一种基于制造技术

本发明专利技术涉及一种基于

【技术实现步骤摘要】
一种基于CEEMDAN
‑
LSTM的水质预测方法


[0001]本专利技术属于水环境质量监测领域，具体说是一种基于
CEEMDAN
‑
LSTM
的水质预测方法
。

技术介绍

[0002]水资源不仅是生命之源同样是战略性资源，因此保护水资源是一项至关重要的工作
。
水质预测是保护水资源的一项重要环节
。
[0003]现有的水质预测方法是将数据分解后，仅将各分量构建的
LSTM
预测网络的预测结果简单求和，导致误差叠加，使得预测值和真实值具有较大差异
。

技术实现思路

[0004]为了更好的进行水质预测，本专利技术提供的一种基于
CEEMDAN
‑
LSTM
的水质预测方法，可快速精确的进行水质预测，从而为保护水资源提供科学支持
。
[0005]本专利技术为实现上述目的所采用的技术方案是：一种基于
CEEMDAN
‑
LSTM
的水质预测方法，包括以下步骤：
[0006]步骤
1、
获取自动监测点位的水质数据信息；
[0007]步骤
2、
根据水质数据信息，基于
CEEMDAN
算法得到多个不同的
imf
分量和一个趋势项
R
m
分量；
[0008]步骤
3、
基于
LSTMr/>神经网络，针对每个分量构建
LSTM
网络预测模型；
[0009]步骤
4、
基于线性回归模型，实现对每个
LSTM
网络预测模型权重的自学习，最终获得训练好的
LSTM
网络预测模型；
[0010]步骤
5、
获取自动监测点位的设定时间段内的水质数据信息，通过步骤2得到多个不同的
imf
分量和一个趋势项
R
m
分量，将所有分量分别输入至对应的 LSTM
网络预测模型，将多个
LSTM
网络预测模型结果加权求和，获取未来时间段内的最终预测值
。
[0011]所述水质数据信息包括：自动监测点位对氨氮
NH3N、
高锰酸盐指数
CODmn、
溶解氧
DO、
总磷
TP
和
PH。
[0012]所述基于
CEEMDAN
算法得到多个不同的
imf
分量和一个趋势项
R
m
分量，包括以下步骤：
[0013]1)
需要处理的信号为
S
i
(t)
，表示第
i
次分解中，加入
j
次白噪声，得到新信号
y
i
(t)
[0014][0015]其中，
q
为1或2，表示信号对白噪声的添加或删除处理；
[0016]2)
对
y
i
(t)
进行
EMD
分解，得到多个本阶段
imf
ij
(t)
分量，对多个
imf
ij
(t)
分量进行平均处理，得到当前阶段最终
IMF
分量
[0017][0018]其中
N
是添加噪声的次数；
[0019]3)
将未添加白噪声的输入信号减去分量形成新的输入信号
[0020][0021]4)
重复步骤
1)
‑
步骤
3)
，直到输入信号为单调函数，分解结束；
S0(t)
经过多次分解后，得到
[0022][0023]其中，
m
表示
imf
分量和趋势项个数总和，
R
m
表示趋势项
。
[0024]所述基于线性回归模型，实现对每个
LSTM
网络预测模型权重的自学习，包括以下步骤：
[0025]1)
对于
m
‑1个
imf
分量和一个趋势项
R
m
分量，每个分量对应一个
LSTM 网络预测模型，
LSTM
网络预测模型预测结果为
lstm
i
，对应权重为
w
i
；
i
＝1…
m
；
[0026]2)
根据线性回归模型，将
m
个预测结果
lstm
i
加权求和，获得用于更新权重的预测值
tolpre
，更新权重的真实值
Wtrue
是所有的分量的求和结果；
[0027]3)
计算
tolpre
和
Wtrue
之间均方误差，反向传播更新
w
i
，将更新好的
w
′
i
作为各分量的权重：
w
i
＝
w
′
i
；
[0028]4)
对于每个
LSTM
