CN109284921A - 基于隐马尔科夫模型的农业灌溉水质动态评价方法 - Google Patents
基于隐马尔科夫模型的农业灌溉水质动态评价方法 Download PDFInfo
- Publication number
- CN109284921A CN109284921A CN201811080646.XA CN201811080646A CN109284921A CN 109284921 A CN109284921 A CN 109284921A CN 201811080646 A CN201811080646 A CN 201811080646A CN 109284921 A CN109284921 A CN 109284921A
- Authority
- CN
- China
- Prior art keywords
- water quality
- dynamic evaluation
- evaluation
- index
- agricultural irrigation
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 197
- 238000011156 evaluation Methods 0.000 title claims abstract description 181
- 238000003973 irrigation Methods 0.000 title claims abstract description 58
- 230000002262 irrigation Effects 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000003621 irrigation water Substances 0.000 claims abstract description 57
- 230000004927 fusion Effects 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 34
- 230000006866 deterioration Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000003786 synthesis reaction Methods 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 17
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000002156 mixing Methods 0.000 abstract description 2
- 239000000523 sample Substances 0.000 description 11
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 6
- 238000011161 development Methods 0.000 description 6
- 238000001303 quality assessment method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 229910052757 nitrogen Inorganic materials 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 229910052698 phosphorus Inorganic materials 0.000 description 3
- 239000011574 phosphorus Substances 0.000 description 3
- 230000035508 accumulation Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 2
- 229930002868 chlorophyll a Natural products 0.000 description 2
- 238000012851 eutrophication Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
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
- G06Q10/06—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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于隐马尔科夫模型的农业灌溉水质动态评价方法，属于水环境与信息科学技术交叉融合的工程技术领域。所述评价方法包括构建农业灌溉水质动态评价指标体系；水质动态评价指标的主观权重和客观权重的优化融合；基于隐马尔科夫模型的农业灌溉水质动态评价；基于马尔科夫链的演化特性分析的步骤。本发明提出的评价方法较好的解决了农业灌溉水质动态评价过程中存在多指标不相容及随机不确定性的问题，同时本发明提出的演化特性指数可以有效地体现农业灌溉水质动态演化规律，将水质动态评价指标数据的时间序列特性融入评价中，更好的体现了动态评价的特点，为相关水质监管部门进行在线水质监测、评价与决策研究提供参考。
Description
技术领域
