本申请涉及环境监测与预测技术领域，公开了一种基于TKAN模型的水体氨氮浓度预测方法及系统，该TKAN模型包括多个TKAN层（包括输入处理层、门控层、特征提取层、状态计算层和输出生成层），该方法包括：获取待测水体数据进行预处理以得到水体时序数据；通过输入处理层获取当前时刻输入数据、前一时刻隐藏状态和前一时刻单元状态；通过门控层获得输入门状态向量、遗忘门状态向量和输出门状态向量；通过特征提取层获得聚合特征；通过状态计算层获得当前时刻的单元状态向量；通过输出生成层获得每个TKAN层的水体预测结果，综合多个TKAN层的水体预测结果获得最终水体氨氮浓度预测结果。该方法有效提升了水体氨氮浓度预测精度。
【技术实现步骤摘要】
本专利技术涉及环境监测与预测，具体涉及一种基于tkan模型的水体氨氮浓度预测方法及系统。
技术介绍
1、氨氮作为水体污染的关键指标，其浓度水平直接影响水质和水生态系统的健康。因此，准确预测水体氨氮浓度的变化趋势，对于水质管理和污染防控具有重要的现实意义。
2、传统的氨氮预测方法主要依赖于统计分析和物理化学模型。这些方法在处理复杂的非线性关系和大规模时序数据时，往往表现出预测精度不高、适应性差和计算效率低下等局限性。例如，线性回归模型假设变量之间存在线性关系，无法有效捕捉氨氮浓度变化中的复杂非线性动态；而基于物理化学的模型则需要详细的过程参数和先验知识，模型构建复杂，难以泛化到不同的水体环境中。
3、近年来，深度学习技术在时间序列预测领域取得了显著进展，尤其是循环神经网络（rnn）及其变种如长短期记忆网络（lstm）和门控循环单元（gru）在处理时序数据方面表现优异。这些模型在捕捉数据中的长短期依赖关系方面展现出强大的能力，逐渐成为时间序列预测的主流方法。然而，现有的rnn模型在应用于环境监测数据时，仍存在以下挑战：
4、模型复杂度高：为了提升预测精度，rnn模型通常需要增加网络层数和隐藏单元数，导致模型参数急剧增加，训练时间长，计算资源消耗大。
5、过拟合风险：在处理高维度和噪声较多的环境数据时，rnn模型容易出现过拟合现象，影响模型的泛化能力。
6、特征提取不足：传统的rnn模型在特征提取过程中，未能充分利用数据的时间特性和潜在的复杂关系，导致预测性能受限。
<
p>7、针对上述问题，现有技术亟需一种能够有效降低模型复杂度、增强泛化能力并提升特征提取效率的新型水体氨氮浓度预测模型。
技术实现思路
1、基于此，本申请提出一种基于tkan模型的水体氨氮浓度预测方法及系统，旨在提供一种新型时间序列神经网络模型，以有效降低rnn模型复杂度、增强泛化能力并提升特征提取效率。
2、本申请的第一方面提供了一种基于tkan模型的水体氨氮浓度预测方法，所述tkan模型包括多个tkan层，每个所述tkan层包括一个tkancell单元层，所述tkancell单元层包括输入处理层、门控层、特征提取层、状态计算层和输出生成层，所述方法包括：
3、获取待测水体数据并进行预处理，以得到水体时序数据；
4、通过所述输入处理层，根据所述水体时序数据获取当前时刻输入数据、前一时刻隐藏状态和前一时刻单元状态；
5、通过所述门控层，根据所述当前时刻输入数据和所述前一时刻隐藏状态获得输入门状态向量、遗忘门状态向量和输出门状态向量；
6、通过所述特征提取层，根据所述当前时刻输入数据获得聚合特征；
7、通过所述状态计算层，根据所述遗忘门状态向量、所述输出门状态向量和所述前一时刻单元状态获得当前时刻的单元状态向量；
8、通过所述输出生成层，根据所述聚合特征、所述输入门状态向量和所述单元状态向量获得每个tkan层的水体预测结果；
9、综合多个tkan层的所述水体预测结果获得最终水体氨氮浓度预测结果。
10、作为第一方面的一种可选实施方式，获取待测水体数据并进行预处理，以得到水体时序数据的步骤包括：采用移动中位数法去除所述待测水体数据中的异常值和噪声，以及采用缺失值处理方法填补所述待测水体数据中的缺失数据，得到第一水体数据；采用最小-最大归一化方法对所述第一水体数据进行标准化处理，得到第二水体数据；根据所述第二水体数据进行时序数据构建，得到所述水体时序数据。
11、作为第一方面的一种可选实施方式，通过所述门控层，根据所述当前时刻输入数据和所述前一时刻隐藏状态获得输入门状态向量、遗忘门状态向量和输出门状态向量的步骤包括：所述门控层包括输入门、遗忘门和输出门；通过所述输入门，对所述当前时刻输入数据和所述前一时刻隐藏状态进行选择性接收，得到所述输入门状态向量；通过所述遗忘门，对所述当前时刻输入数据和所述前一时刻隐藏状态进行选择性遗忘，得到所述遗忘门状态向量；通过所述输出门，对所述当前时刻输入数据和所述前一时刻隐藏状态进行转换控制，得到所述输出门状态向量。
12、作为第一方面的一种可选实施方式，通过所述输入门，对所述当前时刻输入数据和所述前一时刻隐藏状态进行选择性接收，得到所述输入门状态向量的步骤计算公式表示为：，其中，接近1时表示允许当前时刻输入数据和前一时刻隐藏状态通过，接近0时表示阻止当前时刻输入数据和前一时刻隐藏状态通过，表示sigmoid激活函数，表示输入变换权重矩阵，表示递归变换权重矩阵，表示偏置向量；通过所述遗忘门，对所述当前时刻输入数据和所述前一时刻隐藏状态进行选择性遗忘，得到所述遗忘门状态向量的步骤计算公式表示为：，其中，接近1时表示保留当前时刻输入数据和前一时刻隐藏状态，接近0时表示遗忘当前时刻输入数据和前一时刻隐藏状态，表示输入变换权重矩阵，表示递归变换权重矩阵，表示偏置向量；通过所述输出门，对所述当前时刻输入数据和所述前一时刻隐藏状态进行转换控制，得到所述输出门状态向量的步骤计算公式表示为：，其中，接近1时表示允许当前时刻输入数据和前一时刻隐藏状态输出，接近0时表示抑制当前时刻输入数据和前一时刻隐藏状态输出，表示输入变换权重矩阵，表示递归变换权重矩阵，表示偏置向量。
13、作为第一方面的一种可选实施方式，通过所述状态计算层，根据所述遗忘门状态向量、所述输出门状态向量和所述前一时刻单元状态获得当前时刻的单元状态向量的步骤计算公式表示为：，其中，分别表示当前时刻和前一时刻的单元状态向量，表示hadamard逐元素乘积，表示单元状态输入变换矩阵，表示单元状态递归变换矩阵，表示单元状态偏置向量。
14、作为第一方面的一种可选实施方式，所述特征提取层用于根据所述当前时刻输入数据获得聚合特征的步骤包括：所述特征提取层包括多个并行的kanlinear层，每个所述kanlinear层配备独立的权重矩阵、偏置向量、可配置的非线性变换函数和状态更新机制，在每个所述kanlinear层引入时间感知机制；通过所述多个并行的kanlinear层，提取水体的多尺度时间特征；采用多头注意力机制计算所述多尺度时间特征的权重；根据所述权重对所述多尺度时间特征进行加权融合，得到所述聚合特征。
15、作为第一方面的一种可选实施方式，通过所述多个并行的kanlinear层，提取水体的多尺度时间特征的步骤计算公式表示为：，，其中，分别表示第
k个kanlinea层的当前时刻和前一时刻的状态向量，表示第
k个kanlinea层的尺度时间特征，表示第
k个kanlinea层的输入变换矩阵，表示第
k个kanlinea层的递归变换矩阵，表示状态更新的动态权重系数，表示第
k个kanlinea层的非线性变换函数；根据所述权重对所本文档来自技高网
...
