CN109828089A - 一种基于dbn-bp的水质参数亚硝酸氮的在线预测方法 - Google Patents
一种基于dbn-bp的水质参数亚硝酸氮的在线预测方法 Download PDFInfo
- Publication number
- CN109828089A CN109828089A CN201910112831.0A CN201910112831A CN109828089A CN 109828089 A CN109828089 A CN 109828089A CN 201910112831 A CN201910112831 A CN 201910112831A CN 109828089 A CN109828089 A CN 109828089A
- Authority
- CN
- China
- Prior art keywords
- data
- value
- water
- water quality
- cultured
- 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 122
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 29
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 17
- 239000001301 oxygen Substances 0.000 claims abstract description 17
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 17
- 230000033116 oxidation-reduction process Effects 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000009467 reduction Effects 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 35
- 238000013528 artificial neural network Methods 0.000 claims description 29
- 238000002835 absorbance Methods 0.000 claims description 10
- 238000012806 monitoring device Methods 0.000 claims description 9
- RUFPHBVGCFYCNW-UHFFFAOYSA-N 1-naphthylamine Chemical compound C1=CC=C2C(N)=CC=CC2=C1 RUFPHBVGCFYCNW-UHFFFAOYSA-N 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 239000002253 acid Substances 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000004737 colorimetric analysis Methods 0.000 claims description 4
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000004090 dissolution Methods 0.000 claims 1
- FDDDEECHVMSUSB-UHFFFAOYSA-N sulfanilamide Chemical class NC1=CC=C(S(N)(=O)=O)C=C1 FDDDEECHVMSUSB-UHFFFAOYSA-N 0.000 claims 1
- 230000000153 supplemental effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 9
- 238000005259 measurement Methods 0.000 abstract description 4
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 229910052757 nitrogen Inorganic materials 0.000 description 5
- IOVCWXUNBOPUCH-UHFFFAOYSA-M Nitrite anion Chemical compound [O-]N=O IOVCWXUNBOPUCH-UHFFFAOYSA-M 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical compound [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000009360 aquaculture Methods 0.000 description 2
- 244000144974 aquaculture Species 0.000 description 2
- 210000000476 body water Anatomy 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000010865 sewage Substances 0.000 description 2
