CN106991491A - 一种基于遗传算法优化的rbf神经网络的环境污染监测系统 - Google Patents
一种基于遗传算法优化的rbf神经网络的环境污染监测系统 Download PDFInfo
- Publication number
- CN106991491A CN106991491A CN201710091916.6A CN201710091916A CN106991491A CN 106991491 A CN106991491 A CN 106991491A CN 201710091916 A CN201710091916 A CN 201710091916A CN 106991491 A CN106991491 A CN 106991491A
- Authority
- CN
- China
- Prior art keywords
- signal
- module
- sample
- environment
- rbf neural
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于遗传算法优化的RBF神经网络的环境污染监测系统,该系统包括信号输入模块、信号处理模块、计算机云端服务器处理模块、数据库、报警模块和污染指标显示模块,可见光信号通过信号输入模块输入后,由信号处理模块依次经过模‑数转换、数字信号处理和数‑模转换后,将信号输入计算机云端服务器处理模块,并将污染指标通过污染指标显示模块显示出来,若超过设定的阈值,报警模块将会报警,从信号输入到信号输出整个过程的数据都存储在数据库中。本发明中,系统不需要专门的网络环境和硬件设备,节约成本,适应性强。系统还具有对环境污染进行监测的功能,并可实现对多种污染指标进行的实时准确监测,功能强大。
Description
技术领域
本发明属于环境污染监测领域,具体涉及一种基于遗传算法优化的RBF神经网络的环境污染监测系统。
背景技术
近年来,科学技术和工业化的快速发展带来了诸多严重的环境问题。空气和水体环境的监测具有“点多,面广、量大”的特点,同时还有“全方面、全天候、全时制”的特征。然而,相关部门管理人员数量有限,加之环境监测本身的复杂性,人力监测远远无法满足需求。为了彻底解决环境监测人员不足的问题,必须设计高效、实时、精确的环境污染监测系统,对环境污染的相关指标进行有效监测,并对相关重要指标进行预警。
从目前的国内外研究现状来看,国内外专家和学者的研究重点主要放在基于无线传感器网络对环境进行监测。在无线传感器领域,加性高斯白噪声信道模型的成熟给这方面的研究提供了方向,并成为了研究热点。发明CN102665249A公开了一种基于无线传感器网络的大气污染监测系统,它包括无线传感器网络节点,无线传感器网络汇聚节点,本地监控子中心,远程控制终端,手机终端。它在网络自组织阶段自定义了一种无线传感器网络多级异构分簇路由协议并能够及时地反映大气污染状况并报警。发明CN104637272A公开了一种噪声污染监测系统,人们可以根据监控计算机的数据实时监测各个区域的噪声分布情况。同时,专利CN203881747U公开了一种多指标组合式空气污染监测系统,它能够通过测量并显示六种重要指标来反映环境中空气污染情况,并可以通过WIFI将数据传输到手机上,方便使用者查看。发明CN104634379A公开了一种基于WSN的水污染监测系统,它采用无线网方式采集多处的多种污水信息,提供给远程供参考,具有组网方便,采集数据准确、实时的特点。同时,基于物联网技术进行监测技术也发展迅速,发明CN105890657A公开了一种基于物联网的光伏节能空气污染监测系统。它将空气污染测量模块实时采集的空气污染数据发送到物联网服务器;包括物联网服务器,对空气污染数据进行分析处理并连接移动终端。但以上专利文献都用到了传感器,准确性不够高,同时存在成本高以及对网络的需求条件严格的缺陷。
在环境污染监测领域,传统方法需要专门的仪器和网络条件进行检测,具有成本高、且精度不够的缺点。
发明内容
本发明针对上述环境污染监测传统方法的不足,采用了机器学习的思想,提供一种基于遗传算法优化的RBF(Radical Basis Function,径向基函数)神经网络的空气和水体污染监测系统,可以通过训练后的RBF神经网络,对空气和水体的多种污染指标进行实时有效的监测,不需要采用专用的监测装置,也不需要网络环境进行监测,具有记忆性和鲁棒性,而且具有可靠性高、成本低的特点。本发明的思路是首先在只有加性高斯白噪声(AGWN)的理想条件下,将输入信号存储在数据库中。接着在原有的理想AGWN信道上分别在水体和空气加入相关污染物,进行大量重复的训练,并将训练后的RBF神经网络对环境污染进行实时监测。
