CN103942461A - 基于在线贯序极限学习机的水质参数预测方法 - Google Patents

Abstract

本发明提供基于在线贯序极限学习机的水质参数预测方法，包括以下步骤：步骤一：从水质自动监测站采集水质参数历史数据并对数据进行预处理；步骤二：将经过预处理的水质参数历史数据中的前2/3的数据作为学习样本集，后1/3数据作为测试样本集；步骤三：在学习样本集中取部分数据对OSELM初始化，然后利用学习样本集中剩下的数据让OSELM进行学习；步骤四：学习完成后以测试样本集对学习后的OSELM模型进行检验，获得基于OSELM的水质参数预测模型；步骤五：使用OSELM模型对新的水质参数进行预测。预测效果好，预测精度高，学习时间短，能够满足快速预测水质参数的未来发展趋势的要求。

Description

基于在线贯序极限学习机的水质参数预测方法

技术领域

本发明涉及水质监测领域，具体涉及基于在线贯序极限学习机(OnlineSequential Extreme Learning Machine，简称OSELM)的水质参数预测方法。

背景技术

建立有效的水质参数预测模型能够准确指出水体未来的污染程度及其发展趋向，从而为制定水环境保护的方针政策和具体措施提供可靠的依据，并可转变人们对水环境应用和治理的传统观念，将以前的事后治理转变为事前预防。虽然人们能够从长期连续的观测数据中发现其蕴含某种程度的变化规律，但因水质参数受诸多因素的影响，其变迁表现出高度的非线性、时延性及不确定性，变化规律复杂，很难用机理模型表达，以传统的时问序列预测方法如自回归(AR)、自回归滑动平均(ARMA)等有限参数线性模型，也不能很好地表征其变化特性。人工神经网络等智能模型的出现，为水质参数预测提供了一种新方法，但由于人工神经网络应用基于梯度的学习算法，并且通过迭代调整网络中的参数，因而存在以下缺陷：(1)学习速度慢，不能满足一些需要在线学习的场合；(2)学习过程容易收敛于局部极小点，难以保证学习精度；(3)网络推广能力差，对未知样本不能确保有很好的预测结果。这些缺陷的存在不利于人工神经网络快速准确地进行水质参数预测，制约了人工神经网络在水质参数预测中的推广应用。极限学习机(Extreme Learning Machine，ELM)是Huang等人于2006年提出的一种新的学习算法，在该算法中，输入权值和隐层阈值随机选取，而输出权值则通过最小二乘法直接计算得到，整个过程一次完成，无需迭代，因而学习时间短，同时也有效地规避了人工神经网络学习易陷入局部极小的缺陷，但在实际应用中，所有的数据可能并不是一次性加入的，当新数据添加进来时ELM算法会把新数据与旧数据放到一起重新学习，以致于学习过程花费过多的时间。

发明内容

本发明所要解决的技术问题在于提供基于在线贯序极限学习机的水质参数预测方法，预测效果好，预测精度高，学习时间短，能够满足快速预测水质参数的未来发展趋势的要求。

为解决上述现有的技术问题，本发明采用如下方案：基于在线贯序极限学习机的水质参数预测方法，包括以下步骤：

步骤一：从水质自动监测站采集水质参数历史数据并对数据进行预处理，采用牛顿插值法将历史数据中的缺失数据补全；

步骤二：将经过预处理的水质参数历史数据中的前2/3的数据作为学习样本集，后1/3数据作为测试样本集；

步骤三：在学习样本集中取部分数据对OSELM初始化，然后利用学习样本集中剩下的数据让OSELM进行学习，在学习过程中，学习样本集中剩下的数据的前若干连续单位时间的水质参数值作为OSELM输入，下一单位时间的水质参数值则作为OSELM输出，且在不断地加入新的监测数据时丢弃相应数量的老数据，进行滚动学习；

步骤四：学习完成后以测试样本集对学习后的OSELM模型进行检验，即将测试样本集前若干连续单位时间的水质参数值送入学习后的OSELM输入端，并观测该OSELM输出端的预测值，若OSELM输出的预测值与测试样本集下一单位时间水质参数值之间的误差达到要求，则检验通过，即获得了基于OSELM的水质参数预测模型；

