CN106596889A - 一种水质的预测方法 - Google Patents
一种水质的预测方法 Download PDFInfo
- Publication number
- CN106596889A CN106596889A CN201611200563.0A CN201611200563A CN106596889A CN 106596889 A CN106596889 A CN 106596889A CN 201611200563 A CN201611200563 A CN 201611200563A CN 106596889 A CN106596889 A CN 106596889A
- Authority
- CN
- China
- Prior art keywords
- sample
- model
- water quality
- result
- water
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Abstract
本发明提供一种水质的预测方法,所述预测方法包括:根据预设的水质指标获取水质样本,并通过预设的聚类算法对所述水质样本进行聚类分析;根据所述聚类分析后的水质样本获取三层前馈神经网络模型的结果、偏最小二乘模型的结果、支撑向量回归模型的结果,并根据所述三层前馈神经网络模型的结果、偏最小二乘模型的结果、支撑向量回归模型获取集成模型;根据所述集成模型为待测水样进行水质预测。实施本发明实施例,不仅降低了模型的过拟合程度,而且提升了水质预测的准确度。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种水质的预测方法。
背景技术
现在市场上用于监控淡水(包括湖泊、河流、地下水)、工业废水、生活废水等水体的质量指标(主要包括COD(化学需氧量)、TOC(总有机碳)、总磷、总氮)的仪器绝大多数采用化学法,其中比较典型的采用消解+分光光度计的模式。在近两年,有少量企业推出了基于紫外-可见吸收光谱和者荧光光谱原理的光学法检测仪器。化学法仪器的主要缺点是体积大、质量大,典型仪器的质量超过45千克,尺寸(长宽高之和)超过2000毫米;化学法仪器需要消化化学试剂,一方面人为操作维护成本较高,另一方面潜在的造成了环境污染;另外检测速度慢,单项检测一般超过15分钟。
发明内容
有鉴于此,本发明提供一种水质的预测方法,以解决现有技术化学仪器体积大、化学试剂污染环境、检测速度慢的问题。
具体地,本发明是通过如下技术方案实现的:
本发明提供一种水质的预测方法,所述预测方法包括:
根据预设的水质指标获取水质样本,并通过预设的聚类算法对所述水质样本进行聚类分析;
根据所述聚类分析后的水质样本获取三层前馈神经网络模型的结果、偏最小二乘模型的结果、支撑向量回归模型的结果,并根据所述三层前馈神经网络模型的结果、偏最小二乘模型的结果、支撑向量回归模型获取集成模型;
根据所述集成模型为待测水样进行水质预测。
本发明实施例,将三层前馈神经网络模型、偏最小二乘模型、支撑向量回归模型整合为一个集成模型,并使用10折交叉验证进行集成模型的调整,不仅降低了模型的过拟合程度,而且提升了水质预测的准确度。
附图说明
图1是本发明一示例性实施例示出的一种水质的预测方法的流程图;
图2是本发明实施例示出的样本更新算法的示意图;
图3是本发明实施例示出的训练算法的示意图;
图4是本发明实施例示出的预测算法的示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本发明可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本发明范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
如图1所示为本发明一示例性实施例示出的一种水质的预测方法的流程图,所述预测方法包括:
步骤S101,根据预设的水质指标获取水质样本,并通过预设的聚类算法对所述水质样本进行聚类分析。
在本发明实施例中,首先根据水质指标获取一备选水样集合,该水样集合的数量不少于400个,对于水质指标,必须要可以覆盖指标的所有量程,以COD(Chemical OxygenDemand,化学需氧量)作为水质指标为例,其取值范围必须为3~300才可以保证覆盖所有的范围。需要指出的是,水质指标可以根据实际使用的需要进行变更,本发明对水质指标的选择不做限定。
在根据水质指标获取水质样本之后,需要根据预设的聚类算法对水质样本进行聚类,具体的:
根据光谱、浊度和所述水质指标通过k最邻近算法对所述水质样本进行聚类分析。
光谱、浊度和水质指标三个数组按照不同的权重值带入到k最邻近算法中对水质样本进行聚类分析,其中,各数组的权重值可以根据实际计算的需要进行调整。优选的,光谱、浊度和水质指标的权重值分别为:80%、10%、10%。
其中,k最邻近算法中k的取值的也可以根据实际使用的需要进行调整,优选的,k的值为10。
需要指出的是,本发明实施例提供的k最邻近算法可由最大期望算法替代。
步骤S102,根据所述聚类分析后的水质样本获取三层前馈神经网络模型的结果、偏最小二乘模型的结果、支撑向量回归模型的结果,并根据所述三层前馈神经网络模型的结果、偏最小二乘模型的结果、支撑向量回归模型获取集成模型。
在本发明实施例中,通过聚类分析后的水质样本可以获取三种不同的模型的结果:三层前馈神经网络模型的结果、偏最小二乘模型的结果、支撑向量回归模型的结果,以上述三种模型的结果为基础可以获取新的集成模型的结果。
