CN112529147A - 断面水质中的氨氮含量预测方法及装置 - Google Patents
断面水质中的氨氮含量预测方法及装置 Download PDFInfo
- Publication number
- CN112529147A CN112529147A CN202011120923.2A CN202011120923A CN112529147A CN 112529147 A CN112529147 A CN 112529147A CN 202011120923 A CN202011120923 A CN 202011120923A CN 112529147 A CN112529147 A CN 112529147A
- Authority
- CN
- China
- Prior art keywords
- water quality
- model
- quality factor
- layer
- ammonia nitrogen
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 271
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 64
- 239000013598 vector Substances 0.000 claims abstract description 59
- 230000006870 function Effects 0.000 claims description 50
- 238000012549 training Methods 0.000 claims description 46
- 238000004590 computer program Methods 0.000 claims description 12
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 239000001301 oxygen Substances 0.000 claims description 10
- 229910052760 oxygen Inorganic materials 0.000 claims description 10
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 4
- 229910052757 nitrogen Inorganic materials 0.000 claims description 4
- 229910052698 phosphorus Inorganic materials 0.000 claims description 4
- 239000011574 phosphorus Substances 0.000 claims description 4
- 239000002352 surface water Substances 0.000 claims 1
- 210000005036 nerve Anatomy 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 230000001537 neural effect Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 239000000126 substance Substances 0.000 description 4
- 101000742844 Homo sapiens RNA-binding motif protein, Y chromosome, family 1 member A1 Proteins 0.000 description 3
- 102100038040 RNA-binding motif protein, Y chromosome, family 1 member A1 Human genes 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 101001046999 Homo sapiens Kynurenine-oxoglutarate transaminase 3 Proteins 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 229940114123 ferulate Drugs 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000007800 oxidant agent Substances 0.000 description 2
- 230000001590 oxidative effect Effects 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000002378 acidificating effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005842 biochemical reaction Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- -1 hydrogen ions Chemical class 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 229910052748 manganese Inorganic materials 0.000 description 1