为达到上述目的,本发明的技术方案为一种基于遗传算法优化的RBF神经网络的环境污染监测系统,该系统包括信号输入模块、信号处理模块、计算机云端服务器处理模块、数据库、报警模块和污染指标显示模块,可见光信号通过信号输入模块输入后,由信号处理模块依次经过模-数转换、数字信号处理和数-模转换后,将信号输入计算机云端服务器处理模块,并将污染指标通过污染指标显示模块显示出来,若超过设定的阈值,报警模块将会报警,从信号输入到信号输出整个过程的数据都存储在数据库中。
进一步,上述系统将污染物和信号的数据输入到神经网络系统进行学习和训练,当监测系统训练的程度达到设定的监测精度要求时,该系统与计算机云端服务器处理模块进行连接,形成一套完整的环境污染监测系统。
上述神经网络优选为RBF神经网络,神经网络中对各项指标所占的权重运用径向函数进行合理的分配,实现对整体环境指标进行有效监测。
上述神经网络的前馈系统采用Bayesian决策方法进行训练,训练的过程如下:
Step 1.定义RBF神经网络总共有三层,根据国家相关环境标准对各种不同污染物的区分和严重程度的划分,并把经过统计Bayesian决策方法训练前馈网络训练的number种指标通过径向函数确定它们各自所占的权重;
Step 2.对于确定了权重的各项指标,考虑到RBF神经网络存在着收敛慢、难以得到全局最优解的缺点,采用遗传算法进行处理,定义搜索空间即数据总量 为S,将每一个指标定义为一条染色体,这些染色体通过以下自适应函数进行处理
其中,ε可以代表算法的精度,xi,yi分别为神经网络的输入信号和在实际量化误差条件下的输出信号值,通过对ε的控制,并可以调整神经网络学习的精度,即可以控制本环境污染监测系统的精确度;
Step 3.对于经过Step 2处理的数据,采用轮盘赌法选择算子,即对每一代种群中的染色体根据适应度差异进行选择;
Step 4.对个体采用实数二进制交叉编码,并将编码后的序列进行交叉遗传、变异操作,定义迭代代数Generation,设置步长;
Step 5.将遗传算法的最优个体分解为RBF神经网络的权值和阈值,同时确定RBF神经网络隐含层的节点数,设置程序中得到的学习精度为若继续进行学习训练,若说明训练完成,进入Step 6;
Step 6.输出训练后的最优样本值组合Opt,并得到进行监测的特征函数;
Step 7.神经网络训练结束。
作为优选,上述径向函数为Gaussian函数,即
上述系统在基于恶化的信道的环境的污染监测功能通过以下步骤实现:
A)在训练环境下,对于环境干扰处理模块,设定当前非污染物干扰的浓度为η,η的取值在0-1之间;
B)将η按相同的间隔逐步调高,输入信号模块发送一串长度为N的数据比特序列;
C)当η<1时,经历Step 1到Step 7的流程进行训练学习,得到在不同非污染物干扰的浓度条件下的神经网络系统;
D)对于训练完的神经网络系统,输入端的信号处理模块根据实际环境中输入的信号对η进行选择,并找到对应的神经网络,通过数据库中相应的特征函数进行实时准确监测;
E)对环境中包含的多种污染物指标进行实时监测时,将其分别同时输入上述经过遗传算法优化的RBF神经网络系统,最终获得所期望的样值;
F)经过输出端的信号处理模块,得到系统不同的响应,报警模块和污染物指示显示模块根据输出端的信号处理模块的判决结果,给出相应的指标,同时显示出污染物浓度信噪比随时间变化的曲线和污染物随时间变化的曲线,实时反映环境质量。
进一步,检测该神经网络的精度是否达到预期要求的测试流程如下:
S1:设定num个样本,即人为设定的污染物和输出设定值,其中n1个样本为训练输入样本,n2个样本为预测样本,共两组,n1+n2=num;
S2:对于上述样本的第一组,选取不同的样本经过向量空间变换分为输入测试样本Xtest和输出测试样本Ytest,对于上述样本的第二组,选择不同的预测样本经过向量空间变换后分为输入测试样本Xscan和预测输出样本Yscan;
S3:引入系统相对误差ψ对样本进行测试分析,可表示为
上式中,当ψ无限趋向1时,神经网络系统实现了无偏监测,即监测结果十分精确。
本发明与现有技术相比,具有以下优点:
1,本发明中系统不需要专门的网络环境和硬件设备,节约成本,适应性强。
2,系统具有对环境污染进行监测的功能,并可实现对多种污染指标进行的实时准确监测,功能强大。
3,系统可以将相关监测数据通过报警及指示显示模块进行处理,不仅可以实时得知环境中的空气、水体等的污染状况,同时对于相关环境能够进行报警。
附图说明
图1基于遗传算法优化的RBF神经网络的环境污染监测系统框图。
图2非污染物干扰监测系统框图。
图3 RBF神经网络预测框架。
具体实施方式
现结合附图对本发明做进一步详细的说明。
如图1所示,本发明所述的环境污染监测系统。包括信号输入模块、信号处理模块、计算机云端服务器处理模块、数据库和报警及污染指标显示模块。
所述信号输入模块将外界环境的模拟信号接入到本系统。信号输入模块可以提取被监测环境中的多种污染物指标,并通过信号处理模块将其进行量化处理和监测。