所述根据所述聚类分析后的水质样本获取三层前馈神经网络模型的结果、偏最小二乘模型的结果、支撑向量回归模型的结果,包括:
通过奇异值分解算法将所述聚类分析后的水质样本降维为矩阵,所述矩阵包括:左奇异向量矩阵、奇异值矩阵和右奇异向量矩阵,保留所述矩阵中k′个奇异值和奇异向量,将所述矩阵输入前馈神经网络模型进行训练获取隐结点权重,将所述隐结点权重作为三层前馈神经网络模型的结果;以及,
获取k′次k′折验证,将所述k′次k′折验证中PRESS统计量最小的k′折验证的结果作为偏最小二乘模型的结果;以及,
通过序贯最小优化算法获取支撑向量机的支撑向量以及权重,并将所述支撑向量和权重保存为支撑向量回归模型的结果,其中,支撑向量模型的输入为所述聚类分析后的水质样本降维的结果,选择的参数为非齐次多项式核函数,次数为k′≥2的自然数,对于每个支撑向量的权重最大值设置为1。
优选的,所述k′次k′折验证为10次10折验证。
优选的,所述次数为3次。
需要指出的是,所述降维中选择维数的原则为:选择从1~k′个奇异值,第k+1个奇异值的绝对值小于第1个奇异值的1%,其中所述1%可以根据实际应用的需要进行替换,如:0.5%、0.6%。
所述根据所述三层前馈神经网络模型的结果、偏最小二乘模型的结果、支撑向量回归模型的结果获取集成模型中各模型的权重,包括:
在样本数据库中分别使用前馈神经网络模型、偏最小二乘模型、支撑向量回归模型进行评分,分别筛选出三个模型中评分误差小于25%的数据,根据每组数据的数量作为权重,并进行加权品均获得集成模型的评分。
上述三个模型在样本内R-square分别达到了0.91,0.93和0.95,平均相对误差分别为34%,39%和22%。经过集成以后使R-square达到0.998,并且将相对误差降低到20%以下。在样本外测试集R-square也可以达到0.91,相对误差在25%以下,远超目前市场上现有的算法的性能。
需要指出的,偏最小二乘算法可以由主成分分析算法结合最小二乘算法替代。
步骤S103,根据所述集成模型为待测水样进行水质预测。
在本发明实施例中,记录输入光谱和浊度合并而成的一维列向量为a。三层前馈神经网络输出的参数分别是:第一层的权重矩阵W和第二层的权重向量w。f为标准的sigmoid函数。将a归一化调整为a′,计算第一层响应为N1=f(W*a′),然后计算第二层响应为N2=wT*N1,其中T表示矩阵装置,再经过输出归一化反向运算调整得到评分P1。偏最小二乘法回归系数为β2是k+1维列向量,那么第二个模型的评分为P2=(1,aT)*β2。支撑向量回归得到的支撑向量模型参数σ,μ,γ,δ,其中除了σ之外都是列向量。支撑向量组成的矩阵为V是一个m行k+1列的矩阵,m是支撑向量的个数。第三个模型的评分为集成模型的三个权重分别为m1,m2,m3,这里m1,m2,m3>0,而且m1+m2+m3=1。最终评分为P=m1P1+m2P2+m3P3。
本发明实施例,将三层前馈神经网络模型、偏最小二乘模型、支撑向量回归模型整合为一个集成模型,并使用10折交叉验证进行集成模型的调整,不仅降低了模型的过拟合程度,而且提升了水质预测的准确度。
作为本发明的一个可选实施例,在所述根据预设的水质指标获取水质样本,并通过预设的聚类算法对所述水质样本进行聚类分析的步骤之后,所述预测方法还包括:
如果所述水质样本需要新增水样,则将新增水样放入特征空间,与k个类别计算距离,通过所述距离判断是否将所述新增水样加入所述水质样本。
在本发明实施例中,为了使水质样本更全面,使得水质样本可以更方便的使用所有的水质,经常需要向水质样本中加入新的水样,而新增水样是否适合加入到水质样本中,需要根据新增水样与k个类别的距离进行计算。
所述通过所述距离判断是否将所述新增水样加入所述水质样本,包括:
判断所述距离与预设的水样阈值的关系,如果新增水样存在小于所述水样阈值的类别,则放弃所述新增水样,如果所有类别都大于所述水样阈值,则加入所述新增水样。
需要指出的是,水样阈值根据实际使用的不同可以进行调整,本发明不进行限定。优选的,所述水样阈值为1000。
作为本发明的另一个可选实施例,每当所述新增水样的增加量大于所述水质样本的新增阈值,则进行聚类运算。
在本发明实施例中,每当新增的水样达到一定的数值,其就可能对原有的聚类产生影响,因此当新增水样的增加量大于所述水质样本的新增阈值,则进行聚类运算。其中,新增阈值可以根据实际使用的需要进行调整,在此不做赘述。优选的,所述新增阈值为10%。
举例说明:
如图2所示为本发明实施例示出的样本更新算法的示意图,包括:
(1)、将光谱数据、浊度数据和指标数据从数据库读入内存分别以一个二维数组和两个一维数组存储。二维数组行列分别是光谱采样点的个数和样品个数,一维数组的长度是样品的个数;
(2)、将三个数组合并成一个二维数组,行列分别是光谱采样点个数+2和样品个数。设光谱采样点个数为p个,则给每一行的p+2中前p个数据赋予权重0.8/p,后两个数据分别赋予权重0.1;
(3)、使用标准的加权k-Means聚类获得10个类别,并把每个类别的中心元素保存至数据库;
(4)、对于任何一个新的数据样本进入程序,计算样本和10个类别中心元素的加权距离。如果距离都>1000则保留该元素,存储到样本数据库。如果存在一个类别距离<1000,则舍弃该条数据;
(5)、每当数据库样本数增加超过10%,则重复本算法的前三个步。
如图3所示为本发明实施例示出的训练算法的示意图,包括:
(1)、训练算法首先将样品数据库中的光谱数据和浊度数据以关系型数据库数据方式读入;
