CN108710974A - 一种基于深度置信网络的水体氨氮预测方法及装置 - Google Patents
一种基于深度置信网络的水体氨氮预测方法及装置 Download PDFInfo
- Publication number
- CN108710974A CN108710974A CN201810482608.0A CN201810482608A CN108710974A CN 108710974 A CN108710974 A CN 108710974A CN 201810482608 A CN201810482608 A CN 201810482608A CN 108710974 A CN108710974 A CN 108710974A
- Authority
- CN
- China
- Prior art keywords
- parameter
- sample
- water quality
- ammonia
- prediction
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明提供一种基于深度置信网络的水体氨氮预测方法及装置,所述方法包括:基于目标水体水质的实际水质参数和实际环境因子参数,利用预先建立的深度置信网络预测模型,预测所述目标水体的氨氮含量;其中,所述深度置信网络预测模型为预先根据预测需求进行初始化,并利用选取的样本数据,进行基于暂时抛弃点dropout的训练和测试获取的,所述样本数据为样本水质环境参数与样本水体氨氮含量对。本发明简单易行,能够有效提高水体氨氮含量的预测运算速度和预测精度,并有效改善预测方法的稳定性和普适性。
Description
技术领域
本发明涉及计算机技术领域,更具体地,涉及一种基于深度置信网络的水体氨氮预测方法及装置。
背景技术
随着水产养殖进入精养化阶段,水质管理成为水产养殖业最为关心的问题。影响水质的因素有生物、物理及化学等多方面因素,例如:水温、pH值、水质氨氮及溶解氧等,其中水质氨氮更是检测水质的主要关键指标之一。
水体中的氨氮是单循环中的重要组成部分,对水产养殖对象具有生物毒害,其进入水生生物体内后,会使其表现出呼吸困难、抵抗力下降及不进食等现象,进而影响到水产品的质量和产量,严重时可导致大批养殖生物死亡,给养殖户带来经济损失。因此深入研究养殖池塘中水质氨氮的变化规律,以准确预测其变化并将预测结果应用在生产过程指导中,在池塘养殖过程中将水质氨氮控制在合理的范围内,进而对防范水体恶化、提高养殖产品质量、预防病害风险的发生和提高养殖效益具有重要意义。
池塘中氨氮的来源主要是肥料和饲料,而影响其含量的因素有很多,如pH、溶解氧、水温和氧化还原电位等都会引起水质氨氮含量的变化,且各因素之间相互影响,检测复杂困难且数据冗余度高。因此,池塘水质氨氮的变化趋势具有明显的非线性特点,没有直观规律可循。水质氨氮变化涉及多个方面,其中许多变化原理尚不明确,很难从机理上建模。
目前,应用于水质参数预测的方法主要有灰色系统理论、BP神经网络及其组合模型等,但也仅限于环境水体指标分析检测。灰色理论模型可以用来处理样本量少且信息不全的数据,但在原始数据序列变化不呈指数规律、有异常和波动的情况下,灰色理论模型的预测精度会大大降低。BP神经网络可以解决非线性复杂的问题,但其训练速度过慢、对外部噪声过于敏感,导致预测结果稳定性差且精度不高。
发明内容
为了克服上述问题或者至少部分地解决上述问题,本发明提供一种基于深度置信网络的水体氨氮预测方法及装置,用以有效提高水体氨氮含量的预测运算速度和预测精度,并有效改善预测方法的稳定性和普适性。
一方面,本发明提供一种基于深度置信网络的水体氨氮预测方法,包括:基于目标水体水质的实际水质参数和实际环境因子参数,利用预先建立的深度置信网络预测模型,预测所述目标水体的氨氮含量;其中,所述深度置信网络预测模型为预先根据预测需求进行初始化,并利用选取的样本数据,进行基于暂时抛弃点dropout的训练和测试获取的,所述样本数据为样本水质环境参数与样本水体氨氮含量对。
其中,所述实际水质参数具体包括:水体水质氨氮含量以及水体水温、水质电导率、水深、水质盐度、总溶解固体浓度、水密度、pH值、溶解氧含量、溶解氧饱和度、氧化还原电位(ORP)、亚硝酸盐浓度、散射浊度、浊度和蓝绿藻浓度中的一种或多种;所述实际环境因子参数具体包括:风速、风向、太阳辐射、空气温度、空气湿度、大气压强、土壤水分和土壤温度中的一种或多种。
其中,所述样本数据包括训练样本和测试样本;相应的,在所述利用预先建立的深度置信网络预测模型,预测所述目标水体的氨氮含量的步骤之前,所述方法还包括:逐个将所述训练样本中的样本水质环境参数输入所述根据预测需求建立的预测模型中,执行吉布斯采样法对网络模型每层进行迭代预训练,获取预测氨氮含量输出;求取所述预测氨氮含量输出与对应的样本水体氨氮含量之间的偏差,并根据给定比率,随机冻结所述根据预测需求建立的预测模型中的部分网络结点;使所述偏差在冻结部分结点的预测模型中反向传播,以进行网络参数的逐层修正,直至训练完成,获取训练完成的深度置信网络预测模型;利用所述测试样本,通过对所述训练完成的深度置信网络预测模型进行正向预测运算,测试所述训练完成的深度置信网络预测模型,直至测试完成,,获取所述深度置信网络预测模型。
其中,所述基于目标水体水质的实际水质参数和实际环境因子参数,利用预先建立的深度置信网络预测模型,预测所述目标水体的氨氮含量的步骤进一步包括:对所述实际水质参数和实际环境因子参数进行小波降噪处理,获取纯净的水质及环境因子参数;对所述纯净的水质及环境因子参数进行给定算法的标准化处理,获取标准化的水质及环境因子特征向量;利用主成分分析算法,对所述标准化的水质及环境因子特征向量进行降维处理,获取氨氮关键影响因子;将所述氨氮关键影响因子输入所述深度置信网络预测模型,进行前向预测运算,输出所述目标水体的氨氮含量。
进一步的,在所述逐个将所述训练样本中的样本水质环境参数输入所述根据预测需求建立的预测模型中的步骤之前,所述方法还包括:采集所述目标水体在预设时间段内的所述历史水质参数和历史环境因子参数,并对所述历史水质参数和历史环境因子参数进行小波降噪处理,获取纯净的水质及环境因子样本参数;对所述纯净的水质及环境因子样本参数进行给定算法的标准化处理,获取标准化的水质及环境因子样本特征向量;利用主成分分析算法,对所述标准化的水质及环境因子样本特征向量进行降维处理,获取样本氨氮关键影响因子,构建所述样本数据。