【技术保护点】
1.一种基于TKAN模型的水体氨氮浓度预测方法，其特征在于，所述TKAN模型包括多个TKAN层，每个所述TKAN层包括一个TKANCell单元层，所述TKANCell单元层包括输入处理层、门控层、特征提取层、状态计算层和输出生成层，所述方法包括：
2.根据权利要求1所述的一种基于TKAN模型的水体氨氮浓度预测方法，其特征在于，获取待测水体数据并进行预处理，以得到水体时序数据的步骤包括：
3.根据权利要求1所述的一种基于TKAN模型的水体氨氮浓度预测方法，其特征在于，通过所述门控层，根据所述当前时刻输入数据和所述前一时刻隐藏状态获得输入门状态向量、遗忘门状态向量和输出门状态向量的步骤包括：
4.根据权利要求3所述的一种基于TKAN模型的水体氨氮浓度预测方法，其特征在于，通过所述输入门，对所述当前时刻输入数据和所述前一时刻隐藏状态进行选择性接收，得到所述输入门状态向量的步骤计算公式表示为：
5.根据权利要求4所述的一种基于TKAN模型的水体氨氮浓度预测方法，其特征在于，通过所述状态计算层，根据所述遗忘门状态向量、所述输出门状态向量和所述前一时刻单元状态获得当前时刻的单元状态向量的步骤计算公式表示为：
6.根据权利要求1所述的一种基于TKAN模型的水体氨氮浓度预测方法，其特征在于，所述特征提取层用于根据所述当前时刻输入数据获得聚合特征的步骤包括：
7.根据权利要求6所述的一种基于TKAN模型的水体氨氮浓度预测方法，其特征在于，通过所述多个并行的KANLinear层，提取水体的多尺度时间特征的步骤计算公式表示为：
8.一种基于TKAN模型的水体氨氮浓度预测系统，其特征在于，所述TKAN模型包括多个TKAN层，每个所述TKAN层包括一个TKANCell单元层，所述TKANCell单元层包括输入处理层、门控层、特征提取层、状态计算层和输出生成层，所述系统包括数据获取模块、TKAN模型和综合预测模块，其中：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1至7任一项所述一种基于TKAN模型的水体氨氮浓度预测方法。
...
【技术特征摘要】
1.一种基于tkan模型的水体氨氮浓度预测方法，其特征在于，所述tkan模型包括多个tkan层，每个所述tkan层包括一个tkancell单元层，所述tkancell单元层包括输入处理层、门控层、特征提取层、状态计算层和输出生成层，所述方法包括：
2.根据权利要求1所述的一种基于tkan模型的水体氨氮浓度预测方法，其特征在于，获取待测水体数据并进行预处理，以得到水体时序数据的步骤包括：
3.根据权利要求1所述的一种基于tkan模型的水体氨氮浓度预测方法，其特征在于，通过所述门控层，根据所述当前时刻输入数据和所述前一时刻隐藏状态获得输入门状态向量、遗忘门状态向量和输出门状态向量的步骤包括：
4.根据权利要求3所述的一种基于tkan模型的水体氨氮浓度预测方法，其特征在于，通过所述输入门，对所述当前时刻输入数据和所述前一时刻隐藏状态进行选择性接收，得到所述输入门状态向量的步骤计算公式表示为：
5.根据权利要求4所述的一种基于tkan模型的水体氨氮浓度预测方法，其特征在于，通过所述状态计算层，根据所述遗忘门状态向量、所述输出门状...
【专利技术属性】
技术研发人员：康传雄，袁谱淇，翁书勤，吴绍飞，
申请(专利权)人：南昌工程学院，
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。