CN110109904B - 一种面向环保大数据的水质软测量方法 - Google Patents
一种面向环保大数据的水质软测量方法 Download PDFInfo
- Publication number
- CN110109904B CN110109904B CN201910283133.7A CN201910283133A CN110109904B CN 110109904 B CN110109904 B CN 110109904B CN 201910283133 A CN201910283133 A CN 201910283133A CN 110109904 B CN110109904 B CN 110109904B
- Authority
- CN
- China
- Prior art keywords
- water quality
- bat
- current
- bat individual
- population
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种面向环保大数据的水质软测量方法,通过采集到水质环保大数据,对水质环保大数据进行清洗和预处理,然后确定水质软测量模型的输入变量和输出变量,再利用人工神经网络来构建环保大数据的水质软测量模型。在建立水质软测量模型时,利用适应性蝙蝠仿生搜索算法来优化设计人工神经网络的参数,提高人工神经网络在新获得的水质数据上的预测能力。本发明能够提高水质软测量的精度。
Description
技术领域
本公开涉及大数据和环保信息处理技术领域,具体涉及一种面向环保大数据的水质软测量方法。
背景技术
随着现代工业的不断发展,人们的生活方式发生了翻天覆地的变化。然而,现代工业的发展也给人们赖以生存的生态环境带来了一定程度上的破坏。当前,世界各国都特别重视环境保护。水是维持生命的必备之物。因此,水环境的保护显得尤为重要。为了保护良好的水环境,人们需要对水质进行测量和监控,动态掌控水质的变化趋势。然而,传统直接利用水的化学和物理特性的水质测量方法需要专业人员来操作,其普适性相对不够,往往需要耗费较大的人力和物力。为此,研究人员提出了基于数学模型的水质软测量方法。水质软测量方法通常是建立水体水质的数学模型,然后利用所建的数学模型来预测水质的变化规律。水质数学模型的建立往往是通过转化成优化问题来求解的。蝙蝠仿生搜索算法是一种受自然界中蝙蝠捕食行为启发而发明的优化算法(Yang,Xin-She.A new metaheuristicbat-inspired algorithm.(2010).Nature inspired cooperative strategies foroptimization(NICSO2010).Springer,Berlin,Heidelberg,65-74.),它已经成功地应用到了许多优化问题中(Jaddi,N.S.,Abdullah,S.,and Hamdan,A.R.(2015).Optimization ofneural network model using modified bat-inspired algorithm.Applied SoftComputing,37,71-86.)。然而,传统蝙蝠仿生搜索算法在优化水质软测量模型时容易出现收敛速度慢,水质软测量精度不足的缺点。
发明内容
本公开提供一种面向环保大数据的水质软测量方法,通过人工神经网络来构建环保大数据的水质软测量模型,利用适应性蝙蝠仿生搜索算法来优化设计人工神经网络的参数。在适应性蝙蝠仿生搜索算法中,将人工神经网络的参数编码成蝙蝠仿生搜索算法的个体,然后利用搜索过程中的反馈信息来适应性地调整蝙蝠仿生搜索算法的当前游走步长,增强蝙蝠仿生搜索算法的性能,从而能够提高水质软测量的精度。
为了实现上述目的,根据本公开的一方面,提供一种面向环保大数据的水质软测量方法,所述方法包括以下步骤:
步骤1,在需要软测量水域内采集环保大数据;
步骤2,对所采集到的环保大数据进行预处理和清洗,然后抽取出清洗后的水质数据集;
步骤3,将清洗后的水质数据集存储为水质样本数据集;
步骤4,对水质样本数据集进行降维;
步骤5,将降维后的水质样本数据集划分为训练样本数据集和测试样本数据集;
步骤6,确定人工神经网络的结构及其需要优化设计的参数;
步骤7,确定人工神经网络的输入变量和输出变量;
步骤8,利用适应性蝙蝠仿生搜索算法来优化设计人工神经网络的参数,并将优化设计得到的人工神经网络设置为水质软测量模型;
步骤9,利用得到的水质软测量模型来进行水质软测量;
其中步骤8所述的适应性蝙蝠仿生搜索算法的具体步骤如下:
步骤8.1,设置种群大小NB,最大频率fMax和最小频率fMin;
步骤8.2,设置当前代数t=0,然后随机产生NB个蝙蝠个体组成初始种群,其中每个蝙蝠个体都随机产生当前位置和当前速度;
步骤8.3,计算每个蝙蝠个体的当前位置的适应值,然后设置每个蝙蝠个体的当前响度和当前脉冲发射率,并保存种群中最优蝙蝠个体的位置GXt;
步骤8.4,设置每个蝙蝠个体的游走步长Lai=URand(0,1),其中蝙蝠个体下标i=1,2,...,NB;URand表示随机实数产生函数;
步骤8.5,按公式(1)计算每个蝙蝠个体的当前游走步长NLai:
其中tpn为[0,1]之间的随机实数;sin为正弦函数;π表示圆周率;MUT为最大代数;
