CN101775434A - 基于bp神经网络的饮用水管网细菌总数快速预测方法 - Google Patents

Abstract

本发明公开了一种基于BP神经网络的饮用水管网细菌总数快速预测方法，包括如下步骤：(1)获取被测饮用水管网中细菌总数及对其有影响的其他相关水质指标的值作为检测数据；(2)建立基于误差反向传播神经网络；(3)对神经网络进行训练和测试；(4)利用通过测试的神经网络来预测饮用水管网中细菌总数。本发明只需进行有限次试验，就可以通过6个与细菌总数相关性高，且能通过仪器测定快速获得结果的水质指标，建立有关饮用水管网细菌总数的预测模型，通过计算机仿真试验，科学预测，能够准确、快速地预测饮用水管网中的细菌总数，为供水企业的决策提供可靠信息，保障供水管网的细菌学水质安全。

Description

基于BP神经网络的饮用水管网细菌总数快速预测方法

技术领域

本发明涉及一种饮用水管网中细菌总数的预测方法，特别涉及一种能够准确、快速预测饮用水管网中细菌总数的基于BP神经网络的饮用水中细菌总数的预测方法。

背景技术

饮用水管网的细菌学水质安全是供水企业和用户普遍关心的问题。出厂水经配水系统传输时，在管道中会发生复杂的物理、化学、生物作用而导致水质变化。目前虽然研究者已日益关注于模拟微生物的生长，建立微生物生长的相关模型，以代替费时且精确度差的传统微生物计数方法。但由于与建立其他模型相比，建立微生物学的模型存在许多难点，如：微生物细胞与外界生化或环境条件改变的相关反应是复杂而知之甚少的；微生物的生长具有特定生物变异性等，建立微生物学水质模型就显得更为困难。目前有关配水管网微生物学水质模型的报道为数不多，传统的预测手段(包括确定性模型和经验模型)尽管可以预测细菌对于预测管网中细菌总数的变化，但是由于必须经历较长的数据矫正过程，特别是一些参数的确定，以致很难直接应用。此外，传统预测模型中参数值的获得需要较时间，影响了模型的实际应用性。如有些模型应用BDOC来预测细菌总数，而BDOC值的获得至少需要3天时间。神经网络(neural networks)是一种由若干平行作用的简单要素组成的模型，经训练后可以解决许多科技领域的复杂问题，其中，BP神经网络(Back-Propagation Networks，反向传播神经网络)是目前水质预测中使用最广泛的神经网络模型之一。

发明内容

本发明要解决的技术问题是，提供一种能够解决传统预测模型所具有的问题，如数据矫正过程长，不易直接应用，参数值获得时间长，准确、快速地预测饮用水管网中细菌总数的基于BP神经网络的饮用水管网细菌总数快速预测方法。

本发明所采用的技术方案是，一种基于BP神经网络的饮用水管网细菌总数快速预测方法，包括如下步骤：(1)获取被测饮用水管网中细菌总数及对其有影响的其他相关水质指标的值作为检测数据；(2)建立基于误差反向传播神经网络；(3)对神经网络进行训练和测试；(4)利用通过测试的神经网络来预测饮用水管网中细菌总数。

所述的对细菌总数有影响的其他水质指标是指：自由余氯、总余氯、浊度、pH、温度、UV₂₅₄。

所述的步骤(1)包括将细菌总数数据依据《生活饮用水卫生标准GB5749-2006》标准分为两组，合格的记为0，不合格记为1；还包括将及其6个水质指标的数据归一化到-1和+1之间的归一化过程。

所述神经网络包括一个输入层、一个中间层和一个输出层。

所述的输入层有6个神经元，中间层有8个神经元，输出层有1个神经元。

所述的中间层神经元的传递函数采用S型正切激活函数，输出层为S型对数函数。

所述的对神经网络进行训练和测试是指，将检测数据分为两部分，前70％用来训练网络，记为训练样本，后30％用来检验网络，记为检验样本；对网络反复训练，当预测值与检测数据间误差达到0.00001时，停止训练，开始预测。

所述的对神经网络的训练是采用误差反向传播算法进行训练。

在步骤(3)中，当神经网络对各组检验样本的预测误差均低于规定水平时即通过测试，然后进行步骤(4)的预测工作。

在步骤(4)中，利用通过测试的神经网络进行预测时，先将监测数据归一化到-1和+1之间，再进行输入，并将网络运算后的输出值，按照超标(即值为1)与合格(即值为0)给出细菌总数的预测结果。