- 239000011572 manganese Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 239000012286 potassium permanganate Substances 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Food Science & Technology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种断面水质中的氨氮含量预测方法及装置,该方法包括:将待预测水质区域的当前水质因子输入到DBN模型,输出当前水质因子的特征向量;将当前水质因子的特征向量输入到LSSVR模型,输出所述待预测水质区域的氨氮含量;其中,所述DBN模型和LSSVR模型根据预先获取的历史水质因子和所述历史水质因子对应的预先获取的氨氮含量进行训练获取。本发明实施例将DBN模型和LSSVR模型结合,实现降低当前水质因子的维度的同时,从当前水质因子中深度挖掘和提取影响氨氮含量的本质特征,有效提高水质中的氨氮含量预测精度。
Description
技术领域
本发明涉及水质信息处理技术领域,尤其涉及一种断面水质中的氨氮含量预测方法及装置。
背景技术
水是人类的生命之源,对水资源进行保护具有重要意义。但是随着城市化和工业化进程的加速、农业化肥和农药的使用以及和人口的快速增长,水资源污染的问题变得越来越严重。准确预测重要水体的水质变化趋势对采取治理措施和建立决策预警机制具有重要意义。
目前,预测水质的模型主要分为机理性水质预测模型和非机理性水质预测模型。机理性水质预测模型较为复杂,通过系统结构数据模拟得出模型,需要考虑物理、化学和生物等外界环境对水体作用的影响,很难建立准确的预测模型。非机理性水质预测模型是一种黑箱形式的数据驱动模型,通过统计学方法或其他数学方法建立模型。非机理性水质预测模型不仅能够快速输出结果,而且在计算过程中不需要考虑研究对象的物理机理而得到广泛的应用。
现有的非机理性水质预测方法主要有水质模拟模型预测法、回归拟合法、时间序列法、灰色理论法和人工神经网络等方法。通常水质数据为非线性的高维数据,采用这些方法只能学习到水质数据的浅层特征,导致水质预测精度低。
发明内容
本发明实施例提供一种断面水质中的氨氮含量预测方法及装置,用以解决现有技术中只能学习到水质数据的浅层特征,导致水质预测精度低的缺陷,实现对水质的准确预测。
本发明实施例提供一种断面水质中的氨氮含量预测方法,包括:
将待预测水质区域的当前水质因子输入到DBN模型,输出当前水质因子的特征向量;
将当前水质因子的特征向量输入到LSSVR模型,输出所述待预测水质区域的氨氮含量;
其中,所述DBN模型和LSSVR模型根据预先获取的历史水质因子和所述历史水质因子对应的预先获取的氨氮含量进行训练获取。
根据本发明一个实施例的断面水质中的氨氮含量预测方法,所述将待预测水质区域的当前水质因子输入到DBN模型,输出特征向量;将当前水质因子的特征向量输入到LSSVR模型,输出所述待预测水质区域的氨氮含量之前,还包括:
将所述历史水质因子输入到所述DBN模型中,对所述DBN模型进行训练;
将所述历史水质因子再次输入到训练后的DBN模型中,将所述DBN模型输出的所述历史水质因子的特征向量输入到所述LSSVR模型中,对所述DBN模型和LSSVR模型进行训练。
根据本发明一个实施例的断面水质中的氨氮含量预测方法,所述将所述历史水质因子输入到所述DBN模型中,对所述DBN模型进行训练,包括:
将所述历史水质因子输入所述DBN模型的第一层RBM网络,基于能量函数训练所述第一层RBM网络,直到所述能量函数收敛;
将训练后的第一层RBM网络的输出作为所述DBN模型的第二层RBM网络输入,基于所述能量函数训练所述第二层RBM网络,直到所述能量函数收敛;
将训练后的第二层RBM网络的输出作为所述DBN模型的第三层RBM网络输入,基于所述能量函数训练所述第三层RBM网络,直到所述能量函数收敛。
根据本发明一个实施例的断面水质中的氨氮含量预测方法,所述能量函数的公式为:
其中,vi表示任一层RBM网络中第一层的第i个单元的输入,hj表示该层RBM网络中第二层的第j个单元的输入,wij为所述第一层的第i个单元和所述第二层的第j个单元之间的连接权重,ai和bj分别表示所述第一层的第i个单元的偏置和所述第二层的第j个单元的偏置,θ={wij,ai,bj}是该层RBM网络的参数,m表示该层RBM网络中第一层单元的总数量,n表示该层RBM网络中第二层单元的总数量,E(v,h|θ)表示该层RBM网络的参数为θ,第一层的输入为v,第二层的输入为h时的能量函数值。
根据本发明一个实施例的断面水质中的氨氮含量预测方法,所述将所述历史水质因子再次输入到训练后的DBN模型中,将所述DBN模型输出的所述历史水质因子的特征向量输入到所述LSSVR模型中,对所述DBN模型和LSSVR模型进行训练,包括:
将训练后的DBN模型的输出作为所述LSSVR模型的输入,获取所述LSSVR模型输出的氨氮含量;
计算所述LSSVR模型输出的水质氨氮含量与所述历史水质因子对应的预先获取的氨氮含量之间的偏差;
根据所述偏差对所述LSSVR模型的参数和训练后的DBN模型的参数进行更新,直到满足预设结束条件。
根据本发明一个实施例的断面水质中的氨氮含量预测方法,所述将所述历史水质因子输入到所述DBN模型中,对所述DBN模型进行训练之前,还包括:
对所述历史水质因子进行预处理;
其中,所述预处理包括基于拉依达准则对所述历史水质因子中的异常数据进行剔除、基于K近邻补全算法对所述历史水质因子中的空缺值进行补全和对所述历史水质因子进行归一化处理中的一种或多种。
根据本发明一个实施例的断面水质中的氨氮含量预测方法,所述当前水质因子包括水温、PH值、溶解氧量、生化需氧量、电导率、浊度、高猛酸盐指数、总磷含量和总氮含量中的一种或多种。
本发明实施例还提供一种断面水质中的氨氮含量预测装置,包括:
学习模块,用于将待预测水质区域的当前水质因子输入到DBN模型,输出当前水质因子的特征向量;
预测模块,用于将当前水质因子的特征向量输入到LSSVR模型,输出所述待预测水质区域的氨氮含量;其中,所述DBN模型和LSSVR模型根据预先获取的历史水质因子和所述历史水质因子对应的预先获取的氨氮含量进行训练获取。
