CN109740804A - 水体质量预测方法、终端设备及计算机可读存储介质 - Google Patents
水体质量预测方法、终端设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109740804A CN109740804A CN201811584729.2A CN201811584729A CN109740804A CN 109740804 A CN109740804 A CN 109740804A CN 201811584729 A CN201811584729 A CN 201811584729A CN 109740804 A CN109740804 A CN 109740804A
- Authority
- CN
- China
- Prior art keywords
- input vector
- value
- water quality
- input
- quality 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种水体质量预测方法、终端设备及计算机可读存储介质,该方法包括:根据瓦斯相关参数构建水体质量预测模型;初始化第一预定数量的输入向量的值,根据输入向量的值确定最优输入向量;根据次优输入向量的新值更新最优输入向量;将除最优输入向量之外的其他所有输入向量分为两组;分别计算第一组及第二组中所有输入向量对应的新值;对两组中所有新值进行寻优操作,根据寻优结果更新最优输入向量;将最优输入向量中值赋予水体质量预测模型,通过第二预定数量的样本数据对预测模型进行训练,并继续寻找最优输入向量直至达到预设条件后停止训练。本发明能够较好的预测水体质量,收敛速度快,为水资源管理提供依据。
Description
技术领域
本发明涉及深度学习技术领域,具体而言,涉及一种水体质量预测方法、终端设备及计算机可读存储介质。
背景技术
随着现代化的发展,水资源面临困境,水资源十分宝贵。水资源管理可用于提高水资源的有效利用率,保护水资源的持续开发利用,充分发挥水资源工程的经济效益,在满足用水户对水量和水质要求的前提下,使水资源发挥最大的社会、环境、经济效益。
水体质量标志着水体的物理(如色度、浊度、臭味等)、化学(无机物和有机物的含量)和生物(细菌、微生物、浮游生物、底栖生物)的特性及其组成的状况。因此,合理度量水体质量,对水资源管理具有重要意义。
发明内容
鉴于上述问题,本发明实施例的目的在于提供一种水体质量预测方法、终端设备及计算机可读存储介质,以解决现有技术的不足。
根据本发明的一个实施方式,提供一种水体质量预测方法,包括:
S1根据水体质量参数构建水体质量预测模型;
S2根据所述水体质量预测模型中所有的权值和神经元阈值作为输入向量的维数,初始化第一预定数量的输入向量的值;
S3根据所述输入向量的值与目标函数对所述第一预定数据量的输入向量进行寻优操作以确定最优输入向量;
S4将第二预设数量的输入向量进行柯西扰动得到所述输入向量对应的新值;
S5对所述第二预设数量的输入向量对应的新值进行所述寻优操作,及根据寻优结果更新所述最优输入向量;
S6将除所述最优输入向量之外的其他所有输入向量分为两组;
S7根据第一组中的每一输入向量的最近邻输入向量的值计算该输入向量对应的新值,及根据水下地标算子、光照算子、溶解度浓度算子、食物分布算子及水流因子计算第二组中输入向量对应的新值;
S8根据第一组中所有输入向量的新值及第二组中所有输入向量的新值对两组输入向量进行所述寻优操作,根据寻优结果更新所述最优输入向量;
S9将所述最优输入向量中权值和阈值赋予所述水体质量预测模型,通过样本数据对水体质量预测模型进行训练,并继续执行步骤S3及S3之后所有步骤直至达到预设条件后停止训练,根据训练好的水体质量预测模型进行水体质量预测。
在上述的水体质量预测方法中,水体质量预测模型包括输入层、径向基层及输出层,其中,所述径向基层中包括八个径向基;
每一径向基均采用如下所示的神经元模型公式:
其中,Q为径向基层的输出,n为输入层中水体质量参数的个数,wi为第i个水体质量参数对应的权值,xi为输入层中第i个水体质量参数,b为神经元阈值。
在上述的水体质量预测方法中,通过下述公式对所述第一预定数量的输入向量的值进行初始化:
xij=β(xup-xdown)+xdown
其中,xij为输入向量的值,β为混沌随机数,其取值范围为(0,1),[xdown,xup]为xij的定义域。
在上述的水体质量预测方法中,所述“根据所述输入向量的值与目标函数对所述第一预定数据量的输入向量进行寻优操作以确定最优输入向量”包括:
分别将每一输入向量中权值和阈值赋予所述水体质量预测模型,通过预定样本数据对每一输入向量对应的水体质量预测模型进行训练得到水体质量的预测值,其中,所述样本数据中包括水体质量的实际值;
将每一输入向量对应的样本数据的数目、水体质量的预测值及水体质量的实际值通过所述目标函数后得到对应目标值,所述目标函数为:
其中,g为目标函数,k为每一输入向量对应样本数据的数目,为每一输入向量中第i个样本数据通过所述水体质量预测模型后输出的水体质量的预测值,yi为每一输入向量中第i个样本数据的水体质量的实际值;
将所有输入向量的目标值进行排序,选取最小目标值对应的输入向量作为最优输入向量。
在上述的水体质量预测方法中,所述第二预设数量的输入向量包括最优输入向量及次优输入向量,所述次优输入向量为与所述最小目标值最相近的第三预设数量个目标值对应的输入向量;
所述柯西扰动包括:
Xq(t)=(1-C(x0,γ))Xq(t-1)+C(x0,γ)