步骤五：使用OSELM模型对新的水质参数进行预测，只要将前若干连续单位时间的水质参数值送入OSELM预测模型的输入端，即可在其输出端估计出未来的水质参数值。

作为优选，所述水质参数采用PH值、溶解氧含量、高锰酸盐指数或氨氮含量。

作为优选，所述步骤三中对OSELM初始化的具体步骤如下：设从水质监测站收集到水质参数的最原始数据集为Z＝{z₁,z₁,…,z_N}，其中z_i∈R^d，从数据集Z中选取N₀个数据进行错位排序后，形成新的数据集 ${\mathrm{\Ω}}_{\mathrm{ini}}=\{(x_1,t_1),\·\·\·,(x_{N_0-1},t_{N_0-1})\},$ 由于采用前4周的水质参数来预测后一周的水质参数，则x_i＝(z_i,z_i+1,z_i+2,z_i+3)^Τ，t_i＝z_i+4，(i＝1,…,N₀-1)，然后运用OSELM算法求出最优的输出权值β₀，即设随机选取隐节点的输入权值为α_i和阈值为b_i，隐层输出函数为G(α_i,b_i,x)，则隐层输出矩阵H₀， $H_0={\left(\begin{array}{ccc}G({\mathrm{\α}}_1,b_1,x_1)& \·\·\·& G({\mathrm{\α}}_L,b_L,x_L)\\ G({\mathrm{\α}}_1,b_1,x_2)& \·\·\·& G({\mathrm{\α}}_L,b_L,x_2)\\ \·& & \·\\ \·& & \·\\ \·& & \·\\ G({\mathrm{\α}}_1,b_1,x_{N_0})& \·\·\·& G({\mathrm{\α}}_L,b_L,x_{N_0})\end{array}\right)}_{N_0\×L},$ 由此计算出初始输出权值 ${\mathrm{\β}}^0=P_0{H}_0^T{T}_0,$ 其中 $P_0={\left(H_0^T{H}_0\right)}^{-1},T_0={(t_1^T,t_2^T,\·\·\·,t_{N_0}^T)}^T,$ 并计算出每次输入数据x_i所对应的目标输出o_i，完成对水质参数的OSELM初始化过程。

作为优选，所述步骤三中使OSELM进行学习的具体步骤如下：从数据集Z-Z_ini中选取N₁个数据即对Z_tra进行错位排序后形成新的数据集 ${\mathrm{\Ω}}_{\mathrm{tra}}=\{(x_1,t_1),\·\·\·,(x_{N_1-1},t_{N_1-1})\},$ 其中 $x_i={(z_{N_{0+i}},z_{N_0+1+i},z_{N_0+2+i},z_{N_0+3+i})}^T,t_i=z_{N_0+i+4},i=1,\·\·\·,N_1-1,$ 然后运用OSELM算法求出最优的输出权值β，即不断地加入新的监测数据，丢弃相应数量的老数据，按照对OSELM初始化中的OSELM算法进行滚动学习，并计算出每次输入数据x_i所对应的目标输出o_i。

作为优选，所述步骤四中在检验误差时采用均方根误差RMSE(Root MeanSquare Error，RMSE)、相关系数R(Correlation Coefficient)作为评价预测模型性能的指标，其计算公式分别为：

$\mathrm{RMSE}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_{\mathrm{ai}}-y_{\mathrm{pi}})}^2}$

$R=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(y_{\mathrm{ai}}-{\stackrel{\‾}{y}}_a)(y_{\mathrm{pi}}-{\stackrel{\‾}{y}}_p)}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_{\mathrm{ai}}-{\stackrel{\‾}{y}}_a)}^2\·{(y_{\mathrm{pi}}-{\stackrel{\‾}{y}}_p)}^2}}$

均方根误差越小表示模型的预测性能越好，相关系数的绝对值越接近于1说明预测越准确。其中y_ai和y_pi分别代表第i个样本的真实值和预测值，和分别代表n个样本的真实值均值和预测值均值。

作为优选，所述步骤四中对于不同的水质参数误差达到的要求不同：对PH值预测的模型的均方根误差低于0.006，对溶解氧含量预测的模型的均方根误差低于0.12，对高锰酸盐指数预测的模型的均方根误差低于0.18，对氨氮含量预测的模型的均方根误差低于0.04，且上述预测的模型的相关系数都不低于0.95。

有益效果：

本发明采用上述技术方案提供基于在线贯序极限学习机的水质参数预测方法，将贯序学习的思想引入到ELM算法中，得到OSELM学习算法，在OSELM的学习过程中，数据可以一个一个或一块一块地添加，使OSELM通过学习最近一段连续时间的历史观测数据，掌握水质参数的变化规律并预测其未来的趋势，由于OSELM的学习是不断滚动执行的，随着观测数据更新和积累，模型不断抛弃旧的数据，学习最新的数据，以掌握最新的水质发展规律，基于水质参数在线监测、数据持续获得的特点，采用OSELM能够满足快速预测水质参数未来发展趋势的要求，对于水质参数的预测是十分有效的，预测效果好，预测精度高，学习时间短。

