【技术实现步骤摘要】
本专利技术属于数据处理，具体是指基于人工智能的污水处理监管方法及系统。
技术介绍
1、污水处理监管方法是利用人工智能技术分析大量的污水处理数据，实时监测处理后的水质量评估等级，提高污水处理效率，保障环境质量，促进可持续发展。但是现有的数据集平衡方法存在设定簇数量k为固定值，或者直接根据多数类或少数类中的数据量确定，导致对数据进行过度聚类和欠拟合，数据集平衡效果差，降低模型的泛化能力的问题；现有的污水处理监管模型存在训练效率低、泛化性弱、过拟合风险高和收敛速度慢的问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了基于人工智能的污水处理监管方法及系统，针对现有的数据集平衡方法存在设定簇数量k为固定值，或者直接根据多数类或少数类中的数据量确定，导致对数据进行过度聚类和欠拟合，数据集平衡效果差，降低模型的泛化能力的问题，本方案根据聚类有效性判断动态确定最佳簇数量，提高了聚类的准确性，根据数据和簇质心之间的距离和相似度两种角度抽取数据，构建平衡数据集，更加精准地选择最具代表性的数据，提高了数据抽样的有效性和效率，使得聚类结果更加可靠，提高模型的泛化能力和稳定性；针对现有的污水处理监管模型存在训练效率低、泛化性弱、过拟合风险高和收敛速度慢的问题，本方案计算梯度和第一动量之间的相似性，更精确地评估梯度的变化情况，引入自适应系数和自适应控制系数调整训练参数，使神经网络更具自适应性和效率性，并引入了缩放机制，有效改善参数更新的稳定性和收敛速度，完成神经网络参数的更新，得到
2、本专利技术采取的技术方案如下：本专利技术提供的基于人工智能的污水处理监管方法，该方法包括以下步骤：
3、步骤s1：数据采集；
4、步骤s2：数据预处理；
5、步骤s3：平衡数据集，根据聚类有效性判断动态确定最佳簇数量，根据数据和簇质心之间的距离和相似度两种角度抽取数据，构建平衡数据集；
6、步骤s4：构建污水处理监管模型，计算梯度和第一动量之间的相似性，引入自适应系数和自适应控制系数调整训练参数，并引入了缩放机制，完成神经网络参数的更新，得到污水处理监管模型；
7、步骤s5：实时监管。
8、进一步地，在步骤s1中，所述数据采集是采集污水处理数据和质量评估等级；污水处理数据包括水质参数数据、流量数据、温度数据和悬浮物浓度数据；水质参数数据包括ph值数据、溶解氧数据、化学需氧量数据、氨氮含量数据、总磷含量数据和总氮含量数据；流量数据包括出水流量数据、进水流量数据和污泥流量数据；将质量评估等级作为数据标签。
9、进一步地，在步骤s2中，所述数据预处理是对采集的数据进行数据清洗、数据归一化和数据集划分处理；数据清洗包括处理噪声、重复值、缺失值和异常值；数据归一化是基于最大最小归一化方法统一数据范围；数据集划分是基于数据清洗和数据归一化后的数据构建污水数据集，预先设定划分阈值，将每个数据标签作为一个类别，若污水数据集中属于同一类别的数据量大于等于划分阈值，则将该类别的数据划分为多数类样本集，否则，将该类别的数据划分为少数类样本集。
10、进一步地，在步骤s3中，所述平衡数据集具体包括以下步骤：
11、步骤s31：确定最佳簇数量，令簇数量k分别等于2到nmin，nmin是少数类样本集中的数据数量，使用簇数量k从初始值2对多数类样本集进行迭代聚类，根据聚类结果确定最佳簇数量，包括以下步骤：
12、步骤s311：聚类，使用k-means聚类方法将多数类样本集划分为k个簇，得到簇集合c={c1，…，ci，…，ck}，c1、ci和ck分别是第1个簇、第i个簇和第k个簇，i是簇索引，i=1，2，…，k；
13、步骤s312：计算最小簇中数据数量，计算每个簇中的数据数量，得到最小簇的数据数量，是第i个簇中的数据数量；
14、步骤s313：聚类有效性判断，从每个簇中抽取的数据数量大于等于2时，使用簇数量k进行的聚类具备有效性；否则，使用簇数量k进行的聚类不具备有效性，nmax是多数类样本集中的数据数量；
15、步骤s314：计算最佳簇数量，当使用簇数量k进行的聚类具备有效性，令k加1，转至步骤s311进行迭代；否则，最佳簇数量kbest=k-1，并转至步骤s32；
16、步骤s32：最佳聚类，使用k-means聚类方法将多数类样本集划分为kbest个簇，得到最佳簇集合e={e1，…，ea，…，ekbest}、簇质心集合f={f1，…，fa，…，fkbest}和簇数据量集合u={u1，…，ua，…，ukbest}，e1、ea和ekbest分别是使用最佳簇数量kbest进行聚类得到的第1个簇、第a个簇和第kbest个簇，f1、fa和fkbest分别是使用最佳簇数量kbest进行聚类得到的第1个簇、第a个簇和第kbest个簇的质心，u1、ua和ukbest分别是使用最佳簇数量kbest进行聚类得到的第1个簇、第a个簇和第kbest个簇中的数据数量，a是使用最佳簇数量kbest进行聚类得到的簇索引，a=1，2，…，kbest；
17、步骤s33：构建抽样数据集，从每个簇内抽取数据构建抽样数据集，从第a个簇中抽取数据包括以下步骤：
18、步骤s331：计算簇需要抽取的数据数量，所用公式如下：
19、；
20、式中，是第a个簇需要抽取的数据数量；
21、步骤s332：计算数据和簇质心之间的距离，基于距离大小将簇中数据进行升序排序，计算距离所用公式如下：
22、；
23、式中，dab是第a个簇中第b个数据与第a个簇质心之间的距离，o是特征维度索引，h是特征维度大小，是第a个簇中第b个数据在第o维特征的值，是第a个簇质心在第o维特征的值；
24、步骤s333：计算数据和簇质心之间的相似度，基于相似度大小将簇中数据进行降序排序，计算距离所用公式如下：
25、；
26、式中，cos（zab，fa）是第a个簇中第b个数据与第a个簇质心之间的相似度；
27、步骤s334：数据抽取，从第a个簇中抽取升序排序后与簇质心之间的距离小的前个数据和降序排序后与簇质心之间的相似度大的前个数据；
28、步骤s34：构建平衡数据集，将抽样数据集和少数类样本集进行组合得到平衡数据集。
29、进一步地，在步骤s4中，所述构建污水处理监测模型是构建神经网络，神经网络包括输入层、输出层和隐藏层，输入层接收平衡数据集中的数据，隐藏层进行数据处理和特征提取，输出层输出评估标签，具体包括以下步骤：
30、步骤s41：计算损失函数的梯度，所用公式如下：
31、gt=∇wl（f(x；wt），y)；<本文档来自技高网...