其中,Xq(t)为次优输入向量对应的新值,C(x0,γ)为由柯西概率分布生成的随机数,x0为柯西概率分布的位置参数,γ为柯西概率分布的尺度参数,Xq(t-1)为目标值小于Xq(t)对应的次优输入向量的目标值且与Xq(t)对应的次优输入向量的目标值相邻的目标值对应的输入向量的值。
在上述的水体质量预测方法中,所述“根据第一组中的每一输入向量的最近邻输入向量的值计算该输入向量对应的新值”包括:
确定固定距离:
其中,D为固定距离,n为最近邻输入向量的数量取值范围,xj,i=(xj,1,xj,2,…,xj,n)为n个最近邻输入向量中第j个输入向量的值,xk,i=(xk,1,xk,2,…,xk,n)为n个最近邻输入向量中第k个输入向量的值,j=1,2,…n,k=1,2,…n;
将该固定距离内的所有输入向量作为最近邻输入向量,根据最近邻输入向量计算该输入向量对应的新值:
xij k+1=w1(xik k-xij k)+w2(xil k-xij k)+…+wn(xin k-xij k)
其中,xij k+1为第一组中输入向量对应的新值,w1,w2,…wn分别为对应的最近邻输入向量,xik k、xil k及xin k为最近邻输入向量的值,xij k为第一组中输入向量对应的值。
在上述的水体质量预测方法中,所述“根据水下地标算子、光照算子、溶解度浓度算子、食物分布算子及水流因子计算第二组中输入向量对应的新值”包括:
将水下地标算子、光照算子、溶解度浓度算子、食物分布算子及水流因子通过下式计算第二组中输入向量对应的新值:
其中,xij k+1为第二组中输入向量对应的新值,xij k为第二组中输入向量对应的值,r1为水下地标算子,r2为光照算子,r3为溶解度浓度算子,r4为食物分布算子,r5为水流因子,rand为随机数,xbest为最优输入向量的值。
在上述的水体质量预测方法中,所述预设条件为训练次数达到预设阈值或者所述误差值不再发生改变。
根据本发明的另一个实施方式,提供一种水体质量预测装置,该装置包括:
构建模块,用于根据水体质量参数构建水体质量预测模型;
初始化模块,用于根据所述水体质量预测模型中所有的权值和神经元阈值作为输入向量的维数,初始化第一预定数量的输入向量的值;
第一寻优模块,用于根据所述输入向量的值与目标函数对所述第一预定数据量的输入向量进行寻优操作以确定最优输入向量;
柯西扰动模块,用于将第二预设数量的输入向量进行柯西扰动得到所述输入向量对应的新值;
第二寻优模块,用于对所述第二预设数量的输入向量对应的新值进行所述寻优操作,及根据寻优结果更新所述最优输入向量;
分组模块,用于将除所述最优输入向量之外的其他所有输入向量分为两组;
计算模块,用于根据第一组中的每一输入向量的最近邻输入向量的值计算该输入向量对应的新值,及根据水下地标算子、光照算子、溶解度浓度算子、食物分布算子及水流因子计算第二组中输入向量对应的新值;
第三寻优模块,用于根据第一组中所有输入向量的新值及第二组中所有输入向量的新值对两组输入向量进行所述寻优操作,根据寻优结果更新所述最优输入向量;
训练模块,用于将所述最优输入向量中权值和阈值赋予所述水体质量预测模型,通过样本数据对水体质量预测模型进行训练,并继续执行所述第一寻优模块及其之后所有模块的功能直至达到预设条件后停止训练,根据训练好的水体质量预测模型进行水体质量预测。
根据本发明的再一个实施方式,提供一种终端设备,所述终端设备包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述终端设备执行上述的水体质量预测方法。
根据本发明的又一个实施方式,提供一种计算机可读存储介质,其存储有所述终端设备中所用的所述计算机程序。
本公开的实施例提供的技术方案可以包括如下有益效果:
本发明中一种水体质量预测方法、终端设备及计算机可读存储介质,水体质量预测模型中所有的权值和阈值作为输入向量,并在多个输入向量中寻找最优输入向量,并将除最优输入向量之外的其他输入向量分为两组,分别进行不同的操作,避免选优操作陷入局部最优,无法跳出局部最优的情况,将寻找的最优的输入向量中阈值和权值赋予水体质量预测模型,对水体质量预测模型进行训练,循环执行多次寻优操作对水体质量预测模型进行训练直到训练结果达到条件时结束训练,收敛速度快,避免了认为确定各种权值和阈值对水体质量预测的影响,实现水体质量预测的自动化。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对本发明保护范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本发明第一实施例提供的一种水体质量预测方法的流程示意图。
图2示出了本发明实施例提供的一种水体质量预测模型的示意图。
图3示出了本发明实施例提供的一种神经元模型的示意图。
图4示出了本发明第二实施例提供的一种水体质量预测方法的流程示意图。
图5示出了本发明实施例提供的一种水体质量预测装置的结构示意图。
主要元件符号说明:
500-水体质量预测装置;510-构建模块;520-初始化模块;530-第一寻优模块;540-柯西扰动模块;550-第二寻优模块;560-分组模块;570-计算模块;580-第三寻优模块;590-训练模块。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域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。
实施例1
图1示出了本发明第一实施例提供的一种水体质量预测方法的流程示意图。
该水体质量预测方法包括以下步骤:
在步骤S110中,根据水体质量参数构建水体质量预测模型。
