CN110046645A - 一种基于主成分分析与bp神经网络的藻类水华预测方法 - Google Patents
一种基于主成分分析与bp神经网络的藻类水华预测方法 Download PDFInfo
- Publication number
- CN110046645A CN110046645A CN201910161161.1A CN201910161161A CN110046645A CN 110046645 A CN110046645 A CN 110046645A CN 201910161161 A CN201910161161 A CN 201910161161A CN 110046645 A CN110046645 A CN 110046645A
- Authority
- CN
- China
- Prior art keywords
- data
- chlorophyll
- prediction
- principal component
- monitoring
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 53
- 238000000513 principal component analysis Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000005422 algal bloom Substances 0.000 title claims abstract description 33
- 238000012544 monitoring process Methods 0.000 claims abstract description 115
- 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 claims abstract description 107
- 229930002868 chlorophyll a Natural products 0.000 claims abstract description 64
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 51
- 229930002875 chlorophyll Natural products 0.000 claims abstract description 43
- 235000019804 chlorophyll Nutrition 0.000 claims abstract description 43
- 238000009499 grossing Methods 0.000 claims abstract description 28
- 230000008859 change Effects 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000009795 derivation Methods 0.000 claims abstract description 8
- 108090000623 proteins and genes Proteins 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 21
- 230000000694 effects Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 18
- 241000195493 Cryptophyta Species 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 241000192710 Microcystis aeruginosa Species 0.000 claims 1
- 238000003672 processing method Methods 0.000 abstract description 6
- 238000002203 pretreatment Methods 0.000 abstract 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 19
- 239000001301 oxygen Substances 0.000 description 19
- 229910052760 oxygen Inorganic materials 0.000 description 19
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 18
- 239000004615 ingredient Substances 0.000 description 11
- 230000033116 oxidation-reduction process Effects 0.000 description 7
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 239000003643 water by type Substances 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 229910052757 nitrogen Inorganic materials 0.000 description 3
- 239000004912 1,5-cyclooctadiene Substances 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000012851 eutrophication Methods 0.000 description 2
- 239000013505 freshwater Substances 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 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
- -1 Ye Lv 13 element Substances 0.000 description 1
- 229920002678 cellulose Polymers 0.000 description 1