本发明属于水环境与信息科学技术交叉融合的工程技术领域，具体涉及一种基于隐马尔科夫模型的农业灌溉水质动态评价方法。
背景技术
伴随着经济的高速发展，人们对生活质量和生存环境的要求也相应提高。经济发展过程中出现的食品安全与环境污染问题，引起社会广泛关注。
水质评价是合理开发利用和保护水资源的一项基本工作。对农业灌溉水质进行动态评价，需要在考察国内外权威机构的相关评价指体系基础上，基于简单有效、可操作性强的原则，构建相应的农业灌溉水质动态评价指标体系并进行指标等级区间划分。
然而，由于影响农业灌溉水质的因素较多，问题相对复杂，现阶段学者们大多仅关注研究某一时刻多个农业灌溉水质指标的综合评价问题，而对农业灌溉水质随时间推移其趋势演化的动态评价研究还相对较少。在一些已有的研究及文献报道中，由于受到采样时间、空间及人力、经济等因素的制约，研究工作多局限为针对一次采样数据进行的综合评价，但也在一定程度上佐证了农业灌溉水质评价问题的复杂性与不一致性。因此，如何借鉴信息领域的方法与技术，开展农业灌溉水质的动态评价研究，从事物发展的角度探究农业灌溉水质伴随时间推移的动态演化趋势，发现其潜在规律，对于促进农业灌溉水质的良性改善与发展具有重要的研究意义。
另外，由于农业灌溉水质动态评价研究中涉及的影响因素较多，如何有效、客观地确定其相应权重，并依据农业灌溉水质的动态演化过程中的历史时间序列数据建立系统的动态评价数学模型，对于深入认识农业灌溉水质的发展趋势及规律是十分重要的。近年来，在环境模式分析方面，隐马尔科夫模型这种具有状态概率描述特性的方法被认为是一种对不确定性问题进行刻画的有效手段。隐马尔科夫模型是针对含有隐含未知参数的马尔科夫过程进行研究的一种方法，被广泛地应用于过程系统中的时间序列数据建模与分析。其难点在于需要基于可观测的数据确定该过程的隐含状态及参数，然后利用这些隐含状态及参数进一步分析、推演。因此，本发明结合农业灌溉水质是食品安全基础要求这一现实需求，建立合理的动态评价指标体系与指标等级区间，探索如何较好地综合主客观信息，尝试采用隐马尔科夫模型建立农业灌溉水质的动态评价模型，对农业灌溉水质进行动态综合评价，为其综合治理决策提供理论基础。
发明内容
为了解决现有的农业灌溉水质动态评价研究中指标间的不相容性及指标数据随着时间发生变化引发的不确定性问题，本发明提出了一种基于隐马尔科夫模型(HiddenMarkov Model，HMM)的农业灌溉水质动态评价方法以用于农业灌溉水质动态评价研究。从过程演化这一视角，建立客观有效、简单方便、实操性好的农业灌溉水质动态评价指标体系与指标等级区间，在此基础上，融合主、客观信息确定动态评价中涉及的指标优化权重。结合时间序列数据建立隐马尔科夫模型对农业灌溉水质进行动态评价并分析其基本演化趋势，充分发挥隐马尔科夫模型特点与优势，探寻、发现农业灌溉水质动态演化过程中的规律性信息。
本发明提供的基于隐马尔科夫模型的农业灌溉水质动态评价方法，根据所关注的农业灌溉水质动态评价指标的时间序列数据结合专家意见对农业灌溉水质进行动态评价以探索其相应的变化规律，方便监管部门依据农业灌溉水质等级及其演化特性及早发现问题，为有效预防农业灌溉水质恶化提供技术支持与理论支撑。具体地，所述的农业灌溉水质动态评价方法主要包括以下四个步骤：
步骤一、构建农业灌溉水质动态评价指标体系：
所述的农业灌溉水质动态评价指标体系根据研究侧重点选取水质动态评价指标构建，并对选取的水质动态评价指标进行无量纲处理，然后划分水质动态评价指标等级区间。
步骤二、主、客观权重优化确定农业灌溉水质动态评价指标融合权重：
在农业灌溉水质动态评价研究中，确定各水质动态评价指标的权重是研究问题的关键。为了综合业内专家长期积累的经验，本发明采用优序图法(Optimal SequenceDiagram Method，OSD)确定各水质动态评价指标的主观权重；基于收集的水质动态评价指标数据，采用投影寻踪函数确定各水质动态评价指标的客观权重。
为了充分利用主、客观权重，本发明借鉴纳什均衡(Nash Equilibrium，NE)，通过在主、客观权重中寻找平衡点的方式实现了主、客观权重的优化融合，获得优化融合的水质动态评价指标权重。
步骤三、基于隐马尔科夫模型的农业灌溉水质动态评价：
首先检验农业灌溉水质是否符合隐马尔科夫模型的基本特性。
在符合隐马尔科夫模型基本特性的基础上，将步骤一中的水质动态评价指标等级区间表示为隐马尔科夫模型的隐藏状态，等级区间个数即为隐藏状态个数。将监测到的农业灌溉水质动态评价指标的连续观测值划分为若干观测区间记为隐马尔科夫模型的观测状态，这里的观测区间的个数设定为隐马尔科夫模型的观测状态个数。依据农业灌溉水质在各隐藏状态之间的转移概率构成状态转移矩阵U。在隐藏状态确定的条件下，考察对应每个指标的观测状态出现的概率，结合步骤二中的优化融合后的权重，获得观测状态混淆矩阵。设定进行评价前农业灌溉水质属于各水质动态评价指标等级区间的概率相同，则初始状态概率相同。
应用中，将观测状态混淆矩阵与表示隐藏状态的区间矩阵相乘得到的区间称为前向变量区间，定义隐藏状态所属概率为前向概率，将前向变量区间与前向概率相乘可得到对应实际监测到的水质最可能所处的观测区间。基于待评价水质动态评价指标应处于设定的离散观测指标区间内的性质可计算获得前向概率的值。同时，根据状态转移矩阵以及初始状态概率得到预期隐藏状态所属概率作为前向概率的整定参数，经过整定后获得的最大隐藏状态概率所对应的隐藏状态即该农业灌溉水质动态评价的综合等级区间。
步骤四、基于马尔科夫链的演化特性分析：
