基于集成神经网络的河流污染物通量智能计算与预测方法技术

本发明专利技术公开了一种基于集成神经网络的河流污染物通量智能计算与预测方法，包括以下步骤：S1、输入污染物浓度与河流流量历史数据，判别河流主要污染物类型和流量时均变化类型，利用机器学习的支撑向量机方法，实现河流主要污染物的污染源类型和流量时均变化程度的智能分类；S2、依据S1中对于主要污染物和时均变化类型的判断，结合不同需求以及客观条件，调整污染物通量计算公式，进行污染物通量计算；S3、应用卷积神经网络方法，结合长短期记忆人工神经网络和栈式自编码器预测污染物浓度与河流流量，将污染物浓度与河流流量的预测数据输入S1进行智能分类，依据S1分类结果，结合预测数据，应用S2预测污染物通量。应用S2预测污染物通量。应用S2预测污染物通量。

【技术实现步骤摘要】
基于集成神经网络的河流污染物通量智能计算与预测方法


[0001]本专利技术涉及河流污染
，具体涉及一种基于集成神经网络的河流污染物通量智能计算与预测方法。

技术介绍

[0002]近年来，随着我国工业化进程的不断推进，河流污染问题也在不断显现， 以珠江流域为例，大量高消耗，高污染工业园区建立，这些园区与周围地区的 产业规划不完善，污水处理不到位，对珠江水质带来不利的影响。而治理河流 污染极其重要的一步，便是计算及预测各河流的污染通量，量化每条河流受污 染的严重程度，明确各河流主要污染物，用这些数据指导政府或相关企业进行 针对性的污染治理。然而，由于污染源类型(点源/面源)存在显著的时空变化， 各河流径流量变化率对污染物通量变幅影响亦存在显著差异，若针对不同河流、 不同污染物的通量计算采用同样的计算算法，会导致计算结果与实际情况产生 偏差。因此，不应通过某一种给定的计算公式去计算所有河流的污染通量，而 要结合污染物类型、河流径流量时均变化剧烈与否及其他客观条件和需求，选 择最合适的计算公式。