【技术保护点】
1.基于人工智能的污水处理监管方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的基于人工智能的污水处理监管方法，其特征在于：在步骤S3中，所述平衡数据集具体包括以下步骤：
3.根据权利要求2所述的基于人工智能的污水处理监管方法，其特征在于：在步骤S33中，所述构建抽样数据集，是基于从每个簇内抽取的数据构建抽样数据集，从第a个簇中抽取数据包括以下步骤：
4.根据权利要求1所述的基于人工智能的污水处理监管方法，其特征在于：在步骤S4中，所述构建污水处理监测模型是构建神经网络，神经网络包括输入层、输出层和隐藏层，输入层接收平衡数据集中的数据，隐藏层进行数据处理和特征提取，输出层输出评估标签，具体包括以下步骤：
5.根据权利要求1所述的基于人工智能的污水处理监管方法，其特征在于：在步骤S1中，所述数据采集是采集污水处理数据和质量评估等级；污水处理数据包括水质参数数据、流量数据、温度数据和悬浮物浓度数据；水质参数数据包括PH值数据、溶解氧数据、化学需氧量数据、氨氮含量数据、总磷含量数据和总氮含量数据；流量数据包括出水流量数据、进
6.根据权利要求1所述的基于人工智能的污水处理监管方法，其特征在于：在步骤S2中，所述数据预处理是对采集的数据进行数据清洗、数据归一化和数据集划分处理；数据清洗包括处理噪声、重复值、缺失值和异常值；数据归一化是基于最大最小归一化方法统一数据范围；数据集划分是基于数据清洗和数据归一化后的数据构建污水数据集，预先设定划分阈值，将每个数据标签作为一个类别，若污水数据集中属于同一类别的数据量大于等于划分阈值，则将该类别的数据划分为多数类样本集，否则，将该类别的数据划分为少数类样本集。
7.根据权利要求1所述的基于人工智能的污水处理监管方法，其特征在于：在步骤S5中，所述实时监管是实时采集污水处理数据，数据清洗和数据归一化处理后输入至污水处理监管模型中进行评估，基于输出的标签得到质量评估等级，实时监测到污水处理后的水质量。
8.基于人工智能的污水处理监管系统，用于实现如权利要求1-7中任一项所述的基于人工智能的污水处理监管方法，其特征在于：包括数据采集模块、数据预处理模块、平衡数据集模块、构建污水处理监管模型模块和实时监管模块。
9.根据权利要求8所述的基于人工智能的污水处理监管系统，其特征在于：
...【技术特征摘要】
1.基于人工智能的污水处理监管方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的基于人工智能的污水处理监管方法，其特征在于：在步骤s3中，所述平衡数据集具体包括以下步骤：
3.根据权利要求2所述的基于人工智能的污水处理监管方法，其特征在于：在步骤s33中，所述构建抽样数据集，是基于从每个簇内抽取的数据构建抽样数据集，从第a个簇中抽取数据包括以下步骤：
4.根据权利要求1所述的基于人工智能的污水处理监管方法，其特征在于：在步骤s4中，所述构建污水处理监测模型是构建神经网络，神经网络包括输入层、输出层和隐藏层，输入层接收平衡数据集中的数据，隐藏层进行数据处理和特征提取，输出层输出评估标签，具体包括以下步骤：
5.根据权利要求1所述的基于人工智能的污水处理监管方法，其特征在于：在步骤s1中，所述数据采集是采集污水处理数据和质量评估等级；污水处理数据包括水质参数数据、流量数据、温度数据和悬浮物浓度数据；水质参数数据包括ph值数据、溶解氧数据、化学需氧量数据、氨氮含量数据、总磷含量数据和总氮含量数据；流量数据包括出水流量数据、进水流量数据和污泥流量数据；将质量评估等级作为数据标签。<...
【专利技术属性】
技术研发人员：李明，郭志寰，张博洲，王旭，孔天夏，李亚学，崔晨琛，
申请(专利权)人：葛洲坝集团生态环保有限公司，
类型：发明
国别省市：
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。