依据步骤三中隐马尔科夫模型对研究区域的农业灌溉水质随时间推移进行的多次水质动态评价结果进行分析，通过考察、统计相邻两次评价中的等级变化及其对应次数。利用马尔科夫链(Markov Chain，MC)建立农业灌溉水质的演化特性矩阵，定义演化特性矩阵中的各元素与其对应的水质等级变化情况的乘积为演化进步元素，利用所有的演化进步元素之和构造动态评价的演化特性指数。通过演化特性指数的正负及绝对值的大小表示对应地域的农业灌溉水质的时序改善或者恶化的趋势方向及程度，对于动态研究农业灌溉水质动态演化规律具有积极的指引作用。
本发明的优点在于：
1.本发明提出的基于纳什均衡思想将主、客观权重融合确定动态评价指标权重的方法，通过让专家经验确定的主观权重与客观数据确定的客观权重进行博弈，实现了主客观权重信息非合作前提下的融合，这对于后续隐马尔科夫模型综合动态评价的科学性与客观性具有重要意义。
2.本发明提出的基于微分进化算法的隐马尔科夫水质动态评价方法是一种有限状态的评价过程。将研究区域历年的水质时间序列数据作为训练样本，进而确定隐马尔科夫模型参数。隐马尔科夫模型评价结果为研究对象属于各水质等级的概率，较好的解决了农业灌溉水质动态评价过程中存在多指标不相容及随机不确定性的问题。
3.本发明提出的演化特性指数可以有效地体现农业灌溉水质动态演化规律，将水质动态评价指标数据的时间序列特性融入评价中，更好的体现了动态评价的特点，从信息处理的角度为相关部门提供研究对象的发展趋势，为相关水质监管部门进行在线水质监测、评价与决策研究提供参考。
附图说明
图1是本发明的基于隐马尔科夫模型的农业灌溉水质动态评价方法的流程图；
图2是优序图法确定水质动态评价指标主观权重的流程图；
图3是微分进化算法求解投影寻踪函数确定水质动态评价指标客观权重的流程图；
图4是应用本发明提供的方法得到的农业灌溉水质动态评价指标的总体变化趋势图；
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。
本发明提供一种基于隐马尔科夫模型的农业灌溉水质动态评价方法，流程图如图1所示，具体步骤如下：
步骤一、构建农业灌溉水质动态评价指标体系：
随着现代化工、农业生产的迅猛发展，大量工农业废水和生活污水排量增多，进一步导致水环境承载能力与自净能力的减弱。农业灌溉用水体的安全、可靠对于农作物及农产品的生产至关重要，借鉴水环境领域内权威机构水质评价指标体系研究成果并结合农业灌溉水环境领域的背景知识，并基于监测方便、可操作性强的原则筛选出总磷、总氮、溶解氧三项对农业灌溉水质影响较为重要的指标与能够体现农业灌溉水体富营养化现象的叶绿素a浓度指标一起构建了农业灌溉水质动态评价指标体系。为了后续研究的方便，结合国家地表水环境质量标准对水质动态评价指标进行无量纲处理后划分出水质动态评价指标等级区间。所述的等级区间分别为I级、II级、III级…m级，对应m个等级。
步骤二、主、客观权重优化确定农业灌溉水质动态评价指标融合权重：
步骤二具体为：在确定主观权重过程中，综合多名业内专家长期积累的经验，采用优序图法绘制优序棋盘图，对收集的水质动态评价指标数据进行两两对比，最终确定水质动态评价指标重要程度和优劣次序，具体流程如图2。
首先依据专家意见对农业灌溉水质动态评价指标X1,X2,...,Xn进行重要性比较，n为水质动态评价指标的个数，据此绘制优序棋盘图。具体为将需要对比的水质动态评价指标分别放入优序棋盘图的第一列和第一行，专家通过优序棋盘图对水质动态评价指标进行两两对比，若水质动态评价指标Xi比水质动态评价指标Xj重要，则Xi得1分，若同等重要，则Xi得0.5分(1≤i≤n,1≤j≤n)，若水质动态评价指标Xj比水质动态评价指标Xi重要，则Xi得0分；而后将每项水质动态评价指标的评分进行横向求和，得到水质动态评价指标的最终得分；最后，根据最终得分进行归一化，得到主观权重，从而确定水质动态评价指标的主观权重wzh＝(wzh1,wzh2,…wzhn)。
基于数据驱动的客观权重可以充分发挥累计数据的科学性，本发明采用微分进化算法求解投影寻踪函数的方式实现对水质动态评价指标客观权重优化迭代确定。如图3所示流程，客观权重的确定过程如下：
首先，采用常规投影寻踪法建立优化投影向量即水质动态评价指标客观权重的目标函数和约束条件。由于投影寻踪函数求解实质上是一个非线性优化问题，存在计算复杂，求解困难等问题，因此这里采用微分进化算法进行求解。
通过初始化种群，微分进化算法能够利用已知的水质动态评价指标数据进行迭代运算，利用投影寻踪函数进行最优解迭代评估，尽可能的将各农业灌溉水质等级区间内对应水质动态评价指标间的方差拉大，模拟物种内部的个体进化形式(变异操作、交叉操作和选择操作)，直到迭代次数或适应值达到要求，求出优化解，即水质动态评价指标的客观权重：
wke＝(wke1,wke2,…wken)。
在本发明中借鉴以期望收益最高为目的纳什均衡思想，将得到的主观权重和客观权重进行纳什均衡博弈融合，定义主、客观权重分别有优先占比和非优先占比两种选项，当主观权重和客观权重同时选择优先占比时，期望收益为当主观权重选择优先占比而客观权重选择非优先占比时，期望收益为wzh；反之，期望收益为wke；当主观权重和客观权重同时选择非优先占比时，期望收益为最终得到纳什均衡期望收益表，如表1：
表1 纳什均衡期望收益表
此时，假设主观权重选择优先占比的概率是p＝(p1,p2,...,pn)，选择非优先占比的概率是1-p；客观权重选择优先占比的概率是q＝(q1,q2,...,qn)，选择非优先级的概率是1-q。则主观权重选择优先占比的期望收益为：
主观权重选择非优先占比的期望收益为：
客观权重选择优先占比的期望收益为：
客观权重选择非优先占比的期望收益为：