具体地,所述水体质量参数可以选取水体质量的主要污染物,例如,PH值,DO溶解度,高锰酸钾指数及NH3-N氨氮等。
具体地,所述水体质量预测模型包括输入层、径向基层及输出层,其中,所述径向基层包括八个径向基。在所述水体质量预测模型中,由输入层到径向基层为非线性变换,由径向基层到输出层为线性变换。
如图2所示,输入层包括水体质量的主要污染物参数,例如,输入层可以包括四个输入参数,分别为PH值,DO溶解度,高锰酸钾指数及NH3-N氨氮。
每一径向基中可包括预设数量个神经元。
本实施例中,每一径向基可包括1个神经元。在一些其他的实施例中,神经元的具体数目可根据输入层的输入参数和具体需求而定。
进一步地,如图3所示,每一径向基均采用如下所示的神经元模型公式:
其中,Q为径向基的输出,函数f为非线性激活函数,n为输入层中水体质量参数的个数,即输入层中输入参数的个数,wi为第i个水体质量参数对应的权值,xi为输入层中第i个水体质量参数,b为神经元阈值,用于调节神经元单元的灵敏度。
本实施例中,所述非线性激活函数为高斯距离函数||dist||。
在水体质量预测模型中,将输入参数x1(高锰酸钾)、x2(PH值)、x3(NH3-N氨氮)及x4(DO溶解度)分别通过上述的每一个径向基中的神经元模:
其中,Qj为第j个径向基的输出。对输入参数进行非线性运算后得到径向基层的输出Q1~Q8,径向基的输出为一段时间的水质。将Q1~Q8在输出层进行加权求和运算后得到该水体质量预测模型的输出y。
其中,输出层的加权求和运算可通过下式进行计算:
其中,y水体质量预测模型的输出层的输出,wjoi为径向基的输出Q1~Q8对应的权值。
在步骤S120中,根据水体质量预测模型中所有的权值和神经元阈值作为输入向量的维数,初始化第一预定数量的输入向量的值。
具体地,水体质量预测模型中所有的权值和神经元阈值中包括径向基层的权值和阈值,还包括输出层中的权值。
由图2和图3可知,若输入层共有四个输入参数,输出层共有一个输出参数,那么该水体质量预测模型中第一径向基共有w1、w2、w3、w4及woj1五个权值及一个神经元阈值b;第二径向基共有w1、w2、w3、w4及woj2五个权值及一个神经元阈值b,等等。那么,该8个径向基中共有5×8+8=48个权值和神经元阈值,以48作为输入向量的维数,初始化第一预定数量个48维的输入向量的值。
进一步地,通过下述公式对所述第一预定数量的输入向量的值进行初始化:
xij=β(xup-xdown)+xdown
其中,xij为输入向量的值,β为混沌随机数,其取值范围为(0,1),其比rand随机数遍历性强,随机性更强,[xdown,xup]为xij的定义域。
在步骤S130中,根据输入向量的值与目标函数对第一预定数据量的输入向量进行寻优操作以确定最优输入向量。
具体地,在步骤S130之前还需要确定目标函数:
其中,g为目标函数,k为每一输入向量对应样本数据的数目,为每一输入向量中第i个样本数据通过所述水体质量预测模型后输出的水体质量的预测值,yi为每一输入向量中第i个样本数据的水体质量的实际值。
进一步地,所述“根据输入向量的值与目标函数对第一预定数据量的输入向量进行寻优操作以确定最优输入向量”包括:
分别将每一输入向量中权值和阈值赋予所述水体质量预测模型,通过预定样本数据对每一输入向量对应的水体质量预测模型进行训练得到水体质量的预测值,其中,所述样本数据中包括水体质量的实际值;将每一输入向量对应的样本数据的数目、水体质量的预测值及水体质量的实际值通过所述目标函数后得到对应目标值;将所有输入向量的目标值进行排序,选取最小目标值对应的输入向量作为最优输入向量。
具体地,根据初始化的第一预定数量的输入向量的值为所述水体质量预测模型赋予对应权值及阈值,在该赋值后的水体质量预测模型中,通过第二预定数量的预定样本数据对该水体质量预测模型进行训练,得到每一样本数据对应的水体质量的预测值,将每一输入向量对应的第二预定数量样本数据对应的所有水体质量的预测值代入上述的目标函数,得到该输入向量对应的目标值。
将第一预定数量的输入向量对应的目标值进行排序,选取最小目标值对应的输入向量作为最优输入向量,该最小目标值为最优目标值。
在步骤S140中,将第二预设数量的输入向量进行柯西扰动得到输入向量对应的新值。
进一步地,所述第二预设数量的输入向量包括所述最优输入向量及次优输入向量,所述次优输入向量为与所述最小目标值最相近的第三预设数量个目标值对应的输入向量。
例如,若第三预设数量为3,若将第一预定数量的输入向量对应的目标值从大到小排序为:g8>g7>g6>g5>g4>g3>g2>g1,将最后一个目标值(即最小目标值g1)作为最优目标值,其对应的输入向量为最优输入向量,那么从倒数第二个目标值(即第二小目标值g2)开始依次向前数3个目标值g2、g3及g4作为次优输入向量。
又如,若第三预设数量为4,若将第一预定数量的输入向量对应的目标值从小到大排序为:g1<g2<g3<g4<g5<g6<g7<g8,将第一个目标值(即最小目标值g1)作为最优目标值,其对应的输入向量为最优输入向量,那么从第二个目标值(即第二小目标值g2)开始依次向后数4个目标值g2、g3、g4及g5作为次优输入向量。
为了增加在第一预定数量的输入向量中的全局寻优能力,因此将最优输入向量及一部分次优输入向量在局部范围内进行固定次数的柯西扰动进行局部搜索,对扰动后的第二预设数量的输入向量进行寻优操作,根据寻优结果更新最优输入向量。
进一步地,所述柯西扰动包括:
Xq(t)=(1-C(x0,γ))Xq(t-1)+C(x0,γ)