其中,所述对所述历史水质参数和历史环境因子参数进行小波降噪处理的步骤进一步包括:分别利用dmey、haar、coifN和symN小波基,对所述历史水质参数和历史环境因子参数进行小波分解,获取对应的小波分解数据;选取上述小波基的rigrsure阈值,并对所述小波基多个指定层次的高频系数进行软阈值量化处理;分别对各对应的所述小波分解数据的指定层次的低频信号与经软阈值量化处理的小波基高频系数进行信号重构,获取对应的重构因子参数;基于对各对应的所述重构因子参数的均方根误差和信噪比的计算,确定每个所述历史水质参数和历史环境因子参数的最优小波降噪方案以进行最优降噪处理。
其中,所述对所述纯净的水质及环境因子样本参数进行给定算法的标准化处理的步骤进一步包括:针对降噪处理后获取的所述纯净的水质及环境因子样本参数,通过计算各样本参数对应的样本均值和样本标准差,利用给定标准化公式,进行各样本参数的标准化处理;所述利用主成分分析算法,对所述标准化的水质及环境因子样本特征向量进行降维处理的步骤进一步包括:基于所述标准化的水质及环境因子样本特征向量,利用相关系数法,计算所有所述纯净的水质及环境因子参数对应的相关系数矩阵,并计算所述相关系数矩阵的特征向量和特征值;基于所述特征向量和特征值,计算各所述纯净的水质及环境因子参数对应的当前贡献率和累计贡献率,并计算主成分载荷矩阵;基于所述主成分载荷矩阵,选取累计贡献率达到设定标准的样本参数作为所述样本氨氮关键影响因子。
其中,所述深度置信网络预测模型具体由受限玻尔兹曼机单元堆叠而成;相应的,利用选取的样本数据,进行基于暂时抛弃点dropout的训练的步骤进一步包括:采用无监督的贪心算法,初始化受限玻尔兹曼机单元网络模型各层之间的链接权重及偏置值,并设定各受限玻尔兹曼机单元隐含层的激活函数;对于任一训练样本,按所述给定比率,随机冻结所述受限玻尔兹曼机单元网络模型中的部分结点,并将该样本的样本水质环境参数输入冻结的受限玻尔兹曼机单元网络模型,获取所述预测氨氮含量输出;通过将网络模型各结点的偏差按所述给定比率置零,求取所述预测氨氮含量输出与该样本的样本水体氨氮含量之间的综合偏差;基于所述综合偏差,利用BP神经网络算法,进行所述冻结的受限玻尔兹曼机单元网络模型中偏差的逐层前向传播,求取各层结点偏差,并利用梯度下降法计算并更新未冻结结点的网络参数;解冻冻结结点并恢复该结点的权重值,并再次按所述给定比率随机冻结所述受限玻尔兹曼机单元网络模型中的部分结点,利用下一个训练样本进行网络模型的训练,直至所述训练样本使用完毕或预测精度满足设定条件。
进一步的,在所述预测所述目标水体的氨氮含量的步骤之后,所述方法还包括:将预测的所述目标水体的氨氮含量与所述目标水体的实际氨氮含量相比较,计算预测准确率。
另一方面,本发明提供一种基于深度置信网络的水体氨氮预测装置,包括:至少一个存储器、至少一个处理器、通信接口和总线;所述存储器、所述处理器和所述通信接口通过所述总线完成相互间的通信,所述通信接口用于所述预测装置与水质参数和环境因子参数存储设备之间的信息传输;所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如上所述的基于深度置信网络的水体氨氮预测方法。
本发明提供的一种基于深度置信网络的水体氨氮预测方法与装置,通过采用小波降噪法预处理数据,并对预处理后的数据进行标准化处理,最后利用主成分分析法筛选出关键影响因子,并基于该关键影响因子,利用深度置信网络预测下一时段的氨氮含量,能够有效提高水体氨氮含量的预测运算速度和预测精度,并有效改善预测方法的稳定性和普适性。
附图说明
图1为根据本发明实施例一种基于深度置信网络的水体氨氮预测方法中深度置信网络的结构示意图;
图2为根据本发明实施例一种基于深度置信网络的水体氨氮预测方法中深度置信网络的隐含层引入dropout的结构示意图;
图3为根据本发明实施例一种基于深度置信网络的水体氨氮预测方法的流程图;
图4为本发明实施例一种基于深度置信网络的水体氨氮预测装置的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
作为本发明实施例的一个方面,本实施例提供一种基于深度置信网络的水体氨氮预测方法,包括:基于目标水体水质的实际水质参数和实际环境因子参数,利用预先建立的深度置信网络预测模型,预测目标水体的氨氮含量;
其中,深度置信网络预测模型为预先根据预测需求建立,并利用选取的样本数据,进行基于暂时抛弃点dropout的训练和测试获取的,其中的样本数据为样本水质环境参数与样本水体氨氮含量对。
具体而言,本实施例利用小波降噪技术及主成分分析法对数据进行降噪降维处理,并通过dropout技术对深度置信网络进行优化,实现利用实时采集的水体水质环境因子数据对水体氨氮含量进行实时准确的预测。
在进行本发明实施例的氨氮含量预测运算之前,先要对预测用到的深度置信网络预测模型进行建立、训练及测试,按要求完成训练和测试的预测模型才能用来进行本发明实施例的预测运算。例如先根据预测需求,确定预测模型结构和初始参数等,以进行初始模型的建立。然后利用事先准备好的训练样本和测试样本,依次进行初始模型的训练和测试。
其中在进行模型的训练时,基于暂时抛弃点dropout的算法进行。即在进行训练的过程中,对于任一个训练样本,在进行网络参数的优化更新时,按一定比率随机冻结部分网络结点,不对该冻结的结点进行参数的修改,并在完成运算时,解冻这部分冻结的结点。在利用下一个训练样本进行模型的训练时,再按照一定比率随机选择另外一部分网络结点,进行上述训练过程,直至训练完成。其中,可以将训练样本使用完毕或预测精度满足设定条件作为训练完成的判断条件。
在训练完成后,为了保证预测模型的广泛可靠性,还要用一部分测试样本对训练完成的模型进行测试。具体通过将测试样本中的输入数据输入训练完成的模型,得到计算输出结果,通过比较该输出结果与测试样本中样本输出的大小,得到预测精度达到设定标准的预测模型,作为最终的深度置信网络预测模型。
而在利用训练样本和测试样本对初始模型进行训练和测试之前,需要预先构建训练样本和测试样本。具体通过获取目标水体的历史水质参数和历史环境因子参数,并对这些参数依次进行降噪处理、标准化处理和主成分分析降维处理,构建样本数据集。可以理解的是,样本数据集中包含多个训练样本和测试样本。
其中可选的,其中的实际水质参数和实际环境因子参数,以及历史水质参数和历史环境因子参数主要通过无线传感器及手持传感器进行采集,例如采集的水质参数可以包括水体水质氨氮含量以及水体水温、水质电导率、水深、水质盐度、总溶解固体浓度、水密度、pH值、溶解氧含量、溶解氧饱和度、氧化还原电位(ORP)、亚硝酸盐浓度、散射浊度、浊度和蓝绿藻浓度中的一种或多种,采集的环境因子参数可以包括风速、风向、太阳辐射、空气温度、空气湿度、大气压强、土壤水分和土壤温度中的一种或多种。采集频率可以为每10分钟一次,并将同一时刻采集的水质及环境因子参数作为一组数据,形成一个特征向量。