此时，要达到纳什均衡，每种选择的期望收益必须是相等的，即：
由此可获得满足纳什均衡期望的概率p和q，对所述的概率p和q分别进行分析，若概率p和q的取值超过概率值的区间范围[0，1]，限定小于0则取0，大于1取1，经过此步骤之后得到p'和q'，则最后经过纳什均衡博弈得到的主、客观初步融合权重wr为：
wr＝p'wzh+q'wke
对主、客观初步融合权重wr进行归一化，给出后续动态评价中使用的融合权重w。
步骤三、基于隐马尔科夫模型的农业灌溉水质动态评价：
步骤三中，检验待研究区域的农业灌溉水质是否同时符合隐马尔科夫模型的齐次马尔科夫性假设及观测独立性假设，如果同时符合则可用该隐马尔科夫模型进行农业灌溉水质动态评价；否则本发明的方法不适用。
利用研究区域历年的水质数据训练隐马尔科夫模型的参数，其中，水质动态评价指标等级区间表示为隐马尔科夫模型的隐藏状态，水质动态评价指标等级区间的个数即隐藏状态个数为m，将监测到的农业灌溉水质动态评价指标的连续观测值划分为若干观测区间记为隐马尔科夫模型的观测状态，每一水质动态评价指标的观测状态个数为划分的观测区间的个数z，z取为隐藏状态个数m的整数倍。在评价时，依据步骤一的水质动态评价指标等级区间，构建隐藏状态的区间矩阵其中，a11,…,azn指各水质动态评价指标的隐藏状态区间；依据获取的建模训练数据对每一水质动态评价指标构建m×z的观测状态出现概率矩阵，而后利用步骤二得到的融合权重w对每一水质动态评价指的观测状态出现概率矩阵加权，相加后获得观测状态混淆矩阵其中b11,…,bmz指在各隐藏状态下每个观测区间出现的概率，A和B两者结合得到前向变量区间BA＝γ'，即：
其中，前向变量区间γ'中的元素表示向前一步对应的隐藏状态输出水质动态评价指标最有可能的观测指标区间值。定义前向概率为c＝(c1,c2,...,cm)′，将所得的前向变量区间γ'与隐藏状态的前向概率c相乘，可以得到评价时水质最有可能所处的观测区间，即：
对应实际监测得到的农业灌溉水质的连续水质动态评价指标向量X＝(X1,X2,...,Xn)应处于对应的离散观测指标区间内，即：
定义γz为观测指标区间的中位数，则可运用最小二范数法求出如下目标函数成立的前向概率c。
此外，考虑农业灌溉水质属于各等级的初始隐藏状态概率α＝(α1,α2,...,αm)的影响，将状态转移矩阵与初始隐藏状态概率α结合得到下一步预期隐藏状态概率μ＝αU，即：
综合以上分析，将前向概率c与依据初始隐藏状态概率α影响获得的预期隐藏状态概率μ结合，即将预期隐藏状态概率μ作为前向概率c的整定参数，与其对应元素相乘，获得的结果进行归一化处理后得到隐藏状态概率β＝(β1,β2,...,βm)，其中βmax＝max(β1,β2,...,βm)，则βmax所对应的隐藏状态即为最终评价确定的农业灌溉水质对应离散的水质动态评价指标的等级区间。
而后将本次评价得到的隐藏状态概率β＝(β1,β2,...,βm)作为下次评价时的初始隐藏状态概率，并将相应数据更新到状态转移矩阵U与观测状态混淆矩阵B中。
步骤四、基于马尔科夫链的演化特性分析：
步骤四具体为：对研究区域内的农业灌溉水质动态评价指标按时序进行评价，可以基于马尔科夫链构建相应的农业灌溉水质的演化特性矩阵T，具体构建方法如下：
定义在对同一区域内依据时序进行采样的水质动态评价指标经过r次水质动态评价后，处于g等级的农业灌溉水质动态评价指标有rg个，统计在相邻的两次水质动态评价中，水质的等级由g等级变为h等级的次数为egh次，其中r、rg和egh均为大于零的正整数，且1≤g≤m，1≤h≤m，令则tgh满足0≤tgh≤1；且由此得到该区域农业灌溉水质的演化特性矩阵：
定义sgh＝(g-h)3tgh为演化进步元素，为农业灌溉水质的演化特性指数，其中(g-h)3表明水质改善或者恶化的权重，水质改善权重为正，水质恶化权重为负，水质不变权重为零；指数为3，体现了放大水质改善或恶化程度的原则，例如|g-h|＝1时，说明水质改善或恶化的程度不大，所以奖惩的权重为1，当|g-h|＝2时说明水质改善或者恶化了两级，应加大奖励或者惩罚，奖惩的权重为8。
可见，根据演化特性指数pd(S)来对区域的农业灌溉水质进行综合演化分析，即若pd(S)>0说明该区域水质相较以往得到改善，若pd(S)<0则表明该区域水质在相较以往有所恶化。
下面通过实施例进一步说明本发明的技术方案。
实施例一：
本发明采用的数据为在太湖水域采集的农业灌溉水质监测数据，监测时间为2011年至2012年，具有很好的代表性。依据时序选取水质动态评价指标数据为每隔6天取样一次，共计60组农业灌溉水质动态评价指标数据作为隐马尔科夫模型的训练样本，另依据时序采集24组水质动态评价指标数据作为测试样本用于测试隐马尔科夫模型。所述的水质动态评价指标数据选取四个，分别为总磷、总氮、溶解氧和叶绿素a浓度。
步骤一、构建农业灌溉水质动态评价指标体系：
根据领域内权威机构水质评价指标体系研究，并结合农业灌溉水环境领域的背景知识，最终决定采用总磷、总氮、溶解氧以及与水体富营养化相关的叶绿素a浓度为最终评价指标，并划分如下四个水质动态评价指标等级区间，如表2：
表2 农业灌溉水质动态评价指标等级区间
步骤二、主、客观权重优化确定农业灌溉水质动态评价指标融合权重：
经过咨询业内长期从事农业灌溉水环境评价与预测工作的专家，通过对水质动态评价指标两两相互比对、打分后，完成了基于优序图法农业灌溉水质动态评价指标的主观权重的确定：wzh＝(0.4375,0.3125,0.1875,0.0625)，如表3：
表3 农业灌溉水质动态评价指标对比优序图法棋盘图
