一种水质评价方法及装置制造方法及图纸

本发明专利技术提供一种水质评价方法及装置，其中所述方法包括：S1，使用主成分分析法将获取的各类水质指标值结合成综合指标值；S2，根据所述综合指标值，使用蚁群算法优化的RBF神经网络获取水质评价结果。本发明专利技术通过使用主成分分析法将获取的各类水质指标值结合成综合指标值，根据各类水质指标之间的相互关系对各类水质指标值进行降维，简化了数据结构，提高了运算速度；同时，根据所述综合指标值，使用蚁群算法优化的RBF神经网络获取水质评价结果，收敛速度快、网络结构简单、鲁棒性强且不易陷入局部极小点。

【技术实现步骤摘要】
一种水质评价方法及装置
本专利技术涉及水文预测领域，更具体地，涉及一种水质评价方法及装置。
技术介绍
水质评价指按照评价目标选择相应的水质参数、水质标准和评价方法，对水体的质量利用价值及水的处理要求作出评定。水质评价是合理开发利用和保护水资源的一项基本工作。根据不同评价类型，采用相应的水质标准。水质评价方法较多，如单因子评价法、综合评价法、判别分析法和灰色聚类法等。最近发展起来的神经网络在信号处理、特征提取、模式识别和非线性预测等领域得到广泛应用。使用神经网络进行水质评价的研究有很多，如陈守煜等人提出基于模糊人工神经网络识别的水质评价模型；朱乾德等人以太湖流域南方小城镇雪堰镇为例提出一种基于BP(BackPropagation，后向传播)神经网络的水质评价模型，并对BP神经网络在水质综合评价中的应用进行分析；王冬生等人提出一种改进的基于PSO-RBF(RadialBasisFunctionBasedonParticleSwarmOptimization，基于粒子群优化的径向基函数)神经网络模型的原水水质评价方法，并对其应用进行分析；张宇等人提出一种新的神经网络模型T-S(Takagi和Sugeno)模糊神经网络对地下水水质进行评价；向娜等人提出用人工蜂群算法优化的神经网络用于水质评价与预测研究的模型；孙永泉等人对普通的BP模型做了改进，提出了基于模糊的BP神经网络模型，分别利用BP模型和改进的模糊BP模型评价湖水水质，并将评价结果进行对比分析。现有技术中，直接将各类水质指标的值作为输入，忽略各类水质指标之间具有不同程度的相关性，影响水质评价的准确性。专利技术内容为克服上述不考虑各类水质指标之间相关性，直接将各类水质指标的值作为输入而影响水质评价的准确性的问题或者至少部分地解决上述问题，本专利技术提供了一种水质评价方法及装置。根据本专利技术的第一方面，提供一种水质评价方法，包括：S1，使用主成分分析法将获取的各类水质指标值结合成综合指标值；S2，根据所述综合指标值，使用蚁群算法优化的RBF神经网络获取水质评价结果。具体地，所述步骤S1具体包括：对所述水质指标值进行标准化，获取标准化后的所述水质指标值的矩阵；根据所述矩阵的特征值获取各主成分的累积贡献率；将所述特征值大于第一预设阈值且所述累积贡献率大于第二预设阈值的主成分的值作为所述综合指标值。具体地，所述步骤S2具体包括：S21，使用所述蚁群算法对所述综合指标值进行聚类，获取聚类中心，将所述聚类中心作为所述RBF神经网络的中心；S22，使用反向传播算法获取所述RBF神经网络中从隐含层到输出层的权值；S23，根据所述隐含层的隐含单元的输出，对所述隐含单元进行裁剪。具体地，所述步骤S21具体包括：S211，根据任意两个综合指标之间的路径信息量，获取所述两个综合指标中一个综合指标聚类到另一个综合指标的概率，若判断所述概率大于第三阈值，则将所述两个综合指标分为一类；S212，获取每一类的聚类中心和所有类的总误差，若判断所述总误差小于或等于第四预设阈值，则将所述聚类中心作为所述RBF神经网络的中心；或者，若判断所述总误差大于所述第四预设阈值，则根据所述综合指标到所述聚类中心的距离和修改后的信息素持久性系数，获取新的路径信息量，使用所述新的路径信息量迭代执行聚类和确定聚类中心的操作，直到所述总体误差小于或等于所述第四预设阈值。具体地，所述步骤S23具体包括：获取所述隐含层的每个隐含单元的输出值，并对所述输出值进行规范化；若判断规范化后的输出值小于第五预设阈值，则去掉所述输出值对应的隐含单元。具体地，在所述步骤S211之前还包括：根据任意两个综合指标之间的欧式距离对所述两个综合指标之间的路径信息量进行初始化。具体地，所述步骤S2之后还包括：根据所述步骤S1和S2获取一个区域中多个位置的水质评价结果；根据每个位置的坐标和每个所述位置的水质评价结果，获取所述位置的坐标与所述水质评价结果的关系曲线。根据本专利技术的第二方面，提供一种水质评价装置，包括：结合单元，用于使用主成分分析法将获取的各类水质指标值结合成综合指标值；获取单元，用于根据所述综合指标值，使用蚁群算法优化的RBF神经网络获取水质评价结果。根据本专利技术的第三方面，提供一种水质评价装置，包括：至少一个处理器、至少一个存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述通信接口用于该测试设备与显示装置的通信设备之间的信息传输；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如前所述的方法。根据本专利技术的第四方面，提供一种非暂态计算机可读存储介质，用于存储如前所述方法的计算机程序。本专利技术提高一种水质评价方法及装置，该方法通过使用主成分分析法将获取的各类水质指标值结合成综合指标值，根据各类水质指标之间的相互关系对各类水质指标值进行降维，简化了数据结构，提高了运算速度。同时，根据所述综合指标值，使用蚁群算法优化的RBF神经网络获取水质评价结果，收敛速度快、网络结构简单、鲁棒性强且不易陷入局部极小点。附图说明图1为本专利技术实施例提供的水质评价方法流程图；图2为现有技术中的RBF神经网络示意图；图3为本专利技术又一实施例提供的水质评价方法流程图；图4为本专利技术另一实施例提供的水质评价方法流程图；图5为本专利技术实施例提供的水质评价装置结构框图。具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。在本专利技术的一个实施例中提供一种水质评价方法，图1为本专利技术实施例提供的水质评价方法流程图，如图1所示，该方法包括：S1，使用主成分分析法将获取的各类水质指标值结合成综合指标值；S2，根据所述综合指标值，使用蚁群算法优化的RBF神经网络获取水质评价结果。具体地，S1中，水质指标包括水质的物理属性和化学属性，所述水质指标值可以为在预设时间段内以预设时长为周期采集的水质指标的值，如采集4年内以每个月为周期的23个水质指标值。考虑到各水质指标之间的相互关系，先使用所述主成分分析法将各类水质指标结合成综合指标，将获取的各类水质指标的值结合成综合指标的值。所述主成分分析法是一种主要用于降维的多元数学统计方法，把多个水质指标转化为少数几个综合指标。所述水质指标之间存在相关性，通过所述主成分分析法将一组相关的水质指标通过线性变化转换成另一组不相关的指标，在转换过程中保存所述水质指标的总方差不变。将变换后的水质指标按照方差依次递减的顺序排列，其中，第一个变换后的所述水质指标具有最大方差，称为第一主成分，第二主成分的方差次大，且与第一主成分不相关，依次类推。S2中，将所述综合指标值作为蚁群算法优化后的RBF神经网络模型的输入，获取水质评价结果。所述蚁群算法又称为蚂蚁算法，是一种在图中寻找优化路径的机率型算法。所述蚁群算法第一次由Dorigo等率先提出，是基于生物蚁群系统的集体觅食行为而发展起来的一类仿生优化算法，具有并行分布式计算、强大的全局寻优能力、适应性强和易于与其他算法结合等优点。所述RBF神经网络是由三层构成的前向网络，如图2所示，其中第一层为输入层，节点个数等于输入的维数；第二层为隐含层，节点个数视问题的复杂度而定；第三本文档来自技高网...