(2)、将读入的数据拷贝三份。以二位数组存储,其中列代表波长和浊度,行代表样品,每个单元存储的是对数吸光度。第一份用于偏最小二乘模型,第二份用于前馈神经网络,第三份用于支撑向量回归模型;
(3)、用于前馈神经网络的数据要进行奇异值分解(SVD)。对于分解后得到的奇异值矩阵和奇异向量矩阵进行降维。选择维数的原则是,选择从第1个到第k个奇异值,其中第k+1个奇异值的绝对值小于第一个奇异值的1%。保留奇异值矩阵的前k行k列的方阵和前k个右奇异向量,并存储;
(4)、将第一份数据输入偏最小二乘模型,使用上一个步骤中计算得出的维数k作为主成分个数进行回归计算,得出最小二乘模型的参数,其中,偏最小二乘模型为现有技术,在此不做赘述;
(5)、将降维后的k维奇异值方阵和k个右奇异向量构成的矩阵作矩阵相乘得到神经网络训练输入二位数组。前馈神经网络中间层隐节点个数设置为[k/2]个。进入训练循环,循环10次或者R-square大于阈值退出。循环中每次随机选取输入二位数组的70%列向量作为训练样本,30%列向量作为验证样本。70%的训练样本用标准的三层前馈神经网络进行训练获取各个节点权重。用获取的权重在30%验证样本中进行评分,得到的R-square大于阈值即可退出,并使用这一组权重,如果小于则从循环处重做,其中,三层前馈神经网络为现有技术,在此不做赘述;
(6)、将第三份数据输入标准支撑向量机中进行回归。选取参数:样本权重为等权重,核函数选择非齐次多项式核函数,多项式次数选择3,支撑向量权重阈值设置为1。回归解法采用序贯最小优化算法。将训练好的支撑向量和对应的权重保存,其中,支撑向量机为现有技术,在此不做赘述;
(7)、将以上三个步骤中得到的PLS的系数、支撑向量和支撑向量权重、三层神经网络的权重系数保存后,在学习数据库上进行评分后,对每一个样本计算相对误差。计算公式为100%*|qr-qp|/qr,这里的qr是指标真值,qp是指标预测值。计算三种模型中相对误差<25%的样本个数Npls,Nann,Nsvm。权重分别用wpls=Npls/N,wsvm=Nsvm/N,wann=Nann/N,这里的Npls+Nsvm+Nann=N。权重系数和保存的三个模型参数作为集成模型的结果。
如图4所示为本发明实施例示出的预测算法的示意图,包括:
(1)、将读入的光谱数据数组和浊度数据合并为一个数组,记为a;
(2)、读入前馈神经网络第一层的权重矩阵W,用二位数组记录,第二层的权重向量w。输入的归一化系数和截距分别是gi和bi,输出的归一化系数和截距分别是g0和b0。f为标准的sigmoid函数。神经网络的增益和将a归一化整为a′=gia+b。先计算第一层响应为N1=W*a′,然后计算第二层响应为N2=wT*N1,再经过反向归一化调整得到评分P1=(N2-b0)/g0;
(3)、读入偏最小二乘法回归系数为β2,计算第二个模型的评分为P2=(1,aT)*β2;
(4)、读入支撑向量回归得到的支撑向量模型参数归一化系数σ,截距μ,支撑向量权重γ和偏差δ。读入支撑向量数据,组成的矩阵为V是一个m行k+1列的矩阵,m是支撑向量的个数,以二维数组存储。计算第三个模型的评分为
(5)、读入集成模型权重系数最终评分为wpls,wsvm,wann,P=wannP1+wplsP2+wsvmP3;
(6)、输出p。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (10)
1.一种水质的预测方法,其特征在于,所述预测方法包括:
根据预设的水质指标获取水质样本,并通过预设的聚类算法对所述水质样本进行聚类分析;
根据所述聚类分析后的水质样本获取三层前馈神经网络模型的结果、偏最小二乘模型的结果、支撑向量回归模型的结果,并根据所述三层前馈神经网络模型的结果、偏最小二乘模型的结果、支撑向量回归模型获取集成模型;
根据所述集成模型为待测水样进行水质预测。
2.如权利要求1所述的预测方法,其特征在于,所述通过预设的聚类算法对所述水质样本进行聚类分析,包括:
根据光谱、浊度和所述水质指标通过k最邻近算法对所述水质样本进行聚类分析。
3.如权利要求2所述的预测方法,其特征在于,所述光谱、浊度和水质指标的权重值分别为:80%、10%、10%。
4.如权利要求2所述的预测方法,其特征在于,所述k的值为10。
5.如权利要求1所述的预测方法,其特征在于,所述根据所述聚类分析后的水质样本获取三层前馈神经网络模型的结果、偏最小二乘模型的结果、支撑向量回归模型的结果,包括:
通过奇异值分解算法将所述聚类分析后的水质样本降维为矩阵,所述矩阵包括:左奇异向量矩阵、奇异值矩阵和右奇异向量矩阵,保留所述矩阵中k′个奇异值和奇异向量,将所述矩阵输入前馈神经网络模型进行训练获取隐结点权重,将所述隐结点权重作为三层前馈神经网络模型的结果;以及,
获取k′次k′折验证,将所述k′次k′折验证中PRESS统计量最小的k′折验证的结果作为偏最小二乘模型的结果;以及,
通过序贯最小优化算法获取支撑向量机的支撑向量以及权重,并将所述支撑向量和权重保存为支撑向量回归模型的结果,其中,支撑向量模型的输入为所述聚类分析后的水质样本降维的结果,选择的参数为非齐次多项式核函数,次数为k′≥2的自然数,对于每个支撑向量的权重最大值设置为1。
6.如权利要求5所述的预测方法,其特征在于,所述根据所述三层前馈神经网络模型的结果、偏最小二乘模型的结果、支撑向量回归模型的结果获取集成模型中各模型的权重,包括:
在样本数据库中分别使用前馈神经网络模型、偏最小二乘模型、支撑向量回归模型进行评分,分别筛选出三个模型中评分误差小于25%的数据,根据每组数据的数量作为权重,并进行加权品均获得集成模型的评分。