- LPXPTNMVRIOKMN-UHFFFAOYSA-M sodium nitrite Chemical compound [Na+].[O-]N=O LPXPTNMVRIOKMN-UHFFFAOYSA-M 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241000192700 Cyanobacteria Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- IOVCWXUNBOPUCH-UHFFFAOYSA-N Nitrous acid Chemical compound ON=O IOVCWXUNBOPUCH-UHFFFAOYSA-N 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 239000005864 Sulphur Substances 0.000 description 1
- VGPSUIRIPDYGFV-UHFFFAOYSA-N [N].O[N+]([O-])=O Chemical compound [N].O[N+]([O-])=O VGPSUIRIPDYGFV-UHFFFAOYSA-N 0.000 description 1
- 230000005791 algae growth Effects 0.000 description 1
- -1 amine salt Chemical class 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000036284 oxygen consumption Effects 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000010288 sodium nitrite Nutrition 0.000 description 1
- BPSUJSDZHLTNJR-UHFFFAOYSA-N sulfamide;hydrochloride Chemical compound Cl.NS(N)(=O)=O BPSUJSDZHLTNJR-UHFFFAOYSA-N 0.000 description 1
- 239000003053 toxin Substances 0.000 description 1
- 231100000765 toxin Toxicity 0.000 description 1
Abstract
本发明公开了一种基于DBN‑BP的水质参数亚硝酸氮的在线预测方法，包括如下步骤：(1)水质数据采集：在线水质检测系统连续采集水体中的水质参数数据以及对应的水质参数数据下的亚硝酸氮浓度数据，得到原始数据；所述水质参数包括温度值、pH值、溶解氧值、氧化还原电位值；(2)数据预处理：对收集的原始数据依次进行过滤异常数据处理、粗糙集约简处理、数据归一化处理，得到测试样品数据集；(3)计算预测值：将测试样品数据集输入DBN‑BP模型进行训练，计算获得预测值。本预测模型性能良好，预测效果优异，可作为水质参数亚硝酸氮的在线预测方法，提高亚硝酸氮测定的准确性。
Description
技术领域
本发明涉及水质检测领域，更具体地说，涉及一种基于DBN-BP 的水质参数亚硝酸氮的在线预测方法。
背景技术
随着社会发展可利用水资源量在逐年递减；与此同时，水资源利用效率不高和浪费状况尤为普遍，更为严重的是水资源的污染问题一直得不到有效的解决。经济飞速发展的同时，人口大量激增，带来的污染物不可避免地进入水体，尤其是湖泊，造成水体富营养化，剌激蓝藻生长，形成水华。蓝藻水华常常含有蓝藻毒素，对水生动物和人类均有极大危害。蓝藻死亡后分解，大量有机物释放到水里，严重污染饮用水源，对我国社会、经济和生态的可持续发展构成了严重威胁。
一直以来，控制各类污水中的亚硝酸氮含量是污水处理中的重要内容。但目前国内外对亚硝酸氮含量预测的预测方法都属于浅层结构的机器学习方法，因其立足的基础理论在处理大数据上缺少鲁棒性，导致模型普遍缺乏长效性和扩展能力。另外，养殖水体亚硝酸氮含量变化受生物新陈代谢、水温、气压、气温、相对湿度、太阳辐射、风速、风向、化学耗氧量(COD)、生物耗氧量(BOD)、植物光合作用和人为作业活动等诸多因素交叉影响，作用机理复杂，使亚硝酸氮含量数据具有较强的非平稳性、大时滞和非线性等特征，夹杂着大量的噪音信号，如果不挖掘出养殖水体亚硝酸氮含量数据高联系特征，直接进行建模预测，会严重影响模型预测精度。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于DBN-BP的水质参数亚硝酸氮的在线预测方法。本预测模型性能良好，预测效果优异，可作为水质参数亚硝酸氮的在线预测方法，提高亚硝酸氮测定的准确性。
本发明解决其技术问题所采用的技术方案是：提供一种基于 DBN-BP的水质参数亚硝酸氮的在线预测方法，包括如下步骤：
(1)水质数据采集：在线水质检测系统连续采集水体中的水质参数数据以及对应的水质参数数据下的亚硝酸氮浓度数据，得到原始数据；所述水质参数包括温度值、pH值、溶解氧值、氧化还原电位值；
(2)数据预处理：对收集的原始数据依次进行过滤异常数据处理、粗糙集约简处理、数据归一化处理，得到测试样品数据集；
(3)计算预测值：将测试样品数据集输入DBN-BP模型进行训练，计算获得预测值。