本发明实施例提供的一种基于深度置信网络的水体氨氮预测方法,通过采用小波降噪法预处理数据,并对预处理后的数据进行标准化处理,最后利用主成分分析法筛选出关键影响因子,并基于该关键影响因子,利用深度置信网络预测下一时段的氨氮含量,能够有效提高水体氨氮含量的预测运算速度和预测精度,并有效改善预测方法的稳定性和普适性。
其中,根据上述实施例的样本数据包括训练样本和测试样本;
相应的,在利用预先建立的深度置信网络预测模型,预测目标水体的氨氮含量的步骤之前,该方法还包括:
逐个将训练样本中的样本水质环境参数输入根据预测需求建立的预测模型中,执行吉布斯采样法对网络模型每层进行迭代预训练,获取预测氨氮含量输出;
求取预测氨氮含量输出与对应的样本水体氨氮含量之间的偏差,并根据给定比率,随机冻结根据预测需求建立的预测模型中的部分网络结点;
使偏差在冻结部分结点的预测模型中反向传播,以进行网络参数的逐层修正,直至训练完成,获取训练完成的深度置信网络预测模型;
利用测试样本,通过对训练完成的深度置信网络预测模型进行正向预测运算,测试训练完成的深度置信网络预测模型,直至测试完成,,获取深度置信网络预测模型。
可以理解为,本实施例分别利用训练样本和测试样本对建立的初始预测模型进行训练和测试,通过初始预测模型的训练学习和测试,得到理想的最终预测模型。
可以理解的是,为了保证测试模型的广泛可靠性,将选取的样本数据进行划分,一部分作为训练样本,另一部分作为测试样本,例如以样本数据中的90%作为训练样本,另外的10%作为测试样本。而每个样本数据中均包含一组样本水质环境参数和一个对应的样本水体氨氮含量。在进行训练和测试时,利用样本水质环境参数作为模型输入,进行模型的预测运算,并用样本水体氨氮含量进行预测数据的验证。
具体在进行模型的训练时,对于每一个训练样本,将训练样本中的样本水质环境参数输入建立的初始预测模型中,利用模型进行数据的前向传播与计算,得到预测结果,即预测氨氮含量输出。然后按给定比率,随机冻结预测模型中的部分结点,将预测氨氮含量输出与对应的样本水体氨氮含量之间的偏差在冻结部分结点的预测模型中反向传播,并在数据传播过程中对未冻结的结点参数进行逐层修正。再然后解冻冻结的结点,使其参数恢复至冻结前的数值,利用下一个训练样本,循环迭代进行上述的训练过程,直至训练完成,得到训练完成的深度置信网络预测模型。
对训练完成的模型,用测试样本对其进行性能测试。具体将测试样本中的样本水质环境参数输入该训练完成的模型,得到测试输出结果,将测试输出结果与对应训练样本中的样本水体氨氮含量进行比较,测试其预测性能。
在其中的一个实施例中,在逐个将训练样本中的样本水质环境参数输入根据预测需求建立的预测模型中的步骤之前,该方法还包括:
采集目标水体在预设时间段内的历史水质参数和历史环境因子参数,并对历史水质参数和历史环境因子参数进行小波降噪处理,获取纯净的水质及环境因子样本参数;
对纯净的水质及环境因子样本参数进行给定算法的标准化处理,获取标准化的水质及环境因子样本特征向量;
利用主成分分析算法,对标准化的水质及环境因子样本特征向量进行降维处理,获取样本氨氮关键影响因子,构建样本数据。
可以理解为,本实施例为对初始预测模型进行训练前,对训练和测试样本的构建过程。首先通过传感器采集设定历史时间段内水体的水质及环境因子数据,即历史水质参数和历史环境因子参数,完成对氨氮影响因子的采集,并对采集到的水质及环境因子数据进行小波降噪处理,得到降噪后的水质及环境因子数据,即纯净的水质及环境因子样本参数。
然后对氨氮关键影响因子进行筛选。具体通过对降噪后的水质及环境因子数据集进行标准化处理,得到标准化的水质及环境因子样本特征向量。每条数据为一个高维特征向量,维数就是采集到的水质及环境因子数量。对这些特征向量,利用主成分分析的方法进行降维处理,得到筛选后的氨氮关键影响因子,构建样本集。
其中,根据上述实施例,基于目标水体水质的实际水质参数和实际环境因子参数,利用预先建立的深度置信网络预测模型,预测目标水体的氨氮含量的步骤进一步包括:
对实际水质参数和实际环境因子参数进行小波降噪处理,获取纯净的水质及环境因子参数;
对纯净的水质及环境因子参数进行给定算法的标准化处理,获取标准化的水质及环境因子特征向量;
利用主成分分析算法,对标准化的水质及环境因子特征向量进行降维处理,获取氨氮关键影响因子;
将氨氮关键影响因子输入深度置信网络预测模型,进行前向预测运算,输出目标水体的氨氮含量。
可以理解为,在进行目标水体未知氨氮含量的预测时,需要根据目标水体当前的水质参数和环境因子参数进行,即实际水质参数和实际环境因子参数。具体对水体当前的实际水质参数和实际环境因子参数进行小波降噪处理,得到降噪后的水质及环境因子数据,即纯净的水质及环境因子参数。
然后对纯净的水质及环境因子参数中的氨氮关键影响因子进行筛选。具体通过对纯净的水质及环境因子参数进行标准化处理,得到标准化的水质及环境因子特征向量。每条数据为一个高维特征向量,维数就是实际水质参数和实际环境因子参数的总数量。对这些特征向量,利用主成分分析的方法进行降维处理,得到筛选后的氨氮关键影响因子。
再然后,将根据目标水体当前的水质参数和环境因子参数得到的氨氮关键影响因子输入训练好的深度置信网络预测模型,进行目标水体的实际氨氮含量值。
其中可选的,对历史水质参数和历史环境因子参数进行小波降噪处理的步骤进一步包括:
分别利用dmey、haar、coifN和symN小波基,对所述历史水质参数和历史环境因子参数进行小波分解,获取对应的小波分解数据;
选取上述小波基的rigrsure阈值,并对所述小波基多个指定层次的高频系数进行软阈值量化处理;
分别对各对应的所述小波分解数据的指定层次的低频信号与经软阈值量化处理的小波基高频系数进行信号重构,获取对应的重构因子参数;
基于对各对应的所述重构因子参数的均方根误差和信噪比的计算,确定每个所述历史水质参数和历史环境因子参数的最优小波降噪方案以进行最优降噪处理。
可以理解为,假设采集的环境及水质因子数据为A1,A2,…,An,其中n为采集到的环境及水质因子个数,n≥1。先以A(x)表示采集的数据,x为数据的编号,并且x∈[1,n]。
则首先分别选取dmey、haar、coifN和symN小波基,对数据A(x)进行小波分解,然后对上述的小波基选择rigrsure阈值,再对其一至三层的高频系数进行软阈值量化处理,并将利用各不同小波基进行小波分解得到的第三层低频信号与经过阈值量化后的第一、二、三层的高频系数进行信号重构,得到重构因子参数。