所述信号处理模块负责将模拟信号进行处理,转换成数字信号。
所述计算机云端服务器处理模块将处理后的信号进行训练或处理。为了减少传统神经网络预测可能带来的较大的误差,在神经网络前面设置前馈网络,即对神经网络进行预训练。如图3所示,首先,输入信号(发射机发送的经过自由空间的数字序列,这里的自由空间指水、空气等自然环境)进入神经网络的前馈网络。采用统计Bayesian决策方法对前馈网络进行训练,即对部分输入信号未知的状态用主观概率估计,以提高神经网络估计的精度,然后用贝叶斯公式对发生概率进行修正,最后再利用期望值和修正概率做出最优决策。通过对先验概率进行优化,从而消除偶然因素和其他误差。接着,信号进入RBF神经网络。在RBF神经网络中,设定有多种监测指标,这些指标通过前馈训练网络进行训练后,加载到神经网络的原始输入信号(余弦波),它们构成了一个向量空间:
X={x1,x2,...,xi,...,xnumber}T,i=1,2...,number
(1)
这里,number代表的是需要监测的指标种类的数目。
对样本进行训练时,该过程的具体流程详细说明如下:
Step 8.定义RBF神经网络总共有三层,根据国家相关环境标准对各种不同污染物的区分和严重程度的划分,并把经过统计Bayesian决策方法训练前馈网络训练的number种指标通过径向函数确定它们各自所占的权重。这里,选用的径向函数为著名的Gaussian函数,即
Step 9.对于确定了权重的各项指标,考虑到RBF神经网络存在着收敛慢、难以得到全局最优解的缺点,采用遗传算法进行处理。定义搜索空间(即数据总量为S),将每一个指标定义为一条染色体,这些染色体通过以下自适应函数进行处理
其中,ε可以代表算法的精度。xi,yi分别为神经网络的输入信号和在实际量化误差条件下的输出信号值。通过对ε的控制,并可以调整神经网络学习的精度,即可以控制本环境污染监测系统的精确度。
Step 10.对于经过Step 2处理的数据,采用轮盘赌法选择算子,即对每一代种群中的染色体根据适应度差异进行选择。
Step 11.对个体采用实数二进制交叉编码,并将编码后的序列进行交叉遗传、变异操作。定义迭代代数Generation,设置步长为0.02。
Step 12.将遗传算法的最优个体分解为RBF神经网络的权值和阈值。同时确定RBF神经网络隐含层的节点数,设置程序中得到的学习精度为若继续进行学习训练。若说明训练完成进入Step 6。
Step 13.输出训练后的最优样本值组合Opt,并得到进行监测的特征函数。神经网络训练结束。
对水体和空气污染物指标进行实时监测时,即把它们分别同时输入上述经过遗传算法优化的RBF神经网络系统,最终获得所期望的样值。
所述数据库即对RBF神经网络学习的相关数据和相关标准定义的指标进行存储,以便监测时进行调用。
所述输出端的信号处理模块,即根据相关标准定义有关的电平,并与RBF神经网络系统进行实时连接,即RBF神经网络的学习过程综合了数据库的相关数据和输出端信号处理模块的相关标准。通过对前端模块不同的输出,给出不同的响应。
所述报警及污染物指示显示模块即对于前面系统处理后的信号,根据输出端的信号处理模块的判决结果,给出相应的指标(即重度污染、中度污染、轻度污染、良好、优),同时显示出污染物浓度信噪比随时间变化的曲线和污染物随时间变化的曲线,实时反映环境质量。
接着,对于本发明的基于遗传算法的RBF神经网络系统,为了检测该神经网络的精度是否达到预期要求,测试流程如下:
步骤一:设定num个样本(人为设定的污染物和输出设定值),其中n1个样本为训练输入样本,n2个样本为预测样本,共两组,即n1+n2=num。
步骤二:对于上述样本的第一组,选取不同的样本经过向量空间变换分为输入测试样本Xtest和输出测试样本Ytest。对于上述样本的第二组,选择不同的预测样本经过向量空间变换后分为输入测试样本Xscan和预测输出样本Yscan。
步骤三:引入系统相对误差ψ对样本进行测试分析。它可表示为
在式子(4)中,当ψ无限趋向1时,神经网络系统实现了无偏监测,即监测结果十分精确。
当信道环境恶化时(如:下暴风雨、水因泥土变浑浊等),信道增益会变差,系统所遇到的干扰会增多,环境污染监测的精度会受到影响,考虑到这种情况下,本发明也设计了相关算法,本系统基于恶化的信道的环境污染监测功能可通过以下步骤实现:
首先将系统放置在非污染物干扰可调的环境中(称为非理想训练环境)
A)在训练环境下,对于环境干扰处理模块,设定当前非污染物干扰的浓度为η=0(η的取值在0-1之间)。
B)将η按相同的间隔逐步调高,输入信号模块发送一串长度为N的数据比特序列。
C)在本系统中,当η<1时,经历Step 1到Step 6的流程进行训练学习,得到在不同非污染物干扰的浓度条件下的神经网络系统。