本发明所述的在线预测方法，其中，步骤(1)的具体操作如下：
(1.1)试验过程中保持每组水总体积相同，确保每组实验亚硝酸氮起始浓度一致；
(1.2)通过调节温度或pH值的方式，来获得不同温度或pH下亚硝酸氮的浓度数据，其中温度设置为20℃、25℃和30℃，初始pH 值设置为5、6、7、8、9，当温度、pH值稳定后开始试验；
(1.3)开始试验后每30分钟用移液器收集水样，通过在线水质监测系统测定温度、PH、溶解氧、氧化还原电位四种辅助变量的数据；为避免取样时间与测定数据不同步，同期每30分钟取样后马上移入比色管中进行反应，每5mL水样分别加入0.1mL浓度为10g/L的磺胺盐酸溶液和0.1mL浓度为1g/L的盐酸萘乙二胺溶液，反应5分钟后在543nm波长处测定水样的吸光度；将测得的吸光度代入α－萘胺比色法测定亚硝酸氮标准曲线，以亚硝酸氮浓度为自变量x，吸光度为因变量y，得到对应的亚硝酸氮浓度，最终得到包含取样时间、温度值、pH值、溶解氧值、氧化还原电位值以及亚硝酸氮浓度的原始数据。
本发明所述的在线预测方法，其中，步骤(1.3)中所述在线水质监测系统包括前端监测设备，云服务器两部分；所述前端监测设备通过传感器采集水体温度值、pH值、溶解氧值、氧化还原电位值的理化参数，采集频率为15s一次，并完成模数转换以及数据格式的转换。
本发明所述的在线预测方法，其中，步骤(2)的具体操作如下：
(2.1)对收集的原始数据依次进行过滤异常数据处理和粗糙集约简处理；所述在线水质监测系统包括前端监测设备和云服务器两部分；而原始数据的滤异常数据处理以及数据粗糙集约简过程由云服务器完成；
(2.2)对粗糙集约简处理后的数据进行数据归一化处理；采用离差标准化法即最大最小标准化法进行数据归一化处理，公式如下：
其中x为原始数据，为标准化处理后的数据，xmax和xmin分别 为数据中的最大值和最小值；经过标准化处理后，全部数据均处于[0,1] 内。
本发明所述的在线预测方法，其中，步骤(3)的具体操作如下：
(3.1)将经过预处理的测试样品数据集随机分为两组，分别为训练样本和预测样本；
(3.2)接着将训练样本输入DBN模型进行无监督贪婪训练，计算获得预测值，训练完毕后用测试样本的预测值对DBN模型可靠性进行验证。
本发明所述的在线预测方法，其中，步骤(3.2)中所述DBN模型为由多个RBM依次叠加而成的多层神经网络结构；RBM是一种无向图模型，数据经输入层输入到网络当中，通过训练算法后输出，再传播到下一层RBM神经网络；上一层RBM神经网络的输出作为下一层RBM神经网络的输入，原始数据经过逐层输出传播后由输出层输出结果；当多个RBM计算完成权值后，利用BP反向传播算法再反向传导进行调优，最终计算获得预测值。
本发明所述的在线预测方法，其中，所述DBN模型为由三个RBM 依次叠加而成的三层神经网络结构；神经元格式分别为100，50，10。
本发明所述的在线预测方法，其中，所述三层神经网络分别采用 logsig，logsig和purelin训练算法。
本发明所述的在线预测方法，其中，所述三层神经网络的隐藏层节点数分别为5、4、3。
实施本发明的基于DBN-BP的水质参数亚硝酸氮的在线预测方法，具有以下有益效果：
本通过获得泛化性能较好的DBN-BP预测模型，经DBN-BP预测模型训练后得到预测值的决定系数高，接近实际预测样本得到的预测值，说明经训练的亚硝酸氮预测模型的相关性较好，且拟合度高，预测效果优异，可作为水质参数亚硝酸氮的在线预测方法，提高亚硝酸氮测定的准确性。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是受限玻尔兹曼机RBM的无向图模型；
图2是BP反向传播算法的神经网络结构；
图3是本发明较佳实施例的基于DBN-BP的亚硝酸氮预测模型的 示意图；
图4是通过温度、PH、溶解氧、氧化还原电位实时预测水体亚 硝酸氮浓度模型的训练集预测结果；
图5通过温度、PH、溶解氧、氧化还原电位实时预测水体亚硝 酸氮浓度模型的预测集预测结果。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述：
一种基于DBN-BP的水质参数亚硝酸氮的在线预测方法，包括如下步骤：
(1)水质数据采集：在线水质检测系统连续采集水体中的水质参数数据以及对应的水质参数数据下的亚硝酸氮浓度数据，得到原始数据；所述水质参数包括温度值、pH值、溶解氧值、氧化还原电位值；
步骤(1)的具体操作如下：
(1.1)试验中用到的水来源为广州市居民用水，水中亚硝酸氮浓度很低，测得其变化范围为(0.02mg/L-0.05mg/L)，此浓度已接近α－萘胺比色法测定浓度范围的下限，为了提高亚硝酸氮测定的准确性，试验前向每一组水样中添加0.5g亚硝酸钠，试验过程中保持每组水总体积相同，确保每组实验亚硝酸氮起始浓度一致；
(1.2)为获得泛化性能较好的预测模型，训练模型所使用的数据间应存在一定差异，因此本发明通过调节温度或pH值的方式，来获得不同温度或pH下亚硝酸氮的浓度数据，其中温度设置为20℃、 25℃和30℃，初始pH值设置为5、6、7、8、9，当温度、pH值稳定后开始试验；
(1.3)开始试验后每30分钟用移液器收集水样，通过在线水质监测系统测定温度、PH、溶解氧、氧化还原电位四种辅助变量的数据；该在线水质监测系统包括前端监测设备，云服务器两部分；所述前端监测设备通过传感器采集水体温度值、pH值、溶解氧值、氧化还原电位值的理化参数，采集频率为15s一次，并完成模数转换以及数据格式的转换。为避免取样时间与测定数据不同步，同期每30分钟取样后马上移入比色管中进行反应，每5mL水样分别加入0.1mL浓度为 10g/L的磺胺盐酸溶液和0.1mL浓度为1g/L的盐酸萘乙二胺溶液，反应5分钟后在543nm波长处测定水样的吸光度；将测得的吸光度代入α－萘胺比色法测定亚硝酸氮标准曲线:y＝1.9073x-0.0378 (R2＝0.9916、自变量x为亚硝酸氮浓度，因变量y为吸光度)，以亚硝酸氮浓度为自变量x，吸光度为因变量y，得到对应的亚硝酸氮浓度，最终得到包含取样时间、温度值、pH值、溶解氧值(DO)、氧化还原电位值(ORP)以及亚硝酸氮浓度(NO2-N)，如表1所示。
表1实验数据(部分数据)
(2)数据预处理：对收集的原始数据依次进行过滤异常数据处理、粗糙集约简处理、数据归一化处理，得到测试样品数据集；
预测模型的性能依赖于水质参数测量数据的准确性。由于数据采集过程中时常产生误差，如果使用带有较大误差的数据进行建模，会使预测模型的性能下降，因此需要对测量数据进行预处理，将异常数据进行过滤。且为了保证后面数据处理的方便以及程序运行速度，还需进行粗糙集约简和数据的归一化处理。
步骤(2)的具体操作如下：
(2.1)对收集的原始数据依次进行过滤异常数据处理和粗糙集约简处理；所述在线水质监测系统包括前端监测设备和云服务器两部分；而原始数据的滤异常数据处理以及数据粗糙集约简过程由云服务器完成；
(2.2)因为温度、pH等影响因子具有不同的物理意义和不同的量纲及数量级，因此在训练网络之前需要对数据进行归一化处理。因此，对粗糙集约简处理后的数据进行数据归一化处理；本发明采用离差标准化法即最大最小标准化法进行数据归一化处理，公式如下：
其中x为原始数据，为标准化处理后的数据，xmax和xmin分别 为该组数据中的最大值和最小值。经过标准化处理后，全部数据均处 于[0,1]内，有利于网络的训练。
(3)计算预测值：将测试样品数据集输入DBN-BP模型进行训练，计算获得预测值。
受限玻尔兹曼机(RBM)
RBM是一种无向图模型，通过求解参数θ的值拟合给定的训练数据，完成特征提取，无向图模型如图1所示，
假设：θ＝{Wij,ai,bj}，其中Wij表示可见单元i与隐单元j之间的连接权重，m、n分别为RBM的隐单元数和可见单元数，其中可见单元和隐单元均为二值变量，即j，vi∈{0,1}，hj∈{0,1}，ai为可见单元i的偏置，bj为可见单元j的偏置，T为样本数量；h为隐层单元，v为可见层单元。
RBM的任务是通过拟合输入的训练数据，求出最佳参数θ，从而完成特征提取。参数θ可以在训练集上学习最大化对数似然函数获取，公式如下：
其中：
求解最优参数θ*的关键是获取logP(V(t)|θ)关于Wij,ai,bj等参数的偏导数。假设θ′为θ的某个参数值，则对数似然函数关于θ′的梯度为：
由于样本数量T已知，则对数似然函数关于连接权重Wij、可见层单元的偏置ai和隐层单元的偏置bj的偏导数可由P(h|V(t),θ)和 P(V,h|θ)计算得到；P(h|V(t),θ)为训练样本V(t)的隐层概率分布； P(v,h|θ)为对于给定状态(v,h)的联合概率函数，其表达式为：
其中E(v,h|θ)为RBM的能量函数，Z(θ)为归一化因子。
BP反向传播算法
反向传播算法(BP)是主要应用于训练神经网络获取最优权值参数的学习算法。在神经网络的应用中，我们希望网络的最终输出是我们的期望输出，为此通过将网络输出与期望输出的误差反向传播给网络的各层神经元，以缩小误差的原则调整权值参数使网络的最终输出逐步逼近期望输出。
神经网络信号的输出首先要经过输入信号的正向传播，数据经输入层输入到网络当中，通过加权求和后由下一层单元激活输出传播到再下一下层，原始数据经过逐层输出传播后由最终输出层输出结果，若网络的最终输出与期望之间的误差过大，则开始误差的反向传播阶段。反向传播的输入为正向传播的输出误差，由输出层开始往后面传播，各层神经元接收到误差信息后以减小误差的为原则更新权值和阈值，直至网络的参数全部更新完。接着开始新一轮的正向传播，若是最终输出与期望输出之间还存在误差则把新误差再次反向传播回去，如此不断迭代更新网络参数，可使网络输出与期望输出之间的误差越来越来小，当网络训练达到指定的次数或者误差小于某个可以接受的值则停止训练，保存网络最后的权值与阈值。
参照如图2所示的神经网络结构，解说BP向传播算法，
正向传播时，设zi (l)为第(l-1)层各节点激活输出值aj (l-1)输入到 l层神经元的加权和，其计算公式为：
设aj (l)为l层j节点的激活输出值，f(x)为sigmoid函数，其计算公式为：
正向传播到输出层后设最后输出为hW,b(x)，代表由初始输入X 经神经网络处理得到的输出值，将其与期望输出做差平方和，同时为了减小权重的幅度，防止过度拟合，加入权重衰减项，得到代价函数为：
为进行反向传播首先需要获取每一层单元的残差δi (l),把zi (l)看做整体的输入，则最后一层(输出层)的残差为：
同时第l-1层的残差为(Sl为第l层的节点总数)：
根据δi (l)与δi (l-1)关系可逐层推导出所有网络层单元的残差，接着依靠残差获取代价函数对于每个参数的导数，计算公式为：
按照梯度下降调整网络参数：
神经网络具有自主学习的功能且适合解决复杂系统中多变量非线性问题。目前栈式神经网络已经应用于很多领域，但是在应用过程中训练样本数量和质量、参数的选择、数据的处理以及算法的结构等不同均会影响到神经网络模型的性能，基于以上讨论，本文提出一种基于DBN-BP的亚硝酸氮预测模型。
模型构建方法具体操作如下，最终模型结构如图3所示。
(3.1)将经过预处理的测试样品数据集随机分为两组，分别为训练样本和预测样本；
(3.2)接着将训练样本输入DBN模型进行无监督贪婪训练，计算获得预测值，训练完毕后用测试样本的预测值对DBN模型可靠性进行验证。其中，步骤(3.2)中所述DBN模型为由多个RBM依次叠加而成的多层神经网络结构；RBM是一种无向图模型，数据经输入层输入到网络当中，通过训练算法后输出，再传播到下一层RBM神经网络；上一层RBM神经网络的输出作为下一层RBM神经网络的输入，原始数据经过逐层输出传播后由输出层输出结果；当多个RBM计算完成权值后，利用BP反向传播算法再反向传导进行调优，最终计算获得预测值。
作为进一步优选方案，经测试采用三层神经网络效果最好，神经元格式分别为100，50，10。所述三层神经网络分别采用logsig， logsig和purelin训练算法。所述三层神经网络的隐藏层节点数分别为5、4、3。
目前DBN-BP的选取尚无完善的理论依据，因此根据数据与应用的方式不同调整参数的设置，本文通过多次实验确定了如下参数设置，参数设置如表2。
表2预测模型参数设置
| 参数 | 值 |
| 预训练学习速率 | 0.1 |
| 微调学习速率 | 0.1 |
| 预训练最大迭代次数 | 400 |
| 微调最大迭代次数 | 300 |
| 稀疏参数 | 0.5 |
| 稀疏惩罚项参数 | 3 |
| 权重衰减参数 | 1e-4 |
确定神经网络的层数以及网络隐藏层节点数对于网络模型最终的预测效果十分重要。网络层数过多会导致模型性能下降，导致过拟合，合理的网络层数会让更高层学习到更高阶更抽象的特征，隐藏层中的节点数较少会导致学习的不充分，而过多的节点会导致学习负荷过大，会增加训练的时间。本研究通过实验最终确定网络隐藏层层数为3，各隐藏层节点数分别为5、4、3，在这个设置下，预测模型的准确率最高。
水质参数亚硝酸氮的在线预测的结果与分析：
如图4-5所示，给出了通过温度、pH、溶解氧、氧化还原电位实 时预测亚硝酸氮模型的训练集预测结果以及预测集预测结果，其中训 练集样本决定系数R2值为0.90036；预测集样本决定系数R2值为 0.95208；决定系数R2值反映因变量的全部变异能通过回归关系被自 变量解释的比例,该值越高说明模型越好；说明经训练的亚硝酸氮预 测模型的相关性较好，且拟合度高。图4-5同样给出了预测模型训练 以及测试的误差值，此处为均方根误差：
公式中T为样本数，d(t)是期望输出值，y(t)是实际输出值。最终得到预测模型的训练误差RMSEC为0.11482，预测误差RMSEP为 0.099709。好的模型应该具有低的RMSEC和RMSEP值，此外RMSEC和 RMSEP值也不应该有太大的差异。因此可判断本预测模型性能良好，预测效果优异。在本申请中，输出值是亚硝酸氮，期望输出值是模型预测值，实际输出值是作实验测出的真实值，方差就是计算预测值与真实值之间的差值的绝对值。
对本领域的技术人员来说，可如以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。
Claims (9)
1.一种基于DBN-BP的水质参数亚硝酸氮的在线预测方法，其特征在于，包括如下步骤：
(1)水质数据采集：在线水质检测系统连续采集水体中的水质参数数据以及对应的水质参数数据下的亚硝酸氮浓度数据，得到原始数据；所述水质参数包括温度值、pH值、溶解氧值、氧化还原电位值；
(2)数据预处理：对收集的原始数据依次进行过滤异常数据处理、粗糙集约简处理、数据归一化处理，得到测试样品数据集；
(3)计算预测值：将测试样品数据集输入DBN-BP模型进行训练，计算获得预测值。
2.如权利要求1所述的在线预测方法，其特征在于，步骤(1)的具体操作如下：
(1.1)试验过程中保持每组水总体积相同，确保每组实验亚硝酸氮起始浓度一致；
(1.2)通过调节温度或pH值的方式，来获得不同温度或pH下亚硝酸氮的浓度数据，其中温度设置为20℃、25℃和30℃，初始pH值设置为5、6、7、8、9，当温度、pH值稳定后开始试验；
(1.3)开始试验后每30分钟用移液器收集水样，通过在线水质监测系统测定温度、PH、溶解氧、氧化还原电位四种辅助变量的数据；为避免取样时间与测定数据不同步，同期每30分钟取样后马上移入比色管中进行反应，每5mL水样分别加入0.1mL浓度为10g/L的磺胺盐酸溶液和0.1mL浓度为1g/L的盐酸萘乙二胺溶液，反应5分钟后在543nm波长处测定水样的吸光度；将测得的吸光度代入α－萘胺比色法测定亚硝酸氮标准曲线，以亚硝酸氮浓度为自变量x，吸光度为因变量y，得到对应的亚硝酸氮浓度，最终得到包含取样时间、温度值、pH值、溶解氧值、氧化还原电位值以及亚硝酸氮浓度的原始数据。
3.如权利要求2所述的在线预测方法，其特征在于，步骤(1.3)中所述在线水质监测系统包括前端监测设备，云服务器两部分；所述前端监测设备通过传感器采集水体温度值、pH值、溶解氧值、氧化还原电位值的理化参数，采集频率为15s一次，并完成模数转换以及数据格式的转换。
4.如权利要求1所述的在线预测方法，其特征在于，步骤(2)的具体操作如下：
(2.1)对收集的原始数据依次进行过滤异常数据处理和粗糙集约简处理；所述在线水质监测系统包括前端监测设备和云服务器两部分；而原始数据的过滤异常数据处理以及数据粗糙集约简过程由云服务器完成；
(2.2)对粗糙集约简处理后的数据进行数据归一化处理；采用离差标准化法即最大最小标准化法进行数据归一化处理，公式如下：
其中x为原始数据，为标准化处理后的数据，xmax和xmin分别为数据中的最大值和最小值；经过标准化处理后，全部数据均处于[0,1]内。
5.如权利要求1所述的在线预测方法，其特征在于，步骤(3)的具体操作如下：
(3.1)将经过预处理的测试样品数据集随机分为两组，分别为训练样本和预测样本；
(3.2)接着将训练样本输入DBN模型进行无监督贪婪训练，计算获得预测值，训练完毕后用测试样本的预测值对DBN模型可靠性进行验证。
6.如权利要求5所述的在线预测方法，其特征在于，步骤(3.2)中所述DBN模型为由多个RBM依次叠加而成的多层神经网络结构；RBM是一种无向图模型，数据经输入层输入到网络当中，通过训练算法后输出，再传播到下一层RBM神经网络；上一层RBM神经网络的输出作为下一层RBM神经网络的输入，原始数据经过逐层输出传播后由输出层输出结果；当多个RBM计算完成权值后，利用BP反向传播算法再反向传导进行调优，最终计算获得预测值。
7.如权利要求6所述的在线预测方法，其特征在于，所述DBN模型为由三个RBM依次叠加而成的三层神经网络结构；神经元格式分别为100，50，10。
8.如权利要求7所述的在线预测方法，其特征在于，所述三层神经网络分别采用logsig，logsig和purelin训练算法。
9.如权利要求7所述的在线预测方法，其特征在于，所述三层神经网络的隐藏层节点数分别为5、4、3。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910112831.0A CN109828089B (zh) | 2019-02-13 | 2019-02-13 | 一种基于dbn-bp的水质参数亚硝酸氮的在线预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910112831.0A CN109828089B (zh) | 2019-02-13 | 2019-02-13 | 一种基于dbn-bp的水质参数亚硝酸氮的在线预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109828089A true CN109828089A (zh) | 2019-05-31 |
| CN109828089B CN109828089B (zh) | 2022-01-18 |
Family
ID=66863493
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910112831.0A Expired - Fee Related CN109828089B (zh) | 2019-02-13 | 2019-02-13 | 一种基于dbn-bp的水质参数亚硝酸氮的在线预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109828089B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110378413A (zh) * | 2019-07-17 | 2019-10-25 | Oppo广东移动通信有限公司 | 神经网络模型处理方法、装置以及电子设备 |
| CN110672784A (zh) * | 2019-10-29 | 2020-01-10 | 饶宾期 | 基于机器视觉的水体溶解氧检测装置 |
| CN111652425A (zh) * | 2020-05-29 | 2020-09-11 | 重庆工商大学 | 一种基于粗糙集和长短期记忆网络的河流水质预测方法 |
| CN112529296A (zh) * | 2020-12-11 | 2021-03-19 | 联通(浙江)产业互联网有限公司 | 水质预测方法、装置及服务器 |
| CN113063861A (zh) * | 2021-03-15 | 2021-07-02 | 无锡杰博仪器科技有限公司 | 一种基于分类算法的氧氮氢分析仪测量系统 |
| CN113686823A (zh) * | 2021-08-27 | 2021-11-23 | 西安石油大学 | 基于透射光谱和PLS-Elman神经网络的水体亚硝酸盐含量估算方法 |
| CN114340384A (zh) * | 2019-08-20 | 2022-04-12 | 卡塞株式会社 | 养殖池用水质管理装置和方法 |
| CN114578011A (zh) * | 2022-03-07 | 2022-06-03 | 上海蓝长科技集团有限公司 | 一种基于多传感器多源数据融合的水质监测方法 |
| CN116187613A (zh) * | 2023-04-26 | 2023-05-30 | 广东埃文低碳科技股份有限公司 | 一种基于大数据的碳排放流实时监测系统及其方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101158674A (zh) * | 2007-11-15 | 2008-04-09 | 天津市市政工程设计研究院 | 基于BP神经网络的水体中叶绿素a浓度预测方法 |
| CN103235098A (zh) * | 2013-05-13 | 2013-08-07 | 安徽工程大学 | 地下水在线水质监测系统 |
| 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 |