【技术保护点】
一种水质评价方法，其特征在于，包括：S1，使用主成分分析法将获取的各类水质指标值结合成综合指标值；S2，根据所述综合指标值，使用利用蚁群算法优化的RBF神经网络获取水质评价结果。

【技术特征摘要】
1.一种水质评价方法，其特征在于，包括：S1，使用主成分分析法将获取的各类水质指标值结合成综合指标值；S2，根据所述综合指标值，使用利用蚁群算法优化的RBF神经网络获取水质评价结果。2.根据权利要求1所述的水质评价方法，其特征在于，所述步骤S1具体包括：对所述水质指标值进行标准化，获取标准化后的所述水质指标值的矩阵；根据所述矩阵的特征值获取各主成分的累积贡献率；将所述特征值大于第一预设阈值且所述累积贡献率大于第二预设阈值的主成分的值作为所述综合指标值。3.根据权利要求1所述的水质评价方法，其特征在于，所述步骤S2具体包括：S21，使用所述蚁群算法对所述综合指标值进行聚类，获取聚类中心，将所述聚类中心作为所述RBF神经网络的中心；S22，使用反向传播算法获取所述RBF神经网络中从隐含层到输出层的权值；S23，根据所述隐含层的隐含单元的输出，对所述隐含单元进行裁剪。4.根据权利要求3所述的水质评价方法，其特征在于，所述步骤S21具体包括：S211，根据任意两个综合指标之间的路径信息量，获取所述两个综合指标中一个综合指标聚类到另一个综合指标的概率，若判断所述概率大于第三阈值，则将所述两个综合指标分为一类；S212，获取每一类的聚类中心和所有类的总误差，若判断所述总误差小于或等于第四预设阈值，则将所述聚类中心作为所述RBF神经网络的中心；或者，若判断所述总误差大于所述第四预设阈值，则根据所述综合指标到所述聚类中心的距离和修改后的信息素持久性系数，获取新的路径信息量，使用所述新的路径信息量迭代执行聚类和确定聚类中心的...

【专利技术属性】
技术研发人员：高红菊，徐文平，杭潇，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：北京,11