一种用于进行水质评价的解耦合参评模型获取方法技术

本发明专利技术提供一种用于进行水质评价的解耦合参评模型获取方法，包括构建参数种类分解层；构建参数数值分解层，每个参数数值分解层均由一个或多个分解单元构成；每个分解单元均具备其对应的数据中心和扩展宽度；获取分解单元对应的BP神经网络；构建加权输出层，在各个分解单元对应的BP神经网络均训练成功后，将其与加权输出层连接即可得到解耦合参评模型。本发明专利技术获取的解耦合参评模型既能够对于某个水质指标进行处理，又能够适应实际情况添加水质指标或删减水质指标。

A Decoupled Model Acquisition Method for Water Quality Assessment

【技术实现步骤摘要】
一种用于进行水质评价的解耦合参评模型获取方法
本专利技术涉及污水处理领域，尤其涉及一种用于进行水质评价的解耦合参评模型获取方法。
技术介绍
目前常用的综合水质评价方法有以下几种：一是根据国家标准选择最差的指标按照分类进行评价；二是污染指数法；三是模糊综合指数法。这些方法对水质评价起到了积极的作用，但也存在一些不足。共同之处是不能科学地评判总体水质状况，并且各个场合使用不同的评价方法，难以进行普适性的评价。
技术实现思路
为了解决上述技术问题，本专利技术提出了一种用于进行水质评价的解耦合参评模型获取方法。本专利技术具体是以如下技术方案实现的：一种用于进行水质评价的解耦合参评模型获取方法，包括：构建参数种类分解层；构建参数数值分解层，每个参数数值分解层均由一个或多个分解单元构成；每个分解单元均具备其对应的数据中心和扩展宽度；获取分解单元对应的BP神经网络；构建加权输出层，在各个分解单元对应的BP神经网络均训练成功后，将其与加权输出层连接即可得到解耦合参评模型。优选的，数据中心的获取方法包括：从所述训练样本集中随机选取N个不同的聚类中心，所述训练样本集中每个数据对象均可以以(xi,yi)来表示，其中xi标识某类参数的具体数值，yi表示水质的评分；计算所述训练样本集中每个数据对象的距离权值以及其与各个聚类中心的距离||Δj-ci(k)||；将训练样本集中每个数据对象分配给使得目标值wk·||xj-ci(k)||最小的聚类中心所在的簇；重新计算各个簇对应的新的聚类中心ci(++k)，其中++k表示循环控制变量自增1；判断聚类中心是否发生变动，若是，则返回执行步骤：计算所述训练样本集中每个数据对象的距离权值以及其与各个聚类中心的距离||Δj-ci(k)||；若否，则流程结束。优选的，所述获取分解单元对应的BP神经网络包括：获取所述训练样本集中的各个样本(xi,yi)；对各个样本(xi,yi)进行分类以得到用于训练分解单元对应的BP神经网络的训练子集；使用训练子集对分解单元对应的BP神经网络进行训练。优选的，对各个样本(xi,yi)进行分类以得到用于训练分解单元对应的BP神经网络的训练子集包括：根据各个数据中心及其对应的扩展宽度判断所述样本(xi,yi)应该被归入的分解单元ci，从而得到对应于所述分解单元ci的样本子集。优选的，所述使用训练子集对分解单元对应的BP神经网络进行训练包括：获取BP神经网络的权值连接矩阵，并初始化训练步数；采用梯度下降法训练所述BP神经网络以更新所述连接矩阵并监控训练步数；若训练步数达到第一阈值，则获取更新后的BP神经网络的输出误差；若所述输出误差小于预设的误差阈值，则流程结束。优选的，若所述输出误差不小于预设的误差阈值，则判断所述训练步数是否达到第二阈值，若否，则：获取更新后的BP神经网络的误差下降趋势；若所述误差下降趋势大于所述趋势阈值，则返回步骤：采用梯度下降法训练所述BP神经网络以更新所述连接矩阵并监控训练步数；若所述误差下降趋势不大于所述趋势阈值，令Wi(k+1)＝-Wi(k),i＝1,2,……,m，其中i表示所述BP神经网络的神经节点的下标，m是参与训练的BP神经网络的神经节点的数量，Wi(k)为神经节点的权向量，并返回步骤：采用梯度下降法训练所述BP神经网络以更新所述连接矩阵并监控训练步数。优选的，若所述输出误差不小于预设的误差阈值，则判断所述训练步数是否达到第二阈值，若是，则分裂所述BP神经网络的神经节点以调整所述BP神经网络的结构，并返回步骤：获取BP神经网络的权值连接矩阵，并初始化训练步数。本专利技术实施例公开了一种用于进行水质评价的解耦合参评模型获取方法，基于所述方法获取的解耦合参评模型既能够对于某个水质指标进行处理，又能够适应实际情况添加水质指标或删减水质指标，每个解耦合的单元均能够被单独训练不受整体影响，对于各个独立的BP神经网络可以进行并行训练，因此，所述解耦合参评模型具备较快的训练速度。对于水质获取参数集中各个参数对于水质输出的结果的影响采用分别训练的方式，充分考虑了各个参数的指向作用，并且在加权输出层中还考虑了在不同场景中各个参数导致水质发生的代价，因此，本专利技术实施例中基于解耦合参评模型获取水质的方法能够得到高精度的水质判定结果，并且能够适应各种场景。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。图1是本专利技术实施例提供的一种水质获取方法流程图；图2是本专利技术实施例提供的解耦合参评模型示意图；图3是本专利技术实施例提供的一种参数数值分解层及其对应的BP神经网络的获取方法流程图；图4是本专利技术实施例提供的一种数据中心的获取方法流程图；图5是本专利技术实施例提供的根据训练样本集训练BP神经网络以得BP神经网络方法流程图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。本专利技术实施例公开了一种水质获取方法，如图1所示，所述方法包括：S101.获取多种水质指标采样数据，构成水质获取参数集。具体地，所述水质指标采样数据包括水浊度、水色度、水温度、水PH值，水营养元素含量、水细菌含量、水化学需氧量、水五日生化需氧量和/或水悬浮物中的多种。S102.将所述水质获取参数集输入预设的解耦合参评模型以得到水质输出结果。如图2所示，所述解耦合参评模型包括三层结构，用于接收输入并对所述水质获取参数集进行参数分解的参数分解层，所述参数分解层包括参数种类分解层和与所述参数种类分解层连接的多个参数数值分解层，每个参数数值分解层均由一个或多个分解单元构成；每个分解单元均具备其对应的数据中心和扩展宽度；每个分解单元均与一个BP神经网络对应连接；全部的BP神经网络构成了模糊神经层，所述模糊神经层中的各个BP神经网络均与加权输出层连接。在一个可行的实施例中，如图2所示，水质获取参数集包括水浊度、水细菌含量、水化学需氧量三个参数，则将所述水质获取参数集输入所述解耦合参评模型后，则被对应处理水浊度、水细菌含量、水化学需氧量三个参数的三个参数数值分解层捕获，参数数值分解层会1对应处理水浊度，参数数值分解层会2对应处理水细菌含量，参数数值分解层会3本文档来自技高网...