本发明实施例还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述断面水质中的氨氮含量预测方法的步骤。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述断面水质中的氨氮含量预测方法的步骤。
本发明实施例提供的断面水质中的氨氮含量预测方法及装置,通过使用DBN模型根据输入的待预测水质区域的当前水质因子提取当前水质因子的特征向量,将提取的特征向量输入LSSVR模型预测氨氮含量,可以降低当前水质因子的维度,从当前水质因子中深度挖掘和提取影响氨氮含量的本质特征,有效提高水质中的氨氮含量预测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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。
图1是本发明实施例提供的一种断面水质中的氨氮含量预测方法的流程示意图;
图2是本发明实施例提供的一种断面水质中的氨氮含量预测方法中DBN模型的结构示意图;
图3是本发明实施例提供的一种断面水质中的氨氮含量预测方法中DBN模型和LSSVR模型训练的流程示意图;
图4是本发明实施例提供的一种断面水质中的氨氮含量预测方法中DBN模型和LSSVR模型训练的完整流程示意图;
图5是本发明实施例提供的一种断面水质中的氨氮含量预测装置的结构示意图;
图6是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动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。
下面结合图1描述本发明实施例的断面水质中的氨氮含量预测方法,包括:步骤101,将待预测水质区域的当前水质因子输入到DBN模型,输出当前水质因子的特征向量;
其中,DBN(Deep Belief Network,深度信念网络)模型是深度学习中的一种概率生成模型,由多层RBM(Restricted Boltzmann Machine,限制波尔兹曼机)网络叠加组成,DBN模型的结构图如图2所示。每层RBM网络包含两层,第一层是可视层,第二层是隐含层。每层RBM网络各神经单元之间无连接,可视层的每个神经单元与隐藏层的每个神经单元通过权值连接。
将待预测水质区域的当前水质因子输入DBN模型,DBN模型中的RBM网络通过自底向上的方式对输入的当前水质因子逐层进行特征提取。DBN模型的最后一层RBM网络输出整个DBN模型对当前水质因子学习的特征向量。其中,DBN模型的每一层RBM网络都会对输入信息进行特征提取并降低维度,输出特征向量。通过将当前水质因子输入到DBN模型逐层进行学习,可以深度挖掘和提取水质因子的本质特征。
步骤102,将当前水质因子的特征向量输入到LSSVR模型,输出所述待预测水质区域的氨氮含量;其中,所述DBN模型和LSSVR模型根据预先获取的历史水质因子和所述历史水质因子对应的预先获取的氨氮含量进行训练获取。
其中,LSSVR(Least Square Support Vector Regression,最小二乘支持向量回归)模型是一种以统计学理论和结构风险最小化准则为基础的机器学习算法。LSSVR模型通过等式约束替换不等式约束,将损失函数和误差平方作为训练集的经验损失,将解二次规划问题转化为求解线性方程组问题,可以有效提高计算的速度。LSSVR模型的数学模型的计算公式如下:
其中,最小函数min函数与J(ω,ξ)组合的含义是LSSVR模型优化的目标函数,ω为权重向量,ωT为权重向量的转置,C∈R+是正则化参数,l为历史水质因子的样本总量,ξ为l个历史水质因子样本的经验误差向量,s.t.是约束条件,yi∈Rl为LSSVR模型的输出向量,是输入空间向特征空间的非线性映射,xi∈Rl为LSSVR模型的输入向量,μ为偏置,ξi为第i个历史水质因子的样本的经验误差。其中,ξi可以通过经验设置,也可以通过优化算法计算获取。
使用LSSVR模型根据DBN模型输出的特征向量对待预测水质区域的氨氮含量进行预测。在预测氨氮含量之前需要对DBN模型和LSSVR模型进行训练。即根据预先获取的历史水质因子和其对应的预先获取的氨氮含量对DBN模型和LSSVR模型的参数进行动态调整,直到DBN模型和LSSVR模型的参数最优,将参数最优的DBN模型和LSSVR模型作为最终的预测模型对待预测水质区域的氨氮含量进行预测。
预测待预测水质区域的氨氮含量后,为了获得氨氮含量预测结果的准确率,将预测的氨氮含量与预先获取的氨氮含量进行对比,并采用如下评价函数评估模型的预测性能:
其中,MAE为平均绝对误差,MAPE是平均绝对百分比误差,RMSE是均方根误差,R2是确定系数。n为预测的氨氮含量的数量,yi为第i个预先获取的氨氮含量,为第i个预测的氨氮含量,为n个预先获取的氨氮含量的平均值,为n个预测的氨氮含量的平均值。
本实施例通过使用DBN模型根据输入的待预测水质区域的当前水质因子提取当前水质因子的特征向量,将提取的特征向量输入LSSVR模型预测氨氮含量,可以降低当前水质因子的维度,从当前水质因子中深度挖掘和提取影响氨氮含量的本质特征,有效提高水质中的氨氮含量预测精度。
在上述实施例的基础上,本实施例中所述将待预测水质区域的当前水质因子输入到DBN模型,输出特征向量;将当前水质因子的特征向量输入到LSSVR模型,输出所述待预测水质区域的氨氮含量之前,还包括:将所述历史水质因子输入到所述DBN模型中,对所述DBN模型进行训练;将所述历史水质因子再次输入到训练后的DBN模型中,将所述DBN模型输出的所述历史水质因子的特征向量输入到所述LSSVR模型中,对所述DBN模型和LSSVR模型进行训练。
具体地,在预测氨氮含量之前需要对DBN模型和LSSVR模型进行训练。首先,将历史水质因子输入到DBN模型中,通过无监督学习对DBN模型进行初步训练。通过对DBN模型进行初步训练可以获取DBN模型的初始参数。获取的初始参数是该DBN模型的每层RBM网络的最优参数,相对于DBN模型和LSSVR模型整个预测模型,该初始参数不是最优参数。
