一种基于ANN的城乡混合垃圾好氧发酵腐殖程度预测方法技术

一种基于ANN的城乡混合垃圾好氧发酵腐殖程度预测方法，涉及生物信息预测领域。本发明专利技术是为了解决目前腐殖程度预测方法还存在由于影响因素过多导致的预测准确率低的问题。本发明专利技术包括：获取待预测垃圾的环境信息以及垃圾本身理化性质信息，并将环境信息以及垃圾本身理化性质信息中的至少一个数据输入到训练好的最优BP人工神经网络中获得待预测垃圾的腐殖质产生量，并根据腐殖质的产生量确定待预测垃圾的腐殖程度；待预测垃圾所在环境信息包括：天数、温度；垃圾本身理化性质包括：碳氮比、堆肥类型和堆肥比例、PH值；所述BP人工神经网络包括：输入层、隐含层、输出层。本发明专利技术用于预测垃圾好氧发酵的腐殖程度。垃圾好氧发酵的腐殖程度。垃圾好氧发酵的腐殖程度。

【技术实现步骤摘要】
一种基于ANN的城乡混合垃圾好氧发酵腐殖程度预测方法


[0001]本专利技术涉及生物信息预测领域，特别涉及一种基于ANN的城乡混合垃圾好氧发酵腐殖程度预测方法。

技术介绍

[0002]好氧发酵，作为垃圾处理的主要途径之一，具有低成本、可转化出优良肥料、实现垃圾减量化等优点，但其处理过程易受环境、垃圾本身理化性质等因素影响，难达到全局最优的处理效果，因此对垃圾的腐殖化程度预测成为本领域的研究重点。
[0003]由于目前垃圾所在环境比较复杂，影响垃圾腐殖程度的因素过多，导致好氧发酵过程不易控，因此目前只能通过采集已经发酵好的垃圾的腐殖酸，然后根据腐殖酸判断其腐殖程度，而无法提前预测垃圾好氧发酵腐殖程度，从而导致了无法预判垃圾好氧发酵过程腐殖化趋势和规律，进而难以为城市生活垃圾管理实践提供数据支持。