在确定客观权重过程中，将60组训练样本带入微分进化算法进行200次迭代。最终得到客观权重wke＝(0.7273,0.0014,0.0002,0.6863)。
根据得到的主、客观权重可得纳什均衡期望收益表，如表4：
表4 实例一纳什均衡期望收益表
经过纳什均衡博弈，得到的纳什均衡博弈的概率p为p＝(1.8792,1.2267,1.1152,-0.2416)，因为概率区间为[0,1]，分析对应元素的取值是否超过概率区间范围，限定小于0则取0，大于1取1，得p'＝(1,1,1,0)；q＝(0.1208,0.7732,0.7308,2.2416)，分析对应元素处理后，q'＝(0.1208,0.7732,0.7308,1)。对获取的初步融合权重wr进行归一化，得到后续动态评价应用的指标融合权重w为：w＝(0.3067,0.1831,0.1095,0.4007)。
步骤三、基于隐马尔科夫模型的农业灌溉水质动态评价：
数据检验表明研究区域农业灌溉水质符合隐马尔科夫评价模型的齐次马尔科夫性假设及观测独立性假设。
经过训练样本的训练，得到的状态转移矩阵U为将每一个水质动态评价指标观测值划分为12种观测状态，每一水质动态评价指标观测值的观测状态出现的频数作为元素组成单一水质动态评价指标的观测状态出现概率矩阵，将各单一水质动态评价指标观测状态出现概率矩阵依据融合权重w，加权后得到观测状态混淆矩阵：
根据隐藏状态区间矩阵与观测状态混淆矩阵结合得到前向变量区间平均数为将其与隐藏状态的前向概率结合可得到水质动态评价时样本所处的观测指标区间，利用待评价的水质动态评价指标向量应处于离散的观测指标区间内的特性来求解前向概率，并与状态转移矩阵和初始状态概率结合得到预期隐藏状态概率结合，进而获得离散水质动态评价等级，如表5。
步骤四、基于马尔科夫链的演化特性分析：
在同一区域内依据时序进行采样的水质动态评价指标经过24次水质动态评价后，构建演化特性矩阵T：
并由此确定演化进步矩阵对该区域农业灌溉水质第1组测试样本的演化特性指数进行计算，得到pd(S1)＝4.8333，表明该测试样本在水质情况相较以往为逐渐改善。利用本次动态评价后的结果更新演化进步矩阵，以此类推，可求出后续测试样本的演化特性指数均大于零，表明农业灌溉水质总体变化情况相较以往得到改善，在第19组测试样本中，演化特性指数达到峰值pd(S19)＝26.911，随后开始逐渐减小并出现过一次负值，表明水质改善程度逐渐减小，甚至有恶化的趋势，但因大部分演化特性指数为正，所以水质的总体变化趋势为改善，图4展示了24次时序农业灌溉水质动态评价结果离散等级的总体变化趋势图，表明农业灌溉水质变化的时序趋势。具体农业灌溉水质动态评价分析结果详见表5。
表5农业灌溉水质等级实例数据与水质动态评价分析结果
由上表中的结果可更加清晰的展现农业灌溉水质的评价等级，体现出了水质随时间推进的变化态势，实现了动态评价的目的。本发明通过隐马尔科夫评价模型进行农业灌溉水质综合评价研究，利用马尔科夫链的演化特性矩阵T实现了农业灌溉水质时序角度的指标综合动态评价，可为后续农业灌溉水质的综合治理决策提供理论基础。
Claims (4)
1.基于隐马尔科夫模型的农业灌溉水质动态评价方法，其特征在于，包括以下四个步骤：
步骤一、构建农业灌溉水质动态评价指标体系；
所述的农业灌溉水质动态评价指标体系根据选取的水质动态评价指标构建，并对选取的水质动态评价指标进行无量纲处理，然后划分水质动态评价指标等级区间；
步骤二、主、客观权重优化确定农业灌溉水质动态评价指标融合权重；
步骤三、基于隐马尔科夫模型的农业灌溉水质动态评价；
步骤四、基于马尔科夫链的演化特性分析。
2.如权利要求1所述的基于隐马尔科夫模型的农业灌溉水质动态评价方法，其特征在于，步骤二具体为：对农业灌溉水质动态评价指标X1,X2,...,Xn进行重要性比较，n为水质动态评价指标的个数，据此绘制优序棋盘图；将需要对比的水质动态评价指标分别放入优序棋盘图的第一列和第一行，通过优序棋盘图对水质动态评价指标进行两两对比，若水质动态评价指标Xi比水质动态评价指标Xj重要，则Xi得1分，若同等重要，则Xi得0.5分，1≤i≤n,1≤j≤n，若水质动态评价指标Xj比水质动态评价指标Xi重要，则Xi得0分；而后将每项水质动态评价指标的评分进行横向求和，得到水质动态评价指标的最终得分；最后，根据最终得分进行归一化，得到主观权重，从而确定水质动态评价指标的主观权重wzh＝(wzh1,wzh2,…wzhn)；
客观权重的确定过程如下：
首先，采用投影寻踪法建立优化投影向量即水质动态评价指标客观权重的目标函数和约束条件，采用微分进化算法进行求解；通过初始化种群，微分进化算法利用已知的水质动态评价指标数据进行迭代运算，利用投影寻踪函数进行最优解迭代评估，将各水质动态评价指标等级区间内对应的水质动态评价指标间的方差拉大，模拟物种内部的个体进化形式，直到迭代次数或适应值达到要求，求出优化解，得到客观权重，即水质动态评价指标的客观权重wke＝(wke1,wke2,…wken)；
将得到的主观权重和客观权重进行纳什均衡博弈论融合，定义主、客观权重分别有优先占比和非优先占比两种选项，当主观权重和客观权重同时选择优先占比时，期望收益为当主观权重选择优先占比而客观权重选择非优先占比时，期望收益为wzh；反之，期望收益为wke；当主观权重和客观权重同时选择非优先占比时，期望收益为
此时，假设主观权重选择优先占比的概率是p＝(p1,p2,...,pn)，选择非优先占比的概率是1-p；客观权重选择优先占比的概率是q＝(q1,q2,...,qn)，选择非优先级的概率是1-q；则主观权重选择优先占比的期望收益为：
