基于混合神经网络的湿地出水氨氮浓度预测方法及系统技术方案

本发明专利技术提供了一种基于混合神经网络的湿地出水氨氮浓度预测方法及系统，该方法包括：对获取的人工湿地进出水断面的水质环境数据进行主成分分析及移动平均处理，得到输入数据；所述水质环境数据的指标不少于8个；采用输入数据构建训练集和测试集，采用BP神经网络构建预测模型；采用遗传算法对BP神经网络的权职和阈值进行优化，得到优化的权值和阈值，再将优化好的权值和阈值带入神经网络中，完成对神经网络的优化，得到优化好的模型；对已优化好的模型，采用LM算法进行训练，得到最佳水质参数预测模型；利用测试集对待预测的人工湿地氨氮浓度进行预测。采用本发明专利技术的技术方案，提高模型的鲁棒性和泛化能力，提高了出水氨氮浓度预测的精准度。预测的精准度。预测的精准度。

Prediction method and system of ammonia nitrogen concentration in wetland effluent based on hybrid neural network

【技术实现步骤摘要】
基于混合神经网络的湿地出水氨氮浓度预测方法及系统


[0001]本专利技术属于计算器
，尤其涉及一种基于混合神经网络的湿地出水氨氮浓度预测方法及系统。

技术介绍

[0002]目前，多维数据驱动模型在出水水质预测方面成果显著，其中又以神经网络技术预测效果最佳。神经网络是人们由生物神经系统简化而提取出的算法模型，近些年来因其鲁棒性高，对多元非线性关系拟合效果好等特点，而广泛应用在在城市污水处理领域。目前常用于污水处理中的神经网络有误差反向传播神经网络、径向基函数神经网络、遗传算法、循环神经网路、长短期记忆神经网络等。但这些方法普遍存在易陷于局部最小值，难以找到全局最优解的问题。而且对于水质预测，输入的水质指标很多，超过8项，如何对输入的多个指标进行处理，提出有用的信息，用于后续的处理并进行准确的预测，降低预测误差，目前存在有一定的难度。

技术实现思路

[0003]针对以上技术问题，本专利技术公开了一种基于混合神经网络的湿地出水氨氮浓度预测方法及系统，提高了模型的鲁棒性和泛化能力，降低对出水氨氮浓度的预测误差。
[0004本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混合神经网络的湿地出水氨氮浓度预测方法，其特征在于，其包括：步骤S1，对获取的人工湿地进水断面的水质环境数据进行预处理，得到输入数据；其中所述水质环境数据包括水质指标、水量指标和大气环境指标三类，所述水质环境数据的指标不少于8个；步骤S2，采用输入数据构建训练集和测试集，采用BP神经网络构建预测模型；步骤S3，采用遗传算法对BP神经网络的权职和阈值进行优化，得到优化的权值和阈值，再将优化好的权值和阈值带入神经网络中，完成对神经网络的优化，得到优化好的模型；步骤S4，对步骤S3中优化好的模型，采用LM算法进行训练，得到最佳水质参数预测模型；步骤S5，利用测试集对待预测的人工湿地氨氮浓度进行预测。2.根据权利要求1所述的基于混合神经网络的湿地出水氨氮浓度预测方法，其特征在于：所述水质指标包括进水COD值、TP值、SS值、TN值、BOD5值、pH值、出水氨氮值，所述水量指标包括进水流速和降雨量，所述大气环境指标包括温度、湿度、大气压。3.根据权利要求2所述的基于混合神经网络的湿地出水氨氮浓度预测方法，其特征在于：步骤S1中，对除出水氨氮外的各个指标数据进行标准化处理，转化为均值为0、方差为1的数列，采用主成分分析法进行数据降维，提取累计贡献率大于设定阈值的样本参数作为输入数据；所述标准化处理，采用如下公式进行：其中，y
i
为该指标标准化处理后的值，max{x
j
}为该指标的最大值，min{x
j
}为该指标的最小值，x
i
为该指标进行标准化处理前的数值。4.根据权利要求3所述的基于混合神经网络的湿地出水氨氮浓度预测方法，其特征在于：步骤S4采用LM算法进行训练包括：步骤S401，获取训练集的数据；步骤S402，输入前期优化的权值和阈值，并设定精度；步骤S403，计算初始误差函数R(x)；误差函数：R(x)＝|f(x)
‑
g(x)|其中f(x)为初始模型计算结果值，g(x)为真实值；步骤S404，构造雅可比矩阵，设定初始修正因子，解如下所述的超定方程：x
t+1
＝x
t
‑
(J
T
J+λI
n
)
‑1J
T
r其中J表示雅克比矩阵，I
n
为单位矩阵，λ为修正因子，r为误差函数结果值；雅可比矩阵为：其中矩阵中的各项为误差函数模型的一阶偏导数；初始修正因子根据如下公式计算得到：
A0＝J(x0)
T
J(x0)其中，J(x0)为x0的雅可比矩阵，u0为初始修正因子，x0为初始降维后所得输入值，为A0的对角线元素，τ为0～1间的随机值；步骤S405，将超定方程的计算结果x
t+1
，带入误差函数R(x)比较R(x
t
)与R(x
t+1
)，调整修正因子大小；如果误差减小，则减少修正因子，同时修正权值和阈值；如果误差增大，则增大修正因子；直到达到设定的精度，输出最终解。5.根据权利要求3所述的基于混合神经网络的湿地出水氨氮浓度预测方法，其特征在于：步骤S3中采用遗传算法对BP神经网络的权职和阈值进行优化包括：步骤S301，初始化种群，选择合适的编码方式；步骤S302，适应度函数的选择，根据个体得到BP神经网络的初始权值和阀值，用训练数据训练BP神经网络后预测系统输出，把预测输出和期望输出之间的误差绝对值和E作为个体适应度值F，计算公式为：式中，n为网络输出节点数，yi为BP神经网络第i个节点的期望输出，oi为第i个节点的预测输出，k为系数；步骤S303，选择操作采用轮盘赌法，即基于适应度比例策略，每个个体i的选择概率Pi为：fi＝k/Fi，式中，Fi为个体i的适应度，由于适应度值越小越好，所以在个体选择前对适应度值取倒数，N为种群数目，k为系数；步骤S304，交叉操作，由于个体采用实数编码，所以交叉操作方法采用实数交叉法，第k个染色体ak和第l个染色体al在j位的交叉操作如下：式中，b是[0,1]间的随机数；步骤S305，变异操作，选取第i个个体的第j个基因aij进行变异，变异操作方法如下：式中，amax为基因aij的上界，amin为基因aij的下界，f(g)＝r2(1
‑
g/Gmax)2，r2为一个随机数，g为当前迭代次数，Gmax为最大进化次数，r为[0,1]间的随机数；步骤S306，将新染色体代替原来染色体，计算适应度，如果满足条件得到优化好的权值和阈值，否则转到步骤S303继续优化。6.基于混合神经网络的湿地出水氨氮浓度预测系统，其特征在于：其包括：
水质环境数据处理模块，对获取的人工湿地进水断面的水质环境数据进行预处理，得到输...

【专利技术属性】
技术研发人员：杨博文，冯骁驰，
申请(专利权)人：哈尔滨工业大学深圳，
类型：发明
国别省市：