一种海水水质评价的方法技术

本发明专利技术专利公开了一种海水质量评价的方法，包括头脑风暴优化初始值获取、BP神经网络优化值匹配和优化结果验证。头脑风暴优化初始值获取，采用群智能优化算法中的头脑风暴算法，解决了BP神经网络的权重值与阈值计算复杂困难的问题。BP神经网络优化值匹配和优化结果验证，采用优化后的BP神经网络构建海水水质评价模型，使用历史案例数据对模型进行训练，当预测误差在允许的范围内或者网络训练达到最大的迭代次数，训练结束。预测结果分析，使用训练好的模型对海水水质进行评价，评价结果的均方根误差均小于优化前的传统的BP神经网络的评价结果，评价精度更高。本发明专利技术可为海水水质评价提供一种新的解决方案。

【技术实现步骤摘要】
一种海水水质评价的方法
本专利技术涉及海水质量监测
，具体为一种海水水质评价的方法。
技术介绍
随着海洋经济的不断发展，海洋环境承受着日益剧增的压力。海水水质评价的基础是根据海水水质指标的值对水质水平进行综合评价，以确定评价水域的主要污染问题，为沿海水域的环境管理和决策提供基础。国内外环境工作者研究开发了很多评价方法,如单指数法、模糊综合评价法、模糊聚类法、灰色聚类法等，海洋水体是一个大量存在非线性和非平稳问题的综合系统，海水污染受到多种因素影响，污染物之间有复杂的非线性关系，而这些方法存在评价方式局限、评价结果粗糙等问题，不能满足现如今海水水质评价的要求。
技术实现思路
本专利技术的目的在于提供一种海水水质评价的方法，具有评价结果准确的特点，解决了传统海水质量评价方法评价结果粗糙等问题。为实现上述目的，本专利技术提供如下技术方案：一种海水水质评价的方法，包括头脑风暴优化和BP神经网络计算两个阶段步骤，其中，所述的头脑风暴优化阶段步骤包括头脑风暴优化初始值获取和优化过程中的迭代更新，BP神经网络计算阶段步骤包括优化值匹配和优化值结果验证。海水水质评价方法之头脑风暴优化阶段步骤，其中所述的初始值获取有如下步骤：对于头脑风暴方法的初始值，根据头脑风暴优化的中心思想，个体越多，获得最优解的可能性就越大，个体的增加会增加算法的复杂度，通过算法的综合仿真测试，将个体的大小设置为100，最大迭代次数为500次，经过测试将Pa、Pb、Pc、Pd四个概率分别设置为0.8、0.2、0.4、0.5。头脑风暴优化阶段步骤，其中所述的优化过程中的迭代更新具有如下步骤：在可行解空间内，产生潜在问题的n个可行解个体，确定适应度函数并计算n个可行解个体的适应度；利用k-means聚类算法将n个个体聚类成m个类，每一类被选中的概率大小与类内个体的个数成正比；对每个类内个体的适应度值进行排序，将最佳适应度值的个体视为此类的类中心；对所有个体进行个体的更新，个体的更新主要有四种方式如下:a.随机选中一个类，在此类的类中心上加随机扰动产生新个体；b.随机选中一个类，随机选择所选类中的一个个体，加上随机扰动以产生一个新个体；c.随机选中2个类，首先把这两个类的类中心进行融合，再加上随机扰动产生一个新个体；d.随机选中2个类，首先这两个类的每类中各自随机选出一个个体进行融合,再加上随机扰动产生一个新个体；将新产生的个体的适应度值与原个体进行比较，若新个体较优，则替换原个体。每个个体逐一进行更新，若达到迭代停止条件，则迭代停止，否则，返回第三步，直到迭代停止。海水质量方法之BP神经网络计算阶段步骤，其中所述优化值匹配具有如下步骤：建立BP神经网络，设计BP神经网络的隐含层包括5个神经元，输出层包括1个神经元。BP网络的学习速率与冲量系数不断尝试后为Ir=0.001，mc=0.05，logsig函数作为隐含层的转移函数。海水水质评价方法之BP神经网络计算阶段步骤，其中所述优化值结果验证具有如下步骤：采用头脑风暴优化得到的最优解作为BP神经网络权重值和阈值，使用数据进行神经网络仿真。附图说明图1为本专利技术涉及的头脑风暴优化的工作流程图。图2为本专利技术涉及的BP神经网络计算的工作流程图。具体实施方案本专利技术所述海水水质评价方法包括两个工作阶段：头脑风暴优化过程和神经网络计算过程，各阶段步骤如下：A．头脑风暴优化过程头脑风暴优化参数包括初始个体数量n、种群类别数目m、最大迭代次数iteration、随机扰动的坡度调节参数K以及初始解维数D，确定Pa、Pb、Pc、Pd四个概率的值，用来选择不同的个体更新方式，来控制实现个体的迭代更新。a.随机选中一个类，在此类的类中心上加随机扰动产生新个体；b.随机选中一个类，随机选择所选类中的一个个体，加上随机扰动以产生一个新个体；c.随机选中2个类，首先把这两个类的类中心进行融合，再加上随机扰动产生一个新个体；d.随机选中2个类，首先这两个类的每类中各自随机选出一个个体进行融合,再加上随机扰动产生一个新个体｡从以上四种跟新方式中选择一种方式产生新个体，将新个体的适应度值与原个体比较，若新个体更好，则替换原个体。继续迭代更新个体，直到达到最佳或者达到终止条件，停止更新。B．神经网络计算过程建立一个BP神经网络，选择无机氮、活性磷酸盐、COD和石油类作为4个输入神经元，根据实验与计算，设计BP神经网络的隐含层包括5个神经元，输出层包括1个神经元。BP网络的学习速率与冲量系数不断尝试后为Ir=0.001，mc=0.05，logsig函数作为隐含层的转移函数。利用BP神经网络的训练集和适应度函数初始化每个个体的适应度值。将得到的最优解作为BP神经网络权重值和阈值，使用数据进行神经网络仿真。本文档来自技高网...