其中,Xq(t)为第二预设数量的输入向量中各个输入向量对应的新值,C(x0,γ)为由柯西概率分布生成的随机数,x0为柯西概率分布的位置参数,γ为柯西概率分布的尺度参数,Xq(t-1)为目标值小于Xq(t)对应的输入向量的目标值且与Xq(t)对应的输入向量的目标值相邻的目标值对应的输入向量的值。
在步骤S150中,对第二预设数量的输入向量对应的新值进行寻优操作,及根据寻优结果更新最优输入向量。
具体地,第二预设数量的输入向量进行柯西扰动后得到该第二预设数量的输入向量对应的新值,将所有新值分别代入上述的目标函数得到对应的目标值,对第二预设数量的目标值进行排序,将最小目标值与最优输入向量对应的最优目标值进行对比,若该最小目标值小于所述最优输入向量的目标值,将最优目标值更新为该最小目标值,将最优输入向量更新为该最小目标值对应的输入向量;若该最小目标值不小于所述最优输入向量的目标值,则不进行更新操作。
在步骤S160中,将除最优输入向量之外的其他所有输入向量分为两组。
本实施例中,可通过经验预先设定两组输入向量的比例。
确定两组输入向量的比例后,根据该比例和两组输入向量的总数确定每一组中对应的输入向量的个数。其中,两组输入向量的总数为第一预定数量的值减一。
具体地,若根据比例和总数得到的其中一组中输入向量的个数为小数,则将小数点后的小数舍去,只取小数点前面的整数,将总数减去该整数后得到另外一组中输入向量的个数。
例如,若比例为1/3,两组输入向量的总数10,那么根据比例1/3和总数10计算各组输入向量的个数:1/3×10约等于3.3333,那么第一组中输入向量的个数为3.3333,那么将第一组中输入向量的个数取3,第二组中输入向量的个数为10-3=7个。
可将第一组的输入向量进行迁移操作,将第二组的输入向量进行探索操作。
在步骤S170中,根据第一组中的每一输入向量的最近邻输入向量的值计算该输入向量对应的新值,及根据水下地标算子、光照算子、溶解度浓度算子、食物分布算子及水流因子计算第二组中输入向量对应的新值。
具体地,所述迁移操作需要根据结合固定距离和固定数量的最近邻策略。
进一步地,所述“根据第一组中的每一输入向量的最近邻输入向量的值计算该输入向量对应的新值”包括:
具体地,确定合适的固定距离,使其能考虑到每一组中输入向量的密集度,又能充分利用第一组中附近输入向量的目标值信息。若密集度过大,即该固定距离内的所有输入向量的数量越大,然,第一组中输入向量没有必要考虑所有邻近者,因此,确定固定距离D,技能避免每组中输入向量过于拥挤,使每组中输入向量能够合理聚集,或合理发散。
固定距离D可通过下式进行表示:
其中,D为固定距离,n为最近邻输入向量的数量取值范围,xj,i=(xj,1,xj,2,…,xj,n)为n个最近邻输入向量中第j个输入向量的值,xk,i=(xk,1,xk,2,…,xk,n)为n个最近邻输入向量中第k个输入向量的值,j=1,2,…n,k=1,2,…n。
将该固定距离内的所有输入向量作为最近邻输入向量,根据最近邻输入向量计算该输入向量对应的新值:
xij k+1=w1(xik k-xij k)+w2(xil k-xij k)+…+wn(xin k-xij k)
其中,xij k+1为第一组中输入向量对应的新值,w1,w2,…wn分别为对应的最近邻输入向量,xik k、xil k及xin k为最近邻输入向量的值,xij k为第一组中输入向量对应的值。
探索操作需要通过环境进行导航,不受各组中其他输入向量的影响。
进一步地,所述“根据水下地标算子、光照算子、溶解度浓度算子、食物分布算子及水流因子计算第二组中输入向量对应的新值”包括:
将水下地标算子、光照算子、溶解度浓度算子、食物分布算子及水流因子通过下式计算第二组中输入向量对应的新值:
其中,xij k+1为第二组中输入向量对应的新值,xij k为第二组中输入向量对应的值,r1为水下地标算子,r2为光照算子,r3为溶解度浓度算子,r4为食物分布算子,r5为水流因子,rand为随机数,xbest为最优输入向量的值。
具体地,计算水下地标算子、光照算子、溶解度浓度算子、食物分布算子及水流因子的值:
水下地表算子r1可通过下式进行计算:
其中,xi为第二组中输入向量。
光照算子r2及食物分布算子r4服从高斯分布:
其中,N(x|μ,σ2)为高斯分布的值,xi为第二组中输入向量,μ为高斯分布的均值,σ2为高斯分布的方差,本实施例中,可另μ=1.5,
通过不同的均值和方差代入到高斯分布的公式中,计算得到光照算子r2及食物分布算子r4。
溶解度浓度算子r3符合柯西分布:
其中,xi为第二组中输入向量,可通过上式计算r3。
水流因子r5可通过下式进行计算:
其中,其中,xi为第二组中输入向量,可通过上式计算r5。
在步骤S180中,根据第一组中所有输入向量的新值及第二组中所有输入向量的新值对两组输入向量进行寻优操作,根据寻优结果更新最优输入向量。
具体地,由于第一组中所有输入向量进行迁移操作后得到了各输入向量的新值,第二组中所有输入向量进行探索操作后得到了各输入向量的新值。
那么,将第一组中和第二组中所有输入向量的新值分别代入上述的目标函数,得到该所有输入向量对应的目标值,将第一组中和第二组中所有输入向量的目标值进行排序,得到最小目标值,将最小目标值与最优输入向量对应的最优目标值进行对比,若该最小目标值小于所述最优输入向量的目标值,将最优目标值更新为该最小目标值,将最优输入向量更新为该最小目标值对应的输入向量;若该最小目标值不小于所述最优输入向量的目标值,则不进行更新操作。
在步骤S190中,将最优输入向量中权值和阈值赋予水体质量预测模型,通过样本数据对水体质量预测模型进行训练。
具体地,将得到的该最优输入向量中的权值和神经元阈值赋予所述水体质量预测模型,通过预定数量的样本数据对赋值的水体质量预测模型进行训练,得到每一样本数据对应的水体质量的预测值。