之后,利用降噪后的每个因子,即重构因子参数,计算每个历史水质参数和历史环境因子参数的均方根误差(RMSE)和信噪比(SNR),确定每个因子的最优小波降噪方案,例如最优降噪方案中RMSE最小,SNR最大。RMSE和SNR的计算公式为:
式中,f(n)表示原始信号,表示降噪后的信号。
其中可选的,对纯净的水质及环境因子样本参数进行给定算法的标准化处理的步骤进一步包括:针对降噪处理后获取的纯净的水质及环境因子样本参数,通过计算各样本参数对应的样本均值和样本标准差,利用给定标准化公式,进行各样本参数的标准化处理;
利用主成分分析算法,对标准化的水质及环境因子样本特征向量进行降维处理的步骤进一步包括:
基于标准化的水质及环境因子样本特征向量,利用相关系数法,计算所有纯净的水质及环境因子参数对应的相关系数矩阵,并计算相关系数矩阵的特征向量和特征值;
基于特征向量和特征值,计算各纯净的水质及环境因子参数对应的当前贡献率和累计贡献率,并计算主成分载荷矩阵;
基于主成分载荷矩阵,选取累计贡献率达到设定标准的样本参数作为样本氨氮关键影响因子。
可以理解为,本实施例进行氨氮关键影响因子的筛选。具体首先对降噪后的环境及水质因子数据,进行标准化处理,标准化处理的公式为:
其中,
式中,表示对纯净的水质及环境因子参数的标准化处理结果,μj表示第j个指标的样本均值,sj表示第j个指标的样本标准差。
然后,使用相关系数法计算所有环境及水质因子的相关系数矩阵R:
相关系数计算公式为:
式中,rjk表示第j个与第k个变量的相关系数,xik表示第k个变量中的第i个数据,xij表示第j个变量中的第i个数据,_x_j、_x_k表示第j个、第k个变量所有数据的均值,m表示变量的总个数,n表示每个变量的数据量。
再然后,计算相关系数矩阵R的所有特征向量α及其特征值λ。
α={α1,α2,...αn},λ={λ1,λ2,...λn}。
最后,计算各个环境及水质因子的贡献率b及累计贡献率β,并计算主成分载荷矩阵P。根据P的结果选取累计贡献率达到85%以上的因子作为氨氮关键影响因子,得到最后用于输入深度置信网络的w维数据,其中w为氨氮关键影响因子个数。例如,取小于10的正整数。
将筛选出的氨氮关键影响因子组合成新的样本集,并随机抽取90%的数据作为训练样本集,剩余的10%的数据作为测试样本集。
其中,在一个实施例中,深度置信网络预测模型具体由受限玻尔兹曼机单元堆叠而成;
相应的,利用选取的样本数据,进行基于暂时抛弃点dropout的训练的步骤进一步包括:
采用无监督的贪心算法,初始化受限玻尔兹曼机单元网络模型各层之间的链接权重及偏置值,并设定各受限玻尔兹曼机单元隐含层的激活函数;
对于任一训练样本,按给定比率,随机冻结受限玻尔兹曼机单元网络模型中的部分结点,并将该样本的样本水质环境参数输入冻结的受限玻尔兹曼机单元网络模型,获取预测氨氮含量输出;
通过将网络模型各结点的偏差按给定比率置零,求取预测氨氮含量输出与该样本的样本水体氨氮含量之间的综合偏差;
基于综合偏差,利用BP神经网络算法,进行冻结的受限玻尔兹曼机单元网络模型中偏差的逐层前向传播,求取各层结点偏差,并利用梯度下降法计算并更新未冻结结点的网络参数;
解冻冻结结点并恢复该结点的权重值,并再次按给定比率随机冻结受限玻尔兹曼机单元网络模型中的部分结点,利用下一个训练样本进行网络模型的训练,直至训练样本使用完毕或预测精度满足设定条件。
可以理解为,用于预测氨氮浓度的深度置信网络由受限玻尔兹曼机单元堆叠而成,深度置信网络的结构如图1所示,为根据本发明实施例一种基于深度置信网络的水体氨氮预测方法中深度置信网络的结构示意图。其中第一层为输入层,深度置信网络的隐含层数为3层。每个受限玻尔兹曼机均由可视层和隐含层组成,可视层接受输入的w维氨氮关键影响因子测试样本数据,则第一层的输入节点数为w,其余的受限玻尔兹曼机可见层节点数根据测试结果调整确定。隐含层即是受限玻尔兹曼机的输出层,每个受限玻尔兹曼机的输出作为下一个受限玻尔兹曼机的输入,即每个受限玻尔兹曼机的隐含层节点数就是下一个受限玻尔兹曼机的可见层节点数。
首先通过逐层无监督贪心算法的方式来初始化各层之间的链接权重值wij及偏置值bi,对深度置信网络进行预训练。为了防止神经结点之间产生依赖性,可见层还将引进30%的dropout,也就是随机冻结30%的结点,在网络训练过程中保留其权值,输出设为0。被选择的结点在下次训练过程中恢复之前保留的权值,再次随机选择部分结点重复此过程。采用30%的dropout的网络示意图如图2所示,为根据本发明实施例一种基于深度置信网络的水体氨氮预测方法中深度置信网络的隐含层引入dropout的结构示意图。
然后对隐含层选取激活函数,执行吉布斯采样法及对比散度算法对每层进行多次迭代预训练对模型参数更新,得到深度置信网络模型,参数更新公式如下:
Δwij=δ(<vihj>-<vi'hj'>);
Δai=δ(<vi>-<vi'>);
Δbj=δ(<hj>-<hj'>);
式中,hj'表示隐单元的重构状态,Δwij表示权值矩阵的更新量,Δai表示第i个输入层偏置的更新值,Δbj表示第j个隐含层偏置的更新值,δ表示学习率,取值为0.0001~0.5。
再然后对预训练后的深度置信网络,采用BP神经网络算法及梯度下降方法自顶向下对其模型参数做进一步微调优化。另外由于训练过程中使用dropout技术,在微调优化过程中,要在网络计算结点误差时将误差以30%的几率置零。
利用输出的误差对输出层前一层的误差进行估计,经过逐层的反向传播学习,获得其余各层的所有误差估计,再利用梯度下降法计算并对各节点权值进行更新,逐层最小化重构误差,求得整个模型的最优参数组合,进而得到预测氨氮浓度的最佳深度置信网络模型。
进一步的,在上述实施例的基础上,在预测目标水体的氨氮含量的步骤之后,该方法还包括:将预测的目标水体的氨氮含量与目标水体的实际氨氮含量相比较,计算预测准确率。
可以理解为,在根据上述实施例对目标水体的氨氮含量进行预测之后,将预测结果与测量到的目标水体的实际氨氮含量进行比较,例如通过计算二者比值,根据二者比值判断预测准确率。
为进一步说明本发明的技术方案,提供如下优选的处理流程,但不对本发明的保护范围进行限制。
如图3所示,为根据本发明实施例一种基于深度置信网络的水体氨氮预测方法的流程图,包括:
步骤1,采集预定时间内池塘水质及环境因子数据;
步骤2,采用小波降噪方法,对采集到的数据进行降噪处理,得到降噪后的水质及环境因子数据局,建立原始数据集;
步骤3,对降噪后的水质及环境因子数据集进行标准化处理,并采用主成分分析法筛选氨氮浓度变化的关键影响因子,获得深度置信网络模型的样本集;
步骤4,将训练样本数据作为深度置信网络的输入,利用吉布斯采样及对比散度方法对深度置信网络进行预训练,逐层无监督预训练深度置信网络模型;