7.如权利要求1所述的预测方法,其特征在于,在所述根据预设的水质指标获取水质样本,并通过预设的聚类算法对所述水质样本进行聚类分析的步骤之后,所述预测方法还包括:
如果所述水质样本需要新增水样,则将新增水样放入特征空间,与k个类别计算距离,通过所述距离判断是否将所述新增水样加入所述水质样本。
8.如权利要求7所述的预测方法,其特征在于,所述通过所述距离判断是否将所述新增水样加入所述水质样本,包括:
判断所述距离与预设的水样阈值的关系,如果新增水样存在小于所述水样阈值的类别,则放弃所述新增水样,如果所有类别都大于所述水样阈值,则加入所述新增水样。
9.如权利要去8所述的预测方法,其特征在于,所述水样阈值为1000。
10.如权利要求7所述的预测方法,其特征在于,每当所述新增水样的增加量大于所述水质样本的新增阈值,则进行聚类运算,所述新增阈值为10%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611200563.0A CN106596889B (zh) | 2016-12-22 | 2016-12-22 | 一种水质的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611200563.0A CN106596889B (zh) | 2016-12-22 | 2016-12-22 | 一种水质的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106596889A true CN106596889A (zh) | 2017-04-26 |
CN106596889B CN106596889B (zh) | 2019-08-27 |
Family
ID=58602742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611200563.0A Active CN106596889B (zh) | 2016-12-22 | 2016-12-22 | 一种水质的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106596889B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107677646A (zh) * | 2017-10-13 | 2018-02-09 | 中国水利水电科学研究院 | 一种改进dbpso的水质参数监测方法及装置 |
CN109459402A (zh) * | 2018-12-26 | 2019-03-12 | 南京波思途智能科技股份有限公司 | 一种光谱法水质cod参数预测方法 |
CN109655594A (zh) * | 2018-12-30 | 2019-04-19 | 杭州铭展网络科技有限公司 | 一种水质获取方法 |
CN109738604A (zh) * | 2019-01-14 | 2019-05-10 | 北京工商大学 | 一种基于空间权重矩阵的水域特征模型建立方法 |
CN110598902A (zh) * | 2019-08-02 | 2019-12-20 | 浙江工业大学 | 一种基于支持向量机与knn相结合的水质预测方法 |
CN110633859A (zh) * | 2019-09-18 | 2019-12-31 | 西安理工大学 | 一种两阶段分解集成的水文序列预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101387632A (zh) * | 2008-10-17 | 2009-03-18 | 北京工业大学 | 一种污水处理过程中生化需氧量bod的软测量方法 |
CN101923083A (zh) * | 2009-06-17 | 2010-12-22 | 复旦大学 | 基于支持向量机和神经网络的污水化学需氧量软测量方法 |
CN102854296A (zh) * | 2012-08-30 | 2013-01-02 | 北京工业大学 | 一种基于集成神经网络的污水处理软测量方法 |
CN102879541A (zh) * | 2012-07-31 | 2013-01-16 | 辽宁工程技术大学 | 一种基于动态前馈神经网络的生化需氧量在线软测量方法 |
CN103577694A (zh) * | 2013-11-07 | 2014-02-12 | 广东海洋大学 | 一种基于多尺度分析的水产养殖水质短期组合预测方法 |
CN104155423A (zh) * | 2014-08-08 | 2014-11-19 | 天津大学 | 一种变权组合的景观水水质预警方法 |
-
2016
- 2016-12-22 CN CN201611200563.0A patent/CN106596889B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101387632A (zh) * | 2008-10-17 | 2009-03-18 | 北京工业大学 | 一种污水处理过程中生化需氧量bod的软测量方法 |
CN101923083A (zh) * | 2009-06-17 | 2010-12-22 | 复旦大学 | 基于支持向量机和神经网络的污水化学需氧量软测量方法 |
CN102879541A (zh) * | 2012-07-31 | 2013-01-16 | 辽宁工程技术大学 | 一种基于动态前馈神经网络的生化需氧量在线软测量方法 |