附图说明

图1为本发明的流程示意图；

图2为本发明对PH值预测结果与实际值的对比示意图；

图3为本发明对溶解氧含量预测结果与实际值的对比示意图；

图4为本发明对高锰酸盐指数预测结果与实际值的对比示意图；

图5为本发明对氨氮含量预测结果与实际值的对比示意图。

具体实施方式

如图1所示，基于在线贯序极限学习机的水质参数预测方法，包括以下步骤：

步骤一：从水质自动监测站采集水质参数历史数据并对数据进行预处理，采用牛顿插值法将历史数据中的缺失数据补全；

步骤二：将经过预处理的水质参数历史数据中的前2/3的数据作为学习样本集，后1/3数据作为测试样本集；

步骤三：在学习样本集中取部分数据对OSELM初始化，然后利用学习样本集中剩下的数据让OSELM进行学习，在学习过程中，学习样本集中剩下的数据的前若干连续单位时间的水质参数值作为OSELM输入，下一单位时间的水质参数值则作为OSELM输出，且在不断地加入新的监测数据时丢弃相应数量的老数据，进行滚动学习；

步骤四：学习完成后以测试样本集对学习后的OSELM模型进行检验，即将测试样本集前若干连续单位时间的水质参数值送入学习后的OSELM输入端，并观测该OSELM输出端的预测值，若OSELM输出的预测值与测试样本集下一单位时间水质参数值之间的误差达到要求，则检验通过，即获得了基于OSELM的水质参数预测模型；

步骤五：使用OSELM模型对新的水质参数进行预测，只要将前若干连续单位时间的水质参数值送入OSELM预测模型的输入端，即可在其输出端估计出未来的水质参数值。

所述水质参数采用PH值、溶解氧含量、高锰酸盐指数或氨氮含量。所述步骤三中对OSELM初始化的具体步骤如下：设从水质监测站收集到水质参数的最原始数据集为Z＝{z₁,z₁,…,z_N}，其中z_i∈R^d，从数据集Z中选取N₀个数据进行错位排序后，形成新的数据集 ${\mathrm{\Ω}}_{\mathrm{ini}}=\{(x_1,t_1),\·\·\·,(x_{N_0-1},t_{N_0-1})\},$ 由于采用前4周的水质参数来预测后一周的水质参数，则x_i＝(z_i,z_i+1,z_i+2,z_i+3)^Τ，t_i＝z_i+4，(i＝1,…,N₀-1)，然后运用OSELM算法求出最优的输出权值β₀，即设随机选取隐节点的输入权值为α_i和阈值为b_i，隐层输出函数为G(α_i,b_i,x)，则隐层输出矩阵H₀， $H_0={\left(\begin{array}{ccc}G({\mathrm{\α}}_1,b_1,x_1)& \·\·\·& G({\mathrm{\α}}_L,b_L,x_L)\\ G({\mathrm{\α}}_1,b_1,x_2)& \·\·\·& G({\mathrm{\α}}_L,b_L,x_2)\\ \·& & \·\\ \·& & \·\\ \·& & \·\\ G({\mathrm{\α}}_1,b_1,x_{N_0})& \·\·\·& G({\mathrm{\α}}_L,b_L,x_{N_0})\end{array}\right)}_{N_0\×L},$ 由此计算出初始输出权值 ${\mathrm{\β}}^0=P_0{H}_0^T{T}_0,$ 其中 $P_0={\left(H_0^T{H}_0\right)}^{-1},T_0={(t_1^T,t_2^T,\·\·\·,t_{N_0}^T)}^T,$ 并计算出每次输入数据x_i所对应的目标输出o_i，完成对水质参数的OSELM初始化过程。所述步骤三中使OSELM进行学习的具体步骤如下：从数据集Z-Z_ini中选取N₁个数据即对Z_tra进行错位排序后形成新的数据集 ${\mathrm{\Ω}}_{\mathrm{tra}}=\{(x_1,t_1),\·\·\·,(x_{N_1-1},t_{N_1-1})\},$ 其中 $x_i={(z_{N_{0+i}},z_{N_0+1+i},z_{N_0+2+i},z_{N_0+3+i})}^T,$ $t_i=z_{N_0+i+4},i=1,\·\·\·,N_1-1,$ 然后运用OSELM算法求出最优的输出权值β，即不断地加入新的监测数据，丢弃相应数量的老数据，按照对OSELM初始化中的OSELM算法进行滚动学习，并计算出每次输入数据x_i所对应的目标输出o_i。所述步骤四中在检验误差时采用均方根误差RMSE(Root Mean SquareError，RMSE)、相关系数R(Correlation Coefficient)作为评价预测模型性能的指标，其计算公式分别为：

