一种江河水文监测数据的处理方法技术

本发明专利技术涉及水文数据处理技术领域，公开了一种江河水文监测数据的处理方法，包括：步骤101，生成第一训练集；步骤102，通过第一训练集对第一神经网络模型进行训练；步骤103，生成第二训练集；步骤104，通过第二训练集对LSTM神经网络进行训练；步骤105，将步骤102训练完成的第一神经网络模型与LSTM神经网络获得异构神经网络；步骤106，将待预测样本的数据输入异构神经网络，基于异构神经网络输出预测待预测样本对应的江河区域预测时间之后的候鸟数量；本发明专利技术通过预先训练的异构的两类神经网络进行组合获得异构神经网络，通过决策层来对最终进行预测的LSTM神经网络部分的输入池进行处理，基于深度学习的手段来实现对于内陆江河候鸟数量的准确预测。数量的准确预测。数量的准确预测。

【技术实现步骤摘要】
一种江河水文监测数据的处理方法


[0001]本专利技术涉及水文数据处理
，更具体地说，它涉及一种江河水文监测数据的处理方法。

技术介绍

[0002]现有技术中通过历史数据的曲线拟合来对未来的候鸟数量进行预测，只能进行较为粗略的估计，综合水文数据对结果进行校正一般是通过经验性的方式，在水域水文状态变化不大的情况下对预测结果的校正程度是比较小的，水文数据部分来源于人工采样获得的数据，内陆江河水域环境相较于海洋水域更为复杂，而且江河水域可能跨越多个行政区域，这些因素都会导致内陆江河水文监测数据相较于海洋水文数据来说掺杂的人为因素更多。