主观权重选择非优先占比的期望收益为：
客观权重选择优先占比的期望收益为：
客观权重选择非优先占比的期望收益为：
此时，要达到纳什均衡，每种选择的期望收益必须是相等的，即：
由此获得满足纳什均衡期望的概率p和q，对所述的概率p和q分别进行分析，若概率p和q的取值超过概率值的区间范围[0，1]，限定小于0则取0，大于1取1，经过此步骤之后得到p'和q'，则最后经过纳什均衡博弈得到的主、客观初步融合权重wr为：
wr＝p'wzh+q'wke
对主、客观初步融合权重wr进行归一化，得出后续动态评价中使用的融合权重w。
3.如权利要求1所述的基于隐马尔科夫模型的农业灌溉水质动态评价方法，其特征在于，所述的步骤三具体为，利用水质数据训练隐马尔科夫模型的参数，水质动态评价指标等级区间表示为隐马尔科夫模型的隐藏状态，水质动态评价指标等级区间的个数即隐藏状态个数为m，将监测到的农业灌溉水质动态评价指标的连续观测值划分为若干观测区间记为隐马尔科夫模型的观测状态，每一水质动态评价指标的观测状态个数为划分的观测区间的个数z，z取为隐藏状态m的整数倍；在评价时，构建隐藏状态的区间矩阵其中a11,…,azn指各水质动态评价指标的隐藏状态区间；依据获取的建模训练数据对每一水质动态评价指标构建m×z的观测状态出现概率矩阵，而后利用步骤二得到的融合权重w对每一水质动态评价指标的观测状态出现概率矩阵加权，相加后获得观测状态混淆矩阵其中b11,…,bmz指在各隐藏状态下每个观测区间出现的概率，A和B两者结合得到前向变量区间BA＝γ'，即：
其中，前向变量区间γ'中的元素表示向前一步对应的隐藏状态输出水质动态评价指标最有可能的观测指标区间值；定义前向概率为c＝(c1,c2,...,cm)′，将所得的前向变量区间γ与隐藏状态的前向概率c相乘，得到评价时水质所处的观测区间，即：
对应实际监测得到的农业灌溉水质的连续水质动态评价指标向量X＝(X1,X2,...,Xn)应处于对应的离散观测指标区间内，即：
定义γz为观测指标区间的中位数，则运用最小二范数法求出如下目标函数成立的前向概率c；
此外，考虑农业灌溉水质属于各等级的初始隐藏状态概率α＝(α1,α2,...,αm)的影响，将状态转移矩阵与初始隐藏状态概率α结合得到下一步预期隐藏状态概率μ＝αU，即：
将前向概率c与依据初始隐藏状态概率α影响获得的预期隐藏状态概率μ结合，即将预期隐藏状态概率μ作为前向概率c的整定参数，与其对应元素前向概率c相乘，获得的结果进行归一化处理后得到隐藏状态概率β＝(β1,β2,...,βm)，其中βmax＝max(β1,β2,...,βm)，则βmax所对应的隐藏状态即为最终评价确定的农业灌溉水质对应离散的水质动态评价指标的等级区间；
而后将本次评价得到的隐藏状态概率β＝(β1,β2,...,βm)作为下次评价时的初始隐藏状态概率，并将相应数据更新到状态转移矩阵U与观测状态混淆矩阵B中。
4.如权利要求1所述的基于隐马尔科夫模型的农业灌溉水质动态评价方法，其特征在于，步骤四具体为：对农业灌溉水质动态评价指标按时序进行评价，基于马尔科夫链构建相应的农业灌溉水质的演化特性矩阵T，具体构建方法如下：
定义在对同一区域内依据时序进行采样的水质动态评价指标经过r次水质动态评价后，处于g等级的农业灌溉水质动态评价指标有rg个，统计在相邻的两次水质动态评价中，水质的等级由g等级变为h等级的次数为egh次，其中r、rg和egh均为大于零的正整数，且1≤g≤m，1≤h≤m，令则tgh满足0≤tgh≤1；且由此得到该区域农业灌溉水质的演化特性矩阵：
定义sgh＝(g-h)3tgh为演化进步元素，为农业灌溉水质的演化特性指数，其中(g-h)3表明水质改善或者恶化的权重，水质改善权重为正，水质恶化权重为负，水质不变权重为零；根据演化特性指数pd(S)来对区域的农业灌溉水质进行综合演化分析，即若pd(S)>0说明该区域水质相较以往得到改善，若pd(S)<0则表明该区域水质相较以往有所恶化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811080646.XA CN109284921B (zh) | 2018-09-17 | 2018-09-17 | 基于隐马尔科夫模型的农业灌溉水质动态评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811080646.XA CN109284921B (zh) | 2018-09-17 | 2018-09-17 | 基于隐马尔科夫模型的农业灌溉水质动态评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109284921A true CN109284921A (zh) | 2019-01-29 |
| CN109284921B CN109284921B (zh) | 2021-08-24 |
Family
ID=65181477
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811080646.XA Active CN109284921B (zh) | 2018-09-17 | 2018-09-17 | 基于隐马尔科夫模型的农业灌溉水质动态评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109284921B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109886233A (zh) * | 2019-02-28 | 2019-06-14 | 苏州工业职业技术学院 | 一种基于隐马尔可夫模型的水产养殖状态监测方法及装置 |