- 239000001913 cellulose Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001473 noxious effect Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000014639 sexual reproduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Classifications
-
- 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
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
-
- 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
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于主成分分析与BP神经网络的藻类水华预测方法，属于水环境管理技术领域。所述方法包括监测数据随机性预处理；基于主成分分析法的影响因子分析；分别以水体叶绿素a含量、叶绿素a含量变化率为输出参数的预测模型构建以及预测精度分析。其特征在于，本发明采用积分求导的数据平滑处理方法，消除了数据随机性影响；基于主成分分析法精简预测模型输入因子，并以叶绿素a含量变化率为输出参数，排除了叶绿素a本身含量波动对预测结果产生干扰的弊端，从而有效提高了藻类水华的预测精度。
Description
技术领域
本发明涉及一种基于主成分分析与BP神经网络的藻类水华预测方法，属于水环境管理技术领域，具体地说，是在构建水体叶绿素a含量神经网络预测模型基础上，维持神经网络设置不变，分析输入因子标准差扰动添加前后输出值变化程度的敏感性分析方法。
背景技术
藻类水华是指在富营养化水体中，当光强、温度、气候及水文等有利于藻类生长繁殖的环境条件比较适宜时，藻类爆发性繁殖聚集并达到一定浓度的一种水体污染现象。藻华的爆发会严重破坏水域生态平衡，影响水体的感官性状以及城市供水质量，有些藻类甚至能向水体中分泌和释放有毒物质，已成为水环境治理中不可忽略的难题并引起了社会的高度重视。深入研究藻类水华的生长机理对其未来发展状况作出预测，可提前判断水质的演化趋势、方向、速度和后果，并在发生水华前发出预报，为藻类水华的生态防治和环境保护技术的发展提供科学依据。
水华预测模型研究，尤其是水源地和重点景观湖区蓝藻水华发生的预测预报技术，对提高环境管理部门的决策能力，及时采取应急措施有着重要意义。以供水为例，如果能提前数小时预测到蓝藻水华将在取水口聚集降解，就有足够时间，及时采取调水改进与制水工艺强化等相关措施，减少蓝藻水华带来的生态危害和健康风险，避免发生供水危机，保障供水安全。由于藻类水华产生过程存在复杂性、非线性、时变性等特点，影响因子较多，仅通过建立水华机理模型进行水华预测的效果并不理想，其准确预测一直都是一个国际性难题。
近年来，随着对藻类水华的深入研究，一些基于数理统计的水华预测方法被引入使用，通过对叶绿素a的含量预测，在一定程度上预测富营养化的变化趋势。其中，基于BP神经网络对叶绿素a含量进行预测便是典型的代表；然而，藻华的生长机理复杂，叶绿素a含量影响因子众多，仅通过BP神经网络直接对海量的样本数据进行处理，样本的随机性会给BP神经网络的训练带来极大的可变性。理论上，深入研究藻华生长机理，仅对影响藻华生长的关键因子进行监测数据采集，不但能降低监测实施经济成本，更能精简模型输入因子数目提升BP神经网络的训练效率，提高预测精度；实际上，藻类水华的形成机理十分复杂，难以有效区分相关因子间的具体作用影响，确定主影响因子来简化模型输入指标量，预测精度依然有限。因此，发明新的藻华预测方法，剔除与藻类生长弱相关、重复监测信息的干扰影响，选择能表达叶绿素a变化信息且冗沉较少的样本因子输入，来优化BP神经网络初始输入设置，提高预测精度十分必要。
发明内容
本发明要解决的技术问题在于，针对现有的藻类水华预测方法中以大量监测指标数据直接对水体叶绿素a含量进行预测，样本冗沉随机性大、预测精度不高问题，提供一种基于主成分分析与BP神经网络的藻类水华预测方法，进行藻类生长的主因子选择，减弱模型输入因子的随机性，提高预测精度。
具体而言，依据主成分分析结果，剔除与叶绿素含量预测弱相关、重复的影响因素，精简模型输入因子。当叶绿素a含量指标不作为主成分解释因子时，选择所有主因子基于BP神经网络预测叶绿素a含量；当叶绿素a含量指标作为主成分解释因子时，构建叶绿素a含量瞬时变化率为输出参数后，再选择所有主因子基于BP神经网络间接预测叶绿素a含量。
本发明提供的基于主成分分析与BP神经网络的藻类水华预测方法，包括以下五个步骤：
步骤一、监测数据预处理：
1.数据异常值处理：
藻华野外监测数据易受水域外界环境干扰，数据随机性大，监测数据会有明显与实际不符的异常值出现。本发明采用肖维勒准则判定样本数据中异常值，即在某项监测数据中，临近时段的n次监测数据，如果某监测值xi与平均值之差的绝对值大于标准偏差与肖维勒系数之积，则该监测数据为异常值。
式中，为某一监测指标样本均值，为样本的标准偏差；由于藻类复杂的生长机理，影响因子变化无法单一严格刻画，肖维勒系数可以查肖维勒系数表或按照下列公式近似计算得出：
ωn＝1+0.4ln(n)
针对藻类水华数据的变幅较大特性，肖维勒法剔除异常值时分组样本数n需灵活取值，依据监测数据采集频率而定；判定为异常值的监测数据按照缺失值处理，本发明以临近几点均值代替。
2.数据平滑处理：
除开显著的异常值，无论是人工观测的数据还是数据采集系统获取的数据，不可避免的叠加上“噪音”干扰，需要对数据曲线上的“毛刺”、“尖峰”进行平滑处理。本发明采用的平滑处理方法，是用各时段监测指标值xi对监测时段区间 T0～Tn积分再求导，消除监测数据短时波动性影响，将数据转换为更适合挖掘的模式，即
首先对原始监测数据积分：
再对积分数据进行求导还原：
3.数据类型转换；
将平滑处理后的指标监测数据进行极差归一化处理，消除监测指标量级及量纲不同可能带来的分析误差影响，归一化公式如下
式中：Xi，第i项监测指标数据归一化后的数值，作为模型输入的数据初始值；第i项监测指标数据平滑处理值；第i项监测指标平滑处理的最小值；第i项监测指标平滑处理的最大值。
步骤二、基于主成分分析法的影响因子分析；
1.计算各指标相关矩阵；
藻华的影响因子众多，计算各影响因子之间的相关矩阵，利用监测指标相关矩阵一定程度上初探各监测指标相关关系，分析叶绿素a含量与各因素间的相关程度。
2.生成主成分特征矩阵；
基于藻华生长的各影响因子相关矩阵，生成主成分特征矩阵，并计算各主成分对影响因子的累积贡献率。
3.基于主成分分析法的主因子选择；
分析主成分累积贡献率，判断累积贡献率是否满足信息抽取精度设置要求(常规设置85％)，若精度满足，则主成分分析结果可以取用，以主成分中因子贡献最大(成分相关系数最大)确定水体中藻类水华进行分析时的主要影响因子，表明这些主因子足以表达藻类水华的变化信息；精度不满足，则返回步骤一，重新数据预处理。
4.预测模型输入输出参数选择
基于主成分分析结果，选择所有主因子为预测模型输入参数，若结果中叶绿素a含量不作为主因子之一，则以叶绿素a含量为输出参数，转步骤三构建预测模型；若结果中叶绿素a含量作为主因子之一，则转步骤四重新定义输出参数，构建预测模型。
步骤三、以叶绿素a含量为输出参数的预测模型构建；
1.BP神经网络结构设置；
以现有的监测数据为分析对象，根据数据结构特征，对BP神经网络的拓扑结构进行设置，确定隐含层层数、神经元数，选择对应传递函数、训练函数、输出函数，并设定最大迭代次数、最小均方误差、学习步长，其中输入层神经元数为输入的主因子数目，输出层神经元数为1，隐含层神经元数可由下列经验公式确定：
式中，K为隐含层神经元数；n，为输入变量数目；a为经验常数。
2.样本数据训练学习；
以主成分分析法选择的主因子为输入参数，叶绿素a含量为输出参数，利用监测得到的有效数据T0～Tn，随机选择学习样本对神经网络进行训练，余下数据作为对比验证对象，构建水体叶绿素a含量预测模型，预测分析藻类生长趋势。
步骤四、以叶绿素a含量变化率为输出参数的预测模型构建；
1.预测模型输出参数构建；
当主成分分析表明，叶绿素a需为模型输入参数，才能够达到藻类水华信息表达的精度要求时，本发明以单位时间内叶绿素a含量的变化率为预测模输出参数，即：
式中，IC为水体中叶绿素含量在t1时刻到t2时刻的瞬时变化率。
下一时刻叶绿素a含量，由下式计算：
式中，当前时刻各监测指标经数据预处理后的监测值，为当前刻水体中叶绿素a含量，为下时刻叶绿素a含量预测值。
2.BP神经网络结构设置；
针对藻华训练数据，对BP神经网络的拓扑结构进行选择，设置隐含层层数，并确定各层神经元数，选择对应传递函数、训练函数、输出函数，并设定最大学习迭代次数、最小均方误差、学习步长，此处可依据步骤三进行初始设置。
3.样本数据训练学习
以主成分分析法选择的主因子为输入参数，叶绿素a含量瞬时变化率为输出参数，利用监测得到的有效数据T0～Tn，随机选择学习样本对神经网络进行训练，余下数据作为对比验证对象，构建水体叶绿素a含量变化率预测模型，间接预测水体叶绿素a含量，预测分析藻类生长趋势。
步骤五、预测精度分析；
分析该流域基BP神经网络的藻类水华预警模型预测精度是否达到设定要求，若不满足要求，返回上一步模型构建调整BP神经网络的结构设置，重新进行样本数据学习；若满足要求，预测模型构建成功，可用以对新监测数据Tn+1进行预测。
分析采用T0～Tn时段构建的预测模型对新增Tn+1时段的藻华预测精度，若预测精度满足要求，可以直接取用；若预测精度不再满足预设要求，新增Tn+1时段监测数据到T0～Tn时段监测数据汇集成T0～Tn+1监测数据库，返回步骤一重新数据预处理，继而重新构建预测模型，直至预测精度满足要求，结束运算。
本发明的优点在于：
1、本发明采用的平滑处理方法，是用各时段监测指标值对监测时段区间积分再求导，有效消除了数据短时波动性影响。
2、利用主成分分析法，对各项监测指标进行了合理性分析，剔除与叶绿素 a含量预测弱相关、重复的影响因素，从而实现对原样本输入降维，有效提高整个网络的训练效率，继而提升藻华的预测精度。
3、当叶绿素a含量作为流域藻华信息表达主因子时，对叶绿素a的单位时间变化量进行预测，没有直接对叶绿素含量进行预测，有效排除了由于叶绿素本身变化而引起变动的监测指标的干扰影响，提高了预测精度。
附图说明
图1基于主成分分析与BP神经网络的藻类水华预测流程图；
图2监测指标监测值与平滑处理值对比图；
图3不同平滑处理方法平滑效果对比图；
图4以叶绿素a含量变化率为输出参数神经网络训练效果图；
图5不同输出的预测模型预测值与实际值对比图；
图6测试集预测值与实际值的相对误差图；
图7以叶绿素a含量为输出参数神经网络训练效果图；
图8因子精简前后预测值与实际值对比图。
具体实施方式
下面结合实施例来进一步说明本发明，但本发明要求保护的范围并不局限于实施例表述的范围。
实施例1
本发明提供一种基于BP神经网络的藻类水华预测方法。如图1所示流程，具体步骤如下：
步骤一、监测数据预处理；
1.数据异常值处理；
采用数据为某水库研究水域监测时段内的PH、氨氮、电导率、水温、溶解氧、叶绿素、淡水蓝绿藻、氧化还原电位、气温、气压、相对湿度、降雨及光强 13项监测指标值，数据抓取频次为每10分钟1次。由于监测数据易受外界干扰，数据随机性大，监测数据会有明显与实际不符的异常值出现。本发明采用肖维勒准则判定样本数据中异常值，即在某项监测数据中，临近时段的n次监测数据，如果某监测值xi与平均值之差的绝对值大于标准偏差与肖维勒系数之积，则该监测数据为异常值。
式中，为某一监测指标样本均值，为样本的标准偏差；由于藻类复杂的生长机理，影响因子变化无法单一严格刻画，肖维勒系数可以按照下列公式近似计算得出：
ωn＝1+0.4ln(n)
针对藻类水华数据的变幅较大特性，肖维勒法剔除异常值时分组样本数n需灵活取值，本文经多次尝试判断，最终确定以样本数500为组，查表肖维勒系数ω500＝3.20进行异常值处理；若判定某点监测数据为异常值，则按照缺失值处理，以临近几点均值代替。
2.数据平滑处理；
除开显著的异常值，无论是人工观测的数据还是数据采集系统获取的数据，不可避免的叠加上“噪音”干扰，需要对数据曲线上的“毛刺”、“尖峰”进行平滑处理。本发明采用的平滑处理方法，是用各时段监测指标值xi对监测时段区间 T0～Tn积分再求导，消除监测数据短时波动性影响，将数据转换为更适合挖掘的模式，即
首先对原始监测数据积分：
再对积分数据进行求导还原：
对所有的监测指标分别进行平滑处理，其中部分数据数据平滑处理前后对比如图2所示。
此处，引入常用的临近加权平均法(AAv)、局部多项式回归法(SG)做平滑处理效果对比，其基本原理如下：
临近加权平均法，以监测点i为计算中心，计算临近k个点的加权平均值作为监测数据xi对应的平滑值：
式中，wij为以监测点i为计算中心的监测点j对应的平滑权重， 由各点到平滑中心点距离权重归一化得到，
局部多项式回归，是基于最小二乘法原理在该点拟合回归的多项式代入值与监测值之差的平方和最小时，确定局部多项式回归效果最佳，平滑值计算公式如下：
式中，是监测点i处附近2m+1个点的局部多项式回归拟合值；平滑系数hj/H由有最小二乘法多项式拟合最优确定。
不同平滑处理方法平滑效果对比，如图3所示，积分求导的平滑处理既保证了高频数据曲线峰值处的尖端平滑，同时较好的还原了数据原始客观趋势。
3.数据类型转换；
将平滑处理后的指标监测数据进行归一化处理，消除监测指标量级及量纲不同可能带来的分析误差影响，归一化公式如下
式中：Xi，第i项监测指标数据归一化后的数值，作为模型输入的数据初始值；第i项监测指标数据平滑处理值；第i项监测指标平滑处理的最小值；第i项监测指标平滑处理的最大值。
步骤二、基于主成分分析法的影响因子分析；
主成分分析是利用降维的思想，在损失很少信息的前提下，研究如何通过原始变量的少数几个线性组合来解释原始变量的绝大部分信息。对该流域藻华生长相关监测数据应用主成分分析，得到各监测指标的相关矩阵以及成分相关矩阵，利用监测指标相关矩阵一定程度上初探各监测指标相关关系，分析叶绿素与各因素间的相关程度；生成成分相关矩阵，得到各成分的主要贡献因素，并进行因子合理性分析，确定该流域藻类生长的主要影响因子。
1.计算各指标相关矩阵
PH、氨氮、电导率、水温、溶解氧、叶绿素、淡水蓝绿藻、氧化还原电位、气温、气压、相对湿度、降雨及光强等13项监测指标进行相关性分析，从各相关指标的关联矩阵中，可以初步的得到水库藻华生长的各监测指标间可能存在的相关关系，为研究藻华预测的主影响因子寻求提供初步探索。分析结果如下表1：
表1：影响因子相关矩阵(部分)
由表1可知，其中pH与溶解氧、氧化还原电位、叶绿素密切相关，水温与气温、叶绿素、氧化还原电位密切相关，溶解氧与叶绿素、pH相关密切相关，氧化还原电位与PH密切相关，气压与气温密切相关，而降雨、相对湿度、氨氮含量与其它监测指标间的相关性较小。此处的相关矩阵并不能完全解释各监测指标间的绝对关系，相关矩阵上显示相关度小的，并不是说该监测指标与其它指标完全无关，比如氨氮含量，由文献可知氮的浓度一定范围内增加是有利于藻类生长，叶绿素含量会增加，但在研究水域的监测期内，氨氮与叶绿素含量间相关性较小，说明在该监测期内，研究水域水体内藻类的生长不受氮营养盐限制，这与水域水体氮含量的基础值较高有关。
总体来说，通过相关矩阵可以一定程度上初探各监测指标相关关系，可以得到叶绿素与各因素间的相关程度都比较显著，且验证监测数据是比较合理，符合实际的。水库藻华生长预测模型建立可以尝试以该流域监测的叶绿素a含量作为藻类水华爆发指示性监测指标。
2.生成主成分特征矩阵
以pH、氨氮、电导率、水温、溶解氧、叶绿素、氧化还原电位、气温、气压、相对湿度、降雨及光强等标准化后监测数据进行主成分分析，分析结果如下表2。
表2：主成分分析结果成分相关矩阵
备注：基于特征值0.6；具有Kaiser标准化的正交旋转法
以pH、氨氮、电导率、水温、溶解氧、叶绿素、氧化还原电位、气温、气压、相对湿度、降雨及光强标准化后数据进行主成分分析，分析成分矩阵可以看出各成分的主要相关因素依次为：叶绿素、气温、光强、气压、降雨、电导率、相对湿度。说明在对水体中藻华生长进行分析时，可采用叶绿素、气温、光强、气压、降雨、电导率、相对湿度等因子代替所有因子。
3.基于主成分分析法的主因子选择
分析结果总解释方差为89.55％，达到预设的基础解释标准85％效果理想可以取用，主成分分析累计贡献率如表3。确定叶绿素a含量、气温、光强、气压、降雨、电导率、相对湿度为该流域藻类生长的主影响因子。
表3：影响因子主成分特征值和贡献率及累计贡献率
4.预测模型输入输出参数选择
基于主成分分析结果，选择主因子叶绿素a含量、气温、光强、气压、降雨、电导率、相对湿度为预测模型输入参数，结果中叶绿素a含量作为主因子之一，转步骤四重新定义输出参数，构建预测模型。
步骤三、以叶绿素a含量变化率为输出参数的预测模型构建；
1.预测模型输出参数构建；
当主成分分析表明，叶绿素a需为模型输入参数，才能够达到藻类水华信息表达的精度要求时，本发明以单位时间内叶绿素a含量的变化量为预测模输出参数，即：
式中，IC为水体中叶绿素含量在t1时刻到t2时刻的瞬时变化率。
下一时刻叶绿素a含量，由下式计算：
式中，当前时刻各监测指标经数据预处理后的监测值，为当前刻水体中叶绿素a含量，为下时刻叶绿素a含量预测值。由于叶绿素时刻变化量与叶绿素含量密切相关，在采用数值方法对其积分求解时，应尽可能选择较小时间步，以减少计算误差，提高计算精度，本发明此处以10min 为一个计算步长。
2.BP神经网络结构设置；
该水域藻华生长的BP神经网络预测模型，如下设置：
a)网络结构选择输入层1层、隐含层1层、输出层1层；
b)隐含层甄选使用tansig传递函数、trainlm训练函数、learngdm阈值学习函数，输出层采用线性传递purelin函数；
c)隐含层神经元数设置为每层12个；
d)设定网络的最大学习迭代次数为1000次；
e)设定网络的最小均方误差0.000001，学习步长0.001；
3.样本数据训练学习
为了规避由于叶绿素本身含量变化引起影响因子监测值变化的干扰影响，提高藻华预测精度，叶绿素a含量变化率为输出参数，以主因子叶绿素a含量、气温、光强、气压、降雨、电导率、相对湿度为输入参数，利用监测得到的有效数据9400余组，随机选择8000组对神经网络进行训练，余下1400余组作为对比验证对象，构建该流域水体叶绿素a含量变化率预测模型，间接预测水体叶绿素 a含量。
步骤四、预测精度分析：
BP神经网络预测结果如下图4所示，基于主成分分析法与BP神经网络综合确定的藻华生长主要影响因子叶绿素、气温、光强、气压作为输入参数，叶绿素含变化量作为输出参数预测精度高达98.6％，预测效果良好。此外，以叶绿素含量为输出参数构建对照模型，两种方案预测值与实际值对比如图5，显然，基于BP神经网络以叶绿素变化率为输出参数的藻类水华的预测模型，预测精度比直接以叶绿素含量为输出参数预测精度更高，规避了由于叶绿素本身含量变化引起影响因子监测值变化的干扰影响。
新增600组监测数据，输入前文9400组数据构建好预测模型，预测精度 98.4％，效果良好可以取用，预测值与实际值的综合相对误差仅为0.105，如图6，不用返回步骤一重新构成原始样本进行训练。
实施例2
一种基于BP神经网络的藻类水华预测方法，所述方法包括以下步骤：
步骤一、监测数据预处理；
采用数据为某水库pH、氨氮、化学需氧量、水温、溶解氧、叶绿素、气压、海平面气压、最高气压、最低气压、最大风速、极大风速、平均风速、温度/气温、最高气温、最低气温、相对湿度、水汽压、最小相对湿度、降雨量及光强等21项监测指标值。此处类似实施例1依次进行数据异常值处理、数据平滑处理以及数据类型转换。
步骤二、基于主成分分析法的影响因子分析；
1.计算各指标相关矩阵
21项监测指标进行相关性分析如表4，从监测指标的关联矩阵中，可以初步的得到水库藻华生长的各监测指标间可能存在的相关关系，为研究藻华预测的主影响因子寻求提供支撑。
表4：影响因子相关矩阵(部分)
由表4可知，其中pH与溶解氧、氨氮、水温、叶绿素密切相关，水温与溶解氧、气压、海平面气压、最高气压、最低气压、温度/气温、最高气温、最低气温、水汽压相关；换而言之，水温主要与PH、气压类及水温类监测指标相关，分析其相互作用时，可以尝试以一项气压类指标代替所有项气压类指标，以一项气温类指标代替所有项气温类指标，避免分析监测指标影响因子时信息重复。此外，溶解氧与叶绿素、pH相关密切相关，风速类指标间同样密切相关，气压类指标与气温类指标密切相关，光强与溶解氧相关，而降雨、相对湿度、氨氮含量、化学需氧量与其它监测指标间的相关性较小。总体来说，通过相关矩阵可以一定程度上初探各监测指标相关关系，可以得到叶绿素与各因素间的相关程度都比较显著，且验证监测数据是比较合理，符合实际的。
2.生成主成分特征矩阵
以pH、氨氮、化学需氧量、水温、溶解氧、叶绿素、气压、海平面气压、最高气压、最低气压、最大风速、极大风速、平均风速、温度/气温、最高气温、最低气温、相对湿度、水汽压、最小相对湿度、降雨量及转化后的光强等21项监测指标数据进行主成分分析。分析结果如下表5。
表5主成分分析结果成分相关矩阵
备注：基于特征值0.6；具有Kaiser标准化的正交旋转法
分析成分矩阵可以看出各成分的主要贡献因素依次为：最高气压、最低气温、极大风速、最小相对湿度、溶解氧、氨氮、化学需氧量及光强。说明在对水体中叶绿素的含量进行分析时，可采用最高气压、最低气温、极大风速、最小相对湿度、溶解氧、氨氮、化学需氧量及光强等因子代替所有因子。
3.基于主成分分析法的影响因子分析
分析结果总解释方差达到93.12％，达到预设的基础解释标准85％效果理想可以取用，主成分分析具体解释方差如表6。确定最高气压、最低气温、极大风速、最小相对湿度、溶解氧、氨氮、化学需氧量及光强为藻华生长的主影响因子。
表6影响因子主成分特征值和贡献率及累计贡献率
| 成分 | 特征值 | 贡献率(％) | 累积贡献率(％) |
| 1 | 6.734 | 32.068 | 32.068 |
| 2 | 3.835 | 18.262 | 50.331 |
| 3 | 2.550 | 12.142 | 62.472 |
| 4 | 2.402 | 11.438 | 73.910 |
| 5 | 1.345 | 6.403 | 80.314 |
| 6 | 1.068 | 5.088 | 85.402 |
| 7 | 0.812 | 3.868 | 89.270 |
| 8 | 0.809 | 3.850 | 93.120 |
备注：提取方法主成分分析法
4.预测模型输入输出参数选择
基于主成分分析结果，选择主因子最高气压、最低气温、极大风速、最小相对湿度、溶解氧、氨氮、化学需氧量及光强为预测模型输入参数，结果中叶绿素a含量不作为主因子之一，转步骤三，直接构建叶绿素a含量预测模型。
步骤三、以叶绿素a含量为输出参数的预测模型构建；
通过主成分分析法，剔除藻华生长的弱相关、重复的信息指标，找出了该流域叶绿素含量预测的主要影响因子：最高气压、最低气温、极大风速、最小相对湿度、溶解氧、氨氮、化学需氧量及光强；以主因子为输入参数，以叶绿素a含量为输出值进行BP神经网络输入输出参数设置。
1.BP神经网络结构设置
该水库藻类水华的BP神经网络预测模型Matlab实现如下设置：
a)网络结构选择输入层1层、隐含层1层、输出层1层；
b)隐含层甄选使用tansig传递函数、trainlm训练函数、learngdm阈值学习函数，输出层采用线性传递purelin函数；
c)隐含层神经元数设置为每层15个；
d)设定网络的最大学习迭代次数为1000次；
e)设定网络的最小均方误差0.000001，学习步长0.001；
2.样本数据训练学习
选择基于主成分分析法筛选的主因子最高气压、最低气温、极大风速、最小相对湿度、溶解氧、氨氮、化学需氧量及光强作为输入参数，叶绿素a含量作为输出参数，利用监测得到的有效数据1500余组，随机选择1200组对神经网络进行训练，余下300余组作为对比验证对象，构建该流域藻华生长预测模型。
步骤五、预测精度分析
BP神经网络预测结果如下图7所示。以主成分分析法在21项监测数据中剔除与叶绿素含量预测弱相关、重复的影响因素，选择最高气压、最低气温、极大风速、最小相对湿度、溶解氧、氨氮、化学需氧量、及光强为主要影响因子，结合BP神经网络对叶绿素a含量进行预测的预测精度高达98.8％。显然，基于主成分分析与BP神经网络藻华预测模型所需参数更少(8个)，极大的简化了训练指标维数，降低海量样本数据的随机性给BP神经网络训练带来可变性影响的机率，有效提升了训练效率，与20项参数输入(92.4％)时对比，预测精度更高，特别是峰值时模拟效果更佳；8参数输入与20参数输入的叶绿素a含量预测值对比如图8所示。
新增200组监测数据，输入前文1500组数据构建好预测模型，预测精度97.6％，效果良好可以取用。不用返回步骤一重新构成原始样本进行训练。
以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部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范围。
Claims (5)
1.一种基于主成分分析与BP神经网络的藻类水华预测方法，其特征在于，所述方法用于基于神经网络分析水体水华主要影响因素，具体包括以下步骤：
步骤一、监测数据预处理；
步骤二、基于主成分分析法的影响因子分析：
(1)计算各指标相关矩阵：
计算各影响因子之间的相关矩阵，利用监测指标相关矩阵一定程度上初探各监测指标相关关系，分析叶绿素与各因素间的相关程度；
(2)生成主成分特征矩阵：
基于藻华生长的各影响因子相关矩阵，生成主成分特征矩阵，并计算各主成分对影响因子的累积贡献率；
(3)基于主成分分析法的主因子选择：
分析主成分累积贡献率，判断累积贡献率是否满足信息抽取精度设置要求(常规设置85％)，若精度满足，则主成分分析结果可以取用，以主成分中因子贡献最大(成分相关系数最大)确定水体中藻类水华进行分析时的主要影响因子，表明这些主因子足以表达藻类水华的变化信息，精度不满足，则返回步骤一，重新数据预处理；
(4)预测模型输入输出参数选择：
基于主成分分析结果，选择所有主因子为预测模型输入参数，若结果中叶绿素a含量不作为主因子之一，则以叶绿素a含量为输出参数，转步骤三构建预测模型；若结果中叶绿素a含量作为主因子之一，则转步骤四重新定义输出参数，构建预测模型；
步骤三、以叶绿素a含量为输出参数的预测模型构建；
(1)BP神经网络结构设置：