技术实现思路

[0003]本专利技术提供一种江河水文监测数据的处理方法，解决相关技术中对内陆江河水域候鸟数量预测准确度低的技术问题。
[0004]本专利技术提供了一种江河水文监测数据的处理方法，包括以下步骤：
[0005]步骤101，生成第一训练集，第一训练集的样本的数据包括水文数据和候鸟数据，样本的标签类型包括数据正常和数据错误；
[0006]步骤102，通过第一训练集对第一神经网络模型进行训练，第一神经网络模型的输出分类空间与第一训练集的样本的标签类型对应；
[0007]步骤103，生成第二训练集，第二训练集的样本的数据包括水文数据和候鸟数据，样本的标签类型包括离散化的单位面积的候鸟数量；
[0008]步骤104，通过第二训练集对LSTM（长短期记忆网络，Long Short
‑
Term Memory）神经网络进行训练，LSTM神经网络的输出分类空间与第一训练集的样本的标签类型对应；
[0009]步骤105，将步骤102训练完成的第一神经网络模型与LSTM神经网络获得异构神经网络，LSTM神经网络的每个输入连接一个输入特征池，每个输入特征池通过第一决策节点连接一个第一神经网络模型的输入；
[0010]第一决策节点的输入连接第一神经网络模型的输出；
[0011]步骤106，将待预测样本的数据输入异构神经网络，基于异构神经网络输出预测待预测样本对应的江河区域预测时间之后的候鸟数量。
[0012]进一步地，候鸟数据包括各类候鸟的平均体重、单位体重的食量、雌鸟平均产卵数量。
[0013]进一步地，水文数据包括单位水体含氧量、单位水体球藻含量、单位水体含磷量、水体平均温度、滩涂面积占比。
[0014]进一步地，第一决策节点的决策公式为：，
[0015]其中表示第i个第一决策节点的决策值，表示第i个第一决策节点输入的第一神经网络模型的输出值，如果第一神经网络模型输出的标签为数据正常，则赋值为1，否则赋值为
‑
0.8；表示第i个第一神经网络模型的输入被更新的次数。
[0016]进一步地，待预测样本的数据需要进行序列化处理，序列化处理之后的每个序列单元分别输入到对应的第一神经网络模型的输入；LSTM神经网络包括N个LSTM单元和一个分类层，N与待预测样本的数据序列化处理后的序列单元的数量相同。
[0017]进一步地，待预测样本的数据输入到异构神经网络的第一神经网络模型，第一决策节点决策值为正值则将第一神经网络模型当前的输入放入输入特征池内，如果第一决策节点的决策值为负值，则第一神经网络模型通过反向传播更新当前的输入，并将更新后的输入重新输入到第一神经网络模型。
[0018]进一步地，每个LSTM单元的输出状态的计算公式如下：
[0019]，
[0020]其中，输出门，
[0021]表示输入传递到对应的权重矩阵，表示上个LSTM单元的输出状态传递到对应的权重矩阵，表示偏置项，表示sigmoid函数；
[0022]其中，输出状态，
[0023]表示遗忘门和上一LSTM单元的输出状态做逐点相乘，；表示输出入门和中间状态进行逐点相乘；
[0024]其中，遗忘门，
[0025]表示输入传递到对应的权重矩阵，表示上一LSTM单元状态传递到对应的权重矩阵，表示偏置项，表示sigmoid函数；
[0026]其中，输入门，
[0027]表示输入传递到对应的权重矩阵，表示上一LSTM单元状态传递到对应的权重矩阵，表示偏置项，表示sigmoid函数。
[0028]其中，中间状态，
[0029]表示输入传递到对应的权重矩阵，表示上一LSTM单元状态传递到对应的权重矩阵，表示偏置项，表示双曲正切函数。
[0030]进一步地，LSTM神经网络的最后一个LSTM单元的输出状态输入到分类层。
[0031]进一步地，分类层对最后一个LSTM单元的输出状态进行向量化，然后与输出权重
矩阵相乘获得M个输出值，M等于输出分类空间内的类别标签的数量；
[0032]输出权重矩阵的大小为L*M，其中L为最后一个LSTM单元的输出状态进行向量化之后的维数。
[0033]进一步地，LSTM神经网络的输出连接概率分类层，概率分类层对LSTM的输出值进行概率化；
[0034]概率分类层的概率化的公式为：
[0035]，
[0036]其中为LSTM神经网络的第j个输出值对应的概率值，为LSTM神经网络的第j个输出值，为LSTM神经网络的第k个输出值，为LSTM神经网络的输出项的集合。
[0037]本专利技术的有益效果在于：
[0038]本专利技术通过预先训练的异构的两类神经网络进行组合获得异构神经网络，通过决策层来对最终进行预测的LSTM神经网络部分的输入池进行处理，降低了内陆江河水文数据掺杂的人为因素的影响，考虑了输入特征的连续性，基于深度学习的手段来实现对于内陆江河候鸟数量的准确预测。
附图说明
[0039]图1是本专利技术的一种江河水文监测数据的处理方法的流程图。
具体实施方式
[0040]现在将参考示例实施方式讨论本文描述的主题。应该理解，讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题，可以在不脱离本说明书内容的保护范围的情况下，对所讨论的元素的功能和排列进行改变。各个示例可以根据需要，省略、替代或者添加各种过程或组件。另外，相对一些示例所描述的特征在其他例子中也可以进行组合。
[0041]如图1所示，一种江河水文监测数据的处理方法，包括以下步骤：
[0042]步骤101，生成第一训练集，第一训练集的样本的数据包括水文数据和候鸟数据，样本的标签类型包括数据正常和数据错误；
[0043]步骤102，通过第一训练集对第一神经网络模型进行训练，第一神经网络模型的输出分类空间与第一训练集的样本的标签类型对应；
[0044]在本专利技术的一个实施例中，第一神经网络模型为DenseNet（Dense Convolutional Network）、BP（back propagation）神经网络等。
[0045]步骤103，生成第二训练集，第二训练集的样本的数据包括水文数据和候鸟数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种江河水文监测数据的处理方法，其特征在于，包括以下步骤：步骤101，生成第一训练集，第一训练集的样本的数据包括水文数据和候鸟数据，样本的标签类型包括数据正常和数据错误；步骤102，通过第一训练集对第一神经网络模型进行训练，第一神经网络模型的输出分类空间与第一训练集的样本的标签类型对应；步骤103，生成第二训练集，第二训练集的样本的数据包括水文数据和候鸟数据，样本的标签类型包括离散化的单位面积的候鸟数量；步骤104，通过第二训练集对LSTM神经网络进行训练，LSTM神经网络的输出分类空间与第一训练集的样本的标签类型对应；步骤105，将步骤102训练完成的第一神经网络模型与LSTM神经网络获得异构神经网络，LSTM神经网络的每个输入连接一个输入特征池，每个输入特征池通过第一决策节点连接一个第一神经网络模型的输入；第一决策节点的输入连接第一神经网络模型的输出；步骤106，将待预测样本的数据输入异构神经网络，基于异构神经网络输出预测待预测样本对应的江河区域预测时间之后的候鸟数量。2.根据权利要求1所述的一种江河水文监测数据的处理方法，其特征在于，候鸟数据包括各类候鸟的平均体重、单位体重的食量、雌鸟平均产卵数量。3.根据权利要求1所述的一种江河水文监测数据的处理方法，其特征在于，水文数据包括单位水体含氧量、单位水体球藻含量、单位水体含磷量、水体平均温度、滩涂面积占比。4.根据权利要求1所述的一种江河水文监测数据的处理方法，其特征在于，第一决策节点的决策公式为：，其中表示第i个第一决策节点的决策值，表示第i个第一决策节点输入的第一神经网络模型的输出值，如果第一神经网络模型输出的标签为数据正常，则赋值为1，否则赋值为
‑
0.8；表示第i个第一神经网络模型的输入被更新的次数。5.根据权利要求1所述的一种江河水文监测数据的处理方法，其特征在于，待预测样本的数据需要进行序列化处理，序列化处理之后的每个序列单元分别输入到对应的第一神经网络模型的输入；LSTM神经网络包括N个LSTM单元和一个分类层，N与待预测样本的数据序列化处理后的序列单元的数量相同。6.根据权利...

【专利技术属性】
技术研发人员：贾克，秦凯，陈春华，史东华，刘迪，唐吴晗，张蕙芸，张堂亮，田野秋杨，
申请(专利权)人：湖北一方科技发展有限责任公司，
类型：发明
国别省市：