本发明的基于BP神经网络的饮用水管网细菌总数快速预测方法，解决了传统预测模型所具有数据矫正过程长，不易直接应用，参数值获得时间长的问题，准确、快速地预测饮用水管网中细菌总数。利用本发明，应用与细菌总数密切相关且测定简便、快速的水质指标建立的基于神经网络的预测方法，只需进行有限次试验，就可以建立有关细菌总数预测模型，通过计算机仿真试验，科学预测，能够快速、准确地预测饮用水管网中细菌总数的值，从而大大减少探索性试验的数量，显著减少物料、人力、能源的消耗，进一步提高预测质量。

附图说明

图1是神经网络结构图；

其中，1——自由余氯，2——总余氯，3——浊度，4——pH值，5——温度，6——UV₂₅₄，7——细菌总数，8——输入层，9——中间层，10——输出层；

图2是训练过程及最终均方误差图；

图3是检验样本的细菌总数预测图；

其中◆表示实测值，▲表示预测值。

具体实施方式

下面结合实例对本发明的基于BP神经网络的饮用水管网细菌总数快速预测方法做出详细说明。

本发明的基于BP神经网络的饮用水管网细菌总数快速预测方法，包括如下步骤：

(1)获取被测饮用水管网中细菌总数及对其有影响的其他相关水质指标的值作为检测数据。

本发明的实施例中获取对细菌总数有影响的其他水质是，通过对选定的实际给水管网的3个取样点，每天取样一次，每次取样时间段相同，连续监测35次，测定自由余氯(fCh)、总余氯(tCh)、浊度(Tur)、pH、UV₂₅₄及温度(T)6个水质指标的值，获取所需数据。

在获取给水管网中细菌总数时，必须将细菌总数及对其有影响的6个能够快速测定结果的水质指标的数值归一化到-1和+1之间。

(2)建立基于误差反向传播神经网络。

所述的神经网络由一个输入层、一个中间层和一个输出层组成。其中，输入层有6个神经元，分别对应自由余氯(fCh)、总余氯(tCh)、浊度(Tur)、pH、UV₂₅₄及温度(T)；中间层神经元数目较难确定，但对模型的精确度和准确度的影响却很大，反复运算(此运算方式在后面给出)，通过比较中间层神经元个数不同的情况下网络的输出结果，最终确定中间层神经元数为8；网络输出层为目标值细菌总数，故只有一个神经元，为给水管网下游取样点的细菌总数值。所述的中间层神经元的传递函数采用S型正切激活函数，输出层神经元的传递函数采用S型对数函数，所有数据归一化到-1和+1之间。

(3)对神经网络进行训练和测试。

所述的对神经网络进行训练和测试是，将每天所监测的自由余氯(fCh)、总余氯(tCh)、浊度(Tur)、pH、UV₂₅₄及温度(T)及细菌总数值记为一组数据，并将所有监测数据分为两部分，前70％称为训练样本，后30％称为检验样本。

将70％的训练样本用来训练网络，建立学习机制，即当输入某天管网上游取样点的一组数据时，即给出自由余氯(fCh)、总余氯(tCh)、浊度(Tur)、pH、UV₂₅₄及温度(T)及细菌总数这一组输入数据时，中间层神经元个数取8，经过网络自动运算，会有一个输出值(预测的管网末梢取样点的细菌总数值)，比较输出值与期望值(实际测量细菌总数值)之间的误差，若误差小于指定精度，则学习结束。否则，将误差信号沿原来连接路径反向传播，并逐步调整各层的连接权值，直到误差小于指定精度为止，此时第一组学习完成，进入下一组学习，直到连接权值对所有训练组的预测误差均在指定范围内，输出此时的最佳权值。训练组越多，网络的学习越充分，网络经验值越大，预测精度越高。对网络反复训练，当误差达到0.00001时，停止训练，开始预测。此时预测模型目标值与输出值相关系数高达1，最终拟合均方误差为9.99734×10^-6。

将另外30％的检验样本用来检验网络。当网络训练结束后，利用另外30％的检验样本来检验网络，看模型是否符合要求。利用神经网络预测另外30％组所对应的细菌总数值，对照模型预测值与实际测量值间的误差，当神经网络在各组测试数据的预测误差均低于规定水平时即通过测试，可以用于预测工作。此时模型预测值与实测值间相关系数为0.8857，模型预测误差为11.43％，通过测试。

在进行训练中，当神经网络在各组测试数据的预测误差均低于规定水平时即通过测试，可用于预测工作。

(4)利用通过测试的神经网络来预测饮用水管网中细菌总数。

利用通过测试的神经网络进行预测必须将输入数据归一化到-1和+1之间，再输入到通过测试的神经网络中，并将网络运算后的输出进行反归一化，就得到细菌总数预测值。在这里细菌总数预测值＞1，则表示给水管网末梢点细菌总数值超标；细菌总数预测值≤1，则表示给水管网末梢点细菌总数值合格。

