水体质量预测方法、终端设备及计算机可读存储介质技术

本发明专利技术公开了一种水体质量预测方法、终端设备及计算机可读存储介质，该方法包括：根据瓦斯相关参数构建水体质量预测模型；初始化第一预定数量的输入向量的值，根据输入向量的值确定最优输入向量；根据次优输入向量的新值更新最优输入向量；将除最优输入向量之外的其他所有输入向量分为两组；分别计算第一组及第二组中所有输入向量对应的新值；对两组中所有新值进行寻优操作，根据寻优结果更新最优输入向量；将最优输入向量中值赋予水体质量预测模型，通过第二预定数量的样本数据对预测模型进行训练，并继续寻找最优输入向量直至达到预设条件后停止训练。本发明专利技术能够较好的预测水体质量，收敛速度快，为水资源管理提供依据。

Water Quality Prediction Method, Terminal Equipment and Computer Readable Storage Media

【技术实现步骤摘要】
水体质量预测方法、终端设备及计算机可读存储介质
本专利技术涉及深度学习
，具体而言，涉及一种水体质量预测方法、终端设备及计算机可读存储介质。
技术介绍
随着现代化的发展，水资源面临困境，水资源十分宝贵。水资源管理可用于提高水资源的有效利用率，保护水资源的持续开发利用，充分发挥水资源工程的经济效益，在满足用水户对水量和水质要求的前提下，使水资源发挥最大的社会、环境、经济效益。水体质量标志着水体的物理(如色度、浊度、臭味等)、化学(无机物和有机物的含量)和生物(细菌、微生物、浮游生物、底栖生物)的特性及其组成的状况。因此，合理度量水体质量，对水资源管理具有重要意义。
技术实现思路
鉴于上述问题，本专利技术实施例的目的在于提供一种水体质量预测方法、终端设备及计算机可读存储介质，以解决现有技术的不足。根据本专利技术的一个实施方式，提供一种水体质量预测方法，包括：S1根据水体质量参数构建水体质量预测模型；S2根据所述水体质量预测模型中所有的权值和神经元阈值作为输入向量的维数，初始化第一预定数量的输入向量的值；S3根据所述输入向量的值与目标函数对所述第一预定数据量的输入向量进行寻优操作以确定最优输入向量；S4将第二预设数量的输入向量进行柯西扰动得到所述输入向量对应的新值；S5对所述第二预设数量的输入向量对应的新值进行所述寻优操作，及根据寻优结果更新所述最优输入向量；S6将除所述最优输入向量之外的其他所有输入向量分为两组；S7根据第一组中的每一输入向量的最近邻输入向量的值计算该输入向量对应的新值，及根据水下地标算子、光照算子、溶解度浓度算子、食物分布算子及水流因子计算第二组中输入向量对应的新值；S8根据第一组中所有输入向量的新值及第二组中所有输入向量的新值对两组输入向量进行所述寻优操作，根据寻优结果更新所述最优输入向量；S9将所述最优输入向量中权值和阈值赋予所述水体质量预测模型，通过样本数据对水体质量预测模型进行训练，并继续执行步骤S3及S3之后所有步骤直至达到预设条件后停止训练，根据训练好的水体质量预测模型进行水体质量预测。在上述的水体质量预测方法中，水体质量预测模型包括输入层、径向基层及输出层，其中，所述径向基层中包括八个径向基；每一径向基均采用如下所示的神经元模型公式：其中，Q为径向基层的输出，n为输入层中水体质量参数的个数，wi为第i个水体质量参数对应的权值，xi为输入层中第i个水体质量参数，b为神经元阈值。在上述的水体质量预测方法中，通过下述公式对所述第一预定数量的输入向量的值进行初始化：xij＝β(xup-xdown)+xdown其中，xij为输入向量的值，β为混沌随机数，其取值范围为(0，1)，[xdown,xup]为xij的定义域。