D)对于训练完的神经网络系统,输入端的信号处理模块根据实际环境中输入的信号对η进行选择,并找到对应的神经网络,通过数据库中相应的特征函数进行实时准确监测。
E)对环境中水体和空气等包含的多种污染物指标进行实时监测时,即把它们分别同时输入上述经过遗传算法优化的RBF神经网络系统,最终获得所期望的样值。经过输出端的信号处理模块,得到系统不同的响应。所述报警及污染物指示显示模块即对于前面系统处理后的信号,根据输出端的信号处理模块的判决结果,给出相应的指标(即重度污染、中度污染、轻度污染、良好、优),同时显示出污染物浓度信噪比随时间变化的曲线和污染物随时间变化的曲线,实时反映环境质量。
为便于本领域的技术人员进一步了解本发明的具体实施,现提供以下实施例:
具体实例1:空气污染实时监测
根据图2,进行非理想条件下的空气污染监测。该过程可分为以下步骤:
1.初始化训练环境,首先设置η=0,并用吹气装置向信号输入模块输入气体。
2.增大η,继续按照本发明所述步骤B)-E)进行训练。
3.将该系统放在暴雨的白天,进行空气污染实时监测。
4.通过报警及显示指示模块得知空气污染状况,由于空气质量较差,装置发出了报警。
具体实例2:水体污染实时监测
1.设置训练环境,在一个无盖长方体玻璃容器中盛有一定量的清水(此时η=0),
2.向器皿中加入泥浆,即增大η。
3.向已有玻璃容器中加入HCL和Ca2+,即污染物,持续加入,继续按照本发明所述步骤B)-E)进行训练,通过计算机观察训练效果。
4.将训练好的系统嵌入到海洋环境监测船的相关装置,置于海洋中,对水体污染进行监测。
5.通过报警及显示指示模块,得到了污染物和信噪比相关变化曲线,以及在相关指标超标时系统出现了预警。
Claims (7)
1.一种基于遗传算法优化的RBF神经网络的环境污染监测系统,其特征在于该系统包括信号输入模块、信号处理模块、计算机云端服务器处理模块、数据库、报警模块和污染指标显示模块,可见光信号通过信号输入模块输入后,由信号处理模块依次经过模-数转换、数字信号处理和数-模转换后,将信号输入计算机云端服务器处理模块,并将污染指标通过污染指标显示模块显示出来,若超过设定的阈值,报警模块将会报警,从信号输入到信号输出整个过程的数据都存储在数据库中。
2.根据权利要求1所述的基于遗传算法优化的RBF神经网络的环境污染监测系统,其特征在于所述系统将污染物和信号的数据输入到神经网络系统进行学习和训练,当监测系统训练的程度达到设定的监测精度要求时,该系统与计算机云端服务器处理模块进行连接,形成一套完整的环境污染监测系统。
3.根据权利要求2所述的基于遗传算法优化的RBF神经网络的环境污染监测系统,其特征在于所述神经网络为RBF神经网络,神经网络中对各项指标所占的权重运用径向函数进行合理的分配,实现对整体环境指标进行有效监测。
4.根据权利要求3所述的基于遗传算法优化的RBF神经网络的环境污染监测系统,其特征在于所述神经网络的前馈系统采用Bayesian决策方法进行训练,训练的过程如下:
Step 1.定义RBF神经网络总共有三层,根据国家相关环境标准对各种不同污染物的区分和严重程度的划分,并把经过统计Bayesian决策方法训练前馈网络训练的number种指标通过径向函数确定它们各自所占的权重;
Step 2.对于确定了权重的各项指标,考虑到RBF神经网络存在着收敛慢、难以得到全局最优解的缺点,采用遗传算法进行处理,定义搜索空间即数据总量为S,将每一个指标定义为一条染色体,这些染色体通过以下自适应函数进行处理
其中,ε可以代表算法的精度,xi,yi分别为神经网络的输入信号和在实际量化误差条件下的输出信号值,通过对ε的控制,并可以调整神经网络学习的精度,即可以控制本环境污染监测系统的精确度;
Step 3.对于经过Step 2处理的数据,采用轮盘赌法选择算子,即对每一代种群中的染色体根据适应度差异进行选择;
Step 4.对个体采用实数二进制交叉编码,并将编码后的序列进行交叉遗传、变异操作,定义迭代代数Generation,设置步长;
Step 5.将遗传算法的最优个体分解为RBF神经网络的权值和阈值,同时确定RBF神经网络隐含层的节点数,设置程序中得到的学习精度为若继续进行学习训练,若说明训练完成,进入Step 6;
Step 6.输出训练后的最优样本值组合Opt,并得到进行监测的特征函数;
Step 7.神经网络训练结束。
5.根据权利要求4所述的基于遗传算法优化的RBF神经网络的环境污染监测系统,其特征在于选用的径向函数为Gaussian函数,即
。
6.根据权利要求4所述的基于遗传算法优化的RBF神经网络的环境污染监测系统,其特征在于系统在基于恶化的信道的环境的污染监测功能通过以下步骤实现:
A)在训练环境下,对于环境干扰处理模块,设定当前非污染物干扰的浓度为η,η的取值在0-1之间;