在前面所述的确定中间层神经元数的运算是由如下计算过程实现的。

本发明的BP神经网络模型是在实际应用中使用最广泛的神经网络模型，除了输入层和输出层外，还可含有一个或多个中间层，每层有数个神经元，同一层间神经元不连接，与下层神经元之间实现全连接。当一个数值经过中间层向输出层传播时，信息便被神经元捕获。第1个神经元和第j个神经元间连接权值记为w_ji。第j个神经元的总的输入向量是它前一层各个神经元输入向量x_i与其连接权值w_ji乘积的总和，记为：

$\left(1\right),u_j=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{w}_{\mathrm{ji}}{x}_i$

每一个神经元输出值由前一层神经元总输入向量u_j和激活函数f确定，记为：

y_j＝f(u_j)        (2)

其中，常用的f函数为S型的对数或正切激活函数。

先对网络层中权值w_ji取(-1，+1)之间的随机量作为初始值，然后输入样本进行学习。每学完一遍，比较样本的输出结果与期望输出的误差，若误差小于指定精度，则学习结束，并输出此时的最佳权值。否则，将误差信号沿原来连接路径反向传播，并逐步调整各层的连接权值，直到误差小于指定精度为止。利用该模型就可以准确、快速地预测饮用水管网模式点的细菌总数值，显著减少物力、人力、能源的消耗。

以上结果说明，所建立的神经网络对训练组和测试组都有很好的预测效果，因而具有较强的推广能力。本实施例表明，本发明能够准确、快速地用给水管网上游监测点的数据预测给水管网末梢点的细菌总数，且预测方法有较强的推广能量，具有广阔的应用前景。

Claims (10)

1.一种基于BP神经网络的饮用水管网细菌总数快速预测方法，其特征在于，包括如下步骤：

(1)获取被测饮用水管网中细菌总数及对其有影响的其他相关水质指标的值作为检测数据；

(2)建立基于误差反向传播神经网络；

(3)对神经网络进行训练和测试；

(4)利用通过测试的神经网络来预测饮用水管网中细菌总数。

2.根据权利要求1所述的基于BP神经网络的饮用水管网细菌总数快速预测方法，其特征在于，所述的步骤(1)中对细菌总数有影响的其他水质指标是指：自由余氯、总余氯、浊度、pH、温度、UV₂₅₄。

3.根据权利要求1或2所述的基于BP神经网络的饮用水管网细菌总数快速预测方法，其特征在于，所述的步骤(1)包括将细菌总数数据依据《生活饮用水卫生标准GB5749-2006》标准分为两组，合格的记为0，不合格记为1；还包括将及其6个水质指标的数据归一化到-1和+1之间的归一化过程。

4.根据权利要求1所述的基于BP神经网络的饮用水管网中细菌总数预测方法，其特征在于，所述神经网络包括一个输入层、一个中间层和一个输出层。

5.根据权利要求4所述的基于BP神经网络的饮用水管网中细菌总数预测方法，其特征在于，所述的输入层有6个神经元，中间层有8个神经元，输出层有1个神经元。

6.根据权利要求5所述的基于BP神经网络的饮用水管网中细菌总数预测方法，其特征在于，所述的中间层神经元的传递函数采用S型正切激活函数，输出层为S型对数函数。

7.根据权利要求1所述的基于BP神经网络的饮用水管网中细菌总数预测方法，其特征在于，所述的对神经网络进行训练和测试是，将检测数据分为两部分，前70％用来训练网络，记为训练样本，后30％用来检验网络，记为检验样本；对网络反复训练，当预测值与检测数据间误差达到0.00001时，停止训练，开始预测。

8.根据权利要求1或7所述的基于BP神经网络的饮用水管网中细菌总数预测方法，其特征在于，所述的对神经网络的训练是采用误差反向传播算法进行训练。

9.根据权利要求1或7所述的基于BP神经网络的饮用水管网中细菌总数预测方法，其特征在于，在步骤(3)中，当神经网络对各组检验样本的预测误差均低于规定水平时即通过测试，然后进行步骤(4)的预测工作。

10.根据权利要求1或7所述的基于BP神经网络的饮用水管网中细菌总数预测方法，其特征在于，在步骤(4)中，利用通过测试的神经网络进行预测时，先将监测数据归一化到-1和+1之间，再进行输入，并将网络运算后的输出值，按照超标，即值为1，与合格，即值为0，给出细菌总数的预测结果。

Images