在上述的水体质量预测方法中，所述“根据所述输入向量的值与目标函数对所述第一预定数据量的输入向量进行寻优操作以确定最优输入向量”包括：分别将每一输入向量中权值和阈值赋予所述水体质量预测模型，通过预定样本数据对每一输入向量对应的水体质量预测模型进行训练得到水体质量的预测值，其中，所述样本数据中包括水体质量的实际值；将每一输入向量对应的样本数据的数目、水体质量的预测值及水体质量的实际值通过所述目标函数后得到对应目标值，所述目标函数为：其中，g为目标函数，k为每一输入向量对应样本数据的数目，为每一输入向量中第i个样本数据通过所述水体质量预测模型后输出的水体质量的预测值，yi为每一输入向量中第i个样本数据的水体质量的实际值；将所有输入向量的目标值进行排序，选取最小目标值对应的输入向量作为最优输入向量。在上述的水体质量预测方法中，所述第二预设数量的输入向量包括最优输入向量及次优输入向量，所述次优输入向量为与所述最小目标值最相近的第三预设数量个目标值对应的输入向量；所述柯西扰动包括：Xq(t)＝(1-C(x0,γ))Xq(t-1)+C(x0,γ)其中，Xq(t)为次优输入向量对应的新值，C(x0,γ)为由柯西概率分布生成的随机数，x0为柯西概率分布的位置参数，γ为柯西概率分布的尺度参数，Xq(t-1)为目标值小于Xq(t)对应的次优输入向量的目标值且与Xq(t)对应的次优输入向量的目标值相邻的目标值对应的输入向量的值。在上述的水体质量预测方法中，所述“根据第一组中的每一输入向量的最近邻输入向量的值计算该输入向量对应的新值”包括：确定固定距离：其中，D为固定距离，n为最近邻输入向量的数量取值范围，xj,i＝(xj,1,xj,2,…,xj,n)为n个最近邻输入向量中第j个输入向量的值，xk,i＝(xk,1,xk,2,…,xk,n)为n个最近邻输入向量中第k个输入向量的值，j＝1,2,…n，k＝1,2,…n；将该固定距离内的所有输入向量作为最近邻输入向量，根据最近邻输入向量计算该输入向量对应的新值：xijk+1＝w1(xikk-xijk)+w2(xilk-xijk)+…+wn(xink-xijk)其中，xijk+1为第一组中输入向量对应的新值，w1,w2,…wn分别为对应的最近邻输入向量，xikk、xilk及xink为最近邻输入向量的值，xijk为第一组中输入向量对应的值。在上述的水体质量预测方法中，所述“根据水下地标算子、光照算子、溶解度浓度算子、食物分布算子及水流因子计算第二组中输入向量对应的新值”包括：将水下地标算子、光照算子、溶解度浓度算子、食物分布算子及水流因子通过下式计算第二组中输入向量对应的新值：其中，xijk+1为第二组中输入向量对应的新值，xijk为第二组中输入向量对应的值，r1为水下地标算子，r2为光照算子，r3为溶解度浓度算子，r4为食物分布算子，r5为水流因子，rand为随机数，xbest为最优输入向量的值。在上述的水体质量预测方法中，所述预设条件为训练次数达到预设阈值或者所述误差值不再发生改变。根据本专利技术的另一个实施方式，提供一种水体质量预测装置，该装置包括：构建模块，用于根据水体质量参数构建水体质量预测模型；初始化模块，用于根据所述水体质量预测模型中所有的权值和神经元阈值作为输入向量的维数，初始化第一预定数量的输入向量的值；第一寻优模块，用于根据所述输入向量的值与目标函数对所述第一预定数据量的输入向量进行寻优操作以确定最优输入向量；柯西扰动模块，用于将第二预设数量的输入向量进行柯西扰动得到所述输入向量对应的新值；第二寻优模块，用于对所述第二预设数量的输入向量对应的新值进行所述寻优操作，及根据寻优结果更新所述最优输入向量；分组模块，用于将除所述最优输入向量之外的其他所有输入向量分为两组；计算模块，用于根据第一组中的每一输入向量的最近邻输入向量的值计算该输入向量对应的新值，及根据水下地标算子、光照算子、溶解度浓度算子、食物分布算子及水流因子计算第二组中输入向量对应的新值；第三寻优模块，用于根据第一组中所有输入向量的新值及第二组中所有输入向量的新值对两组输入向量进行所述寻优操作，根据寻优结果更新所述最优输入向量；训练模块，用于将所述最优输入向量中权值和阈值赋予所述水体质量预测模型，通过样本数据对水体质量预测模型进行训练，并继续执行所述第一寻优模块及其之后所有模块的功能直至达到预设条件后停止训练，根据训练好的水体质量预测模型进行水体质量预测。根据本专利技术的再一个实施方式本文档来自技高网...