B)将η按相同的间隔逐步调高,输入信号模块发送一串长度为N的数据比特序列;
C)当η<1时,经历Step 1到Step 7的流程进行训练学习,得到在不同非污染物干扰的浓度条件下的神经网络系统;
D)对于训练完的神经网络系统,输入端的信号处理模块根据实际环境中输入的信号对η进行选择,并找到对应的神经网络,通过数据库中相应的特征函数进行实时准确监测;
E)对环境中包含的多种污染物指标进行实时监测时,将其分别同时输入上述经过遗传算法优化的RBF神经网络系统,最终获得所期望的样值;
F)经过输出端的信号处理模块,得到系统不同的响应,报警模块和污染物指示显示模块根据输出端的信号处理模块的判决结果,给出相应的指标,同时显示出污染物浓度信噪比随时间变化的曲线和污染物随时间变化的曲线,实时反映环境质量。
7.根据权利要求2所述的基于遗传算法优化的RBF神经网络的环境污染监测系统,其特征在于检测该神经网络的精度是否达到预期要求的测试流程如下:
S1:设定num个样本,即人为设定的污染物和输出设定值,其中n1个样本为训练输入样本,n2个样本为预测样本,共两组,n1+n2=num;
S2:对于上述样本的第一组,选取不同的样本经过向量空间变换分为输入测试样本Xtest和输出测试样本Ytest,对于上述样本的第二组,选择不同的预测样本经过向量空间变换后分为输入测试样本Xscan和预测输出样本Yscan;
S3:引入系统相对误差ψ对样本进行测试分析,可表示为
上式中,当ψ无限趋向1时,神经网络系统实现了无偏监测,即监测结果十分精确。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710091916.6A CN106991491B (zh) | 2017-02-21 | 2017-02-21 | 一种基于遗传算法优化的rbf神经网络的环境污染监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710091916.6A CN106991491B (zh) | 2017-02-21 | 2017-02-21 | 一种基于遗传算法优化的rbf神经网络的环境污染监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106991491A true CN106991491A (zh) | 2017-07-28 |
CN106991491B CN106991491B (zh) | 2020-11-13 |
Family
ID=59414049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710091916.6A Active CN106991491B (zh) | 2017-02-21 | 2017-02-21 | 一种基于遗传算法优化的rbf神经网络的环境污染监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106991491B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108399470A (zh) * | 2018-02-09 | 2018-08-14 | 苏州科技大学 | 一种基于多示例遗传神经网络的室内pm2.5预测方法 |
CN108960525A (zh) * | 2018-07-20 | 2018-12-07 | 郑州轻工业学院 | 基于移动计算机和神经网络的污染监测方法及装置 |
CN111380788A (zh) * | 2020-04-30 | 2020-07-07 | 辽宁工程技术大学 | 一种空气中粉尘监测系统 |
CN111935747A (zh) * | 2020-08-17 | 2020-11-13 | 南昌航空大学 | 一种采用gru预测无线传感器网络链路质量的方法 |
CN112282679A (zh) * | 2020-11-16 | 2021-01-29 | 陕西延长石油(集团)有限责任公司 | 一种用于生成水基钻井废渣固化处理配方的方法及装置 |
CN114638441A (zh) * | 2022-05-18 | 2022-06-17 | 环球数科集团有限公司 | 一种基于卫星遥感影像的洋流监测及预警系统 |
CN117686555A (zh) * | 2024-02-04 | 2024-03-12 | 南京邮电大学 | 一种基于机器学习的lc湿度传感器漂移补偿方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2272895A (en) * | 1994-03-22 | 1995-10-09 | Intelligent Monitoring Systems | Detecting and classifying contaminants in water |