步骤5,利用反向传播算法及梯度下降法对深度置信网络模型参数进行微调优化,获得最优深度置信网络氨氮预测模型;
步骤6,将采集的数据输入深度置信网络氨氮预测模型中,获得水体氨氮的预测值,并与真实值比较,输出预测准确率。
即,首先通过传感器采集预定时间段内水体的水质及环境因子数据,并对采集到的环境因子及水质因子数据做小波降噪处理,得到降噪后的水质及环境因子数据集。
然后进行氨氮关键影响因子的筛选,具体通过对降噪后的水质及环境因子数据集进行标准化处理,每条数据为一个高维特征向量,维数就是采集到的水质及环境因子数量,对这些特征向量,利用主成分分析的方法进行降维处理,得到筛选后的氨氮关键影响因子,构建样本集。
再然后,进行深度置信网络建模:将根据上述步骤得到的水体氨氮关键影响因子训练样本数据作为深度置信网络的输入,氨氮含量训练样本数据作为深度置信网络的输出,逐层无监督的预训练深度置信网络模型,得到用于预测水体氨氮含量的深度置信网络模型。并通过在前馈网络部分引入一定比例的dropout,使某些结点冻结,令其输出为0,进而减少过拟合的可能性。
最后,进行预测准确度测试。即将水体氨氮关键影响因子测试样本数据作为训练后的深度置信网络的输入,深度置信网络的输出即为水体氨氮浓度的预测值。将输出的水体氨氮浓度预测值与测试样本中的氨氮真实值相比较,得到水体氨氮浓度的预测准确率。
本发明实施例提供的一种基于深度置信网络的水体氨氮预测方法,一方面针对当前水体氨氮浓度影响因素过多,无法实现实时测量的问题,本发明通过主成分分析法提取出水体氨氮浓度变化相关的关键影响因子,并利用关键影响因子数据与深度置信网络相结合,实现了水体氨氮浓度的预测,解决了水体氨氮浓度难以实时测量的问题。另一方面,水体氨氮浓度变化是一个动态且复杂的过程,并与多个相关变量有着非线性、强耦合等特点的关系,难以用精确的数学模型进行描述,因此本发明利用深度学习通过构建多个隐含层的模型和大量数据学习更有用更抽象的特征,相较于普通的神经网络方法,具有预测准确率更高,适应性更好的特点,为后续实现水体氨氮的在线预测预警以及智能调控奠定了坚实基础。
作为本发明实施例的另一个方面,本实施例提供一种基于深度置信网络的水体氨氮预测装置,参考图4,为本发明实施例一种基于深度置信网络的水体氨氮预测装置的结构框图,包括:至少一个存储器1、至少一个处理器2、通信接口3和总线4。
其中,存储器1、处理器2和通信接口3通过总线4完成相互间的通信,通信接口3用于预测装置与水质参数和环境因子参数存储设备之间的信息传输;存储器1中存储有可在处理器2上运行的计算机程序,处理器2执行所述计算机程序时,实现如上述实施例所述的基于深度置信网络的水体氨氮预测方法。
可以理解为,所述的基于深度置信网络的水体氨氮预测装置中至少包含存储器1、处理器2、通信接口3和总线4,且存储器1、处理器2和通信接口3通过总线4形成相互之间的通信连接,并可完成相互间的通信。
通信接口3实现基于深度置信网络的水体氨氮预测装置与水质参数和环境因子参数存储设备之间的通信连接,并可完成相互间信息传输,如通过通信接口3实现对实际水质参数和实际环境因子参数,以及历史水质参数和历史环境因子参数的获取等。
基于深度置信网络的水体氨氮预测装置运行时,处理器2调用存储器1中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:基于目标水体水质的实际水质参数和实际环境因子参数,利用预先建立的深度置信网络预测模型,预测所述目标水体的氨氮含量等。
本发明另一个实施例中,提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如上述实施例所述的基于深度置信网络的水体氨氮预测方法。
可以理解为,上述的存储器1中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。可以理解的是,本发明实施例中可以通过硬件处理器(hardware processor)来实现相关的功能模块。
或者,实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的基于深度置信网络的水体氨氮预测装置的实施例仅仅是示意性的,其中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,既可以位于一个地方,或者也可以分布到不同网络单元上。可以根据实际需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上实施方式的描述,本领域的技术人员可以清楚地了解,各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如U盘、移动硬盘、ROM、RAM、磁碟或者光盘等,包括若干指令,用以使得一台计算机设备(如个人计算机,服务器,或者网络设备等)执行上述各方法实施例或者方法实施例的某些部分所述的方法。
本发明实施例提供的一种基于深度置信网络的水体氨氮预测装置和一种非暂态计算机可读存储介质,通过采用小波降噪法预处理数据,并对预处理后的数据进行标准化处理,最后利用主成分分析法筛选出关键影响因子,并基于该关键影响因子,利用深度置信网络预测下一时段的氨氮含量,能够有效提高水体氨氮含量的预测运算速度和预测精度,并有效改善预测方法的稳定性和普适性。
另外,本领域内的技术人员应当理解的是,在本发明的申请文件中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明的说明书中,说明了大量具体细节。然而应当理解的是,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。类似地,应当理解,为了精简本发明公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。
然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于深度置信网络的水体氨氮预测方法,其特征在于,包括:
基于目标水体水质的实际水质参数和实际环境因子参数,利用预先建立的深度置信网络预测模型,预测所述目标水体的氨氮含量;
其中,所述深度置信网络预测模型为预先根据预测需求进行初始化,并利用选取的样本数据,进行基于暂时抛弃点dropout的训练和测试获取的,所述样本数据为样本水质环境参数与样本水体氨氮含量对。