为了使得训练DBN模型和LSSVR模型后获取的参数为整个预测模型的最优参数,获取DBN模型的初始参数之后还需要对DBN模型和LSSVR模型进行整体训练。即,将历史水质因子再次输入到初始训练后的DBN模型中,获取该DBN模型的输出;然后将DBN模型的输出作为LSSVR模型的输入,通过顶层LSSVR模型自顶向下传播至该DBN模型每一层RBM网络,迭代更新初步训练后的DBN网络的参数和LSSVR模型的参数,直到训练完成。通过对DBN模型初步训练可以获得各层RBM网络最优的初始参数,然后再对初步训练的DBN模型进行微调,有效克服因随机设置初始参数容易陷入局部最优的问题,从而使得预测结果更加准确。
在上述实施例的基础上,本实施例中所述将所述历史水质因子输入到所述DBN模型中,对所述DBN模型进行训练,包括:将所述历史水质因子输入所述DBN模型的第一层RBM网络,基于能量函数训练所述第一层RBM网络,直到所述能量函数收敛;将训练后的第一层RBM网络的输出作为所述DBN模型的第二层RBM网络输入,基于所述能量函数训练所述第二层RBM网络,直到所述能量函数收敛;将训练后的第二层RBM网络的输出作为所述DBN模型的第三层RBM网络输入,基于所述能量函数训练所述第三层RBM网络,直到所述能量函数收敛。
具体地,DBN模型是由多层RBM网络叠加组成。其中,每个低层RBM网络的输出作为高一层RBM网络的输入。如图2所示为DBN模型的结构图,该DBN模型由三层RBM网络叠加组成,分别为RBM1、RBM2和RBM3。其中,RBM1的隐含层作为RBM2的输入层。
DBN模型初步训练时,通过无监督训练每层RBM网络。首先基于能量函数对DBN模型第一层RBM网络进行训练,直到能量函数收敛,获得该层RBM网络的参数。然后该层训练后的RBM网络输出的特征向量作为下一层RBM网络的输入,采用与该层RBM网络相同的训练方法训练下一层RBM网络。通过逐层训练可以得到每层RBM网络的最优参数。将所有层RBM网络训练得到的最优参数作为DBN模型的初始参数。其中,初始参数包括初始化学习率、迭代次数以及各层的神经单元数量、权重和阈值。
在上述实施例的基础上,本实施例中所述能量函数的公式为:
其中,vi表示任一层RBM网络中第一层的第i个单元的输入,hj表示该层RBM网络中第二层的第j个单元的输入,wij为所述第一层的第i个单元和所述第二层的第j个单元之间的连接权重,ai和bj分别表示所述第一层的第i个单元的偏置和所述第二层的第j个单元的偏置,θ={wij,ai,bj}是该层RBM网络的参数,m表示该层RBM网络中第一层单元的总数量,n表示该层RBM网络中第二层单元的总数量,E(v,h|θ)表示该层RBM网络的参数为θ,第一层的输入为v,第二层的输入为h时固定时该层RBM网络处于状态(v,h)的能量函数值。
具体地,DBN模型初步训练时每一层RBM网络都基于能量函数进行训练。当任一层RBM网络参数θ固定时,基于该能量函数可以得到该层RBM网络的第一层v与第二层h的联合概率分布为:
其中,P(v,h|θ)表示θ固定时,RBM网络的第一层v与第二层h的联合概率分布,E(v,h|θ)表示RBM网络的能量函数。
RBM网络的第一层v或第二层h中每个神经单元通过激活概率决定该神经单元是否激活。当RBM网络的第一层v的状态已知时,RBM网络的第二层h的第j个神经单元的激活概率为:
其中,为sigmoid函数,x为变量;hj表示第二层h的第j个神经单元,hj=1表示hj处于激活,θ是该层RBM网络的参数,bj表示hj的偏置,vi是RBM网络的第一层v的第i个神经单元,wij为vi和hj之间的连接权重。
当RBM网络的第二层h的状态已知时,RBM网络的第一层v的第i个神经单元vi的激活概率为:
获取该RBM网络的第一层v和第二层h中各神经单元的激活概率后,根据获取的激活概率采用吉布斯采样,抽取该RBM网络的第一层的神经单元和该RBM网络的第二层的神经单元。根据抽取的神经单元重构该RBM网络的第一层和第二层。计算重构前和重构后该RBM网络的第一层和第二层的分布差异。采用对比散度算法根据分布差异对该RBM网络的参数进行更新,直到能量函数收敛,获得该层RBM网络的最优的初始参数。
在上述实施例的基础上,本实施例中所述将所述历史水质因子再次输入到训练后的DBN模型中,将所述DBN模型输出的所述历史水质因子的特征向量输入到所述LSSVR模型中,对所述DBN模型和LSSVR模型进行训练,包括:将训练后的DBN模型的输出作为所述LSSVR模型的输入,获取所述LSSVR模型输出的氨氮含量;计算所述LSSVR模型输出的水质氨氮含量与所述历史水质因子对应的预先获取的氨氮含量之间的偏差;所述偏差对所述LSSVR模型的参数和训练后的DBN模型的参数进行更新,直到满足预设结束条件。
具体地,将初步训练的DBN模型输出的特征向量输入LSSVR模型输出氨氮含量。将输出的氨氮含量与预先获取的氨氮含量相减得到相应的偏差。将偏差通过顶层LSSVR模型自顶向下传播到每一层RBM网络,对DBN模型的参数和LSSVR模型的参数进行迭代更新,直到满足预设结束条件。将最后一次迭代更新的参数作为DBN模型和LSSVR模型的优化参数。其中,预设结束条件为DBN模型和LSSVR模型的迭代更新次数达到预设的循环次数或者DBN模型和LSSVR模型输出的误差小于预设的阈值。如图3所示为DBN模型和LSSVR模型训练的流程示意图。
在上述各施例的基础上,本实施例中所述将所述历史水质因子输入到所述DBN模型中,对所述DBN模型进行训练之前,还包括:对所述历史水质因子进行预处理;其中,所述预处理包括基于拉依达准则对所述历史水质因子中的异常数据进行剔除、基于K近邻补全算法对所述历史水质因子中的空缺值进行补全和对所述历史水质因子进行归一化处理中的一种或多种。
具体地,预先获取的历史水质因子可以通过物联网采集设备获取。由于设备误差、设备故障和人为因素等都会造成采集的历史水质因子数据缺失或者数据异常。所以将历史水质因子输入到DBN模型进行训练之前需要对其进行预处理。
其中,输入的历史水质因子包含多个输入信息。每个时刻采集的多个输入信息组成一个向量,作为一个样本。通过采用拉依达准则可以对设备采集的历史水质因子对应的任一个输入信息进行异常值检测,拉伊达准则的计算公式如下:
还可以对设备采集的历史水质因子的空缺值进行填补。首先采用K近邻算法选取与历史水质因子的空缺值相邻的k个相邻样本。其中,该相邻样本为不含空缺值的样本。由于该k个相邻样本具有高相似性,可以将该k个相邻样本的平均值补全历史水质因子的空缺值。选取k个相邻样本时,可以采用欧式距离判断任意两个不含空缺值样本之间的距离,欧式距离的计算公式如下:
其中,d(Xi,Xj)表示第j个样本和第i个样本的欧式距离,m表示某个样本对应的输入信息的数量,xir表示第i个样本的第r输入信息,xjr表示第j个样本的第r输入信息,Xi={xi1,xi2…,xim}表示第i个样本包含的m个输入信息。
此外,为了减少历史水质因子因量纲不同对预测结果造成影响,还可以对历史水质因子对应的多个输入信息进行归一化处理,使得历史水质因子对应的归一化后的多个输入信息位于[0,1]范围内;其中,历史水质因子的某个输入信息的第i样本的归一化计算公式如下:
可以对设备采集的历史水质因子采用上述任一种预处理方法进行预处理,也可以将上述多种预处理方法结合对设备采集的历史水质因子进行预处理。本实施例不限于对设备采集的历史水质因子进行预处理的方法。获取预处理后的历史水质因子后,根据历史水质因子对应的预处理后的多个输入信息和历史水质因子对应的预先获取的氨氮含量对DBN和LSSVR预测模型进行训练。如图4所示为DBN模型和LSSVR模型训练的整体的流程示意图。
在上述各例的基础上,本实施例中所述当前水质因子包括水温、PH值、溶解氧量、生化需氧量、电导率、浊度、高猛酸盐指数、总磷含量和总氮含量中的一种或多种。
其中,当前水质因子是在当前时刻在待预测水质区域中采集的对氨氮含量有影响的多个可测参数。PH值是指溶液中氢离子的总数和总物质的量的比值。生化需氧量是指在一定条件下,微生物分解存在于水中的可生化降解有机物所进行的生物化学反应过程中所消耗的溶解氧的数量。高猛酸盐指数是指在酸性或碱性介质中,以高锰酸钾为氧化剂,处理水样时所消耗的氧化剂的量。
下面对本发明实施例提供的断面水质中的氨氮含量预测装置进行描述,下文描述的断面水质中的氨氮含量预测装置与上文描述的断面水质中的氨氮含量预测方法可相互对应参照。
如图5所示,本实施例提供的断面水质中的氨氮含量预测装置,包括学习模块501和预测模块502,其中:
学习模块501用于将待预测水质区域的当前水质因子输入到DBN模型,输出当前水质因子的特征向量;
其中,DBN模型是深度学习中的一种概率生成模型,由多层RBM网络叠加组成,DBN模型的结构图如图2所示。每层RBM网络包含两层,第一层是可视层,第二层是隐含层。每层RBM网络各神经单元之间无连接,可视层的每个神经单元与隐藏层的每个神经单元通过权值连接。
将待预测水质区域的当前水质因子输入DBN模型,学习模块501根据DBN模型中的RBM网络通过自底向上的方式对输入的当前水质因子逐层进行特征提取。DBN模型的最后一层RBM网络输出整个DBN模型对当前水质因子学习的特征向量。其中,DBN模型的每一层RBM网络都会对输入信息进行特征提取并降低维度,输出特征向量。通过将当前水质因子输入到DBN模型逐层进行学习,可以深度挖掘和提取水质因子的本质特征。
预测模块502用于将当前水质因子的特征向量输入到LSSVR模型,输出所述待预测水质区域的氨氮含量;其中,所述DBN模型和LSSVR模型根据预先获取的历史水质因子和所述历史水质因子对应的预先获取的氨氮含量进行训练获取。
其中,LSSVR模型是一种以统计学理论和结构风险最小化准则为基础的机器学习算法。LSSVR模型通过等式约束替换不等式约束,将损失函数和误差平方作为训练集的经验损失,将解二次规划问题转化为求解线性方程组问题,可以有效提高计算的速度。LSSVR模型的数学模型的计算公式如下:
其中,最小函数min函数与J(ω,ξ)组合的含义是LSSVR模型优化的目标函数,ω为权重向量,ωT为权重向量的转置,C∈R+是正则化参数,l为历史水质因子的样本总量,ξ为l个历史水质因子样本的经验误差向量,s.t.是约束条件,yi∈Rl为LSSVR模型的输出向量,是输入空间向特征空间的非线性映射,xi∈Rl为LSSVR模型的输入向量,μ为偏置,ξi为第i个历史水质因子的样本的经验误差。其中,ξi可以通过经验设置,也可以通过优化算法计算获取。
使用LSSVR模型根据DBN模型输出的特征向量对待预测水质区域的氨氮含量进行预测。在预测氨氮含量之前需要对DBN模型和LSSVR模型进行训练。即根据预先获取的历史水质因子和其对应的预先获取的氨氮含量对DBN模型和LSSVR模型的参数进行动态调整,直到DBN模型和LSSVR模型的参数最优,将参数最优的DBN模型和LSSVR模型作为最终的预测模型对待预测水质区域的氨氮含量进行预测。
预测待预测水质区域的氨氮含量后,为了获得氨氮含量预测结果的准确率,将预测的氨氮含量与预先获取的氨氮含量进行对比,并采用如下评价函数评估模型的预测性能:
其中,MAE为平均绝对误差,MAPE是平均绝对百分比误差,RMSE是均方根误差,R2是确定系数。n为预测的氨氮含量的数量,yi为第i个预先获取的氨氮含量,为第i个预测的氨氮含量,为n个预先获取的氨氮含量的平均值,为n个预测的氨氮含量的平均值。
本实施例通过使用DBN模型根据输入的待预测水质区域的当前水质因子提取当前水质因子的特征向量,将提取的特征向量输入LSSVR模型预测氨氮含量,可以降低当前水质因子的维度,从当前水质因子中深度挖掘和提取影响氨氮含量的本质特征,有效提高水质中的氨氮含量预测精度。
在上述实施例的基础上,本实施例中还包括训练模块,用于将所述历史水质因子输入到所述DBN模型中,对所述DBN模型进行训练;将所述历史水质因子再次输入到训练后的DBN模型中,将所述DBN模型输出的所述历史水质因子的特征向量输入到所述LSSVR模型中,对所述DBN模型和LSSVR模型进行训练。
在上述实施例的基础上,本实施例中训练模块具体用于:将所述历史水质因子输入所述DBN模型的第一层RBM网络,基于能量函数训练所述第一层RBM网络,直到所述能量函数收敛;将训练后的第一层RBM网络的输出作为所述DBN模型的第二层RBM网络输入,基于所述能量函数训练所述第二层RBM网络,直到所述能量函数收敛;将训练后的第二层RBM网络的输出作为所述DBN模型的第三层RBM网络输入,基于所述能量函数训练所述第三层RBM网络,直到所述能量函数收敛。
在上述实施例的基础上,本实施例中所述能量函数的公式为:
其中,vi表示任一层RBM网络中第一层的第i个单元的输入,hj表示该层RBM网络中第二层的第j个单元的输入,wij为所述第一层的第i个单元和所述第二层的第j个单元之间的连接权重,ai和bj分别表示所述第一层的第i个单元的偏置和所述第二层的第j个单元的偏置,θ={wij,ai,bj}是该层RBM网络的参数,m表示该层RBM网络中第一层单元的总数量,n表示该层RBM网络中第二层单元的总数量,E(v,h|θ)表示该层RBM网络的参数为θ,第一层的输入为v,第二层的输入为h时的能量函数值。
在上述实施例的基础上,本实施例中训练模块具体用于:将训练后的DBN模型的输出作为所述LSSVR模型的输入,获取所述LSSVR模型输出的氨氮含量;计算所述LSSVR模型输出的水质氨氮含量与所述历史水质因子对应的预先获取的氨氮含量之间的偏差;根据所述偏差对所述LSSVR模型的参数和训练后的DBN模型的参数进行更新,直到满足预设结束条件。
在上述各实施例的基础上,本实施例中还包括预处理模块,用于对所述历史水质因子进行预处理;其中,所述预处理包括基于拉依达准则对所述历史水质因子中的异常数据进行剔除、基于K近邻补全算法对所述历史水质因子中的空缺值进行补全和对所述历史水质因子进行归一化处理中的一种或多种。
在上述各实施例的基础上,本实施例中所述当前水质因子包括水温、PH值、溶解氧量、生化需氧量、电导率、浊度、高猛酸盐指数、总磷含量和总氮含量中的一种或多种。
图6示例了一种电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器(processor)601、通信接口(Communications Interface)602、存储器(memory)603和通信总线604,其中,处理器601,通信接口602,存储器603通过通信总线604完成相互间的通信。处理器601可以调用存储器603中的逻辑指令,以执行断面水质中的氨氮含量预测方法,该方法包括:将待预测水质区域的当前水质因子输入到DBN模型,输出特征向量;将当前水质因子的特征向量输入到LSSVR模型,输出所述待预测水质区域的氨氮含量;其中,所述DBN模型和LSSVR模型根据预先获取的历史水质因子和所述历史水质因子对应的预先获取的氨氮含量进行训练获取。
此外,上述的存储器603中的逻辑指令可以通过软件功能单元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。
另一方面,本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的断面水质中的氨氮含量预测方法,该方法包括:将待预测水质区域的当前水质因子输入到DBN模型,输出特征向量;将当前水质因子的特征向量输入到LSSVR模型,输出所述待预测水质区域的氨氮含量;其中,所述DBN模型和LSSVR模型根据预先获取的历史水质因子和所述历史水质因子对应的预先获取的氨氮含量进行训练获取。
又一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的断面水质中的氨氮含量预测方法,该方法包括:将待预测水质区域的当前水质因子输入到DBN模型,输出特征向量;将当前水质因子的特征向量输入到LSSVR模型,输出所述待预测水质区域的氨氮含量;其中,所述DBN模型和LSSVR模型根据预先获取的历史水质因子和所述历史水质因子对应的预先获取的氨氮含量进行训练获取。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上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精神和范围。
Claims (10)
1.一种断面水质中的氨氮含量预测方法,其特征在于,包括:
将待预测水质区域的当前水质因子输入到DBN模型,输出当前水质因子的特征向量;
将当前水质因子的特征向量输入到LSSVR模型,输出所述待预测水质区域的氨氮含量;
其中,所述DBN模型和LSSVR模型根据预先获取的历史水质因子和所述历史水质因子对应的预先获取的氨氮含量进行训练获取。
2.根据权利要求1所述的断面水质中的氨氮含量预测方法,其特征在于,所述将待预测水质区域的当前水质因子输入到DBN模型,输出当前水质因子的特征向量;将当前水质因子的特征向量输入到LSSVR模型,输出所述待预测水质区域的氨氮含量之前,还包括:
将所述历史水质因子输入到所述DBN模型中,对所述DBN模型进行训练;
将所述历史水质因子再次输入到训练后的DBN模型中,将所述DBN模型输出的所述历史水质因子的特征向量输入到所述LSSVR模型中,对所述DBN模型和LSSVR模型进行训练。
3.根据权利要求2所述的断面水质中的氨氮含量预测方法,其特征在于,所述将所述历史水质因子输入到所述DBN模型中,对所述DBN模型进行训练,包括:
将所述历史水质因子输入所述DBN模型的第一层RBM网络,基于能量函数训练所述第一层RBM网络,直到所述能量函数收敛;
将训练后的第一层RBM网络的输出作为所述DBN模型的第二层RBM网络输入,基于所述能量函数训练所述第二层RBM网络,直到所述能量函数收敛;
将训练后的第二层RBM网络的输出作为所述DBN模型的第三层RBM网络输入,基于所述能量函数训练所述第三层RBM网络,直到所述能量函数收敛。
5.根据权利要求2所述的断面水质中的氨氮含量预测方法,其特征在于,所述将所述历史水质因子再次输入到训练后的DBN模型中,将所述DBN模型输出的所述历史水质因子的特征向量输入到所述LSSVR模型中,对所述DBN模型和LSSVR模型进行训练,包括:
将训练后的DBN模型的输出作为所述LSSVR模型的输入,获取所述LSSVR模型输出的氨氮含量;
计算所述LSSVR模型输出的水质氨氮含量与所述历史水质因子对应的预先获取的氨氮含量之间的偏差;
根据所述偏差对所述LSSVR模型的参数和训练后的DBN模型的参数进行更新,直到满足预设结束条件。
6.根据权利要求2-5任一所述的断面水质中的氨氮含量预测方法,其特征在于,所述将所述历史水质因子输入到所述DBN模型中,对所述DBN模型进行训练之前,还包括:
对所述历史水质因子进行预处理;
其中,所述预处理包括基于拉依达准则对所述历史水质因子中的异常数据进行剔除、基于K近邻补全算法对所述历史水质因子中的空缺值进行补全和对所述历史水质因子进行归一化处理中的一种或多种。
7.根据权利要求1-5任一所述的断面水质中的氨氮含量预测方法,其特征在于,所述当前水质因子包括水温、PH值、溶解氧量、生化需氧量、电导率、浊度、高猛酸盐指数、总磷含量和总氮含量中的一种或多种。
8.一种断面水质中的氨氮含量预测装置,其特征在于,包括:
学习模块,用于将待预测水质区域的当前水质因子输入到DBN模型,输出当前水质因子的特征向量;
预测模块,用于将当前水质因子的特征向量输入到LSSVR模型,输出所述待预测水质区域的氨氮含量;其中,所述DBN模型和LSSVR模型根据预先获取的历史水质因子和所述历史水质因子对应的预先获取的氨氮含量进行训练获取。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述断面水质中的氨氮含量预测方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述断面水质中的氨氮含量预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011120923.2A CN112529147A (zh) | 2020-10-19 | 2020-10-19 | 断面水质中的氨氮含量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011120923.2A CN112529147A (zh) | 2020-10-19 | 2020-10-19 | 断面水质中的氨氮含量预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112529147A true CN112529147A (zh) | 2021-03-19 |
Family
ID=74979457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011120923.2A Pending CN112529147A (zh) | 2020-10-19 | 2020-10-19 | 断面水质中的氨氮含量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112529147A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113791186A (zh) * | 2021-08-12 | 2021-12-14 | 北京金水永利科技有限公司 | 一种选择水质异常报警监测因子的方法及其系统 |
CN113835357A (zh) * | 2021-07-23 | 2021-12-24 | 中国市政工程华北设计研究总院有限公司 | 一种与排水管网机理模型水量水质动态耦合的方法 |
CN114859002A (zh) * | 2022-07-07 | 2022-08-05 | 山东爱福地生物股份有限公司 | 基于废水监测数据的质量监控方法及系统 |
CN116052789A (zh) * | 2023-03-29 | 2023-05-02 | 河北大景大搪化工设备有限公司 | 一种基于深度学习的甲苯氯化参数自动优化系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107014970A (zh) * | 2017-04-11 | 2017-08-04 | 盐城工学院 | 污水处理水质预测方法及服务器 |
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 |
CN107730039A (zh) * | 2017-10-10 | 2018-02-23 | 中国南方电网有限责任公司电网技术研究中心 | 配电网负荷预测的方法及系统 |
CN108710974A (zh) * | 2018-05-18 | 2018-10-26 | 中国农业大学 | 一种基于深度置信网络的水体氨氮预测方法及装置 |
CN109187898A (zh) * | 2018-09-03 | 2019-01-11 | 中国农业大学 | 水产养殖环境中水质氨氮含量的软测量方法及装置 |
-
2020
- 2020-10-19 CN CN202011120923.2A patent/CN112529147A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107014970A (zh) * | 2017-04-11 | 2017-08-04 | 盐城工学院 | 污水处理水质预测方法及服务器 |
CN107730039A (zh) * | 2017-10-10 | 2018-02-23 | 中国南方电网有限责任公司电网技术研究中心 | 配电网负荷预测的方法及系统 |
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 |
CN108710974A (zh) * | 2018-05-18 | 2018-10-26 | 中国农业大学 | 一种基于深度置信网络的水体氨氮预测方法及装置 |