以现有的监测数据为分析对象，根据数据结构特征，对BP神经网络的拓扑结构进行设置，确定隐含层层数、神经元数，选择对应传递函数、训练函数、输出函数，并设定最大迭代次数、最小均方误差、学习步长，其中输入层神经元数为输入的主因子数目，输出层神经元数为1，隐含层神经元数可由下列经验公式确定：
式中，K为隐含层神经元数；n，为输入变量数目；a为经验常数；
(2)样本数据训练学习：
以主成分分析法选择的主因子为输入参数，叶绿素a含量为输出参数，利用监测得到的有效数据T0～Tn，随机选择学习样本对神经网络进行训练，余下数据作为对比验证对象，构建水体叶绿素a含量预测模型，预测分析藻类生长趋势；
步骤四、以叶绿素a含量变化率为输出参数的预测模型构建；
(1)预测模型输出参数构建；
当主成分分析表明，叶绿素a需为模型输入参数，才能够达到藻类水华信息表达的精度要求时，本发明以单位时间内叶绿素a含量的变化率为预测模输出参数，即：
式中，IC为水体中叶绿素含量在t1时刻到t2时刻的瞬时变化率；
下一时刻叶绿素a含量，由下式计算：
式中，当前时刻各监测指标经数据预处理后的监测值，为当前刻水体中叶绿素a含量，为下时刻叶绿素a含量预测值；
(2)BP神经网络结构设置：
针对藻华训练数据，对BP神经网络的拓扑结构进行选择，设置隐含层层数，并确定各层神经元数，选择对应传递函数、训练函数、输出函数，并设定最大学习迭代次数、最小均方误差、学习步长，此处可依据步骤三进行初始设置；
(3)样本数据训练学习：
以主成分分析法选择的主因子为输入参数，叶绿素a含量瞬时变化率为输出参数，利用监测得到的有效数据T0～Tn，随机选择学习样本对神经网络进行训练，余下数据作为对比验证对象，构建水体叶绿素a含量变化率预测模型，间接预测水体叶绿素a含量，预测分析藻类生长趋势；
步骤五、预测精度分析；
分析该流域基BP神经网络的藻类水华预警模型预测精度是否达到设定要求，若不满足要求，返回上一步模型构建调整BP神经网络的结构设置，重新进行样本数据学习；若满足要求，预测模型构建成功，可用以对新监测数据Tn+1进行预测。
2.根据权利要求1所述的基于主成分分析与BP神经网络的藻类水华预测方法，其特征在于，所述步骤一具体包括以下步骤：
(1)数据异常值处理：
采用肖维勒准则判定样本数据中异常值，即在某项监测数据中，临近时段的n次监测数据，如果某监测值xi与平均值之差的绝对值大于标准偏差与肖维勒系数之积，则该监测数据为异常值：
式中，为某一监测指标样本均值，为样本的标准偏差；由于藻类复杂的生长机理，影响因子变化无法单一严格刻画，肖维勒系数可以按照下列公式近似计算得出：
ωn＝1+0.4ln(n)，
针对藻类水华数据的变幅较大特性，肖维勒法剔除异常值时分组样本数n需灵活取值；若判定某点监测数据为异常值，则按照缺失值处理，以临近几点均值代替；
(2)数据平滑处理：
采用各时段监测指标值xi对监测时段区间T0～Tn积分再求导平滑方法，消除监测数据短时波动性影响，将数据转换为更适合挖掘的模式，即
首先对原始监测数据积分：
再对积分数据进行求导还原：
(3)数据类型转换：
将平滑处理后的指标监测数据进行极差归一化处理，消除监测指标量级及量纲不同可能带来的分析误差影响，归一化公式如下
式中：Xi，第i项监测指标数据归一化后的数值，作为模型输入的数据初始值；第i项监测指标数据平滑处理值；第i项监测指标平滑处理的最小值；第i项监测指标平滑处理的最大值。
3.根据权利要求1所述的基于主成分分析与BP神经网络的藻类水华预测方法，其特征在于：所述步骤二利用主成分分析法，剔除与叶绿素a含量预测弱相关、重复的影响因子，从而实现对原样本降维，有效提高整个网络的训练效率，继而提升藻华的预测精度。
4.根据权利要求1所述的基于主成分分析与BP神经网络的藻类水华预测方法，其特征在于：步骤四中BP神经网络训练中以叶绿素a含量的变化率为输出参数，减少叶绿素a本身含量变化引起影响因子监测值变化的干扰影响。
5.根据权利要求1所述的基于主成分分析与BP神经网络的藻类水华预测方法，其特征在于：所述步骤五预测精度分析采用T0～Tn时段构建的预测模型对新增Tn+1时段的藻华预测精度，若预测精度满足要求，可以直接取用；若预测精度不再满足预设要求，新增Tn+1时段监测数据到T0～Tn时段监测数据汇集成T0～Tn+1监测数据库，返回步骤一重新数据预处理，继而重新构建预测模型，直至预测精度满足要求，结束运算。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910161161.1A CN110046645A (zh) | 2019-03-04 | 2019-03-04 | 一种基于主成分分析与bp神经网络的藻类水华预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910161161.1A CN110046645A (zh) | 2019-03-04 | 2019-03-04 | 一种基于主成分分析与bp神经网络的藻类水华预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110046645A true CN110046645A (zh) | 2019-07-23 |
Family
ID=67274486
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910161161.1A Pending CN110046645A (zh) | 2019-03-04 | 2019-03-04 | 一种基于主成分分析与bp神经网络的藻类水华预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110046645A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110909949A (zh) * | 2019-11-29 | 2020-03-24 | 山东大学 | 基于聚类-回归算法的近岸海域叶绿素a浓度预测方法 |
| CN112132308A (zh) * | 2020-07-27 | 2020-12-25 | 国网湖南省电力有限公司 | 电网暴雨长期预测关键因子选取方法、装置及预测系统 |
| CN112257277A (zh) * | 2020-10-27 | 2021-01-22 | 天津农学院 | 一种水产品多维生长因子选取方法及应用 |
| CN112365093A (zh) * | 2020-12-01 | 2021-02-12 | 国家海洋信息中心 | 一种基于gru深度学习的多特征因子赤潮预测模型 |
| CN113505926A (zh) * | 2021-07-14 | 2021-10-15 | 同济大学 | 一种基于阻抗预测模型自更新的燃料电池故障预测方法 |
| CN113673143A (zh) * | 2020-05-15 | 2021-11-19 | 中国石油化工股份有限公司 | 存储器、生化需氧量软测量方法、系统和装置 |
| CN113850018A (zh) * | 2021-09-15 | 2021-12-28 | 大连海事大学 | 一种基于机器学习的气动执行机构运行状态预测方法 |
| CN114323162A (zh) * | 2022-03-14 | 2022-04-12 | 青岛清万水技术有限公司 | 壳菜生长数据在线监测的方法、装置和电子设备 |
| CN114417227A (zh) * | 2021-11-16 | 2022-04-29 | 浙江智谱工程技术有限公司 | 一种水体中叶绿素a浓度预测方法 |
| CN115561207A (zh) * | 2022-10-27 | 2023-01-03 | 马鞍山市桓泰环保设备有限公司 | 一种浓度自适应污水检测方法及系统 |
| CN117219165A (zh) * | 2023-11-07 | 2023-12-12 | 北京大学 | 一种利用菌-藻共现网络评价天然水体中新污染物影响的方法 |
| CN117313017A (zh) * | 2023-11-28 | 2023-12-29 | 山东艺林市政园林建设集团有限公司 | 一种彩叶研发数据处理方法及系统 |
| CN117911878A (zh) * | 2024-03-20 | 2024-04-19 | 江西三思检测技术有限公司 | 用于智慧环保管家的污染物预警方法及装置 |
Citations (5)
| 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 |
| CN103678869A (zh) * | 2013-09-17 | 2014-03-26 | 中国人民解放军海军航空工程学院青岛校区 | 一种飞行参数缺失数据的预测估计方法 |
| CN103778406A (zh) * | 2012-10-19 | 2014-05-07 | 佳能株式会社 | 对象检测方法及设备 |
| CN103886218A (zh) * | 2014-04-08 | 2014-06-25 | 北京工商大学 | 基于多元非平稳时间序列分析与神经网络及支持向量机补偿的湖库藻类水华预测方法 |
| CN104063700A (zh) * | 2014-07-04 | 2014-09-24 | 武汉工程大学 | 自然光照正面人脸图像中的眼睛中心点定位的方法 |
-
2019
- 2019-03-04 CN CN201910161161.1A patent/CN110046645A/zh active Pending
Patent Citations (5)
| 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 |
| CN103778406A (zh) * | 2012-10-19 | 2014-05-07 | 佳能株式会社 | 对象检测方法及设备 |
| CN103678869A (zh) * | 2013-09-17 | 2014-03-26 | 中国人民解放军海军航空工程学院青岛校区 | 一种飞行参数缺失数据的预测估计方法 |
| CN103886218A (zh) * | 2014-04-08 | 2014-06-25 | 北京工商大学 | 基于多元非平稳时间序列分析与神经网络及支持向量机补偿的湖库藻类水华预测方法 |
| CN104063700A (zh) * | 2014-07-04 | 2014-09-24 | 武汉工程大学 | 自然光照正面人脸图像中的眼睛中心点定位的方法 |
Non-Patent Citations (5)
| Title |
|---|
| GUALLAR,C ET AL: "Artificial neural network approach to population dynamics of harmful algal blooms in Alfacs Bay (NW Mediterranean): Case studies of Karlodinium and Pseudo-nitzschia", 《ECOLOGICAL MODELLING》 * |
| 毕静宜 等: "靖边气田产量递减规律分析", 《第十四届宁夏青年科学家论坛论文集》 * |
| 蒋定国 等: "不同数据处理策略对Chl-a浓度预测精度的影响", 《人民长江》 * |
| 蒋定国 等: "基于BP神经网络的水体叶绿素ａ浓度预测模型优化研究", 《南水北调与水利科技》 * |
| 赵文喜 等: "基于 BP 神经网络的海河干流叶绿素浓度短时预测研究", 《水利水电技术》 * |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110909949A (zh) * | 2019-11-29 | 2020-03-24 | 山东大学 | 基于聚类-回归算法的近岸海域叶绿素a浓度预测方法 |
| CN110909949B (zh) * | 2019-11-29 | 2023-08-25 | 山东大学 | 基于聚类-回归算法的近岸海域叶绿素a浓度预测方法 |
| CN113673143A (zh) * | 2020-05-15 | 2021-11-19 | 中国石油化工股份有限公司 | 存储器、生化需氧量软测量方法、系统和装置 |
| CN112132308B (zh) * | 2020-07-27 | 2023-07-25 | 国网湖南省电力有限公司 | 电网暴雨长期预测关键因子选取方法、装置及预测系统 |
| CN112132308A (zh) * | 2020-07-27 | 2020-12-25 | 国网湖南省电力有限公司 | 电网暴雨长期预测关键因子选取方法、装置及预测系统 |
| CN112257277A (zh) * | 2020-10-27 | 2021-01-22 | 天津农学院 | 一种水产品多维生长因子选取方法及应用 |
| CN112365093A (zh) * | 2020-12-01 | 2021-02-12 | 国家海洋信息中心 | 一种基于gru深度学习的多特征因子赤潮预测模型 |
| CN113505926A (zh) * | 2021-07-14 | 2021-10-15 | 同济大学 | 一种基于阻抗预测模型自更新的燃料电池故障预测方法 |
| CN113850018B (zh) * | 2021-09-15 | 2022-10-04 | 大连海事大学 | 一种基于机器学习的气动执行机构运行状态预测方法 |