在步骤S200中,判断是否达到预设条件。
进一步地,所述预设条件为训练次数达到预设阈值或者所述误差值不再发生改变。
具体地,若预设条件为训练次数达到预设阈值,将当前训练次数与预设阈值进行比较,若所述训练次数未达到预设阈值,则未达到预设条件,返回至步骤S130循环执行步骤S130及后续步骤的操作,直至当前训练次数达到预设阈值后,前进至步骤S210。
若预设条件为误差值不再发生改变,所述误差值为将最优输入向量对应的所有样本数据的水体质量的预测值与水体质量的实际值通过上述的目标函数后得到的值。
将该次的误差值与上一训练的误差值进行对比,若预设个数的误差值不再发生改变,那么前进至步骤S210;否则,返回值步骤S130循环执行步骤S130及后续步骤的操作,继续对水体参数预测模型进行训练。
值得注意的是,步骤S130至步骤S180为对第一预定数量的输入向量进行全局寻优的所有步骤,当未达到预设条件时,重复执行步骤S130至步骤S180的操作,进行新一轮的寻优操作得到最优输入向量,将最优输入向量通过步骤S190赋予水体质量预测模型新的权值和神经元阈值,对水体质量预测模型进行新一轮的训练,直到达到预设条件时,结束训练。
在步骤S210中,停止训练,根据训练好的水体质量预测模型进行水体质量预测。
实施例2
图4示出了本发明第二实施例提供的一种水体质量预测方法的流程示意图。
该水体质量预测方法包括以下步骤:
在步骤S310中,根据水体质量参数构建水体质量预测模型。
在步骤S320中,定义目标函数,初始化第一预定数量的输入向量的值。
在步骤S330中,根据输入向量的值与目标函数进行寻优操作确定最优输入向量及对应的目标值。
在步骤S340中,将第二预设数量的输入向量进行柯西扰动得到次优输入向量的新值,并对所有次优输入向量的新值进行寻优操作,根据寻优结果更新最优输入向量。
在步骤S350中,将除最优输入向量之外的其他所有输入向量分为两组。
在步骤S360中,根据第一组中每一输入向量的最邻近输入向量的值计算该输入向量对应新值。
在步骤S370中,根据各种算子及因子数据计算第二组每一输入向量的新值。
其中,所述各种算子及因子包括水下地标算子、光照算子、溶解度浓度算子、食物分布算子及水流因子。
在步骤S380中,根据第一组所有输入向量的新值及第二组所有输入向量的新值进行寻优操作,根据寻优结果更新最优输入向量。
在步骤S390中,将最优输入向量中权值和阈值赋予水体质量预测模型。
在步骤S400中,修正不规则样本数据。
具体地,判断样本数据中是否出现不规则数据,其中,所述不规则样本数据包括以下几种情况:
第一种情况为:数据类型不一致。
例如,若样本数据为数字,不规则数据为字母等字符型或其他的不是数字的数据。
第二种情况为:同一数据类型的数据结构不同。
例如,若样本数据为int型,不规则数据为float或double型数据。
第三种情况为:数据类型及数据结构均相同,数据前面的符号不同。
例如,若样本数据为正数,不规则数据为负数。
具体地,当检测出输入向量A中第三维数据为不规则数据后,可选取该输入向量A的相邻的多个(例如,该多个为3个)输入向量B、C及D中的第三维数据进行求均值运算,将该求取的均值作为该输入向量A中第三维数据。
在步骤S410中,输入样本数据并根据样本数据对水体质量预测模型进行训练。
在步骤S420中,判断是否达到预设条件。
在步骤S430中,停止训练,根据训练好的水体质量预测模型进行水体质量预测。
实施例3
图5示出了本发明实施例提供的一种水体质量预测装置的结构示意图。该水体质量预测装置500对应于实施例1中的水体质量预测方法,实施例1中的水体质量预测方法同样也适用于该水体质量预测装置500,在此不再赘述。
所述水体质量预测装置500包括构建模块510、初始化模块520、第一寻优模块530、柯西扰动模块540、第二寻优模块550、分组模块560、计算模块570、第三寻优模块580及训练模块590。
构建模块510,用于根据水体质量参数构建水体质量预测模型。
初始化模块520,用于根据所述水体质量预测模型中所有的权值和神经元阈值作为输入向量的维数,初始化第一预定数量的输入向量的值。
第一寻优模块530,用于根据所述输入向量的值与目标函数对所述第一预定数据量的输入向量进行寻优操作以确定最优输入向量。
柯西扰动模块540,用于将除所述最优输入向量之外的第二预设数量的次优输入向量进行柯西扰动得到所述次优输入向量对应的新值。
第二寻优模块550,用于对所述次优输入向量对应的新值进行所述寻优操作,及根据寻优结果更新所述最优输入向量。
分组模块560,用于将除所述最优输入向量之外的其他所有输入向量分为两组。
计算模块570,用于根据第一组中的每一输入向量的最近邻输入向量的值计算该输入向量对应的新值,及根据水下地标算子、光照算子、溶解度浓度算子、食物分布算子及水流因子计算第二组中输入向量对应的新值。
第三寻优模块580,用于根据第一组中所有输入向量的新值及第二组中所有输入向量的新值对两组输入向量进行所述寻优操作,根据寻优结果更新所述最优输入向量。
训练模块590,用于将所述最优输入向量中权值和阈值赋予所述水体质量预测模型,通过样本数据对水体质量预测模型进行训练,并继续执行所述第一寻优模块530及其之后所有模块的功能直至达到预设条件后停止训练,根据训练好的水体质量预测模型进行水体质量预测。
本发明另一实施例还提供了一种终端设备,所述终端设备包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述终端设备执行上述的水体质量预测方法或上述的水体质量预测装置中各模块的功能。
存储器可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
该终端设备可以为计算机终端(台式电脑、服务器等),还可以为移动终端(手机、平板的电脑、笔记本电脑等)。
本实施例还提供了一种计算机可读存储介质,用于储存上述的终端设备中所使用的水体质量预测方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块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。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种水体质量预测方法,其特征在于,包括:
S1根据水体质量参数构建水体质量预测模型;
S2根据所述水体质量预测模型中所有的权值和神经元阈值作为输入向量的维数,初始化第一预定数量的输入向量的值;
S3根据所述输入向量的值与目标函数对所述第一预定数据量的输入向量进行寻优操作以确定最优输入向量;
S4将第二预设数量的输入向量进行柯西扰动得到所述输入向量对应的新值;
S5对所述第二预设数量的输入向量对应的新值进行所述寻优操作,及根据寻优结果更新所述最优输入向量;
S6将除所述最优输入向量之外的其他所有输入向量分为两组;
S7根据第一组中的每一输入向量的最近邻输入向量的值计算该输入向量对应的新值,及根据水下地标算子、光照算子、溶解度浓度算子、食物分布算子及水流因子计算第二组中输入向量对应的新值;
S8根据第一组中所有输入向量的新值及第二组中所有输入向量的新值对两组输入向量进行所述寻优操作,根据寻优结果更新所述最优输入向量;
S9将所述最优输入向量中权值和阈值赋予所述水体质量预测模型,通过样本数据对水体质量预测模型进行训练,并继续执行步骤S3及S3之后所有步骤直至达到预设条件后停止训练,根据训练好的水体质量预测模型进行水体质量预测。
2.根据权利要求1所述的水体质量预测方法,其特征在于,水体质量预测模型包括输入层、径向基层及输出层,其中,所述径向基层中包括八个径向基;
每一径向基均采用如下所示的神经元模型公式:
其中,Q为径向基层的输出,n为输入层中水体质量参数的个数,wi为第i个水体质量参数对应的权值,xi为输入层中第i个水体质量参数,b为神经元阈值。
3.根据权利要求1所述的水体质量预测方法,其特征在于,通过下述公式对所述第一预定数量的输入向量的值进行初始化:
xij=β(xup-xdown)+xdown
其中,xij为输入向量的值,β为混沌随机数,其取值范围为(0,1),[xdown,xup]为xij的定义域。
4.根据权利要求1所述的水体质量预测方法,其特征在于,所述“根据所述输入向量的值与目标函数对所述第一预定数据量的输入向量进行寻优操作以确定最优输入向量”包括:
分别将每一输入向量中权值和阈值赋予所述水体质量预测模型,通过预定样本数据对每一输入向量对应的水体质量预测模型进行训练得到水体质量的预测值,其中,所述样本数据中包括水体质量的实际值;
将每一输入向量对应的样本数据的数目、水体质量的预测值及水体质量的实际值通过所述目标函数后得到对应目标值,所述目标函数为:
其中,g为目标函数,k为每一输入向量对应样本数据的数目,为每一输入向量中第i个样本数据通过所述水体质量预测模型后输出的水体质量的预测值,yi为每一输入向量中第i个样本数据的水体质量的实际值;
将所有输入向量的目标值进行排序,选取最小目标值对应的输入向量作为最优输入向量。
5.根据权利要求4所述的水体质量预测方法,其特征在于,所述第二预设数量的输入向量包括最优输入向量及次优输入向量,所述次优输入向量为与所述最小目标值最相近的第三预设数量个目标值对应的输入向量;
所述柯西扰动包括:
Xq(t)=(1-C(x0,γ))Xq(t-1)+C(x0,γ)
其中,Xq(t)为第二预设数量的输入向量中各个输入向量对应的新值,C(x0,γ)为由柯西概率分布生成的随机数,x0为柯西概率分布的位置参数,γ为柯西概率分布的尺度参数,Xq(t-1)为目标值小于Xq(t)对应的输入向量的目标值且与Xq(t)对应的输入向量的目标值相邻的目标值对应的输入向量的值。
6.根据权利要求1所述的水体质量预测方法,其特征在于,所述“根据第一组中的每一输入向量的最近邻输入向量的值计算该输入向量对应的新值”包括:
确定固定距离:
其中,D为固定距离,n为最近邻输入向量的数量取值范围,xj,i=(xj,1,xj,2,…,xj,n)为n个最近邻输入向量中第j个输入向量的值,xk,i=(xk,1,xk,2,…,xk,n)为n个最近邻输入向量中第k个输入向量的值,j=1,2,…n,k=1,2,…n;
将该固定距离内的所有输入向量作为最近邻输入向量,根据最近邻输入向量计算该输入向量对应的新值:
xij k+1=w1(xik k-xij k)+w2(xil k-xij k)+…+wn(xin k-xij k)
其中,xij k+1为第一组中输入向量对应的新值,w1,w2,…wn分别为对应的最近邻输入向量,xik k、xil k及xin k为最近邻输入向量的值,xij k为第一组中输入向量对应的值。
7.根据权利要求1所述的水体质量预测方法,其特征在于,所述“根据水下地标算子、光照算子、溶解度浓度算子、食物分布算子及水流因子计算第二组中输入向量对应的新值”包括:
将水下地标算子、光照算子、溶解度浓度算子、食物分布算子及水流因子通过下式计算第二组中输入向量对应的新值:
其中,xij k+1为第二组中输入向量对应的新值,xij k为第二组中输入向量对应的值,r1为水下地标算子,r2为光照算子,r3为溶解度浓度算子,r4为食物分布算子,r5为水流因子,rand为随机数,xbest为最优输入向量的值。
8.根据权利要求1所述的水体质量预测方法,其特征在于,所述预设条件为训练次数达到预设阈值或者误差值不再发生改变。
9.一种终端设备,其特征在于,包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述终端设备执行权利要求1至8任一项所述的水体质量预测方法。
10.一种计算机可读存储介质,其特征在于,其储存有权利要求9所述终端设备中所用的所述计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811584729.2A CN109740804B (zh) | 2018-12-24 | 2018-12-24 | 水体质量预测方法、终端设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811584729.2A CN109740804B (zh) | 2018-12-24 | 2018-12-24 | 水体质量预测方法、终端设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109740804A true CN109740804A (zh) | 2019-05-10 |
CN109740804B CN109740804B (zh) | 2020-02-07 |
Family
ID=66361114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811584729.2A Active CN109740804B (zh) | 2018-12-24 | 2018-12-24 | 水体质量预测方法、终端设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109740804B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101789A (zh) * | 2020-09-16 | 2020-12-18 | 清华大学合肥公共安全研究院 | 一种基于人工智能的水污染报警等级识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0417571B1 (en) * | 1989-09-11 | 1995-05-24 | Hitachi, Ltd. | System and electrode for "in situ" monitoring the quality of high temperature water in power plants |
CA2165400A1 (en) * | 1995-12-15 | 1997-06-16 | Jean Serodes | Method of Predicting Residual Chlorine in Water Supply Systems |
CN103544540A (zh) * | 2013-11-12 | 2014-01-29 | 柳州市宏亿科技有限公司 | 一种智能的城市库区水源水质综合预测方法 |
CN108846512A (zh) * | 2018-06-05 | 2018-11-20 | 南京邮电大学 | 基于择优分类的水质预测方法 |
-
2018
- 2018-12-24 CN CN201811584729.2A patent/CN109740804B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0417571B1 (en) * | 1989-09-11 | 1995-05-24 | Hitachi, Ltd. | System and electrode for "in situ" monitoring the quality of high temperature water in power plants |
CA2165400A1 (en) * | 1995-12-15 | 1997-06-16 | Jean Serodes | Method of Predicting Residual Chlorine in Water Supply Systems |
CN103544540A (zh) * | 2013-11-12 | 2014-01-29 | 柳州市宏亿科技有限公司 | 一种智能的城市库区水源水质综合预测方法 |
CN108846512A (zh) * | 2018-06-05 | 2018-11-20 | 南京邮电大学 | 基于择优分类的水质预测方法 |
Non-Patent Citations (3)
Title |
---|
RI SON-IL,侯德刚,张振家等: "基于BP人工神经网络的生化处理水水质预测", 《现代化工》 * |
卢金娜: "基于优化算法的径向基神经网络模型的改进及应用", 《中国博士学位论文全文数据库信息科技辑》 * |
笪英云: "基于机器学习理论的水质预测技术研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101789A (zh) * | 2020-09-16 | 2020-12-18 | 清华大学合肥公共安全研究院 | 一种基于人工智能的水污染报警等级识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109740804B (zh) | 2020-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Satapathy et al. | A teaching learning based optimization based on orthogonal design for solving global optimization problems | |