$\mathrm{RMSE}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_{\mathrm{ai}}-y_{\mathrm{pi}})}^2}$

$R=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(y_{\mathrm{ai}}-{\stackrel{\‾}{y}}_a)(y_{\mathrm{pi}}-{\stackrel{\‾}{y}}_p)}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_{\mathrm{ai}}-{\stackrel{\‾}{y}}_a)}^2\·{(y_{\mathrm{pi}}-{\stackrel{\‾}{y}}_p)}^2}}$

均方根误差越小表示模型的预测性能越好，相关系数的绝对值越接近于1说明预测越准确。其中y_ai和y_pi分别代表第i个样本的真实值和预测值，和分别代表n个样本的真实值均值和预测值均值。所述步骤四中对于不同的水质参数误差达到的要求不同：对PH值预测的模型的均方根误差低于0.006，对溶解氧含量预测的模型的均方根误差低于0.12，对高锰酸盐指数预测的模型的均方根误差低于0.18，对氨氮含量预测的模型的均方根误差低于0.04，且上述预测的模型的相关系数都不低于0.95。

OSELM算法是在原始ELM算法的基础上采用在线学习模式而提出的一种新的算法，算法原理可总结如下：给定学习数据集Ω＝{(x_i,t_i)|x_i∈Rⁿ,t_i∈R^m,i＝1,…,N}，其中x_i是样本的输入值，t_i是相应的目标值，N为样本个数，设节点个数为L,然后按以下步骤进行：

Step1初始化阶段：

1)从Ω中选取部分数据集其中N₀≥L；

2)随机选取隐节点的输入权值α_i和阈值b_i，i＝1,…,L。设隐层输出函数为G(α_i,b_i,x)；

3)计算隐层输出矩阵H₀， $H_0={\left(\begin{array}{ccc}G({\mathrm{\α}}_1,b_1,x_1)& \·\·\·& G({\mathrm{\α}}_L,b_L,x_L)\\ G({\mathrm{\α}}_1,b_1,x_2)& \·\·\·& G({\mathrm{\α}}_L,b_L,x_2)\\ \·& & \·\\ \·& & \·\\ \·& & \·\\ G({\mathrm{\α}}_1,b_1,x_{N_0})& \·\·\·& G({\mathrm{\α}}_L,b_L,x_{N_0})\end{array}\right)}_{N_0\×L};$

4)计算初始输出权值 ${\mathrm{\β}}^0=P_0{H}_0^T{T}_0,$ 其中 $P_0={\left(H_0^T{H}_0\right)}^{-1},T_0={(t_1^T,t_2^T,\·\·\·,t_{N_0}^T)}^T;$

5)设置k＝0。

Step2贯序学习阶段：

步骤1)设第k+1步所添加的数据块为其中N_k+1表示第k+1步添加数据的个数；

步骤2)计算新添加数据的隐层输出矩阵H_k+1，

$H_{k+1}={\left(\begin{array}{ccc}G({\mathrm{\α}}_1,b_1,x_{\left({\mathrm{\Σ}}_{j=0}^k{N}_j\right)+1})& \·\·\·& G({\mathrm{\α}}_L,b_L,x_{\left({\mathrm{\Σ}}_{j=0}^k{N}_j\right)+1})\\ G({\mathrm{\α}}_1,b_1,x_{\left({\mathrm{\Σ}}_{j=0}^k{N}_j\right)+2})& \·\·\·& G({\mathrm{\α}}_L,b_L,x_{\left({\mathrm{\Σ}}_{j=0}^k{N}_j\right)+2})\\ \·& & \·\\ \·& & \·\\ \·& & \·\\ G({\mathrm{\α}}_1,b_1,x_{{\mathrm{\Σ}}_{j=0}^{k+1}{N}_j})& \·\·\·& G({\mathrm{\α}}_L,b_L,x_{{{\mathrm{\Σ}}_{j=0}^{k+1}N}_j})\end{array}\right)}_{};$

