CN112990343B - 一种基于人工智能算法的水环境质量评价方法 - Google Patents
一种基于人工智能算法的水环境质量评价方法 Download PDFInfo
- Publication number
- CN112990343B CN112990343B CN202110380434.9A CN202110380434A CN112990343B CN 112990343 B CN112990343 B CN 112990343B CN 202110380434 A CN202110380434 A CN 202110380434A CN 112990343 B CN112990343 B CN 112990343B
- Authority
- CN
- China
- Prior art keywords
- water environment
- network
- water quality
- quality
- deep belief
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 179
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 27
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 18
- 239000002245 particle Substances 0.000 claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000013528 artificial neural network Methods 0.000 claims abstract description 49
- 238000011156 evaluation Methods 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 241000544061 Cuculus canorus Species 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 7
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 6
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000002238 attenuated effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000002028 premature Effects 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 2
- 239000000470 constituent Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 208000000044 Amnesia Diseases 0.000 description 1
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 1
- 241000272177 Cuculiformes Species 0.000 description 1
- 208000026139 Memory disease Diseases 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 206010036590 Premature baby Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006984 memory degeneration Effects 0.000 description 1
- 208000023060 memory loss Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000000126 substance Substances 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
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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"
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工智能算法的水环境质量评价方法,通过改进的粒子群算法优化网络参数,利用早熟粒子的速度和位置叠加随机数据,使其离开局部最优,从而使该算法具有更强的寻优能力,利用改进量子神经网络参数进行训练和学习,建立比较高效的改进量子神经网络对水环境质量评价模型,同时构建基于深度信念网络的水质预测模型,利用布谷鸟算法进行网络的优化,将提升深度信念网络的训练精度,使其在水质预测中达到较好的实用度。本发明能够克服粒子群算法本身存在的早熟的不租,改进量子神经网络提高评价的准确性,同时利用优化后的CS‑DBN算法建立水环境质量预测模型,结合布谷鸟算法进行参数优化,有效提高运算精度同时提高运算效率。
Description
技术领域
本发明涉及人工智能领域,具体涉及一种基于人工智能算法的水环境质量评价方法。
背景技术
人工神经网络的类型有多种,课题拟选择量子神经网络作为研究重点,是因为该网络结合了当前的热点理论(量子理论),而量子理论又是新一代计算机(量子计算机)的核心理论,这就决定了以量子理论为基础的量子神经网络也具有量子计算机的主要优势:并行操作、速度快等。将量子与神经网络结合到一起具有很大的潜力和良好的前景,其主要优点体现在以下几个方面:(1)指数级的记忆容量和回忆速度;(2)较小的网络规模和简单的网络拓扑结构;(3)更好的稳定性和可靠性;(4)快速学习、一次学习和高速信息处理能力;(5)消除灾变性失忆的潜力等。
水环境系统是一个受到生物、化学、物理、人为等多种因素影响的动态开放复杂系统,水质指标随时间非线性地变化,因此传统方法很难建立一个精确的水质预测模型。然而,在一些局部水环境系统中,长期来看水质指标的变化是缓慢的、有规律可循的。目前我国常用的水质预测模型一般都是人工神经网络预测模型,精度较差且训练速度慢,深度学习网络中的深度信念网络(DBN)是一种训练速度较快的网络,但是它同样存在训练精度的问题。利用布谷鸟算法进行网络的优化,将提升深度信念网络的训练精度,使其在水质预测中达到较好的实用度。
发明内容
本发明为解决上述问题提出一种基于人工智能算法的水环境质量评价方法,通过如下方式实现:。
一种基于人工智能算法的水环境质量评价方法,包括如下步骤:
S1、采集目标水质样本,构建水环境评价体系;
S2、基于水环境评价体系,利用量子神经网络和深度信念网络分别构建水环境质量评价模型和水环境质量预测模型;连接所述量子神经网络和所述深度信念网络,将所述深度信念网络的输出作为所述量子神经网络的输入;利用量子神经网络对水质进行评价,同时利用深度信念网络对水质进行预测;
S3、将水质样本导入优化之后的水环境质量评价模型中,利用改进粒子群算法对量子神经网络模型进行优化训练,同时利用布谷鸟算法对深度信念网络进行优化训练;
S4、将待测样本分别输入到训练好的模型中,利用优化后的量子神经网络对水质进行评价,同时利用优化后的深度信念网络对水质进行预测。
进一步的,所述所述构建水环境评价体系的方法为:
所述所述构建水环境评价体系的方法为:
S11、根据所获取的目标水质样本,确定水质标准数据的评价指标;
S12、获取目标水质样本区域内的水质时间序列数据和天气数据,作为目标水质样本的历史数据,并对所述历史数据进行归一化;
S13、将步骤S12中归一化后的历史数据划分为训练集和测试集合,根据训练集的历史数据训练所述水环境质量评价模型,并根据测试集数据获取所述水环境质量预测模型的基础参数;
S14、根据S1中的评价指标,将目标水质样本进行分类,得到水环境评价体系。
进一步的,所述利用量子神经网络构建水环境质量评价模型的方法为:
S21、基于水环境评价体系,初始化量子神经网络和粒子群参数,输入目标水质样本以及目标水质样本的历史数据;
S22、基于初始化的量子神经网络和粒子群参数,使用一个或多个中间量子神经网络层计算目标水质样本,结合目标水质样本的历史数据,按顺序将所述中间量子神经网络中的粒子参数进行多个逻辑门运算;
S23、利用全局最优解输出水环境质量模型的最优参数,利用最优参数对水环境质量进行评价。
进一步的,所述利用改进粒子群算法对模型进行优化训练的方法为:
S311、初始化粒子群中目标水质样本参数以及目标水质样本的历史参数并增大惯性权重;
S312、计算目标水质样本参数以及目标水质样本的适应度值,更新粒子的速度和位置;
S313、根据设定规则,判断粒子是否陷入局部最优解,若是则返回步骤S311,继续增大其惯性权重;若粒子没陷入局部最优解,则线性衰减其惯性权重;
S314、判定衰减之后的粒子是否达到最大迭代数,若是则得出最优神经网络差参数;若没有则返回步骤S312重新计算粒子的适应度值;
S315、判断最优网络参数是否到达最小误差精度,若是则输出优化模型结果;若没有,则返回步骤S311重新初始化粒子群算法参数。
进一步的,所述S313中设定规则为:
粒子速度为0的数据保持不变;
随机选择粒子速度为1与-1的元素不变,其余1和-1的元素均置零,使粒子在全局范围内自行搜索求解,直至收敛。
进一步的,所述利用深度信念网络构建水环境质量评价模型的方法为:
S221、基于水环境质量体系,定义深度信念网络的网络参数;
S222、利用对比散度和布谷鸟算法对深度信念网络进行训练,寻找全局最优权值并进行逐层判定;
S223、建立预测模型,利用反向传播算法对深度信念网络进行微调。
进一步的,所述利用布谷鸟算法对深度信念网络进行优化训练的方法为:
S321、将深度信念网络的最底层受限玻尔兹曼机通过布谷鸟算法搜索获得其权重值;
S322、利用对比散度算法对输入数据进行训练,进行Gibbs采样得到隐层并重构显层;
S323、将底层的输出作为高层的输出,逐层搜索权值并逐层训练受限玻尔兹曼机;
S324、当训练到深度信念网络的最顶层受限玻尔兹曼机时,训练终止,得到优化训练滞后的深度信念网络。
进一步的,所述利用反向传播算法对深度信念网络进行微调的方法为:
S2231、将受限玻尔兹曼机训练结束后得到的各层权重作为深度信念网络的网络权重,得到深度信念网络的深层网络结构;
S2232、利用深度信念网络的深层网络结构对输入数据进行监督训练,计算输出与输入的误差。
进一步的,利用优化后的量子神经网络对水质进行评价的方法为:
S411、将优化后的量子神经网络的训练结果按照水环境质量体系分类;
S412、将待测水质样本输入到优化后的量子神经网络中,与其分类结果进行概率匹配;
S413、输出其最大概率即为评价结果。
进一步的,所述利用优化后的深度信念网络对水质进行预测的方法为:
所述利用优化后的深度信念网络对水质进行预测的方法为:
S421、改变目标水质样本数据和目标水质样本的历史数据的比例,重新将归一化吼的历史数据按照改变后的比例划分为训练集和测试集;
S422、利用反向传播算法自深度信念网络的顶层向下修正其网络权重,根据重新划分的训练集的历史数据训练所述水质模型,微调所述水质预测模型;
S422、当误差被调整至设定范围之内时停止计算,输出微调之后的结果,并反归一化处理微调之后所述水质预测模型的输出结果,获得目标水质样本所属区域内的水质预测数据。
本发明具有如下的优点和有益效果:
1、本发明针对普通深度学习网络存在的收敛速度慢,容易陷入局部极小值、初始化值过于敏感等问题,采用基于深度信念网络(DBN)的算法来提高运算速度;
2、本发明基于深度信念网络算法训练模型时间短,但预测精度较差。结合布谷鸟算法(CS)进行参数优化,有效提高运算精度,在满足精度的同时提高运算效率,利用优化后的CS-DBN算法建立水环境质量预测模型;
3、本发明针对粒子群算法本身存在早熟的不足,提出了一种改进的粒子群优化算法(IPSO),利用该算法改进量子神经网络,使用改进后的量子神经网络模型进行水质评价,并建立相应的水环境质量评价模型,使预测结果更稳定且高效。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明基于基于人工智能算法的水环境质量评价方法流程示意图。
图2为本发明实施例IPSO优化量子神经网络算法流程图。
图3为本发明实施例CS-DBN算法流程图。
本文中的技术缩略词说明:
DBN、深度信念网络;
RBM、受限玻尔兹曼机;
CD、对比散度算法;
CS、布谷鸟算法;
BP、反向传播算法;
PSO、粒子群算法;
IPSO、改进粒子群算法。
具体实施方式
在下文中,可在本发明的各种实施例中使用的术语“包括”或“可包括”指示所发明的功能、操作或元件的存在,并且不限制一个或更多个功能、操作或元件的增加。此外,如在本发明的各种实施例中所使用,术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合,并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
在本发明的各种实施例中,表述“或”或“A或/和B中的至少一个”包括同时列出的文字的任何组合或所有组合。例如,表述“A或B”或“A或/和B中的至少一个”可包括A、可包括B或可包括A和B二者。
在本发明的各种实施例中使用的表述(诸如“第一”、“第二”等)可修饰在各种实施例中的各种组成元件,不过可不限制相应组成元件。例如,以上表述并不限制所述元件的顺序和/或重要性。以上表述仅用于将一个元件与其它元件区别开的目的。例如,第一用户装置和第二用户装置指示不同用户装置,尽管二者都是用户装置。例如,在不脱离本发明的各种实施例的范围的情况下,第一元件可被称为第二元件,同样地,第二元件也可被称为第一元件。
应注意到:如果描述将一个组成元件“连接”到另一组成元件,则可将第一组成元件直接连接到第二组成元件,并且可在第一组成元件和第二组成元件之间“连接”第三组成元件。相反地,当将一个组成元件“直接连接”到另一组成元件时,可理解为在第一组成元件和第二组成元件之间不存在第三组成元件。
在本发明的各种实施例中使用的术语仅用于描述特定实施例的目的并且并非意在限制本发明的各种实施例。如在此所使用,单数形式意在也包括复数形式,除非上下文清楚地另有指示。除非另有限定,否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义,除非在本发明的各种实施例中被清楚地限定。
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
一种基于人工智能算法的水环境质量评价方法,如图1所示,包括如下步骤:
S1、采集水质样本,构建水环境评价体系;
具体而言,所述构建水环境评价体系的方法为:
S11、根据所获取的目标水质样本,确定水质标准数据的评价指标;
S12、获取目标水质样本区域内的水质时间序列数据和天气数据,作为目标水质样本的历史数据,并对所述历史数据进行归一化;
S13、将步骤S12中归一化后的历史数据划分为训练集和测试集合,根据训练集的历史数据训练所述水环境质量评价模型,并根据测试集数据获取所述水环境质量预测模型的基础参数。
S14、根据S1中的评价指标,将目标水质样本进行分类,得到水环境评价体系。
S2、基于水环境评价体系,利用量子神经网络和深度信念网络分别构建水环境质量评价模型;
在本实施例里,通过改进的粒子群算法(IPSO)优化QNN参数,利用早熟粒子的速度和位置叠加随机数据,使其离开局部最优,从而使该算法具有更强的寻优能力。利用IPSO对量子神经网络的参数进行训练和学习,期望建立比较高效的改进量子神经网络,其利用量子神经网络构建水环境质量评价模型的方法为:
S21、基于水环境评价体系,初始化量子神经网络和粒子群参数,输入目标水质样本以及目标水质样本的历史数据;
S22、基于初始化的量子神经网络和粒子群参数,使用一个或多个中间量子神经网络层计算目标水质样本,结合目标水质样本的历史数据,按顺序将所述中间量子神经网络中的粒子参数进行多个逻辑门运算;
S23、利用全局最优解输出水环境质量模型的最优参数,利用最优参数对水环境质量进行评价。
而对于预测模型而言,其利用深度信念网络构建水环境质量预测模型的方法为:
S221、基于水环境质量体系,定义深度信念网络的网络参数;
S222、利用对比散度和布谷鸟算法对深度信念网络进行训练,寻找全局最优权值并进行逐层判定;
S223、建立预测模型,利用反向传播算法对深度信念网络进行微调。
S3、将水质样本导入优化之后的水环境质量评价模型中,利用改进粒子群算法对量子神经网络模型进行优化训练,同时利用布谷鸟算法对深度信念网络进行优化训练;
具体而言,利用改进粒子群算法对量子神经网络模型进行优化训练的方法如图2所示,包括:
S311、初始化粒子群中目标水质样本参数以及目标水质样本的历史参数并增大惯性权重;
S312、计算目标水质样本参数以及目标水质样本的适应度值,更新粒子的速度和位置;
S313、根据设定规则,判断粒子是否陷入局部最优解,若是则返回步骤S311,继续增大其惯性权重;若粒子没陷入局部最优解,则线性衰减其惯性权重;
其中设定规则为:粒子速度为0的数据保持不变;
随机选择粒子速度为1与-1的元素不变,其余1和-1的元素均置零,使粒子在全局范围内自行搜索求解,直至收敛。
S314、判定衰减之后的粒子是否达到最大迭代数,若是则得出最优神经网络差参数;若没有则返回步骤S312重新计算粒子的适应度值;
S315、判断最优网络参数是否到达最小误差精度,若是则输出优化模型结果;若没有,则返回步骤S311重新初始化粒子群算法参数。
对于所建立的预测模型而言,布谷鸟搜索算法是一种基于种群迭代的新兴启发式全局优化算法,可以有效求解最优化问题。布谷鸟算法灵感主要源于布谷鸟的寄生育雏繁殖策略和莱维(Lévy)飞行搜索模式。布谷鸟算法采用莱维飞行产生步长,有利于跳出局部最优解,从而使算法具有较强的全局搜索能力。它不需要问题的梯度信息,容易实现,能以较大概率收敛到问题的全局最优解,为解决优化问题提供了新的途径。
深度信念网络(DBN)是深度学习应用比较广泛的一个模型,它是一种概率生成模型,由多层受限玻尔兹曼机(RBM)构成,整个深度信念网络可看成是多个RBM的累加,每个低层的RBM的输出数据作为下一个RBM的输入数据。对比散度(CD)算法是利用对比散度来训练网络参数,有较好的训练效果。将CS与CD算法结合实现DBN网络的预训练,即最底层RBM通过CS搜索获得其权值,然后利用CD算法对输入数据进行训练,进行Gibbs采样得到隐层并重构显层,将底层输出作为高层输入逐层搜索权值并逐层训练RBM,最终得到DBN网络的每一层权值并训练每一个RBM,实现DBN网络预训练,其优化流程如图3所示。
S4、将待测样本分别输入到训练好的模型中,利用优化后的量子神经网络对水质进行评价,同时利用优化后的深度信念网络对水质进行预测。
对于评价模型而言,其模型将优化后的量子神经网络的训练结果进行分类,将待测样本输入到优化后的量子神经网络中,与其分类结果进行概率匹配,输出其最大概率即为评价结果。
对于预测模型而言将RBM训练结束后得到的各层权重作为DBN网络权重,得到DBN深层网络结构,利用DBN深层网络结构对输入数据进行有监督训练,计算输出与输入数据的误差,利用BP算法自顶层向下层修正其网络权值,微调整个DBN网络,直到误差被调整至设定范围之内,微调完成后的结果输出,形成预测结果,所述利用优化后的深度信念网络对水质进行预测的方法为:
S421、改变目标水质样本数据和目标水质样本的历史数据的比例,重新将归一化后的历史数据按照改变后的比例划分为训练集和测试集;
具体的,将大量水质参数时间序列数据和天气数据作为历史数据,划分为测试机和样本集,在对获得的水质预测模型的参数为达到最优化之前,可调整预设比例重新划分训练集和测试集,重复的分别使用样本集和测试集对水质预测模型进行训练和测试,例如,分别取历史数据的前1/10、1/8、1/5或1/3作为测试集,对应的,将剩余部分的9/10、7/8、4/5或2/3作为样本集,分别使用样本集和对应的测试集对水质预测模型进行训练和测试,调整水质预测模型的参数直到最优化状态。
S422、利用反向传播算法自深度信念网络的顶层向下修正其网络权重,根据重新划分的训练集的历史数据训练所述水质模型,微调所述水质预测模型;
S422、当误差被调整至设定范围之内时停止计算,输出微调之后的结果,并反归一化处理微调之后所述水质预测模型的输出结果,获得目标水质样本所属区域内的水质预测数据。
本实施例通过调整预设比例重新划分训练集和测试集,并使用重新划分的训练集和测试集的历史数据对水质预测模型进行多次训练与测试,有利于避免对水质预测模型的过拟合,提高水质预测模型的鲁棒性和预测的准确性。
该水质预测模型可应用于河流不同流域的PH值、溶解氧(DO)、电导率(EC)、浊度(TU)、氨氮(NH3-N)、化学需氧量(COD)、总磷(TP)、总氮(TN)、高锰酸盐指数等水质参数的预测,实现相关水质数据的精确预测,便于多水源监管、水质预警、水污染治理。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于人工智能算法的水环境质量评价方法,其特征在于,包括如下步骤:
S1、采集目标水质样本,构建水环境评价体系;
S2、基于水环境评价体系,利用量子神经网络和深度信念网络分别构建水环境质量评价模型和水环境质量预测模型;连接所述量子神经网络和所述深度信念网络,将所述深度信念网络的输出作为所述量子神经网络的输入;利用量子神经网络对水质进行评价,同时利用深度信念网络对水质进行预测;
S3、将水质样本导入优化之后的水环境质量评价模型中,利用改进粒子群算法对量子神经网络模型进行优化训练,同时利用布谷鸟算法对深度信念网络进行优化训练,具体而言,所述利用改进粒子群算法对模型进行优化训练的方法为:
S311、初始化粒子群中目标水质样本参数以及目标水质样本的历史参数并增大惯性权重;
S312、计算目标水质样本参数以及目标水质样本的适应度值,更新粒子的速度和位置;
S313、根据设定规则,判断粒子是否陷入局部最优解,若是则返回步骤S311,继续增大其惯性权重;若粒子没陷入局部最优解,则线性衰减其惯性权重;
S314、判定衰减之后的粒子是否达到最大迭代数,若是则得出最优神经网络差参数;若没有则返回步骤S312重新计算粒子的适应度值;
S315、判断最优网络参数是否到达最小误差精度,若是则输出优化模型结果;若没有,则返回步骤S311重新初始化粒子群算法参数;
S4、将待测样本分别输入到训练好的模型中,利用优化后的量子神经网络对水质进行评价,同时利用优化后的深度信念网络对水质进行预测。
2.根据权利要求1所述的一种基于人工智能算法的水环境质量评价方法,其特征在于,所述所述构建水环境评价体系的方法为:
S11、根据所获取的目标水质样本,确定水质标准数据的评价指标;
S12、获取目标水质样本区域内的水质时间序列数据和天气数据,作为目标水质样本的历史数据,并对所述历史数据进行归一化;
S13、将步骤S12中归一化后的历史数据划分为训练集和测试集合,根据训练集的历史数据训练所述水环境质量评价模型,并根据测试集数据获取所述水环境质量预测模型的基础参数;
S14、根据S1中的评价指标,将目标水质样本进行分类,得到水环境评价体系。
3.根据权利要求2所述的一种基于人工智能算法的水环境质量评价方法,其特征在于,所述利用量子神经网络构建水环境质量评价模型的方法为:
S21、基于水环境评价体系,初始化量子神经网络和粒子群参数,输入目标水质样本以及目标水质样本的历史数据;
S22、基于初始化的量子神经网络和粒子群参数,使用一个或多个中间量子神经网络层计算目标水质样本,结合目标水质样本的历史数据,按顺序将所述中间量子神经网络中的粒子参数进行多个逻辑门运算;
S23、利用全局最优解输出水环境质量模型的最优参数,利用最优参数对水环境质量进行评价。
4.根据权利要求1所述的一种基于人工智能算法的水环境质量评价方法,其特征在于:所述S313中设定规则为:
粒子速度为0的数据保持不变;
随机选择粒子速度为1与-1的元素不变,其余1和-1的元素均置零,使粒子在全局范围内自行搜索求解,直至收敛。
5.根据权利要求4所述的一种基于人工智能算法的水环境质量评价方法,其特征在于:所述利用深度信念网络构建水环境质量评价模型的方法为:
S221、基于水环境质量体系,定义深度信念网络的网络参数;
S222、利用对比散度和布谷鸟算法对深度信念网络进行训练,寻找全局最优权值并进行逐层判定;
S223、建立预测模型,利用反向传播算法对深度信念网络进行微调。
6.根据权利要求5所述的一种基于人工智能算法的水环境质量评价方法,其特征在于:所述利用布谷鸟算法对深度信念网络进行优化训练的方法为:
S321、将深度信念网络的最底层受限玻尔兹曼机通过布谷鸟算法搜索获得其权重值;
S322、利用对比散度算法对输入数据进行训练,进行Gibbs采样得到隐层并重构显层;
S323、将底层的输出作为高层的输出,逐层搜索权值并逐层训练受限玻尔兹曼机;
S324、当训练到深度信念网络的最顶层受限玻尔兹曼机时,训练终止,得到优化训练滞后的深度信念网络。
7.根据权利要求6所述的一种基于人工智能算法的水环境质量评价方法,其特征在于:所述利用反向传播算法对深度信念网络进行微调的方法为:
S2231、将受限玻尔兹曼机训练结束后得到的各层权重作为深度信念网络的网络权重,得到深度信念网络的深层网络结构;
S2232、利用深度信念网络的深层网络结构对输入数据进行监督训练,计算输出与输入的误差。
8.根据权利要求7所述的一种基于人工智能算法的水环境质量评价方法,其特征在于:利用优化后的量子神经网络对水质进行评价的方法为:
S411、将优化后的量子神经网络的训练结果按照水环境质量体系分类;
S412、将待测水质样本输入到优化后的量子神经网络中,与其分类结果进行概率匹配;
S413、输出其最大概率即为评价结果。
9.根据权利要求8所述的一种基于人工智能算法的水环境质量评价方法,其特征在于:所述利用优化后的深度信念网络对水质进行预测的方法为:
S421、改变目标水质样本数据和目标水质样本的历史数据的比例,重新将归一化后的历史数据按照改变后的比例划分为训练集和测试集;
S422、利用反向传播算法自深度信念网络的顶层向下修正其网络权重,根据重新划分的训练集的历史数据训练所述水环境质量预测模型,微调所述水环境质量预测模型;
S422、当误差被调整至设定范围之内时停止计算,输出微调之后的结果,并反归一化处理微调之后所述水环境质量预测模型的输出结果,获得目标水质样本所属区域内的水质预测数据。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011466318 | 2020-12-14 | ||
CN2020114663180 | 2020-12-14 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112990343A CN112990343A (zh) | 2021-06-18 |
CN112990343B true CN112990343B (zh) | 2023-04-07 |
Family
ID=76339495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110380434.9A Active CN112990343B (zh) | 2020-12-14 | 2021-04-09 | 一种基于人工智能算法的水环境质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990343B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114330858A (zh) * | 2021-12-23 | 2022-04-12 | 广东贝源检测技术股份有限公司 | 一种水生态环境的评估系统 |
CN116773762B (zh) * | 2023-06-28 | 2024-01-23 | 盐城师范学院 | 一种多相催化废水处理监测系统及方法 |
CN117455718A (zh) * | 2023-11-24 | 2024-01-26 | 广东海洋大学 | 基于ae-ics优化cnn-rbf的水质预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034133A (zh) * | 2010-12-16 | 2011-04-27 | 浙江工业大学 | 一种基于量子神经网络的多因素系统的综合评价方法 |
CN102902985A (zh) * | 2012-10-10 | 2013-01-30 | 常州大学 | 基于二类支持向量机和粒子群算法的近海水质评价方法 |
CN103729678A (zh) * | 2013-12-12 | 2014-04-16 | 中国科学院信息工程研究所 | 一种基于改进dbn模型的水军检测方法及系统 |
CN109033632A (zh) * | 2018-07-26 | 2018-12-18 | 北京航空航天大学 | 一种基于深度量子神经网络的趋势预测方法 |
CN109740286A (zh) * | 2019-01-21 | 2019-05-10 | 北京工业大学 | 一种混合优化bp神经网络的湖泊水质预测模型构建方法 |
CN109784579A (zh) * | 2019-01-30 | 2019-05-21 | 合肥工业大学 | 基于粒子群算法和bp网络的景区客流量的预测方法及系统 |
CN111079888A (zh) * | 2019-11-14 | 2020-04-28 | 佛山科学技术学院 | 一种基于混合qpso-de寻优预测水质溶氧方法及系统 |
CN111445010A (zh) * | 2020-03-26 | 2020-07-24 | 南京工程学院 | 一种基于证据理论融合量子网络的配网电压趋势预警方法 |
-
2021
- 2021-04-09 CN CN202110380434.9A patent/CN112990343B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034133A (zh) * | 2010-12-16 | 2011-04-27 | 浙江工业大学 | 一种基于量子神经网络的多因素系统的综合评价方法 |
CN102902985A (zh) * | 2012-10-10 | 2013-01-30 | 常州大学 | 基于二类支持向量机和粒子群算法的近海水质评价方法 |
CN103729678A (zh) * | 2013-12-12 | 2014-04-16 | 中国科学院信息工程研究所 | 一种基于改进dbn模型的水军检测方法及系统 |
CN109033632A (zh) * | 2018-07-26 | 2018-12-18 | 北京航空航天大学 | 一种基于深度量子神经网络的趋势预测方法 |
CN109740286A (zh) * | 2019-01-21 | 2019-05-10 | 北京工业大学 | 一种混合优化bp神经网络的湖泊水质预测模型构建方法 |
CN109784579A (zh) * | 2019-01-30 | 2019-05-21 | 合肥工业大学 | 基于粒子群算法和bp网络的景区客流量的预测方法及系统 |
CN111079888A (zh) * | 2019-11-14 | 2020-04-28 | 佛山科学技术学院 | 一种基于混合qpso-de寻优预测水质溶氧方法及系统 |
CN111445010A (zh) * | 2020-03-26 | 2020-07-24 | 南京工程学院 | 一种基于证据理论融合量子网络的配网电压趋势预警方法 |
Non-Patent Citations (2)
Title |
---|
《改进量子粒子群算法及其应用研究》;彭越兮;《信息科技》;20170401;正文第2.1节,第3.4节 * |
《生活饮用水水质的综合评价、分析、预测以及预警方法的应用研究》;李佳龙;《工程科技Ⅰ辑》;20200315;正文第3.3节,第4.3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN112990343A (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112990343B (zh) | 一种基于人工智能算法的水环境质量评价方法 | |
CN112116090B (zh) | 神经网络结构搜索方法、装置、计算机设备及存储介质 | |
CN111104595A (zh) | 一种基于文本信息的深度强化学习交互式推荐方法及系统 | |
CN110059852A (zh) | 一种基于改进随机森林算法的股票收益率预测方法 | |
Li et al. | Self-paced ARIMA for robust time series prediction | |
CN107315775A (zh) | 一种指数计算平台和方法 | |
Kamada et al. | An adaptive learning method of restricted Boltzmann machine by neuron generation and annihilation algorithm | |
CN105069220A (zh) | 基于bp神经网络免疫遗传算法的微生物发酵优化方法 | |
Anand et al. | Black magic in deep learning: How human skill impacts network training | |
CN112365033B (zh) | 一种风电功率区间预测方法、系统及存储介质 | |
CN113239211A (zh) | 一种基于课程学习的强化学习知识图谱推理方法 | |
CN113592144A (zh) | 一种中长期径流概率预报方法及系统 | |
CN112163671A (zh) | 一种新能源场景生成方法及系统 | |
CN111882042A (zh) | 用于液体状态机的神经网络架构自动搜索方法、系统及介质 | |
Huan et al. | River dissolved oxygen prediction based on random forest and LSTM | |
CN117216375A (zh) | 一种信息推荐的训练方法、系统及存储介质和服务器 | |
Zhao et al. | A Hybrid Time Series Model based on Dilated Conv1D and LSTM with Applications to PM2. 5 Forecasting. | |
Kavipriya et al. | Adaptive weight deep convolutional neural network (AWDCNN) classifier for predicting student’s performance in job placement process | |
CN113743461A (zh) | 无人机集群健康度评估方法及装置 | |
Kuperwajs et al. | Heuristics for meta-planning from a normative model of information search | |
Hou et al. | Prediction of learners' academic performance using factorization machine and decision tree | |
CN113360772A (zh) | 一种可解释性推荐模型训练方法与装置 | |
CN113392958A (zh) | 一种模糊神经网络fnn的参数优化及应用方法与系统 | |
Yang | Intelligent informatization early warning analysis of agricultural economy based on support vector sequential regression model | |
De Fausti et al. | Multilayer perceptron models for the estimation of the attained level of education in the Italian Permanent Census |
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 |