2.根据权利要求1所述的方法,其特征在于,所述实际水质参数具体包括:水体水质氨氮含量以及水体水温、水质电导率、水深、水质盐度、总溶解固体浓度、水密度、pH值、溶解氧含量、溶解氧饱和度、氧化还原电位(ORP)、亚硝酸盐浓度、散射浊度、浊度和蓝绿藻浓度中的一种或多种;
所述实际环境因子参数具体包括:风速、风向、太阳辐射、空气温度、空气湿度、大气压强、土壤水分和土壤温度中的一种或多种。
3.根据权利要求2所述的方法,其特征在于,所述样本数据包括训练样本和测试样本;
相应的,在所述利用预先建立的深度置信网络预测模型,预测所述目标水体的氨氮含量的步骤之前,所述方法还包括:
逐个将所述训练样本中的样本水质环境参数输入所述根据预测需求建立的预测模型中,执行吉布斯采样法对网络模型每层进行迭代预训练,获取预测氨氮含量输出;
求取所述预测氨氮含量输出与对应的样本水体氨氮含量之间的偏差,并根据给定比率,随机冻结所述根据预测需求建立的预测模型中的部分网络结点;
使所述偏差在冻结部分结点的预测模型中反向传播,以进行网络参数的逐层修正,直至训练完成,获取训练完成的深度置信网络预测模型;
利用所述测试样本,通过对所述训练完成的深度置信网络预测模型进行正向预测运算,测试所述训练完成的深度置信网络预测模型,直至测试完成,,获取所述深度置信网络预测模型。
4.根据权利要求3所述的方法,其特征在于,所述基于目标水体水质的实际水质参数和实际环境因子参数,利用预先建立的深度置信网络预测模型,预测所述目标水体的氨氮含量的步骤进一步包括:
对所述实际水质参数和实际环境因子参数进行小波降噪处理,获取纯净的水质及环境因子参数;
对所述纯净的水质及环境因子参数进行给定算法的标准化处理,获取标准化的水质及环境因子特征向量;
利用主成分分析算法,对所述标准化的水质及环境因子特征向量进行降维处理,获取氨氮关键影响因子;
将所述氨氮关键影响因子输入所述深度置信网络预测模型,进行前向预测运算,输出所述目标水体的氨氮含量。
5.根据权利要求3所述的方法,其特征在于,在所述逐个将所述训练样本中的样本水质环境参数输入所述根据预测需求建立的预测模型中的步骤之前,还包括:
采集所述目标水体在预设时间段内的所述历史水质参数和历史环境因子参数,并对所述历史水质参数和历史环境因子参数进行小波降噪处理,获取纯净的水质及环境因子样本参数;
对所述纯净的水质及环境因子样本参数进行给定算法的标准化处理,获取标准化的水质及环境因子样本特征向量;
利用主成分分析算法,对所述标准化的水质及环境因子样本特征向量进行降维处理,获取样本氨氮关键影响因子,构建所述样本数据。
6.根据权利要求5所述的方法,其特征在于,所述对所述历史水质参数和历史环境因子参数进行小波降噪处理的步骤进一步包括:
分别利用dmey、haar、coifN和symN小波基,对所述历史水质参数和历史环境因子参数进行小波分解,获取对应的小波分解数据;
选取上述小波基的rigrsure阈值,并对所述小波基多个指定层次的高频系数进行软阈值量化处理;
分别对各对应的所述小波分解数据的指定层次的低频信号与经软阈值量化处理的小波基高频系数进行信号重构,获取对应的重构因子参数;
基于对各对应的所述重构因子参数的均方根误差和信噪比的计算,确定每个所述历史水质参数和历史环境因子参数的最优小波降噪方案以进行最优降噪处理。
7.根据权利要求5所述的方法,其特征在于,所述对所述纯净的水质及环境因子样本参数进行给定算法的标准化处理的步骤进一步包括:
针对降噪处理后获取的所述纯净的水质及环境因子样本参数,通过计算各样本参数对应的样本均值和样本标准差,利用给定标准化公式,进行各样本参数的标准化处理;
所述利用主成分分析算法,对所述标准化的水质及环境因子样本特征向量进行降维处理的步骤进一步包括:
基于所述标准化的水质及环境因子样本特征向量,利用相关系数法,计算所有所述纯净的水质及环境因子参数对应的相关系数矩阵,并计算所述相关系数矩阵的特征向量和特征值;
基于所述特征向量和特征值,计算各所述纯净的水质及环境因子参数对应的当前贡献率和累计贡献率,并计算主成分载荷矩阵;
基于所述主成分载荷矩阵,选取累计贡献率达到设定标准的样本参数作为所述样本氨氮关键影响因子。
8.根据权利要求3所述的方法,其特征在于,所述深度置信网络预测模型具体由受限玻尔兹曼机单元堆叠而成;
相应的,利用选取的样本数据,进行基于暂时抛弃点dropout的训练的步骤进一步包括:
采用无监督的贪心算法,初始化受限玻尔兹曼机单元网络模型各层之间的链接权重及偏置值,并设定各受限玻尔兹曼机单元隐含层的激活函数;
对于任一训练样本,按所述给定比率,随机冻结所述受限玻尔兹曼机单元网络模型中的部分结点,并将该样本的样本水质环境参数输入冻结的受限玻尔兹曼机单元网络模型,获取所述预测氨氮含量输出;
通过将网络模型各结点的偏差按所述给定比率置零,求取所述预测氨氮含量输出与该样本的样本水体氨氮含量之间的综合偏差;
基于所述综合偏差,利用BP神经网络算法,进行所述冻结的受限玻尔兹曼机单元网络模型中偏差的逐层前向传播,求取各层结点偏差,并利用梯度下降法计算并更新未冻结结点的网络参数;
解冻冻结结点并恢复该结点的权重值,并再次按所述给定比率随机冻结所述受限玻尔兹曼机单元网络模型中的部分结点,利用下一个训练样本进行网络模型的训练,直至所述训练样本使用完毕或预测精度满足设定条件。
9.根据权利要求1所述的方法,其特征在于,在所述预测所述目标水体的氨氮含量的步骤之后,还包括:
将预测的所述目标水体的氨氮含量与所述目标水体的实际氨氮含量相比较,计算预测准确率。
10.一种基于深度置信网络的水体氨氮预测装置,其特征在于,包括:至少一个存储器、至少一个处理器、通信接口和总线;
所述存储器、所述处理器和所述通信接口通过所述总线完成相互间的通信,所述通信接口用于所述预测装置与水质参数和环境因子参数存储设备之间的信息传输;
所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1至9中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810482608.0A CN108710974B (zh) | 2018-05-18 | 2018-05-18 | 一种基于深度置信网络的水体氨氮预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810482608.0A CN108710974B (zh) | 2018-05-18 | 2018-05-18 | 一种基于深度置信网络的水体氨氮预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108710974A true CN108710974A (zh) | 2018-10-26 |