| CN113850018A (zh) * | 2021-09-15 | 2021-12-28 | 大连海事大学 | 一种基于机器学习的气动执行机构运行状态预测方法 |
| CN114417227A (zh) * | 2021-11-16 | 2022-04-29 | 浙江智谱工程技术有限公司 | 一种水体中叶绿素a浓度预测方法 |
| CN114323162B (zh) * | 2022-03-14 | 2022-06-28 | 青岛清万水技术有限公司 | 壳菜生长数据在线监测的方法、装置和电子设备 |
| CN114323162A (zh) * | 2022-03-14 | 2022-04-12 | 青岛清万水技术有限公司 | 壳菜生长数据在线监测的方法、装置和电子设备 |
| CN115561207A (zh) * | 2022-10-27 | 2023-01-03 | 马鞍山市桓泰环保设备有限公司 | 一种浓度自适应污水检测方法及系统 |
| CN117219165A (zh) * | 2023-11-07 | 2023-12-12 | 北京大学 | 一种利用菌-藻共现网络评价天然水体中新污染物影响的方法 |
| CN117219165B (zh) * | 2023-11-07 | 2024-03-08 | 北京大学 | 一种利用菌-藻共现网络评价天然水体中新污染物影响的方法 |
| CN117313017A (zh) * | 2023-11-28 | 2023-12-29 | 山东艺林市政园林建设集团有限公司 | 一种彩叶研发数据处理方法及系统 |
| CN117313017B (zh) * | 2023-11-28 | 2024-02-06 | 山东艺林市政园林建设集团有限公司 | 一种彩叶研发数据处理方法及系统 |
| CN117911878A (zh) * | 2024-03-20 | 2024-04-19 | 江西三思检测技术有限公司 | 用于智慧环保管家的污染物预警方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110046645A (zh) | 一种基于主成分分析与bp神经网络的藻类水华预测方法 | |
| Nadiri et al. | Modelling groundwater level variations by learning from multiple models using fuzzy logic | |
| Ahmadi‐Nedushan et al. | A review of statistical methods for the evaluation of aquatic habitat suitability for instream flow assessment | |
| CN110969346B (zh) | 基于指标筛选的流域水生态功能分区治理需求评价方法 | |
| CN104899653B (zh) | 基于专家系统及蓝藻生长机理时序模型的湖库蓝藻水华预测方法 | |
| CN108874959A (zh) | 一种基于大数据技术的用户动态兴趣模型建立方法 | |
| CN107203810A (zh) | 一种基于深度网络的降水量预测方法 | |
| CN108520345A (zh) | 基于ga-bp神经网络模型的耕地质量评价方法及系统 | |
| CN108764473A (zh) | 一种基于相关分析的bp神经网络用水量预测方法 | |
| CN109919356A (zh) | 一种基于bp神经网络区间需水预测方法 | |
| CN108595803A (zh) | 基于递归神经网络的页岩气井生产压力预测方法 | |
| Elliott et al. | A habitat assessment approach to the management of groundwater dominated rivers | |
| CN114862035B (zh) | 一种基于迁移学习的组合式海湾水温预测方法 | |
| Song et al. | Combining time varying filtering based empirical mode decomposition and machine learning to predict precipitation from nonlinear series | |
| Li et al. | Self-adaptive obtaining water-supply reservoir operation rules: Co-evolution artificial immune system | |
| CN113344130B (zh) | 差异化巡河策略的生成方法及装置 | |
| CN110119165A (zh) | 一种水产养殖池塘溶解氧检测装置 | |
| CN109886454B (zh) | 一种基于自组织深度信念网络和相关向量机的淡水环境水华预测方法 | |
| CN106529816A (zh) | 电力线信道的调整方法和系统 | |
| CN110197704A (zh) | 一种基于受限玻尔兹曼机的自组织bp神经网络出水总磷预测方法 | |
| CN110458722A (zh) | 基于多目标随机向量函数连接网络的洪水区间预报方法 | |
| Meng et al. | An evaluation model of agricultural entrepreneurial ecological environment quality oriented to public health topic using the optimized neural network algorithm | |
| CN114971005A (zh) | 基于lstm与差分回归模型动态加权的海湾水温组合预测方法 | |
| Harris et al. | Alternative approaches to soil erosion prediction and conservation using expert systems and neural networks | |
| Wang | A neural network algorithm based assessment for marine ecological environment |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190723 |