技术实现思路

[0003]本专利技术提供一种基于集成神经网络的河流污染物通量智能计算与预测方法，包括以下步骤：
[0004]S1、输入污染物浓度与河流流量历史数据，判别河流主要污染物类型和流量时均变化类型，利用支撑向量机方法，实现河流主要污染物的污染源类型和流量时均变化程度的智能分类；
[0005]S2、依据S1中对于主要污染物和时均变化类型的判断，结合不同需求以及客观条件，调整污染物通量计算公式，进行污染物通量计算；
[0006]S3、应用卷积神经网络方法，结合长短期记忆人工神经网络和栈式自编码器预测污染物浓度与河流流量，将污染物浓度与河流流量预测数据输入S1进行智能分类，依据S1分类结果，结合预测数据，应用S2预测污染物通量。
[0007]本专利技术提供的技术方案带来的有益效果是：本专利技术实现了对河流污染源类型的智能判别，河流流量和污染物浓度的补缺与预测，具有精准量化河流污染程度的实际意义。
附图说明
[0008]图1为本专利技术一种基于集成神经网络的河流污染物通量智能计算与预测方法流程图；
[0009]图2为支撑向量机在高维空间构造超平面区分的两种样本；
[0010]图3为使用栈式自编码器、长短期记忆人工神经网络以及卷积神经网络处理历史数据流程图。
具体实施方式
[0011]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术实施方式作进一步地描述。
[0012]请参考图1，本专利技术提供一种基于集成神经网络的河流污染物通量智能计算与预测方法，针对现在对于河流污染物通量计算策略的不足做出改进，结合了人工智能深度学习的代表方法：支撑向量机(supportvectormachines,SVM)、卷积神经网络(Convolutional NeuralNetworks,CNN)、长短期记忆人工神经网络(Long
‑
Short Term Memory,LSTM)及栈式自编码器(Stacked Autoencoder, SAE)，实现对河流污染源类型的智能判别，河流流量和污染物浓度的补缺与预测，具有精准量化河流污染程度的实际意义，具体包括以下步骤：
[0013]S1、输入污染物浓度与河流流量历史数据，判别河流主要污染物类型和流量时均变化类型，利用支撑向量机方法，实现河流主要污染物的污染源类型和流量时均变化程度的智能分类；
[0014]综合污染指数是目前国际上评价河流时应用范围最广且成熟的一种方法，评价指标主要涵盖有机污染指标、氮和磷等；
[0015]污染指数包括以下指数：污染因子的污染指数、平均污染指数(Average Contaminative Index，ACI)和综合污染指数ICI等，其公式分别为：
[0016]污染因子的污染指数：
[0017][0018]式中，i为污染因子，c
i
为污染因子i的实测含量，S
i
为污染因子i的评价标准值，一般采用国家地表水环境质量标(GB3838
‑
2002)中的Ⅲ类水质标准作为标准值。
[0019]ICI定义为：
[0020][0021]式中，P
j
为平均污染指数，m为污染因子数。
[0022]污染分担率表示单项污染因子指数对综合水质污染的贡献大小，污染分担率最高的因子即为水体的首要污染物；污染分担率定义为：
[0023][0024]式中，P
ij
为某种污染因子的平均污染指数，K为综合污染指数。
[0025]所述主要污染物类型包括点源和面源，流量时均变化类型包括明显和不明显。
[0026]采用支撑向量机，根据数据构造最优超平面，在超平面中画出最优分类函数线，区分出污染物是点源还是面源，河流流量时均变化是明显还是不明显均被这一条函数线所区分，具体构造方法如下：
[0027]假设训练样本集
[0028]T＝{(x1,y1),(x2,y2),...,(x
N
,y
N
)}
[0029]其中
[0030]x
i
∈R
n
,y
i
∈{
‑
1,+1},i＝1,2,...,N
[0031]SVM在特征空间中构造的超平面表示为：
[0032]w
T
x+b＝0
ꢀꢀ
(1)
[0033]式中：w为法向量，决定超平面的方向；b为位移量，决定超平面与原点之间的距离；T为维度系数，若式(1)中超平面满足约束条件，式(2)则构成最优超平面。
[0034]y
i
(w
T
x+b)≥1,i＝1,2,...,N
ꢀꢀ
(2)
[0035]假设训练数据集不是线性可分的，通常情况是训练数据集中有些特异点，将这些特异点除去后，剩下大部分的样本点组成的集合是线性可分的，对每个样本点引入松弛变量ξ
i
≥0，使函数间隔加上松弛变量大于等于1，式(2)转化为式(3)用于求解凸二次规划问题，目标值的最小函数为：
[0036][0037]s.t. y
i
(w
T
x+b)≥1
‑
ξ
i
,ξ
i
≥0,i＝1,2,...,N
ꢀꢀ
(3)
[0038]式中，C为惩罚因子，C＞0，控制对错分样本的惩罚程度，一般是由实际的应用问题来决定，C增大对误分类的惩罚增大，反之C减小则对于误分类的惩罚减小，按照最优化理论中凸二次规划的解法，加入拉格朗日乘法算子构造式(4)求解上述问题，同时寻找建立最优超平面函数，则：
[0039][0040]式中，α
i
和μ
i
为拉格朗日本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于集成神经网络的河流污染物通量智能计算与预测方法，其特征在于，包括以下步骤：S1、输入污染物浓度与河流流量历史数据，判别河流主要污染物类型和流量时均变化类型，利用支撑向量机方法，实现河流主要污染物的污染源类型和流量时均变化程度的智能分类；S2、依据S1中对于主要污染物和时均变化类型的判断，结合不同需求以及客观条件，调整污染物通量计算公式，进行污染物通量计算；S3、应用卷积神经网络方法，结合长短期记忆人工神经网络和栈式自编码器预测污染物浓度与河流流量，将预测数据输入S1进行智能分类，依据S1分类结果，结合预测数据，应用S2预测污染物通量。2.根据权利要求1所述的一种基于集成神经网络的河流污染物通量智能计算与预测方法，其特征在于，所述主要污染物类型包括点源和面源，流量时均变化类型包括明显和不明显。3.根据权利要求2所述的一种基于集成神经网络的河流污染物通量智能计算与预测方法，其特征在于，采用支撑向量机，根据数据构造最优超平面，在超平面中画出最优分类函数线，污染物是点源还是面源，河流流量时均变化是明显还是不明显均被这一条函数线所区分。4.根据权利要求1所述的一种基于集成神经网络的河流污染物通量智能计算与预测方法，其特征在于，S2步骤中根据分时段通量、时段平均浓度与时段水量之积两类估算方法构造了以下几种时段通量的计算情况，具体包括：(1)通量采用瞬时浓度的平均值与瞬时流量的平均值的乘积进行计算,该方法忽略径流量时均变化的影响；(2)通量采用瞬时浓度的平均值与时段平均流量的乘积进行计算,该方法突出径流量时均变化的影响；(3)通量采用求瞬时浓度与瞬时流量乘积的平均值进行计算，该方法忽略径流量时均变化的影响，但突出了点源污染；(4)通量采用瞬时浓度与代表时段平均流量乘积的平均值进行计算,该方法突出径流量时均变化的影响，同时也突出了非点源污染；(5)通量采用时段通量平均浓度与时段平均流量的乘积进行计算,该方法突出总径流量时均变化的影响，同时也突出了非点源污染。5.根据权利要求4所述的一种基于集成神经网络的河流污染物通量智能计算与预测...

【专利技术属性】
技术研发人员：牟林，王廷轩，牛茜如，
申请(专利权)人：南方海洋科学与工程广东省实验室广州，
类型：发明
国别省市：