CN108710974B CN108710974B (zh) | 2020-09-11 |
Family
ID=63869128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810482608.0A Active CN108710974B (zh) | 2018-05-18 | 2018-05-18 | 一种基于深度置信网络的水体氨氮预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108710974B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009161A (zh) * | 2019-04-15 | 2019-07-12 | 成都四方伟业软件股份有限公司 | 供水预测方法及装置 |
CN110222411A (zh) * | 2019-05-31 | 2019-09-10 | 河海大学 | 一种基于mRMR-DBN算法的无量测区太阳辐射估算方法 |
CN110361050A (zh) * | 2019-07-16 | 2019-10-22 | 华北水利水电大学 | 一种基于无线传感器网络的水文信息预测系统 |
CN111080464A (zh) * | 2019-11-27 | 2020-04-28 | 中国农业大学 | 一种池塘养殖水质关键因子预测方法及装置 |
CN111104897A (zh) * | 2019-12-18 | 2020-05-05 | 深圳市捷顺科技实业股份有限公司 | 儿童人脸识别模型的训练方法、装置以及存储介质 |
CN111860784A (zh) * | 2020-07-24 | 2020-10-30 | 上海仪电(集团)有限公司中央研究院 | 基于arm和fpga的卷积神经识别系统及方法 |
CN112529147A (zh) * | 2020-10-19 | 2021-03-19 | 北京工业大学 | 断面水质中的氨氮含量预测方法及装置 |
CN112858619A (zh) * | 2021-03-03 | 2021-05-28 | 华南农业大学 | 一种对虾养殖水质的预测预警方法 |
NO20220185A1 (en) * | 2019-08-20 | 2022-02-10 | Rex Ind Co | Water quality management apparatus and method for aquaculture pond |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942461A (zh) * | 2014-05-14 | 2014-07-23 | 浙江师范大学 | 基于在线贯序极限学习机的水质参数预测方法 |
CN103942457A (zh) * | 2014-05-09 | 2014-07-23 | 浙江师范大学 | 基于关联向量机回归的水质参数时间序列预测方法 |
US20170083747A1 (en) * | 2015-09-21 | 2017-03-23 | The Climate Corporation | Ponding water detection on satellite imagery |
CN106778701A (zh) * | 2017-01-20 | 2017-05-31 | 福州大学 | 一种加入Dropout的卷积神经网络的果蔬图像识别方法 |
CN107256393A (zh) * | 2017-06-05 | 2017-10-17 | 四川大学 | 基于深度学习的一维生理信号的特征提取与状态识别 |
CN107704958A (zh) * | 2017-09-30 | 2018-02-16 | 渤海大学 | 一种多变量建模的火电厂发电量预测方法 |
-
2018
- 2018-05-18 CN CN201810482608.0A patent/CN108710974B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942457A (zh) * | 2014-05-09 | 2014-07-23 | 浙江师范大学 | 基于关联向量机回归的水质参数时间序列预测方法 |
CN103942461A (zh) * | 2014-05-14 | 2014-07-23 | 浙江师范大学 | 基于在线贯序极限学习机的水质参数预测方法 |
US20170083747A1 (en) * | 2015-09-21 | 2017-03-23 | The Climate Corporation | Ponding water detection on satellite imagery |
CN106778701A (zh) * | 2017-01-20 | 2017-05-31 | 福州大学 | 一种加入Dropout的卷积神经网络的果蔬图像识别方法 |
CN107256393A (zh) * | 2017-06-05 | 2017-10-17 | 四川大学 | 基于深度学习的一维生理信号的特征提取与状态识别 |
CN107704958A (zh) * | 2017-09-30 | 2018-02-16 | 渤海大学 | 一种多变量建模的火电厂发电量预测方法 |
Non-Patent Citations (3)
Title |
---|
CSDN: "基于Keras/Python的深度学习模型Dropout正则项", 《HTTPS://WWW.SOHU.COM/A/101264095_115128》 * |
QIANQIAN CHENG ET AL: "Short-term Load Forecasting with Weather Component Based on Improved Extreme Learning Machine", 《2013 CHINESE AUTOMATION CONGRESS》 * |
高艳萍等: "基于BP网络养殖水体氨氮预测模型及实现", 《农机化研究》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009161A (zh) * | 2019-04-15 | 2019-07-12 | 成都四方伟业软件股份有限公司 | 供水预测方法及装置 |
CN110222411A (zh) * | 2019-05-31 | 2019-09-10 | 河海大学 | 一种基于mRMR-DBN算法的无量测区太阳辐射估算方法 |
