[發明專利]一種基于寬度學習網絡的自來水廠的出水余氯預測方法

在審

• 申請號: 202210582208.3
• 申請日: 2022-05-26
• 公開（公告）號: CN114997486A
• 公開（公告）日: 2022-09-02
• 發明（設計）人: 王村松;張泉靈;韓凱超;何文敏;薄翠梅;張登峰;李俊
• 申請（專利權）人: 南京工業大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06K9/62;G06N3/08
• 代理公司: 南京天華專利代理有限責任公司 32218
• 代理人: 劉暢;徐冬濤

1.一種基于寬度學習網絡的自來水廠的出水余氯預測方法，其特征在于包括以下步驟：

(1)對自來水廠數據集X(J×K)進行數據標準化預處理，其中，J為自來水廠觀測數據的樣本個數，K為自來水廠的觀測數據的變量個數；

(2)根據步驟(1)的數據預處理結果，將預處理后的自來水廠數據經過主成分分析PCA處理，得到的觀測變量個數由K個減少為F個，得到代表自來水廠數據集的二維矩陣X(J×F)；

(3)將步驟(2)中所述的二維數據集X(J×F)和目標變量中前80％的樣本作為訓練集、后20％的樣本作為驗證集，訓練寬度學習網絡模型，所述目標變量為出水余氯；若驗證的R²決定系數大于0.95，則保留所訓練的寬度學習網絡模型后結束訓練，否則使用增量學習算法繼續訓練，直到滿足條件為止。

2.根據權利要求1所述的基于寬度學習網絡的自來水廠的出水余氯預測方法，其特征在于步驟(1)中的數據標準化預處理通過下式進行：

其中，x為自來水廠單個數據的取值，μ為變量對應列的均值，σ為變量對應列的標準差。

3.根據權利要求1所述的基于寬度學習網絡的自來水廠的出水余氯預測方法，其特征在于步驟(2)中將預處理過的數據再進行PCA降維的方法提取數據的主要特征分量，實現高維數據的降維，通過線性變換將原始數據變換為一組各維度線性無關的表示。

4.根據權利要求1所述的基于寬度學習網絡的自來水廠的出水余氯預測方法，其特征在于步驟(3)中所述的寬度學習網絡模型：

寬度學習網絡結構共有四層：輸入層，特征層，增強層與輸出層；選取的經過標準化、PCA處理后得到的6個變量作為網絡輸入表示為：

X(t)＝[X₁(t),X₂(t),X₃(t),X₄(t),X₅(t),X₆(t)],t＝1,2,...,Q,

其中，Q為樣本數；

輸入層：輸入層由6個神經元組成，每一個輸入神經元的輸出表示為：

U_e(t)＝X_e(t),e＝1,2,3,...,6其中，X_e(t)為輸入層第e個神經元的輸入值，U_e(t)為輸入層第e個神經元的輸出值；

特征層：特征層由N組神經元組成，第i組特征神經元的輸出表示為：

Z_i(t)＝φ_i(X(t)W_ei+β_ei),i＝1,2,...,N

其中，W_ei是第e個輸入神經元與第i組特征神經元之間的權重，β_ei為第e個輸入神經元與第i組特征神經元之間的偏差項，權重和偏差均為隨機生成的；φ為激活函數；所有特征節點組合在一起為：

Z^N≡[Z₁,Z₂,...,Z_N]

增強層：增強層由M組神經元節點組成，第j組增強層的輸出可以表示為：

H_j＝ξ_j(Z^NW_hj+β_hj),j＝1,2,...,M

W_hj、β_hj為特征層輸出與第h組增強層中第j個增強節點之前的權重和偏差項，均為隨機生成的且分別與W_ei、β_ei獨立同分布；ξ_j為激活函數；所有增強節點組表示為：

H^M≡[H₁,H₂,...,H_M]

寬度學習模型表示為：

Y＝[Z₁,Z₂,...,Z_N|ξ(Z^NW_h1+β_h1),...,ξ(Z^NW_hM+β_hM)]W^M

＝[Z₁,Z₂,...,Z_N|H₁,...,H_M]W^M

＝[Z^N|H^M]W^M

其中，W^M＝[Z^N|H^M]⁺Y為特征層與增強層組成的輸入與模型輸出之間連接的權重矩陣，通過[Z^N|H^M]⁺的嶺回歸近似計算出來。