CN102854296A (zh) * | 2012-08-30 | 2013-01-02 | 北京工业大学 | 一种基于集成神经网络的污水处理软测量方法 |
CN103577694A (zh) * | 2013-11-07 | 2014-02-12 | 广东海洋大学 | 一种基于多尺度分析的水产养殖水质短期组合预测方法 |
CN104155423A (zh) * | 2014-08-08 | 2014-11-19 | 天津大学 | 一种变权组合的景观水水质预警方法 |
Non-Patent Citations (3)
Title |
---|
刘东君,邹志红: "最优加权组合预测法在水质预测中的应用研究", 《环境科学学报》 * |
张森等: "基于偏最小二乘回归和SVM的水质预测", 《计算机工程与应用》 * |
梁雪春等: "一种多核加权支持向量机的水质预测方法", 《东南大学学报(自然科学版)》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107677646A (zh) * | 2017-10-13 | 2018-02-09 | 中国水利水电科学研究院 | 一种改进dbpso的水质参数监测方法及装置 |
CN107677646B (zh) * | 2017-10-13 | 2020-06-05 | 中国水利水电科学研究院 | 一种改进dbpso的水质参数监测方法及装置 |
CN109459402A (zh) * | 2018-12-26 | 2019-03-12 | 南京波思途智能科技股份有限公司 | 一种光谱法水质cod参数预测方法 |
CN109655594A (zh) * | 2018-12-30 | 2019-04-19 | 杭州铭展网络科技有限公司 | 一种水质获取方法 |
CN109738604A (zh) * | 2019-01-14 | 2019-05-10 | 北京工商大学 | 一种基于空间权重矩阵的水域特征模型建立方法 |
CN109738604B (zh) * | 2019-01-14 | 2021-04-27 | 北京工商大学 | 一种基于空间权重矩阵的水域特征模型建立方法 |
CN110598902A (zh) * | 2019-08-02 | 2019-12-20 | 浙江工业大学 | 一种基于支持向量机与knn相结合的水质预测方法 |
CN110633859A (zh) * | 2019-09-18 | 2019-12-31 | 西安理工大学 | 一种两阶段分解集成的水文序列预测方法 |
CN110633859B (zh) * | 2019-09-18 | 2024-03-01 | 西安理工大学 | 一种两阶段分解集成的水文序列预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106596889B (zh) | 2019-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106596889A (zh) | 一种水质的预测方法 | |
Westberry et al. | An improved bio‐optical model for the remote sensing of Trichodesmium spp. blooms | |
Defoin‐Platel et al. | How ambiguous is the inverse problem of ocean color in coastal waters? | |
Guo et al. | Discrimination of plant root zone water status in greenhouse production based on phenotyping and machine learning techniques | |
Wang et al. | Applying support vector regression to water quality modelling by remote sensing data | |
Furbank et al. | Wheat physiology predictor: predicting physiological traits in wheat from hyperspectral reflectance measurements using deep learning | |
Ejarque-Gonzalez et al. | Self-organising maps and correlation analysis as a tool to explore patterns in excitation-emission matrix data sets and to discriminate dissolved organic matter fluorescence components | |
Sun et al. | Hyperspectral remote sensing of the pigment c-phycocyanin in turbid inland waters, based on optical classification | |