CN110222411B (zh) * | 2019-05-31 | 2020-04-03 | 河海大学 | 一种基于mRMR-DBN算法的无量测区太阳辐射估算方法 |
CN110361050A (zh) * | 2019-07-16 | 2019-10-22 | 华北水利水电大学 | 一种基于无线传感器网络的水文信息预测系统 |
NO20220185A1 (en) * | 2019-08-20 | 2022-02-10 | Rex Ind Co | Water quality management apparatus and method for aquaculture pond |
US11753312B2 (en) | 2019-08-20 | 2023-09-12 | Kasai Corporation | Water quality management apparatus and method for aquaculture pond |
CN111080464A (zh) * | 2019-11-27 | 2020-04-28 | 中国农业大学 | 一种池塘养殖水质关键因子预测方法及装置 |
CN111104897A (zh) * | 2019-12-18 | 2020-05-05 | 深圳市捷顺科技实业股份有限公司 | 儿童人脸识别模型的训练方法、装置以及存储介质 |
CN111860784A (zh) * | 2020-07-24 | 2020-10-30 | 上海仪电(集团)有限公司中央研究院 | 基于arm和fpga的卷积神经识别系统及方法 |
CN112529147A (zh) * | 2020-10-19 | 2021-03-19 | 北京工业大学 | 断面水质中的氨氮含量预测方法及装置 |
CN112858619A (zh) * | 2021-03-03 | 2021-05-28 | 华南农业大学 | 一种对虾养殖水质的预测预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108710974B (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108710974A (zh) | 一种基于深度置信网络的水体氨氮预测方法及装置 | |
CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
Chen et al. | Deformation prediction of landslide based on improved back-propagation neural network | |
Zhu et al. | A remote wireless system for water quality online monitoring in intensive fish culture | |
CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
CN109493287A (zh) | 一种基于深度学习的定量光谱数据分析处理方法 | |
CN106709640A (zh) | 基于深度学习与支持向量回归的船舶能耗预测方法 | |
CN113568055B (zh) | 一种基于lstm网络的航空瞬变电磁数据反演方法 | |
CN110070172A (zh) | 基于双向独立循环神经网络的序列预测模型的建立方法 | |
CN111898734B (zh) | 一种基于mlp的nmr弛豫时间反演方法 | |
Yu et al. | A hybrid intelligent soft computing method for ammonia nitrogen prediction in aquaculture | |
CN109559781A (zh) | 一种预测dna-蛋白质结合的双向lstm和cnn模型 | |
CN113901977A (zh) | 一种基于深度学习的电力用户窃电识别方法及系统 | |
CN112116162A (zh) | 基于ceemdan-qfoa-lstm的输电线覆冰厚度预测方法 | |
CN107944550A (zh) | 一种基于探测式深度网络的时空大数据预测方法 | |
CN116307103A (zh) | 一种基于硬参数共享多任务学习的交通事故预测方法 | |
Aldrees et al. | Evolutionary and ensemble machine learning predictive models for evaluation of water quality | |
CN115545334A (zh) | 土地利用类型预测方法、装置、电子设备及存储介质 | |
Sun et al. | Pruning Elman neural network and its application in bolt defects classification | |
Ridhovan et al. | Disease Detection in Banana Leaf Plants using DenseNet and Inception Method | |
CN114782740A (zh) | 结合遗传优化与极端梯度提升的遥感水质监测方法 | |
Saltan et al. | Comparative analysis of using artificial neural networks (ANN) and gene expression programming (GEP) in backcalculation of pavement layer thickness | |
Kumarasiri et al. | Rainfall forecasting: an artificial neural network approach | |
Nayak et al. | Water quality time-series modeling and forecasting techniques | |
Chen et al. | Deformation prediction of landslide based on genetic-simulated annealing algorithm and BP neural network |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |