入為h時的能量函數值。

5.根據權利要求2所述的斷面水質中的氨氮含量預測方法，其特征在于，所述將所述歷史水質因子再次輸入到訓練后的DBN模型中，將所述DBN模型輸出的所述歷史水質因子的特征向量輸入到所述LSSVR模型中，對所述DBN模型和LSSVR模型進行訓練，包括：

將訓練后的DBN模型的輸出作為所述LSSVR模型的輸入，獲取所述LSSVR模型輸出的氨氮含量；

計算所述LSSVR模型輸出的水質氨氮含量與所述歷史水質因子對應的預先獲取的氨氮含量之間的偏差；

根據所述偏差對所述LSSVR模型的參數和訓練后的DBN模型的參數進行更新，直到滿足預設結束條件。

6.根據權利要求2-5任一所述的斷面水質中的氨氮含量預測方法，其特征在于，所述將所述歷史水質因子輸入到所述DBN模型中，對所述DBN模型進行訓練之前，還包括：

對所述歷史水質因子進行預處理；

其中，所述預處理包括基于拉依達準則對所述歷史水質因子中的異常數據進行剔除、基于K近鄰補全算法對所述歷史水質因子中的空缺值進行補全和對所述歷史水質因子進行歸一化處理中的一種或多種。

7.根據權利要求1-5任一所述的斷面水質中的氨氮含量預測方法，其特征在于，所述當前水質因子包括水溫、PH值、溶解氧量、生化需氧量、電導率、濁度、高猛酸鹽指數、總磷含量和總氮含量中的一種或多種。