CN109187898A (zh) * | 2018-09-03 | 2019-01-11 | 中国农业大学 | 水产养殖环境中水质氨氮含量的软测量方法及装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113835357A (zh) * | 2021-07-23 | 2021-12-24 | 中国市政工程华北设计研究总院有限公司 | 一种与排水管网机理模型水量水质动态耦合的方法 |
CN113835357B (zh) * | 2021-07-23 | 2023-12-22 | 中国市政工程华北设计研究总院有限公司 | 一种与排水管网机理模型水量水质动态耦合的方法 |
CN113791186A (zh) * | 2021-08-12 | 2021-12-14 | 北京金水永利科技有限公司 | 一种选择水质异常报警监测因子的方法及其系统 |
CN113791186B (zh) * | 2021-08-12 | 2024-06-25 | 北京金水永利科技有限公司 | 一种选择水质异常报警监测因子的方法及其系统 |
CN114859002A (zh) * | 2022-07-07 | 2022-08-05 | 山东爱福地生物股份有限公司 | 基于废水监测数据的质量监控方法及系统 |
CN116052789A (zh) * | 2023-03-29 | 2023-05-02 | 河北大景大搪化工设备有限公司 | 一种基于深度学习的甲苯氯化参数自动优化系统 |
CN116052789B (zh) * | 2023-03-29 | 2023-09-15 | 河北大景大搪化工设备有限公司 | 一种基于深度学习的甲苯氯化参数自动优化系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112529147A (zh) | 断面水质中的氨氮含量预测方法及装置 | |
CN110751318B (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN110212528B (zh) | 一种配电网量测数据缺失重构方法 | |
CN111277434A (zh) | 一种基于vmd和lstm的网络流量多步预测方法 | |
CN112838946B (zh) | 基于通信网故障智能感知与预警模型的构建方法 | |
Shen et al. | SeriesNet: a generative time series forecasting model | |
CN112784920B (zh) | 云边端协同的旋转部件对抗域自适应故障诊断方法 | |
CN111461463A (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
CN112365033B (zh) | 一种风电功率区间预测方法、系统及存储介质 | |
Li et al. | Wind-speed prediction model based on variational mode decomposition, temporal convolutional network, and sequential triplet loss | |
Zu et al. | Short-term wind power prediction method based on wavelet packet decomposition and improved GRU | |
CN116050605A (zh) | 一种基于神经网络和随机森林法的电力负荷预测方法 | |
CN113469013A (zh) | 一种基于迁移学习和时间序列的电机故障预测方法及系统 | |
Abdoos et al. | An intelligent hybrid method based on Monte Carlo simulation for short-term probabilistic wind power prediction | |
CN113344243A (zh) | 基于改进哈里斯鹰算法优化elm的风速预测方法及系统 | |
CN117079120A (zh) | 一种基于改进ga算法的目标识别模型优化方法 | |
Sim et al. | Temporal Attention Gate Network With Temporal Decomposition for Improved Prediction Accuracy of Univariate Time-Series Data | |
Parri et al. | A hybrid GAN based autoencoder approach with attention mechanism for wind speed prediction | |
CN113420492A (zh) | 一种基于gan与gru神经网络的风光火耦合系统频率响应模型建模方法 | |
CN114625831A (zh) | 一种面向智能电网负荷辨识的分类评价反馈方法 | |
Bi et al. | Multi-indicator water time series imputation with autoregressive generative adversarial networks | |
CN118281861A (zh) | 一种基于深度置信网络的电力系统负荷预测方法 | |
He et al. | A novel few-sample wind power prediction model based on generative adversarial network and quadratic mode decomposition | |
CN113761788B (zh) | 基于深度学习的scopf快速计算方法及装置 | |
Quan et al. | Prediction of effluent Ammonia Nitrogen using FNN-based CBR |
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 |