| CN110174843A (zh) * | 2019-05-30 | 2019-08-27 | 中国水利水电科学研究院 | 一种灌区用水智能调控方法 |
| CN110781910A (zh) * | 2019-08-06 | 2020-02-11 | 广州地理研究所 | 一种马尔可夫协同下的悬浮物遥感评估方法 |
| CN112215484A (zh) * | 2020-09-30 | 2021-01-12 | 天津科技大学 | 一种基于改进模糊的水产养殖水质综合评价法 |
| CN112288275A (zh) * | 2020-10-29 | 2021-01-29 | 中水三立数据技术股份有限公司 | 一种基于物联网的地下水水质分析评价系统及方法 |
| CN113962444A (zh) * | 2021-09-29 | 2022-01-21 | 湖北美和易思教育科技有限公司 | 一种基于强化学习的学生素质素养预测系统 |
| CN114021421A (zh) * | 2021-09-17 | 2022-02-08 | 青岛理工大学 | 基于隐马尔科夫模型的无线传感器可用性评价方法及设备 |
| CN117575028A (zh) * | 2023-11-13 | 2024-02-20 | 无锡商业职业技术学院 | 基于马尔科夫链的网络安全分析方法及系统 |
| CN118134120A (zh) * | 2024-05-08 | 2024-06-04 | 河北省地质环境监测院 | 一种区域地下水环境质量空时变化的定量评价方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080300879A1 (en) * | 2007-06-01 | 2008-12-04 | Xerox Corporation | Factorial hidden markov model with discrete observations |
| CN102724543A (zh) * | 2012-07-06 | 2012-10-10 | 赛特斯网络科技(南京)有限责任公司 | Ip网络中基于hmm实现媒体质量分析评估控制的方法 |
-
2018
- 2018-09-17 CN CN201811080646.XA patent/CN109284921B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080300879A1 (en) * | 2007-06-01 | 2008-12-04 | Xerox Corporation | Factorial hidden markov model with discrete observations |
| CN102724543A (zh) * | 2012-07-06 | 2012-10-10 | 赛特斯网络科技(南京)有限责任公司 | Ip网络中基于hmm实现媒体质量分析评估控制的方法 |
Non-Patent Citations (7)
| Title |
|---|
| K. ROUSSEEUW, É. POISSON CAILLAULT, A. LEFEBVRE AND D. HAMAD: "Hybrid Hidden Markov Model for Marine Environment Monitoring", 《 IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 * |
| Y. DUAN, H. ZHANG, X. JIN, J. XU AND T. SU: "Evaluation model of agricultural irrigation water quality based on projection pursuit and fuzzy support vector", 《2017 CHINESE AUTOMATION CONGRESS (CAC)》 * |
| 于嘉骥,张慧妍,王小艺,许继平,王立: "基于改进的投影寻踪-云模型的农业灌溉水质综合评价", 《水资源保护》 * |
| 张礼兵,程吉林,金菊良,蒋晓红: "农业灌溉水质评价的投影寻踪模型", 《农业工程学报》 * |
| 王昭洋,张慧妍,王小艺,孟宏,董银卯,何一凡,吴金昊,李爽: "融合主客观信息的皮肤状态模糊综合评价研究", 《微电子学与计算机》 * |
| 范丽丽,邱利,田威,李梦迪,许贺伟,章双双,李一平: "基于马尔科夫模型的太湖水质综合评价", 《水资源保护》 * |
| 马惠群,刘凌,陈涛: "改进的多指标水质动态评价模型及应用", 《武汉大学学报(工学版)》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109886233A (zh) * | 2019-02-28 | 2019-06-14 | 苏州工业职业技术学院 | 一种基于隐马尔可夫模型的水产养殖状态监测方法及装置 |
| CN110174843A (zh) * | 2019-05-30 | 2019-08-27 | 中国水利水电科学研究院 | 一种灌区用水智能调控方法 |
| CN110781910A (zh) * | 2019-08-06 | 2020-02-11 | 广州地理研究所 | 一种马尔可夫协同下的悬浮物遥感评估方法 |