US7792769B2 (en) | Apparatus and method for learning and reasoning for systems with temporal and non-temporal variables | |
Becker et al. | Completion of wind turbine data sets for wind integration studies applying random forests and k-nearest neighbors | |
CN106845530A (zh) | 字符检测方法和装置 | |
CN111416797B (zh) | 改进天牛群算法优化正则化极限学习机的入侵检测方法 | |
Mahmoudabadi et al. | A hybrid method for grade estimation using genetic algorithm and neural networks | |
Miandoab et al. | A novel hybrid algorithm for software cost estimation based on cuckoo optimization and k-nearest neighbors algorithms | |
Kişi | Evolutionary fuzzy models for river suspended sediment concentration estimation | |
CN108204944A (zh) | 基于apso优化的lssvm的埋地管道腐蚀速率预测方法 | |
CN114912673A (zh) | 一种基于鲸鱼优化算法和长短时记忆网络的水位预测方法 | |
Jiang et al. | Cuckoo search-designated fractal interpolation functions with winner combination for estimating missing values in time series | |
Bi et al. | A genetic algorithm-assisted deep learning approach for crop yield prediction | |
Donate et al. | Time series forecasting. A comparative study between an evolving artificial neural networks system and statistical methods | |
CN115018193A (zh) | 基于lstm-ga模型的时间序列风能数据预测方法 | |
Pittman et al. | Bayesian analysis of binary prediction tree models for retrospectively sampled outcomes | |
CN109740804A (zh) | 水体质量预测方法、终端设备及计算机可读存储介质 | |
Al-Hajj et al. | Estimating solar irradiance using genetic programming technique and meteorological records. | |
CN116861957A (zh) | 一种基于强化学习的算子自动调优方法及相关装置 | |
Casillas et al. | A hybrid learning process for the knowledge base of a fuzzy rule-based system | |
Sheth et al. | Simulating self-organization during strategic change: implications for organizational design | |
Paglia et al. | Efficient spatial designs using Hausdorff distances and Bayesian optimization | |
Wistuba | Practical deep learning architecture optimization | |
Illian et al. | A toolbox for fitting complex spatial point process models using integrated Laplace transformation (INLA) | |
CN115310355A (zh) | 考虑多能耦合的综合能源系统多元负荷预测方法及系统 | |
Kommenda et al. | Genetic programming with data migration for symbolic regression |
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 |