【技术保护点】
1.一种海水水质评价的方法，其特征在于，包括：/nS1，利用头脑风暴优化算法，在不断迭代更新中，获取BP神经网络的最优权值和阈值；/nS2，以海水水质评价因子作为参评因子，并作为BP神经网络输入神经元，利用优化的权值和阈值进行计算，评价水质等级。/n

【技术特征摘要】
1.一种海水水质评价的方法，其特征在于，包括：
S1，利用头脑风暴优化算法，在不断迭代更新中，获取BP神经网络的最优权值和阈值；
S2，以海水水质评价因子作为参评因子，并作为BP神经网络输入神经元，利用优化的权值和阈值进行计算，评价水质等级。


2.根据权利要求1所述的海水水质评价方法，其特征在于，所述步骤S1具体包括：
头脑风暴优化算法的参数赋一组初始值，头脑风暴优化算法的参数包括初始个体数量n、种群类别数目m、最大迭代次数iteration、随机扰动的坡度调节参数K以及初始解维数D，确定适应度计算函数并计算每个个体的适应度值；
使用均方误差MSE作为计算适应度值的方式：在模型中，适应度值越小，个体越优；
确定Pa、Pb、Pc、Pd四个概率的值，用来选择不同的个体更新方式，来控制实现个体的迭代更新；
利用BP神经网络的训练集和适应度函数初始化每个个体的适应度值；
从四种跟新方式中选择一种方式产生新个体，将新个体的适应度值与原个体比较，若新个体更好，则替换原个体。


3.根据权利要求1所述的海水水质评价方法，其特征在于，所述步骤S2具体包括：
选用单隐含层前馈网络，即3层BP神经网络，选择无机氮、活性磷酸盐、COD和石油类作为4个输入神经元，根据实验与计算，设计BP神经网络的隐含层包括5个神经元，输出层包括1个神经；
BP网络的学习速率与冲量系数不断尝试后为Ir=0.001，mc=0.05，logsig...

【专利技术属性】
技术研发人员：邵泽东，李海涛，
申请(专利权)人：邵泽东，
类型：发明
国别省市：山东;37