Sonobe et al. | Quantifying chlorophyll-a and b content in tea leaves using hyperspectral reflectance and deep learning | |
CN114764682B (zh) | 一种基于多机器学习算法融合的大米安全风险评估方法 | |
Chen et al. | A machine-learning approach to modeling picophytoplankton abundances in the South China Sea | |
Zhang et al. | Wheat hardness prediction research based on NIR hyperspectral analysis combined with ant colony optimization algorithm | |
Zhang et al. | Characterizing dissolved organic matter in Taihu Lake with PARAFAC and SOM method | |
Wu et al. | Rapid nondestructive detection of peanut varieties and peanut mildew based on hyperspectral imaging and stacked machine learning models | |
Cao et al. | Improved algorithms for accurate retrieval of UV/visible diffuse attenuation coefficients in optically complex, inshore waters | |
Tao et al. | A semianalytical MERIS green‐red band algorithm for identifying phytoplankton bloom types in the E ast C hina S ea | |
Graban et al. | Accurate deep-learning estimation of chlorophyll-a concentration from the spectral particulate beam-attenuation coefficient | |
Sorenson et al. | Predictive soil mapping in the Boreal Plains of Northern Alberta by using multi-temporal remote sensing data and terrain derivatives | |
Guo et al. | Predicting Fv/Fm and evaluating cotton drought tolerance using hyperspectral and 1D-CNN | |
CN101726742A (zh) | 农作物污染胁迫水平遥感测量方法 | |
Jia et al. | Improving remote sensing retrieval of global ocean transparency with optical water classification | |
Yu et al. | Estimating the rice nitrogen nutrition index based on hyperspectral transform technology | |
Beuren et al. | Variable selection using statistical non-parametric tests for classifying production batches into multiple classes | |
Ye et al. | Water chemical oxygen demand prediction model based on the CNN and ultraviolet-visible spectroscopy | |
Zhang et al. | Hyperspectral imaging combined with CNN for maize variety identification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20170919 Address after: 308, room 4, unit 1, Qiushi village, Zhejiang Zhejiang Road, Hangzhou, Zhejiang, Xihu District 310000, China Applicant after: Hangzhou fire thief Technology Co., Ltd. Address before: 308, room 4, unit 1, Qiushi village, Zhejiang Zhejiang Road, Hangzhou, Zhejiang, Xihu District 310000, China Applicant before: Chen Mingye Applicant before: Wang Xiaolong |
|
GR01 | Patent grant | ||
GR01 | Patent grant |