CN102737288A (zh) * | 2012-06-20 | 2012-10-17 | 浙江大学 | 一种基于rbf神经网络参数自优化的水质多步预测方法 |
CN103559593A (zh) * | 2013-11-22 | 2014-02-05 | 华中科技大学 | 湖泊群多目标水质水量优化调度方法 |
CN103744293A (zh) * | 2014-01-27 | 2014-04-23 | 浙江永泰纸业集团股份有限公司 | 基于模糊神经网络的废水处理监控方法和系统 |
CN103984310A (zh) * | 2014-05-12 | 2014-08-13 | 华迪计算机集团有限公司 | 基于多源遥感数据的化工园区环境污染检测方法和装置 |
CN104217040A (zh) * | 2014-10-11 | 2014-12-17 | 清华大学 | 一种基于传统在线监测仪的污染事件快速探测方法 |
-
2017
- 2017-02-21 CN CN201710091916.6A patent/CN106991491B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2272895A (en) * | 1994-03-22 | 1995-10-09 | Intelligent Monitoring Systems | Detecting and classifying contaminants in water |
CN102737288A (zh) * | 2012-06-20 | 2012-10-17 | 浙江大学 | 一种基于rbf神经网络参数自优化的水质多步预测方法 |
CN103559593A (zh) * | 2013-11-22 | 2014-02-05 | 华中科技大学 | 湖泊群多目标水质水量优化调度方法 |
CN103744293A (zh) * | 2014-01-27 | 2014-04-23 | 浙江永泰纸业集团股份有限公司 | 基于模糊神经网络的废水处理监控方法和系统 |
CN103984310A (zh) * | 2014-05-12 | 2014-08-13 | 华迪计算机集团有限公司 | 基于多源遥感数据的化工园区环境污染检测方法和装置 |
CN104217040A (zh) * | 2014-10-11 | 2014-12-17 | 清华大学 | 一种基于传统在线监测仪的污染事件快速探测方法 |
Non-Patent Citations (2)
Title |
---|
古今今 等: "基于综合主成分及径向基网络的环境质量评价", 《环境科学与技术》 * |
杜晓亮: "人工神经网络在空气质量预测中的应用研究", 《中国优秀硕士学位论文全文数据库(电子期刊)(工程科技I辑)》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108399470A (zh) * | 2018-02-09 | 2018-08-14 | 苏州科技大学 | 一种基于多示例遗传神经网络的室内pm2.5预测方法 |
CN108399470B (zh) * | 2018-02-09 | 2021-10-08 | 苏州科技大学 | 一种基于多示例遗传神经网络的室内pm2.5预测方法 |
CN108960525A (zh) * | 2018-07-20 | 2018-12-07 | 郑州轻工业学院 | 基于移动计算机和神经网络的污染监测方法及装置 |
CN108960525B (zh) * | 2018-07-20 | 2021-11-16 | 郑州轻工业学院 | 基于移动计算机和神经网络的污染监测方法及装置 |
CN111380788A (zh) * | 2020-04-30 | 2020-07-07 | 辽宁工程技术大学 | 一种空气中粉尘监测系统 |
CN111935747A (zh) * | 2020-08-17 | 2020-11-13 | 南昌航空大学 | 一种采用gru预测无线传感器网络链路质量的方法 |
CN111935747B (zh) * | 2020-08-17 | 2021-04-27 | 南昌航空大学 | 一种采用gru预测无线传感器网络链路质量的方法 |
CN112282679A (zh) * | 2020-11-16 | 2021-01-29 | 陕西延长石油(集团)有限责任公司 | 一种用于生成水基钻井废渣固化处理配方的方法及装置 |
CN114638441A (zh) * | 2022-05-18 | 2022-06-17 | 环球数科集团有限公司 | 一种基于卫星遥感影像的洋流监测及预警系统 |