| CN104007243B (zh) * | 2014-01-13 | 2016-01-06 | 上海市长宁区卫生局卫生监督所 | 应用反向传播神经网络模型评价游泳池水质的方法 |
| CN105976028A (zh) * | 2016-05-11 | 2016-09-28 | 深圳市开天源自动化工程有限公司 | 一种预测a2o污水处理过程中出水cod浓度的方法 |
| CN106198909A (zh) * | 2016-06-30 | 2016-12-07 | 中南大学 | 一种基于深度学习的水产养殖水质预测方法 |
| CN107192802A (zh) * | 2017-06-27 | 2017-09-22 | 重庆科技学院 | 共享直饮水水质在线监测方法及系统 |
| CN107300855A (zh) * | 2017-06-27 | 2017-10-27 | 重庆科技学院 | 一种共享直饮水机水质保障管理控制方法及系统 |
| CN107609718A (zh) * | 2017-10-18 | 2018-01-19 | 仲恺农业工程学院 | 一种养殖水体中溶解氧的预测方法及系统 |
-
2019
- 2019-02-13 CN CN201910112831.0A patent/CN109828089B/zh not_active Expired - Fee Related
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101158674A (zh) * | 2007-11-15 | 2008-04-09 | 天津市市政工程设计研究院 | 基于BP神经网络的水体中叶绿素a浓度预测方法 |
| CN101158674B (zh) * | 2007-11-15 | 2011-09-21 | 天津市市政工程设计研究院 | 基于BP神经网络的水体中叶绿素a浓度预测方法 |
| CN103235098A (zh) * | 2013-05-13 | 2013-08-07 | 安徽工程大学 | 地下水在线水质监测系统 |
| 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 |
| CN104007243B (zh) * | 2014-01-13 | 2016-01-06 | 上海市长宁区卫生局卫生监督所 | 应用反向传播神经网络模型评价游泳池水质的方法 |
| CN105976028A (zh) * | 2016-05-11 | 2016-09-28 | 深圳市开天源自动化工程有限公司 | 一种预测a2o污水处理过程中出水cod浓度的方法 |
| CN106198909A (zh) * | 2016-06-30 | 2016-12-07 | 中南大学 | 一种基于深度学习的水产养殖水质预测方法 |
| CN107192802A (zh) * | 2017-06-27 | 2017-09-22 | 重庆科技学院 | 共享直饮水水质在线监测方法及系统 |
| CN107300855A (zh) * | 2017-06-27 | 2017-10-27 | 重庆科技学院 | 一种共享直饮水机水质保障管理控制方法及系统 |
| CN107609718A (zh) * | 2017-10-18 | 2018-01-19 | 仲恺农业工程学院 | 一种养殖水体中溶解氧的预测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 姜国光 等: "环境水质中亚硝酸盐氮的快速测定", 《铁道劳动卫生通讯》 * |
| 林志贵 等: "长江口流域亚硝酸盐预测模型与分析", 《海洋技术学报》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110378413A (zh) * | 2019-07-17 | 2019-10-25 | Oppo广东移动通信有限公司 | 神经网络模型处理方法、装置以及电子设备 |
| CN114340384A (zh) * | 2019-08-20 | 2022-04-12 | 卡塞株式会社 | 养殖池用水质管理装置和方法 |
| CN114340384B (zh) * | 2019-08-20 | 2023-09-26 | 卡塞株式会社 | 养殖池用水质管理装置和方法 |
| CN110672784A (zh) * | 2019-10-29 | 2020-01-10 | 饶宾期 | 基于机器视觉的水体溶解氧检测装置 |
| CN111652425A (zh) * | 2020-05-29 | 2020-09-11 | 重庆工商大学 | 一种基于粗糙集和长短期记忆网络的河流水质预测方法 |
| CN111652425B (zh) * | 2020-05-29 | 2024-03-22 | 重庆工商大学 | 一种基于粗糙集和长短期记忆网络的河流水质预测方法 |
| CN112529296A (zh) * | 2020-12-11 | 2021-03-19 | 联通(浙江)产业互联网有限公司 | 水质预测方法、装置及服务器 |
| CN112529296B (zh) * | 2020-12-11 | 2023-01-31 | 联通(浙江)产业互联网有限公司 | 水质预测方法、装置及服务器 |
| CN113063861B (zh) * | 2021-03-15 | 2022-06-24 | 无锡杰博仪器科技有限公司 | 一种基于分类算法的氧氮氢分析仪测量系统 |