| CN112215484A (zh) * | 2020-09-30 | 2021-01-12 | 天津科技大学 | 一种基于改进模糊的水产养殖水质综合评价法 |
| CN112288275A (zh) * | 2020-10-29 | 2021-01-29 | 中水三立数据技术股份有限公司 | 一种基于物联网的地下水水质分析评价系统及方法 |
| CN114021421A (zh) * | 2021-09-17 | 2022-02-08 | 青岛理工大学 | 基于隐马尔科夫模型的无线传感器可用性评价方法及设备 |
| CN113962444A (zh) * | 2021-09-29 | 2022-01-21 | 湖北美和易思教育科技有限公司 | 一种基于强化学习的学生素质素养预测系统 |
| CN117575028A (zh) * | 2023-11-13 | 2024-02-20 | 无锡商业职业技术学院 | 基于马尔科夫链的网络安全分析方法及系统 |
| CN118134120A (zh) * | 2024-05-08 | 2024-06-04 | 河北省地质环境监测院 | 一种区域地下水环境质量空时变化的定量评价方法及系统 |
| CN118134120B (zh) * | 2024-05-08 | 2024-07-12 | 河北省地质环境监测院 | 一种区域地下水环境质量空时变化的定量评价方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109284921B (zh) | 2021-08-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109284921A (zh) | 基于隐马尔科夫模型的农业灌溉水质动态评价方法 | |
| Rashidi et al. | Using data envelopment analysis for estimating energy saving and undesirable output abatement: a case study in the Organization for Economic Co-Operation and Development (OECD) countries | |
| CN108304668B (zh) | 一种结合水文过程数据和历史先验数据的洪水预测方法 | |
| CN108876021B (zh) | 一种中长期径流预报方法及系统 | |
| Seiller et al. | Influence of three common calibration metrics on the diagnosis of climate change impacts on water resources | |
| CN103177301A (zh) | 一种台风灾害风险预估方法 | |
| CN109840873A (zh) | 一种基于机器学习的无资料地区水文模型参数区域化方法 | |
| Li et al. | Real-time flood forecast using the coupling support vector machine and data assimilation method | |
| Znachor et al. | Changing environmental conditions underpin long-term patterns of phytoplankton in a freshwater reservoir | |
| CN110111024A (zh) | 基于ahp模糊综合评价模型的科技成果市场价值评估方法 | |
| CN104899473A (zh) | 一种河流断面退化评价方法 | |
| CN108135003A (zh) | 干扰类型识别模型的构建方法和系统 | |
| CN104535733A (zh) | 一种基于灰色聚类分析法的城市内湖水环境功能指标评价方法 | |
| CN108520345A (zh) | 基于ga-bp神经网络模型的耕地质量评价方法及系统 | |
| CN105205504B (zh) | 一种基于数据驱动的图像关注区域质量评价指标学习方法 | |
| CN103338380A (zh) | 一种自适应图像质量客观评价方法 | |
| 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 | |
| CN109559042A (zh) | 一种基于多维指标回归分析的基金经理评分算法 | |
| CN107045053A (zh) | 一种基于可控标准的地表水质综合评价体系 | |
| CN115759445A (zh) | 一种基于机器学习和云模型的分类洪水随机预报方法 | |
| CN115618720A (zh) | 一种基于海拔高度的土壤盐渍化预测方法及系统 | |
| CN117787081A (zh) | 一种基于Morris和Sobol法的水文模型参数不确定性分析方法 | |
| CN104484554B (zh) | 一种获取课程关联度的方法及系统 | |
| CN103559389A (zh) | 一种县域耕地等级变化监测样点布设的方法 | |
| CN112733340A (zh) | 一种基于数据驱动储层改造候选井的选井方法及设备 |
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 |