【技术保护点】
1.一种水体质量预测方法，其特征在于，包括：S1根据水体质量参数构建水体质量预测模型；S2根据所述水体质量预测模型中所有的权值和神经元阈值作为输入向量的维数，初始化第一预定数量的输入向量的值；S3根据所述输入向量的值与目标函数对所述第一预定数据量的输入向量进行寻优操作以确定最优输入向量；S4将第二预设数量的输入向量进行柯西扰动得到所述输入向量对应的新值；S5对所述第二预设数量的输入向量对应的新值进行所述寻优操作，及根据寻优结果更新所述最优输入向量；S6将除所述最优输入向量之外的其他所有输入向量分为两组；S7根据第一组中的每一输入向量的最近邻输入向量的值计算该输入向量对应的新值，及根据水下地标算子、光照算子、溶解度浓度算子、食物分布算子及水流因子计算第二组中输入向量对应的新值；S8根据第一组中所有输入向量的新值及第二组中所有输入向量的新值对两组输入向量进行所述寻优操作，根据寻优结果更新所述最优输入向量；S9将所述最优输入向量中权值和阈值赋予所述水体质量预测模型，通过样本数据对水体质量预测模型进行训练，并继续执行步骤S3及S3之后所有步骤直至达到预设条件后停止训练，根据训练好的水体质量预测模型进行水体质量预测。...

【技术特征摘要】
1.一种水体质量预测方法，其特征在于，包括：S1根据水体质量参数构建水体质量预测模型；S2根据所述水体质量预测模型中所有的权值和神经元阈值作为输入向量的维数，初始化第一预定数量的输入向量的值；S3根据所述输入向量的值与目标函数对所述第一预定数据量的输入向量进行寻优操作以确定最优输入向量；S4将第二预设数量的输入向量进行柯西扰动得到所述输入向量对应的新值；S5对所述第二预设数量的输入向量对应的新值进行所述寻优操作，及根据寻优结果更新所述最优输入向量；S6将除所述最优输入向量之外的其他所有输入向量分为两组；S7根据第一组中的每一输入向量的最近邻输入向量的值计算该输入向量对应的新值，及根据水下地标算子、光照算子、溶解度浓度算子、食物分布算子及水流因子计算第二组中输入向量对应的新值；S8根据第一组中所有输入向量的新值及第二组中所有输入向量的新值对两组输入向量进行所述寻优操作，根据寻优结果更新所述最优输入向量；S9将所述最优输入向量中权值和阈值赋予所述水体质量预测模型，通过样本数据对水体质量预测模型进行训练，并继续执行步骤S3及S3之后所有步骤直至达到预设条件后停止训练，根据训练好的水体质量预测模型进行水体质量预测。2.根据权利要求1所述的水体质量预测方法，其特征在于，水体质量预测模型包括输入层、径向基层及输出层，其中，所述径向基层中包括八个径向基；每一径向基均采用如下所示的神经元模型公式：其中，Q为径向基层的输出，n为输入层中水体质量参数的个数，wi为第i个水体质量参数对应的权值，xi为输入层中第i个水体质量参数，b为神经元阈值。3.根据权利要求1所述的水体质量预测方法，其特征在于，通过下述公式对所述第一预定数量的输入向量的值进行初始化：xij＝β(xup-xdown)+xdown其中，xij为输入向量的值，β为混沌随机数，其取值范围为(0，1)，[xdown,xup]为xij的定义域。4.根据权利要求1所述的水体质量预测方法，其特征在于，所述“根据所述输入向量的值与目标函数对所述第一预定数据量的输入向量进行寻优操作以确定最优输入向量”包括：分别将每一输入向量中权值和阈值赋予所述水体质量预测模型，通过预定样本数据对每一输入向量对应的水体质量预测模型进行训练得到水体质量的预测值，其中，所述样本数据中包括水体质量的实际值；将每一输入向量对应的样本数据的数目、水体质量的预测值及水体质量的实际值通过所述目标函数后得到对应目标值，所述目标函数为：其中，g为目标函数，k为每一输入向量对应样本数据的数目，为每一输入向量中第i个样本数据通过所述水体质量预测模型后输出的水体质量的预测值，yi为每一输入向量中第i个样本数据的水体质量的实际值；将所有输入向量的目标值进行排...

【专利技术属性】
技术研发人员：王丹，王纯斌，赵神州，覃进学，蓝科，
申请(专利权)人：成都四方伟业软件股份有限公司，
类型：发明
国别省市：四川,51