【技术保护点】
1.一种用于进行水质评价的解耦合参评模型获取方法，其特征在于，包括：构建参数种类分解层；构建参数数值分解层，每个参数数值分解层均由一个或多个分解单元构成；每个分解单元均具备其对应的数据中心和扩展宽度；获取分解单元对应的BP神经网络；构建加权输出层，在各个分解单元对应的BP神经网络均训练成功后，将其与加权输出层连接即可得到解耦合参评模型。

【技术特征摘要】
1.一种用于进行水质评价的解耦合参评模型获取方法，其特征在于，包括：构建参数种类分解层；构建参数数值分解层，每个参数数值分解层均由一个或多个分解单元构成；每个分解单元均具备其对应的数据中心和扩展宽度；获取分解单元对应的BP神经网络；构建加权输出层，在各个分解单元对应的BP神经网络均训练成功后，将其与加权输出层连接即可得到解耦合参评模型。2.根据权利要求1所述的方法，其特征在于：数据中心的获取方法包括：从所述训练样本集中随机选取N个不同的聚类中心，所述训练样本集中每个数据对象均可以以(xi,yi)来表示，其中xi标识某类参数的具体数值，yi表示水质的评分；计算所述训练样本集中每个数据对象的距离权值以及其与各个聚类中心的距离||Δj-ci(k)||；将训练样本集中每个数据对象分配给使得目标值wk·||xj-ci(k)||最小的聚类中心所在的簇；重新计算各个簇对应的新的聚类中心ci(++k)，其中++k表示循环控制变量自增1；判断聚类中心是否发生变动，若是，则返回执行步骤：计算所述训练样本集中每个数据对象的距离权值以及其与各个聚类中心的距离||Δj-ci(k)||；若否，则流程结束。3.根据权利要求1所述的方法，其特征在于：所述获取分解单元对应的BP神经网络包括：获取所述训练样本集中的各个样本(xi,yi)；对各个样本(xi,yi)进行分类以得到用于训练分解单元对应的BP神经网络的训练子集；使用训练子集对分解单元对应的BP神经网络进行训练。4.根据权利要求3所述的方法，其特征在于：对各个样本(xi,yi)进行分类以...

【专利技术属性】
技术研发人员：金涛，江浩，
申请(专利权)人：杭州铭展网络科技有限公司，
类型：发明
国别省市：浙江,33