| CN113063861A (zh) * | 2021-03-15 | 2021-07-02 | 无锡杰博仪器科技有限公司 | 一种基于分类算法的氧氮氢分析仪测量系统 |
| CN113686823A (zh) * | 2021-08-27 | 2021-11-23 | 西安石油大学 | 基于透射光谱和PLS-Elman神经网络的水体亚硝酸盐含量估算方法 |
| CN113686823B (zh) * | 2021-08-27 | 2024-01-23 | 西安石油大学 | 基于透射光谱和PLS-Elman神经网络的水体亚硝酸盐含量估算方法 |
| CN114578011A (zh) * | 2022-03-07 | 2022-06-03 | 上海蓝长科技集团有限公司 | 一种基于多传感器多源数据融合的水质监测方法 |
| CN116187613A (zh) * | 2023-04-26 | 2023-05-30 | 广东埃文低碳科技股份有限公司 | 一种基于大数据的碳排放流实时监测系统及其方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109828089B (zh) | 2022-01-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109828089A (zh) | 一种基于dbn-bp的水质参数亚硝酸氮的在线预测方法 | |
| CN105510546B (zh) | 一种基于自组织递归rbf神经网络的生化需氧量bod智能检测方法 | |
| US10570024B2 (en) | Method for effluent total nitrogen-based on a recurrent self-organizing RBF neural network | |
| CN111291937A (zh) | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 | |
| CN108491970A (zh) | 一种基于rbf神经网络的大气污染物浓度预测方法 | |
| Najah et al. | Integrated versus isolated scenario for prediction dissolved oxygen at progression of water quality monitoring stations | |
| CN102854296A (zh) | 一种基于集成神经网络的污水处理软测量方法 | |
| CN107402586A (zh) | 基于深度神经网络的溶解氧浓度控制方法及系统 | |
| CN109308544B (zh) | 基于对比散度-长短期记忆网络的蓝藻水华预测方法 | |
| CN104680015A (zh) | 一种基于快速相关向量机的污水处理在线软测量方法 | |
| CN109492265A (zh) | 基于高斯过程回归的动态非线性pls软测量建模方法 | |
| CN107247888B (zh) | 基于储备池网络的污水处理出水总磷tp软测量方法 | |
| CN104182794A (zh) | 一种基于神经网络的污水处理过程出水总磷tp软测量方法 | |
| 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 | |
| CN111242380A (zh) | 一种基于人工智能算法的湖（库）富营养化预测方法 | |
| CN109473182A (zh) | 一种基于深度信念网络的mbr膜透水率智能检测方法 | |
| Wang et al. | A full-view management method based on artificial neural networks for energy and material-savings in wastewater treatment plants | |
| CN108399470A (zh) | 一种基于多示例遗传神经网络的室内pm2.5预测方法 | |
| CN115713448A (zh) | 基于汇水单元的流域水污染常规因子快速溯源方法 | |
| Sahraei et al. | Application of machine learning models to predict maximum event water fractions in streamflow | |
| Xie et al. | Hybrid deep learning modeling for water level prediction in yangtze river | |
| CN109408896A (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
| CN106769748B (zh) | 膜生物反应器-mbr出水透水率的智能检测系统 | |
| CN111062476A (zh) | 基于门控循环单元网络集成的水质预测方法 | |
| CN106021924A (zh) | 基于多属性高斯核函数快速相关向量机的污水在线软测量方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220118 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |