【技术实现步骤摘要】
一种基于FCM和BP算法的污水监测系统及其建立方法
本专利技术涉及污水处理监测
，具体涉及一种基于FCM和BP算法的污水监测系统及其建立方法。
技术介绍
随着我国经济技术的发展，工厂林立，污水的排放对环境造成了严重的影响，目前，我国的污水排放呈现污水种类多、排放位置不统一、污水排放监管工作存在粗放型管理和经济技术不合理的问题，主要表现在：(1)检测技术仍然是简单的数学计算或人工审核，无法满足环境监管部门对真实环境的判断与管理；(2)污染源数据解析技术的实现基于简单的数学计算或人工审核，对于科学可靠的自动解析诊断方法尚缺乏深入研究；(3)以往的污水监测中，通常采用人工监测和记录的形式，监测随机性大、实时性差，这些问题的存在对污水检测准确性带来了困难；伴随着自动监控技术的发展，利用有线技术实现污水监测的系统在美、日等发达国家已经开始大规模地投人使用，但仍存在布线麻烦、成本高等缺点；在我国，污水监测方法已从传统的定时定点采样、实验室离线分析发展到了在线监测，实验室离线分析测量周期长、操作复杂、实验要求严格，且不能满足实时监测的需求，而且传统的污水在线监测系统存在预处理过程复杂、检测设备体积庞大、检测周期长、不能实现连续自动检测等问题；因此在污水在线监测管理技术中，急需一种采集数据精度高、数据解析诊断准确，以及监测系统体积小和性价比高的在线自动监测系统。
技术实现思路
针对上述存在的问题，本专利技术旨在提供一种基于FCM和BP算法的污水监测系统及其建立方法，通...
【技术保护点】
1.一种基于FCM和BP算法的污水监测系统的建立方法，其特征在于：所述方法包括以下步骤：/n步骤一：利用FCM和BP混合算法对采集的水污染数据进行解析，同时利用粒子群优化算法确定水污染物的侵入位置、开始侵入时间和侵入速度，设计基于FCM和BP混合算法运算的污染源解析模块的内置处理器，并利用MATLAB编程工具进行编程；/n步骤二：在设计出基于FCM和BP混合算法运算的污染源解析模块的内置处理器后，利用面向对象的设计思想、基于C/S结构系统及MVC模式H层框架构建水质监测管理平台；/n步骤三：在水质监测管理平台的基础上，采用纳氏试剂分光光度法检测水质参数，并结合PLC、组态软件、4G移动通信技术搭建基于物联网的水质监测系统硬件架构；/n步骤四：在基于物联网的水质监测系统硬件架构的基础上，利用基于水质传感器、微控制器和无线模块的设计思路及实现方法，以及各部分之间的通信协议建立可以实现污水监测物联网系统信息采集与传递功能的基于物联网的污水监测系统。/n
【技术特征摘要】
1.一种基于FCM和BP算法的污水监测系统的建立方法，其特征在于：所述方法包括以下步骤：
步骤一：利用FCM和BP混合算法对采集的水污染数据进行解析，同时利用粒子群优化算法确定水污染物的侵入位置、开始侵入时间和侵入速度，设计基于FCM和BP混合算法运算的污染源解析模块的内置处理器，并利用MATLAB编程工具进行编程；
步骤二：在设计出基于FCM和BP混合算法运算的污染源解析模块的内置处理器后，利用面向对象的设计思想、基于C/S结构系统及MVC模式H层框架构建水质监测管理平台；
步骤三：在水质监测管理平台的基础上，采用纳氏试剂分光光度法检测水质参数，并结合PLC、组态软件、4G移动通信技术搭建基于物联网的水质监测系统硬件架构；
步骤四：在基于物联网的水质监测系统硬件架构的基础上，利用基于水质传感器、微控制器和无线模块的设计思路及实现方法，以及各部分之间的通信协议建立可以实现污水监测物联网系统信息采集与传递功能的基于物联网的污水监测系统。
2.根据权利要求1所述的一种基于FCM和BP算法的污水监测系统的建立方法，其特征在于：步骤一所述的利用FCM和BP混合算法对水污染解析的具体过程包括：
S1.利用FCM(模糊聚类)算法对污染源监测数据进行解析，并利用隶属度函数确定数据点之间相关特性，对数据划分聚类：
S2.利用BP神经网络算法对S1划分的数据聚类中的异常类值进行修正，得到处理后的数据样本；
S3.将S2处理后的数据作为监测数据，并将其代入粒子群优化算法中，利用粒子群优化算法建立污染源反向追踪模型，将模拟优化时段内各监测点的实际监测值与模拟值的差的平方和作为模型目标函数，然后采用粒子群优化算法为优化求解工具，快速确定污染源位置及影响范围，设计基于利用FCM和BP混合算法运算的污染源解析模块内置处理器，所述的模型目标函数为：
其中X是污染源最优解，yi(t)是水质监测点i在t时刻的污染物模拟浓度；y′i(t)是水质监测点i在t时刻的污染物实测浓度；m是水质监测点个数；t是模拟历时。
3.根据权利要求2所述的一种基于FCM和BP算法的污水监测系统的建立方法，其特征在于：步骤S1所述的利用FCM算法对污染源监测数据进行解析和划分聚类的过程包括：
(1)原始数据预处理：数据预处理包括对监测到的水污染的原始数据进行插补缺失数据、清除噪声数据、按月分组，分组后观察每月数据的变化范围，判断是否需要对该月进行异常检测过程；
(2)在数据预处理完成后，利用FCM算法对预处理的数据进行聚类，将需要检测的月份依次作为FCM算法的输入源进行聚类，聚类的具体过程为：
a.首先设定类别个数C，2≤C≤N，N为数据样本总量，给出迭代停止阈值ε，初始化聚类的原型模式P(b)，给定迭代计数器b＝0；
b.计算划分矩阵U(b)：对于如果则有：
对于如果则有：
且对
c.对于上述两种情况进行迭代，得到迭代更新后的原型矩阵Pb+1为：
d.判断并输出分割后的矩阵U与聚类原型P：若||Pi(b)-Pi(b+1)||≤ε，则计算结束同时输出分割后的矩阵U与聚类原型P；否则令b＝b+1，转步骤b再次进行迭代；
其中||.||是恰当的矩阵范数；
(3)数据聚类完成后，分析聚类结果，根据各类数据的自身特性，将数据分为正常类值和异常类值，完成对污染源监测数据的异常检测。
4.根据权利要求3所述的一种基于FCM和BP算法的污水监测系统的建立方法，其特征在于：步骤S2所述的利用BP神经网络算法数据聚类中的异常类值进行修正的具体过程包括：
(1)找出步骤一检测出的数据中的异常类值，并将异常类值之前的数据序列作为BP神经网络的输入样本；
(2)然后将异常类值之前的数据序列代入BP神经网络算法，利用BP神经网络算法的非线性拟合能为，对异常类值位置进行数据预测；
(3)通过BP神经网络算法预测到的数据来代替原本数据中的的异常类值，即完成异常值的修正；
(4)当数据集中出现多个异常类值数据时，利用BP神经网络算法进行逐个修正，即在对第一个异常值修正完成后，替换出原数据序列中的异常值，用新的数据序列作为BP神经网络算法对下一个异常值预测时的输入样本去修正第二个异常数据。
5.根据权利要求4所述的一种基于FCM和BP算法的污水监测系统的建立方法，其特征在于：步骤S3所述的利用粒子群优化算法建立污染源反向追踪模型的具体过程包括：
(1)首先利用粒子群优化算法计算水利信息、管网属性和经步骤二修正后的监测数据之间的关系，分析管网中污染物浓度随时间、空间的变化的规律，设计模型参数，建立水力水质模型，并确保模型能较好地吻合管网中实际水力水质情况，所述利用粒子群优化算法分析管网中污染物浓度随时间、空间的变化的具体过程为：
a.首先在污染源可行解空间中初始化一群粒子，每个粒子的特征用位置、速度和适应度值三项指标表示，其中粒子位置代表一个污染源的潜在解信息，粒子速度表示个体位置的变化幅度，适应度值的好坏表示粒子位置所代表污染源潜在解的优劣，以模型目标函数式作为适应度函数；
b.粒子在解空间中运动时，通过跟踪单个粒子潜在污染源历史最优解位置和群体中潜在污染源历史最优解位置更新个体位置，粒子每更新一次位置，表示污染源潜在解进行一次更新，通过粒子此时的适应度值与个体先前最优适应度值、群体最优适应度值的大小比较，更新粒子潜在污染源最优解位置和群体潜在污染源最优解位置，反复迭代计算，搜索污染源最优解：
首先定义X＝(X1,X2,...,Xn)T
Xi＝(xi1,xi2,...,xi(3m-2),xi(3m-1),xi(3m))T
V＝(V1,V2,...,Vn)T
vi＝(vi1,vi2,...,vi(3m-2),vi(3m-1),vi(3m))T
其中：X是种群中n个粒子位置组成的矩阵，表示含有n个污染源潜在解的矩阵；Xi为...
【专利技术属性】
技术研发人员：韩梅，
申请(专利权)人：天津中德应用技术大学，
类型：发明
国别省市：天津;12
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。