网络预测模型，实际预测值
LstmPre
i
为各
LSTM
网络预测模型预测值
lstm
i
和权重
w
i
的乘积：
LstmPre
i
＝
lstm
i
*w
i
；
[0029]5)
分别计算各分量的真实值和预测值
LstmPre
i
之间的损失值并反向传播，更新
LSTM
网络预测模型的权重参数；
[0030]6)
重复更新
w
i
权重值，直到
LSTM
网络预测模型在测试集数据中的损失值不再减少
。
[0031]所述线性回归模型如下：
[0032]tolpre
＝
w1*lstm1+
…
+w
m
*lstm
m
[0033]Wtrue
＝
imf1+imf2+
…
+imf
m
‑1+R
m
[0034]Wtrue
表示真实值数据，
imf
i
表示第
i
个
imf
分量对应数值，
w
i
为权重，
ls本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
CEEMDAN
‑
LSTM
的水质预测方法，其特征在于，包括以下步骤：步骤
1、
获取自动监测点位的水质数据信息；步骤
2、
根据水质数据信息，基于
CEEMDAN
算法得到多个不同的
imf
分量和一个趋势项
R
m
分量；步骤
3、
基于
LSTM
神经网络，针对每个分量构建
LSTM
网络预测模型；步骤
4、
基于线性回归模型，实现对每个
LSTM
网络预测模型权重的自学习，最终获得训练好的
LSTM
网络预测模型；步骤
5、
获取自动监测点位的设定时间段内的水质数据信息，通过步骤2得到多个不同的
imf
分量和一个趋势项
R
m
分量，将所有分量分别输入至对应的
LSTM
网络预测模型，将多个
LSTM
网络预测模型结果加权求和，获取未来时间段内的最终预测值
。2.
根据权利要求1所述的一种基于
CEEMDAN
‑
LSTM
的水质预测方法，其特征在于，所述水质数据信息包括：自动监测点位对氨氮
NH3N、
高锰酸盐指数
CODmn、
溶解氧
DO、
总磷
TP
和
PH。3.
根据权利要求1所述的一种基于
CEEMDAN
‑
LSTM
的水质预测方法，其特征在于，所述基于
CEEMDAN
算法得到多个不同的
imf
分量和一个趋势项
R
m
分量，包括以下步骤：
1)
需要处理的信号为
S
i
(t)
，表示第
i
次分解中，加入
j
次白噪声，得到新信号
y
i
(t)
其中，
q
为1或2，表示信号对白噪声的添加或删除处理；
2)
对
y
i
(t)
进行
EMD
分解，得到多个本阶段分量，对多个分量进行平均处理，得到当前阶段最终
IMF
分量分量其中
N
是添加噪声的次数；
3)
将未添加白噪声的输入信号减去分量形成新的输入信号
4)
重复步骤
1)
‑
步骤
3)
，直到输入信号为单调函数，分解结束；
S0(t)
经过多次分解后，得到其中，
m
表示
imf
分量和趋势项个数总和，
R
m
表示趋势项
。4.
根据权利要求1所述的一种基于
CEEMDAN
‑
LSTM
的水质预测方法，其特征在于，所述基于线性回归模型，实现对每个
LSTM
网络预测模型权重的自学习，包括以下步骤：
1)
对于
m
‑1个
imf
分量和一个趋势项
R
m
分量，每个分量对应一个
LSTM
网络预测模型，
LSTM
网络预测模型预测结果为
lstm
i
，对应权重为
w
i
；
i
＝1…
m
；
2)
根据线性回归模型，将
m
个预测结果
lstm
i
加权求和，获得用于更新权重的预测值
tolpre
，更新权重的真实值
Wtrue
是所有的分量的求和结果；...

【专利技术属性】
技术研发人员：周晓磊，王宁，张朋，刘首正，窦志强，赵思彤，宋春梅，祁柏林，张镝，白雪，
申请(专利权)人：中国科学院沈阳计算技术研究所有限公司，
类型：发明
国别省市：