【技术实现步骤摘要】
一种水质预警方法、系统及可读存储介质
[0001]本专利技术属于水质预警
，尤其涉及一种水质预警方法、系统及可读存储介质。
技术介绍
[0002]近年来，随着我国水厂养殖业的快速发展，养殖规模和养殖密度的不断增加，容易导致环境污染。饲料中大量的氮、磷在养殖过程富集，使得养殖区容易富营养化，导致水质恶化。此外，水质对水产品影响是极为重要的，如若某个指标超过一定值就会产生不利影响，比如使其生长速度减缓，更有可能造成范围较大的死亡。因此，对水质情况的把控十分重要。
[0003]目前水产养殖厂对于水质的监控以人工监测为主，难以把控水质变化趋势，往往水质出现问题了才会进一步进行处理，这个时候就已经造成了一定的损失，进一步地造成资源浪费。
技术实现思路
[0004]本专利技术提供一种水质预警方法、系统及可读存储介质，用于解决养殖场水质无法实时预测和实时风险预警的技术问题。
[0005]第一方面，本专利技术提供一种水质预警方法，包括：基于预设的神经网络模型将获取的水质参数序列进行线性去趋势分割，得到水...
【技术保护点】
【技术特征摘要】
1.一种水质预警方法，其特征在于，包括：基于预设的神经网络模型将获取的水质参数序列进行线性去趋势分割，得到水质参数线性去趋势序列，并对所述水质参数线性去趋势序列进行组合得到水质参数线性去趋势集；根据所述水质参数线性去趋势序列确定预设的神经网络模型的隐含层节点数 P，并对所述水质参数线性去趋势集进行自组织学习，使确定P 个中心点；基于p个中心点将所述水质参数线性去趋势集进行径向变换以及基于预设的核函数进行非线性变换，得到非线性变换输出集；将所述非线性变换输出集与权值层进行组合运算得到实际输出值，并基于预设的误差评估函数对所述实际输出值进行误差评估，得到误差评估值；判断所述误差评估值是否在预设误差值范围内；若不在，则对所述神经网络模型的模型参数进行修正，直至所述误差评估值在所述预设误差值范围内，从而得到水质参数预测值；将所有所述水质参数预测值进行组合得到水质参数预测集，将得到的所述水质参数预测集进行权值运算得到水质综合评价值，根据水质综合评价值的范围进行不同级别的预警。2.根据权利要求1所述的一种水质预警方法，其特征在于，所述基于预设的神经网络模型将获取的水质参数序列进行线性去趋势分割，得到水质参数线性去趋势序列，包括：将所述水质参数序列进行归一化处理，其中，归一化表达式为：，式中，为归一化后的水质参数，为水质参数序列中的最小水质参数值，为水质参数序列中的最大水质参数值，为当前水质参数值；以长度为 m 的时间窗口对归一化后的水质参数序列进行分割，得到至少一个水质参数样本，并将所述至少一个水质参数样本输入至预设的神经网络模型中，得到水质参数线性去趋势序列，其中，所述神经网络模型中的输入向量表示为：，式中，为归一化后的输入向量，为t
‑
m时刻的预测值，为t
‑
m+1时刻的预测值，为t
‑
1时刻的预测值，为转置符号；所述神经网络模型的预测输出表示为：，式中，为预测输出，表示非线性映射。3.根据权利要求2所述的一种水质预警方法，其特征在于，所述将所述水质参数线性去趋势集进行径向变换以及基于预设的核函数进行非线性变换，得到非线性变换输出集，包括：将所述水质参数线性去趋势集进行径向变换以及基于预设的核函数进行非线性变换，其中，所述核函数的表达式为：
，，式中，为隐含层第i个中心点的欧式范数最大值，为第i个节点的宽度参数，为核函数，为隐含层节点个数，为宽度调整系数；对经过归一化处理的水质参数线性去趋势集进行还原处理，得到非线性变换输出集，其中，对经过归一化处理的水质参数线性去趋势集进行还原处理的表达式为：，式中，为归一化的输入，为水质参数序列中的最小水质参数值，为水质参数序列中的最大水质参数值。4.根据权利要求1所述的一种水质预警方法，其特征在于，所述对所述水质参数线性去趋势集进行自组织学习，使确定P 个中心点，包括：在所述水质参数线性去趋势集中随机选取 P 个初始中心点；对所述水质参数线性去趋势集中的每个点与 P 个初始中心点分别进行欧式范式计算，并将每个点与初始中心点欧式范数最小时归为同一个簇，得到 P 个簇；将得到的每一个簇的点进行平均值运算，得到 P 个新的中心点；对所述水质参数线性去趋势集的每个点与新的 P 个中心点分别进行欧式范式计算，每个点与新的中心点欧式范数最小时归为同一个簇，得到新的 P 个簇；直到所有点与相对应簇中的中心点的欧式范数和最小时，得到P 个中心点。5.根据权利要求1所述的一种水质预警方法，其特征在于，所述将所述非线性变换输出集...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。