CN114638441B (zh) * | 2022-05-18 | 2022-08-16 | 环球数科集团有限公司 | 一种基于卫星遥感影像的洋流监测及预警系统 |
CN117686555A (zh) * | 2024-02-04 | 2024-03-12 | 南京邮电大学 | 一种基于机器学习的lc湿度传感器漂移补偿方法 |
CN117686555B (zh) * | 2024-02-04 | 2024-05-14 | 南京邮电大学 | 一种基于机器学习的lc湿度传感器漂移补偿方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106991491B (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106991491A (zh) | 一种基于遗传算法优化的rbf神经网络的环境污染监测系统 | |
CN108334936B (zh) | 基于迁移卷积神经网络的故障预测方法 | |
CN114280696A (zh) | 一种海雾等级智能预报方法及系统 | |
CN109087277B (zh) | 一种空气细颗粒物pm2.5测量方法 | |
CN106598917B (zh) | 一种基于深度信念网络的上层海洋热结构预测方法 | |
CN112070234B (zh) | 复杂场景下水体叶绿素和藻蓝素陆基遥感机器学习算法 | |
CN109002888B (zh) | 一种赤潮预警方法 | |
CN107707657A (zh) | 基于多传感器的安全监护系统 | |
JP4719893B2 (ja) | 制御装置、制御方法、及びそのプログラム | |
CN115169479A (zh) | 污水处理过程远程监控方法、系统及存储介质 | |
CN113486078A (zh) | 一种分布式配电网运行监控方法及系统 | |
CN106656357B (zh) | 一种工频通信信道状态评估系统和方法 | |
CN110309609A (zh) | 一种基于粗糙集和小波神经网络的建筑室内空气品质评价方法 | |
CN110276477B (zh) | 一种基于分层贝叶斯网络和增量学习的洪水预报方法 | |
CN114997506B (zh) | 一种基于链路预测的大气污染传播路径预测方法 | |
CN115147645A (zh) | 基于多特征信息融合的膜组件膜污染检测方法 | |
CN115629160A (zh) | 一种基于时空图的空气污染物浓度预测方法及系统 | |
CN114417740B (zh) | 一种深海养殖态势感知方法 | |
Yadav et al. | Application of Artificial Neural Network and Genetic Algorithm Based Artificial Neural Network Models for River Flow Prediction. | |
CN112819087B (zh) | 一种基于模块化神经网络的出水bod传感器异常检测方法 | |
CN106529816B (zh) | 电力线信道的调整方法和系统 | |
CN113539386A (zh) | 基于clmvo-elm的溶解氧浓度预测方法、装置、设备及存储介质 | |
CN116124460B (zh) | 一种基于健康指标构建的轴承寿命预测方法及系统 | |
CN110751201B (zh) | 基于纹理特征变换的sar装备任务失效成因推理方法 | |
Choi et al. | Automatic sea fog detection and estimation of visibility distance on CCTV |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room 201, building 2, phase II, No.1 Kechuang Road, Yaohua street, Qixia District, Nanjing City, Jiangsu Province, 210003 Applicant after: NANJING University OF POSTS AND TELECOMMUNICATIONS Address before: 210003 Gulou District, Jiangsu, Nanjing new model road, No. 66 Applicant before: NANJING University OF POSTS AND TELECOMMUNICATIONS |
|
GR01 | Patent grant | ||
GR01 | Patent grant |