技术实现思路

[0004]本专利技术目的是为了解决目前腐殖程度预测方法还存在由于垃圾腐殖程度的因素过多导致测垃圾好氧发酵腐殖程度预测困难，从而造成了无法预判垃圾好氧发酵过程腐殖化趋势和规律，进而难以为城市生活垃圾管理实践提供数据支持的问题，而提出了一种基于ANN 的城乡混合垃圾好氧发酵腐殖程度预测方法。
[0005]一种基于ANN的城乡混合垃圾好氧发酵腐殖程度预测方法具体过程为：
[0006]获取至少一个待预测垃圾的所在环境信息和垃圾本身理化性质信息，并将待预测垃圾所在环境信息和垃圾本身理化性质信息输入到训练好的最优BP人工神经网络中获得待预测垃圾的腐殖质产生量，并根据腐殖质的产生量确定待预测垃圾的腐殖程度；
[0007]待预测垃圾所在环境信息和垃圾本身理化性质包括：天数、温度、碳氮比、堆肥类型和堆肥比例、PH值。
[0008]本专利技术的有益效果为：
[0009]本专利技术运用BP人工神经网络对好氧发酵的腐殖程度进行预测，解决了目前由于影响因素过度导致的腐殖程度预测困难的问题。本专利技术通过获取与腐殖酸产生量相关性较强的参数数据，对BP人工神经网络进行改进，然后训练BP人工神经网络并修正，使最终获得的BP人工神经网络更符合实际好氧发酵的过程，弥补了好氧发酵过程不易控的缺陷，实现了垃圾处理无害化、减量化、资源化、稳定化，提升了对腐殖质含量的预测准确率。本专利技术利用腐殖质含量对应腐殖程度，实现了对垃圾好氧发酵过程腐殖化趋势、规律的预判，为我国城市生活垃圾管理实践提供了数据支持。
附图说明
[0010]图1为本专利技术网络结构图。
具体实施方式
[0011]具体实施方式一：本实施方式一种基于ANN的城乡混合垃圾好氧发酵腐殖程度预测方法具体过程为：获取待预测垃圾的环境信息和垃圾本身理化性质信息，并将环境信息以及垃圾本身理化性质信息中的至少一个数据输入到训练好的最优BP人工神经网络中获得待预测垃圾的腐殖质产生量，并根据腐殖质的产生量确定待预测垃圾的腐殖程度。
[0012]输入待预测垃圾所在环境信息和垃圾本身理化性质的参数个数根据经验设定；
[0013]待预测垃圾所在环境信息包括：天数、温度等；
[0014]垃圾本身理化性质包括：C/N比(碳氮比)、堆肥类型和堆肥比例、PH值等；
[0015]所述最优训练好的BP人工神经网络通过以下方式获得：
[0016]步骤一、获取腐殖数据集，并将腐殖数据集中的数据进行归一化获得归一化后的腐殖数据集，然后将归一化后的腐殖数据集划分为训练集和测试集；
[0017]所述腐殖数据集中包括：垃圾所在环境信息和垃圾理化性质及其对应的垃圾好氧发酵后的腐殖质含量；
[0018]将腐殖数据集中的每一种数据分别进行归一化获得归一化后的腐殖数据集，具体为：
[0019][0020]其中，X
i
＝{x1,x2,...,x
I
}是归一化后的腐殖数据集，X
min
是腐殖数据集中每种数据的最小值的集合，X
max
是腐殖数据集中每种数据最大值的集合，X
’
i
是腐殖数据集中每种数据值的集合，i∈[1,I]，I是腐殖数据集中包含数据的种类总数；
[0021]所述训练集：测试集＝7:3；
[0022]步骤二、建立BP人工神经网络，如图1所示，并利用训练集训练BP人工神经网络获得训练好的BP人工神经网络；
[0023]所述BP人工神经网络包括：输入层、隐含层、输出层；
[0024]所述隐含层的节点总个数H通过以下公式之一确定：
[0025]H＝2I+1
[0026][0027]H＝1og2I
[0028]其中，I是输入层输入信号的总个数，H是隐含层节点的个数，O是输出层节点数，a 是常数；
[0029]所述隐含层的输出通过以下方式获得：
[0030][0031]其中，V是隐含层节点的输出，h∈[1,H]，H是隐含层的节点总个数，u是隐含层节点的输入值，是隐含层第h个节点的输入值；
[0032]其中，
[0033]其中，x
i
是输入层的输入信号，b1是偏置，w
ih
是输入层和隐含层之间的权值。
[0034]步骤三、利用测试集测试训练好的BP人工神经网络，若准确率高于预设阈值则保
存，获得训练好的最优BP人工神经网络，若准确率低于预设阈值则调整模型的相关参数，包括学习率、模型结构。
[0035]本专利技术基于BP神经网络的原理，输入通过多种方式搜集到的好氧发酵腐殖化相关数据来训练模型，以此得到符合相关精度要求且可弥补好氧发酵过程不易控现象，实现垃圾处理无害化、减量化、资源化、稳定化的模拟结果。研究表明，神经网络是一种模拟人类大脑神经网络行为的数学运算模型，具有一定的自学习功能，其中卷积神经网络和BP神经网络应用较为广泛且卷积神经网络在堆肥腐熟度预测方面已有应用，具体表现为通过模拟人类视觉，对不同堆肥时期的堆体照片进行学习，建立预测模型参数，最终验证，得到效果良好的腐熟度预测模型，但此类模型在实际应用中会受到拍摄角度、相机型号、照片质量等影响，而本专利技术所使用的BP神经网络则利用数据参数完成学习工作，一定程度上减少了输入端数据准确性对于模型的干扰。
[0036]实施例：为了验证本专利技术神经网络结构的可行性，本实施例进行如下试验：
[0037]首先基于相同优化方法条件下，对比不同学习率的模型收敛效果可得在优化算法为 Adam时，最佳学习率为0.1，在优化算法为SGD时，最佳学习率为1
×
10
‑5。根据此结果，接着采用不同随即种子进行随机初始化，结果表明采用不同的随机种子对模型的学习收敛存在一定影响，且均呈现收敛趋势，相较而言种子84和41的收敛效果更好。基于上述分析，分别对两种模型结构的收敛效果进行比较，得到最优模型，即模型结构为7
‑
14
‑
1、优化算法为Adam、随机种子为41、学习率为0.1的参数条件下。由此证明了此方法、模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于ANN的城乡混合垃圾好氧发酵腐殖程度预测方法，其特征在于所述方法具体过程为：获取至少一个待预测垃圾的所在环境信息和垃圾本身理化性质信息，并将待预测垃圾所在环境信息和垃圾本身理化性质信息输入到训练好的最优BP人工神经网络中获得待预测垃圾的腐殖质产生量，并根据腐殖质的产生量确定待预测垃圾的腐殖程度；待预测垃圾所在环境信息和垃圾本身理化性质包括：天数、温度、碳氮比、堆肥类型和堆肥比例、PH值。2.根据权利要求1所述的一种基于ANN的城乡混合垃圾好氧发酵腐殖程度预测方法，其特征在于：所述训练好的最优人工神经网络，通过以下方式获得：步骤一、获取腐殖训练集和测试集：首先，获取腐殖数据集；然后，对腐殖数据集中的数据进行归一化获得归一化后的腐殖数据集；最后，将归一化后的腐殖数据集划分为训练集和测试集；步骤二、建立BP人工神经网络，并利用训练集训练BP人工神经网络获得训练好的BP人工神经网络；步骤三、利用测试集对训练好的BP人工神经网络测试，若训练好的BP人工神经网络的预测准确率高于预设阈值则保存，获得训练好的最优BP人工神经网络，若训练好的BP人工神经网络的预测准确率低于预设阈值则调整模型的相关参数；所述模型的相关参数包括：学习率、模型结构。3.根据权利要求2所述的一种基于ANN的城乡混合垃圾好氧发酵腐殖程度预测方法，其特征在于：所述步骤一中的对腐殖数据集中的数据进行归一化获得归一化后的腐殖数据集，具体如下：其中，X
i
＝{x1,x2,...,x
I
}是归一化后的腐殖数据集，X
min
是腐殖数据集中...

【专利技术属性】
技术研发人员：左薇，田禹，朱惟琛，孙盘飞，张军，陈志伟，寇明月，周正明，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：