步骤3)令 $T_{k+1}={(t_{\left({\mathrm{\Σ}}_{j=0}^k{N}_j\right)+1}^T,\·\·\·,t_{{\mathrm{\Σ}}_{j=0}^k{N}_j}^T)}^T.$

步骤4)计算输出权值β^k+1， ${\mathrm{\β}}^{k+1}={\mathrm{\β}}^k+P_k{H}_{k+1}^T(T_{k+1}-H_{k+1}{\mathrm{\β}}^k),$ $P_{k+1}=P_k-P_k{H}_{k+1}^T{(I+H_{k+1}{P}_k{H}_{k+1}^T)}^{-1}{H}_{k+1}{P}_k;$

步骤5)置k＝k+1，返回步骤1)。

为验证本发明的有效性，本发明采取了实验测试，本发明进行实验测试时，数据来源于中华人民共和国环境保护部(http://www.mep.gov.cn/)公布的全国主要流域重点断面四川攀枝花龙洞水质自动监测周报(2004年第1周至2012年第53周)。选择四川攀枝花龙洞的2004年第1周至2009年第52周作为学习数据集，2010年第1周至2012年第53周作为测试数据集。用前4周数据预测下一周数据，则学习数据集为308组，测试数据集为153组。

下面通过两组实验结果来详细分析：

实验1：将隐节点个数设置为8个，初始数据个数N₀设定为25，每次增加数据的个数为1，OSELM算法的激活函数设为RBF函数，对四个水质参数进行预测，图2～5给出了基于OSELM的预测模型对各水质参数的预测结果。

从图1～4中可以看出OSELM预测模型对PH值和氨氮的预测效果要比对溶解氧和高锰酸盐指数的预测效果好，且对溶解氧的预测效果相对要比对高锰酸盐指数的预测效果好。但整体上看来OSELM预测模型可以给出较好的预测效果。

实验2：为了进一步说明问题，下面将本发明中基于OSELM的预测模型与常见的人工神经网络模型作比较。

表1～4给出了分别OSELM和人工神经网络对各水质参数预测的性能比较，表中结果均为20次实验的平均结果。

表1PH值的预测结果比较

表2溶解氧的预测结果比较

表3高锰酸盐指数的预测结果比较

表4氨氮的预测结果比较

从表1～4可以看出OSELM预测模型不论是在学习时间、均方根误差还是相关系数上都比BP人工神经网络好，且学习时间稳定。与RBF人工神经网络相比，除了表4中氨氮预测的均方根误差略大之外，对其他水质参数的预测结果都要好于RBF人工神经网络。且OSELM预测模型对四个水质参数的学习时间只有0.0469秒，这完全满足水质在线监测快速进行预测的要求。

针对人工神经网络预测模型存在易出现过学习或欠学习、局部极小、网络结构难以确定、推广能力差、学习时间长等诸多问题，本文提出采用OSELM建立水质参数预测模型的方法，并分别与BP人工神经网络和RBF人工神经网络预测模型进行比较。从中可以看出OSELM预测模型对除氨氮外的其他水质参数预测精度都要高于人工神经网络，且学习时间短。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (6)

1.基于在线贯序极限学习机的水质参数预测方法，其特征在于：包括以下步骤：

步骤一：从水质自动监测站采集水质参数历史数据并对数据进行预处理，采用牛顿插值法将历史数据中的缺失数据补全；

步骤二：将经过预处理的水质参数历史数据中的前2/3的数据作为学习样本集，后1/3数据作为测试样本集；

步骤三：在学习样本集中取部分数据对OSELM初始化，然后利用学习样本集中剩下的数据让OSELM进行学习，在学习过程中，学习样本集中剩下的数据的前若干连续单位时间的水质参数值作为OSELM输入，下一单位时间的水质参数值则作为OSELM输出，且在不断地加入新的监测数据时丢弃相应数量的老数据，进行滚动学习；

步骤四：学习完成后以测试样本集对学习后的OSELM模型进行检验，即将测试样本集前若干连续单位时间的水质参数值送入学习后的OSELM输入端，并观测该OSELM输出端的预测值，若OSELM输出的预测值与测试样本集下一单位时间水质参数值之间的误差达到要求，则检验通过，即获得了基于OSELM的水质参数预测模型；

步骤五：使用OSELM模型对新的水质参数进行预测，只要将前若干连续单位时间的水质参数值送入OSELM预测模型的输入端，即可在其输出端估计出未来的水质参数值。

2.根据权利要求1所述的基于在线贯序极限学习机的水质参数预测方法，其特征在于：所述水质参数采用PH值、溶解氧含量、高锰酸盐指数或氨氮含量。

3.根据权利要求1所述的基于在线贯序极限学习机的水质参数预测方法，其特征在于：所述步骤三中对OSELM初始化的具体步骤如下：设从水质监测站收集到水质参数的最原始数据集为Z＝{z₁,z₁,…,z_N}，其中z_i∈R^d，从数据集Z中选取N₀个数据进行错位排序后，形成新的数据集 ${\mathrm{\Ω}}_{\mathrm{ini}}=\{(x_1,t_1),\·\·\·,(x_{N_0-1},t_{N_0-1})\},$ 由于采用前4周的水质参数来预测后一周的水质参数，则x_i＝(z_i,z_i+1,z_i+2,z_i+3)^Τ，t_i＝z_i+4，(i＝1,…,N₀-1)，然后运用OSELM算法求出最优的输出权值β₀，即设随机选取隐节点的输入权值为α_i和阈值为b_i，隐层输出函数为G(α_i,b_i,x)，则隐层输出矩阵H₀， $H_0={\left(\begin{array}{ccc}G({\mathrm{\α}}_1,b_1,x_1)& \·\·\·& G({\mathrm{\α}}_L,b_L,x_L)\\ G({\mathrm{\α}}_1,b_1,x_2)& \·\·\·& G({\mathrm{\α}}_L,b_L,x_2)\\ \·& & \·\\ \·& & \·\\ \·& & \·\\ G({\mathrm{\α}}_1,b_1,x_{N_0})& \·\·\·& G({\mathrm{\α}}_L,b_L,x_{N_0})\end{array}\right)}_{N_0\×L},$ 由此计算出初始输出权值 ${\mathrm{\β}}^0=P_0{H}_0^T{T}_0,$ 其中 $P_0={\left(H_0^T{H}_0\right)}^{-1},T_0={(t_1^T,t_2^T,\·\·\·,t_{N_0}^T)}^T,$ 并计算出每次输入数据x_i所对应的目标输出o_i，完成对水质参数的OSELM初始化过程。

4.根据权利要求3所述的基于在线贯序极限学习机的水质参数预测方法，其特征在于：所述步骤三中使OSELM进行学习的具体步骤如下：从数据集Z-Z_ini中选取N₁个数据即对Z_tra进行错位排序后形成新的数据集 ${\mathrm{\Ω}}_{\mathrm{tra}}=\{(x_1,t_1),\·\·\·,(x_{N_1-1},t_{N_1-1})\},$ 其中 $x_i={(z_{N_{0+i}},z_{N_0+1+i},z_{N_0+2+i},z_{N_0+3+i})}^T,t_i=z_{N_0+i+4},i=1,\·\·\·,N_1-1,$ 然后运用OSELM算法求出最优的输出权值β，即不断地加入新的监测数据，丢弃相应数量的老数据，按照对OSELM初始化中的OSELM算法进行滚动学习，并计算出每次输入数据x_i所对应的目标输出o_i。

5.根据权利要求1所述的基于在线贯序极限学习机的水质参数预测方法，其特征在于：所述步骤四中在检验误差时采用均方根误差RMSE(Root MeanSquare Error，RMSE)、相关系数R(Correlation Coefficient)作为评价预测模型性能的指标，其计算公式分别为：

$\mathrm{RMSE}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_{\mathrm{ai}}-y_{\mathrm{pi}})}^2}$

$R=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(y_{\mathrm{ai}}-{\stackrel{\‾}{y}}_a)(y_{\mathrm{pi}}-{\stackrel{\‾}{y}}_p)}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_{\mathrm{ai}}-{\stackrel{\‾}{y}}_a)}^2\·{(y_{\mathrm{pi}}-{\stackrel{\‾}{y}}_p)}^2}}$

均方根误差越小表示模型的预测性能越好，相关系数的绝对值越接近于1说明预测越准确。其中y_ai和y_pi分别代表第i个样本的真实值和预测值，和分别代表n个样本的真实值均值和预测值均值。

6.根据权利要求5所述的基于在线贯序极限学习机的水质参数预测方法，其特征在于：所述步骤四中对于不同的水质参数误差达到的要求不同：对PH值预测的模型的均方根误差低于0.006，对溶解氧含量预测的模型的均方根误差低于0.12，对高锰酸盐指数预测的模型的均方根误差低于0.18，对氨氮含量预测的模型的均方根误差低于0.04，且上述预测的模型的相关系数都不低于0.95。