步骤8.6,按公式(2)计算每个蝙蝠个体的下一代速度和下一代位置:
步骤8.8,种群中的每个蝙蝠个体以其当前脉冲发射率为概率执行适应性局部游走操作,其中适应性局部游走操作按公式(3)执行:
步骤8.9,计算每个蝙蝠个体的下一代位置的适应值,并执行接受算子,更新每个蝙蝠个体的当前响度和当前脉冲发射率,然后保存种群中最优蝙蝠个体的位置GXt;
步骤8.10,按公式(4)更新每个蝙蝠个体的游走步长Lai:
其中Fit表示适应值函数;
步骤8.11,设置当前代数t=t+1;然后判断是否满足终止条件,如果不满足终止条件,则转到步骤8.5,否则转到步骤8.12;
步骤8.12,将种群中最优蝙蝠个体的位置GXt解码为人工神经网络的参数。
本公开的有益效果为:本发明提供一种面向环保大数据的水质软测量方法,利用人工神经网络来构建环保大数据的水质软测量模型,并利用适应性蝙蝠仿生搜索算法来优化设计人工神经网络的参数。在适应性蝙蝠仿生搜索算法中,将人工神经网络的参数编码成蝙蝠仿生搜索算法的个体,然后利用搜索过程中的反馈信息来适应性地调整蝙蝠仿生搜索算法的当前游走步长,增强蝙蝠仿生搜索算法的性能,从而能够提高水质软测量的精度。
附图说明
通过对结合附图所示出的实施方式进行详细说明,本公开的上述以及其他特征将更加明显,本公开附图中相同的参考标号表示相同或相似的元素,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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的附图,在附图中:
图1所示为基于适应性蝙蝠仿生搜索算法的流程图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本公开的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为根据本公开的基于适应性蝙蝠仿生搜索算法的流程图,下面结合图1来阐述根据本公开的实施方式的一种面向环保大数据的水质软测量方法。
本公开提出一种面向环保大数据的水质软测量方法,具体包括以下步骤:
步骤1,确定一个水域,然后在该水域内采集环保大数据;
步骤2,对所采集到的环保大数据进行预处理和清洗,然后抽取出清洗后的水质数据集;
步骤3,将清洗后的水质数据集存储为水质样本数据集;
步骤4,利用主成分分析法对水质样本数据集进行降维;
步骤5,将降维后的水质样本数据集划分为训练样本数据集和测试样本数据集;
步骤6,确定人工神经网络的结构为6-5-1的三层感知器神经网络,神经网络共需优化设计41个参数,且神经网络优化设计参数的取值范围为[-1,1];
步骤7,确定人工神经网络的输入变量为溶解氧、电导率、浊度、氧化还原电位、水温和当天的pH值,人工神经网络的输出变量为2天后的pH值;
步骤8,利用适应性蝙蝠仿生搜索算法来优化设计人工神经网络的参数,并将优化设计得到的人工神经网络设置为水质软测量模型;
步骤9,计算水质软测量模型在测试样本数据集的性能,以评估水质软测量模型在新数据样本上的效果,然后利用水质软测量模型实现水质软测量;
进一步地,在步骤8中,利用适应性蝙蝠仿生搜索算法来优化设计人工神经网络的参数的方法为以下步骤:
步骤8.1,设置种群大小NB=50,最大频率fMax=2.5和最小频率fMin=0.1;
步骤8.2,设置当前代数t=0,然后随机产生NB个蝙蝠个体组成初始种群,其中每个蝙蝠个体都随机产生当前位置和当前速度;
步骤8.3,计算每个蝙蝠个体的当前位置的适应值,其中计算适应值的方法为:将每个蝙蝠个体的当前位置解码为人工神经网络的参数,计算神经网络在训练样本数据集的误差,并将计算得到的误差作为适应值;然后设置每个蝙蝠个体的当前响度为0.95,并设置每个蝙蝠个体的当前脉冲发射率为0.85;保存种群中最优蝙蝠个体的位置GXt;
步骤8.4,设置每个蝙蝠个体的游走步长Lai=URand(0,1),其中蝙蝠个体下标i=1,2,...,NB;URand表示随机实数产生函数;
步骤8.5,按公式(1)计算每个蝙蝠个体的当前游走步长NLai:
其中tpn为[0,1]之间的随机实数;sin为正弦函数;π表示圆周率;MUT为最大代数,并且MUT=10000;
步骤8.6,按公式(2)计算每个蝙蝠个体的下一代速度和下一代位置:
步骤8.8,种群中的每个蝙蝠个体以其当前脉冲发射率为概率执行适应性局部游走操作,其中适应性局部游走操作按公式(3)执行:
步骤8.9,计算每个蝙蝠个体的下一代位置的适应值,并执行接受算子,更新每个蝙蝠个体的当前响度和当前脉冲发射率,然后保存种群中最优蝙蝠个体的位置GXt;
步骤8.10,按公式(4)更新每个蝙蝠个体的游走步长Lai:
其中Fit表示适应值函数;
步骤8.11,设置当前代数t=t+1;如果t小于或等于10000,则转到步骤8.5,否则转到步骤8.12;
步骤8.12,将种群中最优蝙蝠个体的位置GXt解码为人工神经网络的参数。
根据本专利的一种实施例,例如,环保大数据包括但不限于:通过传感器采集的溶解氧、电导率、浊度、氧化还原电位、水温和pH值的物理量数据。
Claims (1)
1.一种面向环保大数据的水质软测量方法,所述方法包括以下步骤:
步骤1,在需要软测量水域内采集环保大数据;
步骤2,对所采集到的环保大数据进行预处理和清洗,然后抽取出清洗后的水质数据集;
步骤3,将清洗后的水质数据集存储为水质样本数据集;
步骤4,对水质样本数据集进行降维;
步骤5,将降维后的水质样本数据集划分为训练样本数据集和测试样本数据集;
步骤6,确定人工神经网络的结构及其需要优化设计的参数;
步骤7,确定人工神经网络的输入变量和输出变量;
步骤8,利用适应性蝙蝠仿生搜索算法来优化设计人工神经网络的参数,并将优化设计得到的人工神经网络设置为水质软测量模型;
步骤9,利用得到的水质软测量模型来进行水质软测量;
其特征在于,步骤8所述的适应性蝙蝠仿生搜索算法的具体步骤如下:
步骤8.1,设置种群大小NB,最大频率fMax和最小频率fMin;
步骤8.2,设置当前代数t=0,然后随机产生NB个蝙蝠个体组成初始种群,其中每个蝙蝠个体都随机产生当前位置和当前速度;
步骤8.3,计算每个蝙蝠个体的当前位置的适应值,然后设置每个蝙蝠个体的当前响度和当前脉冲发射率,并保存种群中最优蝙蝠个体的位置GXt;
步骤8.4,设置每个蝙蝠个体的游走步长Lai=URand(0,1),其中蝙蝠个体下标i=1,2,...,NB;URand表示随机实数产生函数;
步骤8.5,按公式(1)计算每个蝙蝠个体的当前游走步长NLai:
其中tpn为[0,1]之间的随机实数;sin为正弦函数;π表示圆周率;MUT为最大代数;
步骤8.6,按公式(2)计算每个蝙蝠个体的下一代速度和下一代位置:
步骤8.8,种群中的每个蝙蝠个体以其当前脉冲发射率为概率执行适应性局部游走操作,其中适应性局部游走操作按公式(3)执行:
步骤8.9,计算每个蝙蝠个体的下一代位置的适应值,并执行接受算子,更新每个蝙蝠个体的当前响度和当前脉冲发射率,然后保存种群中最优蝙蝠个体的位置GXt;
步骤8.10,按公式(4)更新每个蝙蝠个体的游走步长Lai:
其中Fit表示适应值函数;
步骤8.11,设置当前代数t=t+1;然后判断是否满足终止条件,如果不满足终止条件,则转到步骤8.5,否则转到步骤8.12;
步骤8.12,将种群中最优蝙蝠个体的位置GXt解码为人工神经网络的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910283133.7A CN110109904B (zh) | 2019-04-10 | 2019-04-10 | 一种面向环保大数据的水质软测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910283133.7A CN110109904B (zh) | 2019-04-10 | 2019-04-10 | 一种面向环保大数据的水质软测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110109904A CN110109904A (zh) | 2019-08-09 |
CN110109904B true CN110109904B (zh) | 2022-02-22 |
Family
ID=67484044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910283133.7A Active CN110109904B (zh) | 2019-04-10 | 2019-04-10 | 一种面向环保大数据的水质软测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110109904B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110610261B (zh) * | 2019-08-23 | 2023-02-28 | 广东奥博信息产业股份有限公司 | 基于神经网络的水体溶解氧预测方法 |
CN113297788B (zh) * | 2021-05-12 | 2022-08-23 | 广东奥博信息产业股份有限公司 | 一种基于改进神经网络的水质软测量方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106339573A (zh) * | 2016-07-24 | 2017-01-18 | 江西理工大学 | 人工蜂群优化的稀土矿区地下水总氮浓度软测量方法 |
CN106384153A (zh) * | 2016-09-18 | 2017-02-08 | 河海大学常州校区 | 基于ba‑bpnn数据融合的wsan执行器任务分配方法 |
CN106645620A (zh) * | 2016-12-23 | 2017-05-10 | 江西理工大学 | 应用混合差分演化的稀土矿区农田水体bod软测量方法 |
-
2019
- 2019-04-10 CN CN201910283133.7A patent/CN110109904B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106339573A (zh) * | 2016-07-24 | 2017-01-18 | 江西理工大学 | 人工蜂群优化的稀土矿区地下水总氮浓度软测量方法 |
CN106384153A (zh) * | 2016-09-18 | 2017-02-08 | 河海大学常州校区 | 基于ba‑bpnn数据融合的wsan执行器任务分配方法 |
CN106645620A (zh) * | 2016-12-23 | 2017-05-10 | 江西理工大学 | 应用混合差分演化的稀土矿区农田水体bod软测量方法 |
Non-Patent Citations (1)
Title |
---|
Optimizing wastewater pumping system with data-driven models and a greedy electromagnetism-like algorithm;Zeng, Y., et al.;《Stoch Environ Res Risk Assess》;20150626(第30期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110109904A (zh) | 2019-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110751318B (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN112365885B (zh) | 唤醒模型的训练方法、装置和计算机设备 | |
CN110109904B (zh) | 一种面向环保大数据的水质软测量方法 | |
CN109871542B (zh) | 一种文本知识提取方法、装置、设备及存储介质 | |
Li et al. | IA-AIS: An improved adaptive artificial immune system applied to complex optimization problems | |
CN110987436B (zh) | 基于激励机制的轴承故障诊断方法 | |
CN107705556A (zh) | 一种基于支持向量机和bp神经网络结合的交通流预测方法 | |
CN108764588A (zh) | 一种基于深度学习的温度影响电力预测方法 | |
CN111460001B (zh) | 一种配电网理论线损率评估方法及系统 | |
CN112885415A (zh) | 基于分子表面点云的雌激素活性快速筛查方法 | |
Li et al. | Online self-learning stochastic configuration networks for nonstationary data stream analysis | |
CN113151842B (zh) | 风光互补电解水制氢的转化效率的确定方法和确定装置 | |
Wen et al. | MapReduce-based BP neural network classification of aquaculture water quality | |
CN110610261B (zh) | 基于神经网络的水体溶解氧预测方法 | |
CN115217152B (zh) | 一种沉管隧道管节接头张合变形的预测方法及装置 | |
CN110929809A (zh) | 一种特征自增强的循环神经网络的污水关键水质指标软测量方法 | |
CN114417740B (zh) | 一种深海养殖态势感知方法 | |
CN111583990B (zh) | 一种结合稀疏回归和淘汰规则的基因调控网络推断方法 | |
CN114139783A (zh) | 基于非线性加权组合的风电短期功率预测方法及装置 | |
CN114864015A (zh) | 水体富营养化检测方法、装置、设备及存储介质 | |
CN113991752A (zh) | 一种电网准实时智能控制方法及系统 | |
CN112529637A (zh) | 基于情景感知的服务需求动态预测方法及系统 | |
Yin et al. | Prediction model of dissolved oxygen in marine pasture based on hybrid gray wolf algorithm optimized support vector regression | |
CN111340648A (zh) | 一种基于物联网的能源管控方法及系统 | |
CN111260264B (zh) | 一种资源型城市生态安全预警的方法及装置 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Soft Measurement Method of Water Quality for Environmental Protection Big Data Effective date of registration: 20220930 Granted publication date: 20220222 Pledgee: Guangdong Shunde Rural Commercial Bank Co.,Ltd. science and technology innovation sub branch Pledgor: GUANGDONG OKING INFORMATION INDUSTRY CO.,LTD. Registration number: Y2022980017199 |