基于深度学习的水质预测方法及系统技术方案

本发明专利技术提供一种基于深度学习的水质预测方法及系统，该方法包括：获取待测水样的初始水质数据；将初始水质数据输入生成式对抗网络，获取初始水质预测值；对所述初始水质预测值进行散度处理；将散度处理后的初始水质预测值输入改进后的BP神经网络，将改进后的BP神经网络的期望输出作为优化预测值，并根据改进后的BP神经网络中的误差函数获得全局误差，基于优化预测值、全局误差、预设误差范围和预设次数，获得所述待测水样的最优水质预测值。本发明专利技术通过建立一个拥有生成式对抗网络层和一层BP神经网络层的深度网络，提取数据源的深度特征，形成初始化数据，接着进行BP神经网络的优化分析，最终得到更加准确的水质环境预测数据。

【技术实现步骤摘要】
基于深度学习的水质预测方法及系统
本专利技术涉及水质预测领域，更具体地，涉及一种基于深度学习的水质预测方法及系统。
技术介绍
近年来，随着全球水产养殖业规模的迅速扩增，陆地水资源及近海资源逐渐枯竭，水资源污染逐渐加重，而当今社会对水产品的需要又逐渐增加，这两方面的原因迫使着水产养殖业开始走向深海，实行离岸型网箱养殖的新模式。离岸型网箱养殖就是利用水产养殖箱与先进的物联网设备相结合，实现可靠的远距离无线通讯与控制，逐渐摆脱人力资源，实现水产养殖的自动化、信息化。离岸型网箱养殖的模式虽然节省了人力资源，充分利用了海洋资源，但是在施行过程中要克服海洋环境的不可预测性和多变性，增强物联网设备的稳定性与报警功能，这样才能最大化的利用海洋资源。利用原始的深度置信网络(DeepBeliefNetwork，简称DBN)进行数据预测，不能适应海洋复杂的水质环境要求。适用于工业化网箱养殖水质的预测方法所训练的方法一定是非常庞大的，而DBN神经网络结构层次太多，一旦数据在各层次传递时出现偏差，那么会影响整个结构的工作。如果减少限制波尔兹曼机(RestrictedBoltzmannMachine，简称RBM)层数则又达不到预测数据的精度要求。只用BP神经网络处理数据，存在严重的局部极小化问题，并且收敛速度非常慢，效率低。
技术实现思路
本专利技术提供一种克服上述问题或者至少部分地解决上述问题的一种基于深度学习的水质预测方法及系统。根据本专利技术的一个方面，提供一种水质预测方法，包括：S1，获取待测水样的初始水质数据；S2，将所述初始水质数据输入生成式对抗网络，获取初始水质预测值；S3，对所述初始水质预测值进行散度处理；S4，将散度处理后的初始水质预测值输入改进后的BP神经网络，将改进后的BP神经网络的期望输出作为优化预测值，并根据改进后的BP神经网络中的误差函数获得全局误差，基于所述优化预测值、所述全局误差、预设误差范围和预设次数，获得所述待测水样的最优水质预测值，所述改进后的BP神经网络中的误差函数包括所述初始水质数据随时间变化的信息。优选地，步骤S4中根据所述优化预测值、所述全局误差、预设误差范围和预设次数，获得所述待测水样的最优水质预测值具体包括：若所述全局误差在所述预设误差范围内，将所述优化预测值作为所述最优水质预测值；若所述全局误差在所述预设误差范围外，且循环次数达到所述预设次数，将所述优化预测值作为所述最优水质预测值；若所述全局误差在所述预设误差范围外，且所述循环次数未达到所述预设次数，在预设次数内，循环步骤S1～步骤S4，直至通过改进后的BP神经网络中的误差函数获得的全局误差在所述预设误差范围内，将改进后的BP神经网络的期望输出作为所述最优水质预测值；若所述全局误差在所述预设误差范围外，且所述循环次数达到所述预设次数，将所述优化预测值作为所述最优水质预测值。优选地，步骤S3中对所述初始水质数据进行散度处理，具体处理公式如下：其中，xi表示散度处理后的初始水质数据，D表示数据网络，J表示判别网络，i和j均为大于0的正整数，P(Di|Jj)为所述生成式对抗网络的第一损失函数输出数据的对比度，P(Ji|Dj)为所述生成式对抗网络的第二损失函数输出数据的对比度。优选地，步骤S4中，所述改进后的BP神经网络中的误差函数为：其中，e为所述误差函数，m为所述预设次数，i为正整数，o为改进后的BP神经网络的期望输出向量，o(i)表示第i个期望输出向量，q为改进后的BP神经网络的所有期望输出向量的个数，yo为改进后的BP神经网络输出层的输出向量，yo(i)表示第i个输出向量，s为根据所述初始水质数据随时间变化的信息获得的向量，k为正整数，s(k)表示s中第k个元素。优选地，所述初始水质数据包括所述待测水样的温度、所述待测水样的盐度、所述待测水样的溶氧量和所述待测水样的PH。优选地，所述初始水质数据随时间变化的信息具体包括：所述待测水样的温度、所述待测水样的盐度、所述待测水样的溶氧量和所述待测水样的PH分别在四季的变化值。根据本专利技术的另一个方面，提供一种水质预测系统，包括：初始水质模块，用于获取待测水样的初始水质数据；生成式对抗网络模块，用于将所述初始水质数据输入生成式对抗网络，获取初始水质预测值；散度模块，用于对对所述初始水质预测值进行散度处理；预测模块，用于将散度处理后的初始水质预测值输入改进后的BP神经网络，将改进后的BP神经网络的期望输出作为优化预测值，并根据改进后的BP神经网络中的误差函数获得全局误差，基于所述优化预测值、所述全局误差、预设误差范围和预设次数，获得所述待测水样的最优水质预测值，所述改进后的BP神经网络中的误差函数包括所述初始水质数据随时间变化的信息。优选地，所述预测模块中根据所述全局误差、预设误差范围和预设次数，获得所述待测水样的最优水质预测值具体包括：若所述全局误差在所述预设误差范围内，将所述优化预测值作为所述待测水样的最优水质预测值；若所述全局误差在所述预设误差范围外，且循环次数达到所述预设次数，将所述优化预测值作为所述待测水样的最优水质预测值；若所述全局误差在所述预设误差范围外，且所述循环次数未达到所述预设次数，在预设次数内，循环步骤S1～步骤S4，直至通过改进后的BP神经网络中的误差函数获得的全局误差在所述预设误差范围内，将改进后的BP神经网络的期望输出作为所述最优水质预测值；若所述全局误差在所述预设误差范围外，且所述循环次数达到所述预设次数，将所述优化预测值作为所述最优水质预测值。优选地，所述预测模块中改进后的BP神经网络中的误差函数为：其中，e为所述误差函数，m为所述预设次数，i为正整数，o为改进后的BP神经网络的期望输出向量，o(i)表示第i个期望输出向量，q为改进后的BP神经网络的所有期望输出向量的个数，yo为改进后的BP神经网络输出层的输出向量，yo(i)表示第i个输出向量，s为根据所述初始水质数据随时间变化的信息获得的向量，k为正整数，s(k)表示s中第k个元素。优选地，所述散度模块中对所述初始水质数据进行散度处理，具体处理公式如下：其中，xi表示散度处理后的初始水质数据，D表示数据网络，J表示判别网络，i和j均为大于0的正整数，P(Di|Jj)为所述生成式对抗网络的第一损失函数输出数据的对比度，P(Ji|Dj)为所述生成式对抗网络的第二损失函数输出数据的对比度。本专利技术提出一种基于深度学习的水质预测方法及系统，通过建立一个拥有生成式对抗网络层和一层神经网络层的深度网络，以现有物联网设备采集到的数据为数据源，通过生成式对抗网络提取数据源的深度特征，形成初始化数据，接着进行BP神经网络的优化分析，因考虑到海洋环境会随着四季交替产生不同的变化，所以在BP神经网络的优化过程中加入了时空变化参数，从而最终得到更加准确的水质环境预测数据。附图说明图1为本专利技术实施例一种基于深度学习的水质预测方法的流程图；图2为本专利技术一优选实施例的一种基于深度学习的水质预测方法中BP神经网络的结构模型。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。图1为本专利技术实施例一种基于深度学习的水质预测方法的流程图，如图1所示，该方法包括：S1，获取待本文档来自技高网...

【技术保护点】
1.一种水质预测方法，其特征在于，包括：S1，获取待测水样的初始水质数据；S2，将所述初始水质数据输入生成式对抗网络，获取初始水质预测值；S3，对所述初始水质预测值进行散度处理；S4，将散度处理后的初始水质预测值输入改进后的BP神经网络，将改进后的BP神经网络的期望输出作为优化预测值，并根据改进后的BP神经网络中的误差函数获得全局误差，基于所述优化预测值、所述全局误差、预设误差范围和预设次数，获得所述待测水样的最优水质预测值，所述改进后的BP神经网络中的误差函数包括所述初始水质数据随时间变化的信息。

【技术特征摘要】
1.一种水质预测方法，其特征在于，包括：S1，获取待测水样的初始水质数据；S2，将所述初始水质数据输入生成式对抗网络，获取初始水质预测值；S3，对所述初始水质预测值进行散度处理；S4，将散度处理后的初始水质预测值输入改进后的BP神经网络，将改进后的BP神经网络的期望输出作为优化预测值，并根据改进后的BP神经网络中的误差函数获得全局误差，基于所述优化预测值、所述全局误差、预设误差范围和预设次数，获得所述待测水样的最优水质预测值，所述改进后的BP神经网络中的误差函数包括所述初始水质数据随时间变化的信息。2.根据权利要求1所述方法，其特征在于，步骤S4中根据所述优化预测值、所述全局误差、预设误差范围和预设次数，获得所述待测水样的最优水质预测值具体包括：若所述全局误差在所述预设误差范围内，将所述优化预测值作为所述最优水质预测值；若所述全局误差在所述预设误差范围外，且循环次数达到所述预设次数，将所述优化预测值作为所述最优水质预测值；若所述全局误差在所述预设误差范围外，且所述循环次数未达到所述预设次数，在预设次数内，循环步骤S1～步骤S4，直至通过改进后的BP神经网络中的误差函数获得的全局误差在所述预设误差范围内，将改进后的BP神经网络的期望输出作为所述最优水质预测值；若所述全局误差在所述预设误差范围外，且所述循环次数达到所述预设次数，将所述优化预测值作为所述最优水质预测值。3.根据权利要求1所述方法，其特征在于，步骤S3中对所述初始水质数据进行散度处理，具体处理公式如下：其中，xi表示散度处理后的初始水质数据，D表示数据网络，J表示判别网络，i和j均为大于0的正整数，P(Di|Jj)为所述生成式对抗网络的第一损失函数输出数据的对比度，P(Ji|Dj)为所述生成式对抗网络的第二损失函数输出数据的对比度。4.根据权利要求1所述方法，其特征在于，步骤S4中，所述改进后的BP神经网络中的误差函数为：其中，e为所述误差函数，m为所述预设次数，i为正整数，o为改进后的BP神经网络的期望输出向量，o(i)表示第i个期望输出向量，q为改进后的BP神经网络的所有期望输出向量的个数，yo为改进后的BP神经网络输出层的输出向量，yo(i)表示第i个输出向量，s为根据所述初始水质数据随时间变化的信息获得的向量，k为正整数，s(k)表示s中第k个元素。5.根据权利要求1所述方法，其特征在于，所述初始水质数据包括所述待测水样的温度、所述待测水样的盐度、所述待测水样的溶氧量和所述待测水样的PH。6.根据权利要求5所述方法，其特征在于，所述初始水质数据随时间变化的信...

【专利技术属性】
技术研发人员：曲海平，吕志强，岳峻，李振波，
申请(专利权)人：鲁东大学，
类型：发明
国别省市：山东,37