CN113851184B - 一种基于人工智能的粪大肠杆菌群数的预测方法及装置 - Google Patents

一种基于人工智能的粪大肠杆菌群数的预测方法及装置 Download PDF

Info

Publication number
CN113851184B
CN113851184B CN202111149525.8A CN202111149525A CN113851184B CN 113851184 B CN113851184 B CN 113851184B CN 202111149525 A CN202111149525 A CN 202111149525A CN 113851184 B CN113851184 B CN 113851184B
Authority
CN
China
Prior art keywords
tank
value
data
matrix
hypergraph
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
Application number
CN202111149525.8A
Other languages
English (en)
Other versions
CN113851184A (zh
Inventor
何典
刘睿海
李小龙
李闯
周琰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University of Technology
Original Assignee
Hunan University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan University of Technology filed Critical Hunan University of Technology
Priority to CN202111149525.8A priority Critical patent/CN113851184B/zh
Publication of CN113851184A publication Critical patent/CN113851184A/zh
Application granted granted Critical
Publication of CN113851184B publication Critical patent/CN113851184B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
    • 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
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Computing Systems (AREA)
  • Biotechnology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Physiology (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioethics (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)

Abstract

本发明公开一种基于人工智能的粪大肠杆菌群数的预测方法及装置，包括：S1、获取污水中相关数据，对所述相关数据进行预处理，获得样本的数据集；S2、构建GRU模型，将所述样本的数据集导入所述GRU模型进行训练，获得数据特征；S3、根据所述数据特征结合构造的超图，进行超图注意力网络处理，获得粪大肠杆菌群数预测结果；S4、分析所述预测结果并调整至所述预测结果达标。本申请在预测粪大肠杆菌群数时，能同时预测影响其菌群的因素，有利于对污水处理的具体流程进行及时调整，从而降低粪大肠杆菌群数，防止污水不合格。

Description

一种基于人工智能的粪大肠杆菌群数的预测方法及装置
技术领域
本发明涉及城镇污水处理领域，特别是涉及一种基于人工智能的粪大肠杆菌群数的预测方法及装置。
背景技术
污水处理长期以来是我国绿色、可持续发展面临的重要问题。根据2006年1月1日开始实施的《城镇污水处理厂污染物排放标准》一级b标准，粪大肠杆菌群数作为基本控制项目，其菌群数不能超过104(个/L)。粪大肠杆菌群数已经是城镇污水处理过程中一个重要标准。虽然目前的污水处理方法已经能够较为良好的对污水进行净化，但是菌群数量一直是污水处理过程中的重点和难点。水中大肠杆菌数严重超标,这类严重事情的发生，污水处理的各个环节都有责任，同时也反应了菌群数为污水处理过程的重点和难点。在城镇污水中，粪大肠杆菌群数与水中的各类污染物浓度都息息相关，而污水中污染物来源和种类都十分复杂，因此在污水处理过程中很难把控化学药剂的投放量。这样就会导致难以有效去除水中的粪大肠杆菌，也会降低污水处理的效率，还会造成了不必要的浪费，间接的提高了污水处理的成本和增加了碳排放。在污水处理过程中还经常会发生部分环节发生故障的情况，这也是污水处理过程中水质不达标的重要原因之一，尤其是处理粪大肠杆菌的过程中，因为其繁殖和扩散速度快，通过传感器感应到故障很可能已经晚了，已经造成了不必要的损失，因此，若能对故障进行预判显得尤为重要。时空超图注意力网络是作为图神经网络中的一种，它很好的聚合了邻居结点以及不同时间的特征，对于本发明中粪大肠杆菌群数预测的问题，对时空超图注意力网络进行了调整与改进，使神经网络的预测效果更快，更好。
发明内容
本发明的目的是提供一种基于人工智能的粪大肠杆菌群数的预测方法及装置，以解决上述现有技术存在的问题，使科学高效的预测粪大肠杆菌群数，进而防止污水不合格。
为实现上述目的，本发明提供了如下方案：本发明提供一种基于人工智能的粪大肠杆菌群数的预测方法，步骤包括：
S1、获取污水中相关数据，对所述相关数据进行预处理，获得样本的数据集；
S2、构建GRU模型，将所述样本的数据集导入所述GRU模型进行训练，获得数据特征；
S3、根据所述数据特征结合构造的超图，进行超图注意力网络处理，获得粪大肠杆菌群数和相关数据预测结果；
S4、分析所述预测结果并调整至所述预测结果达标。
可选的，所述S1中获取相关数据过程包括：将污水依次进行调节池，兼氧池，好氧池和二沉池处理，最后从排放口将水排出；分别对所述调节池、兼氧池、好氧池、二沉池及排出口的污水进行数据采集，所述相关数据包括：所述调节池、兼氧池、好氧池、二沉池及排出口的污水每个时刻的温度，PH值，动植物油量，凯式氮浓度和有机含碳总量，兼氧池，好氧池，二沉池，排放口每个时刻的生物需氧量BOD和粪大肠杆菌群数。
可选的，所述S1中预处理的方法包括：测量所述相关数据，每10分钟测量一次，即为每一时刻测量一次；所述调节池、兼氧池、好氧池、二沉池及排出口所述pH值，动植物油量，凯式氮浓度和有机含碳总量的含量，兼氧池，好氧池，二沉池，排放口每个时刻的生物需氧量BOD和粪大肠杆菌群数，构成一个矩阵q，所述q矩阵维数为33×5,
Figure BDA0003286447600000031
可选的，所述预处理的方法还包括：对矩阵q进行数据扩充，取任意两个最后排放口粪大肠杆菌浓度不达标的矩阵q，进行计算求取平均值，扩充不达标样本的数据集；计算出扩充不达标样本集为q3,
Figure BDA0003286447600000032
式中，q1和q2分别表示任意两个最后排放口粪大肠杆菌浓度不达标的矩阵。
可选的，所述S2中，不达标样本的数据集导入所述GRU模型的过程包括：
ht＝GRU(qt，ht-1)1＜＝t＜＝5
式中，门控循环单元GRU代表一种改良版的循环神经网络单元，h1初始化为一个数值全为0的33×5的特征矩阵，qt矩阵代表q矩阵的每一列，即每一时刻测得的参数值；将初始化的特征矩阵和qt传入GRU单元，得到了五个时刻的特征矩阵ht，也就是h1到h5。
可选的，所述获取数据特征的过程包括：基于所述特征矩阵ht进行霍克斯注意处理，获得所有参数的数据特征；
Figure BDA0003286447600000041
λt＝βt*ht
Figure BDA0003286447600000042
其中H＝[h1,h2,h3,h4,h5],W为参数矩阵，βt为每个时刻的注意力权重，Δt为两个时刻之间的差值，最后得到的Z为所有数据的特征，其中每个参数的特征为5维，拼接在一起维度为33×5。
可选的，所述S3中包括构造超图：G＝(V,E)
Figure BDA0003286447600000043
式中，V为行数代表结点，E为列数代表超边，结点为每个工艺中的每种需要的参数，边为调节池，兼氧池，好氧池，二沉池，排放口共五个工艺流程；G的维度为33×5，G中结点的值为0或1，若一个具体工艺流程内用传感器测了这个数值，就用1来表示，没有测就用0来表示，如调节池温度在第一列值为1，在第二列值为0，则兼氧池温度在第二列值为1。
可选的，获得预测结果的过程包括：基于所述特征矩阵和超图通过超图注意力网络获得预测结果；
Figure BDA0003286447600000051
Figure BDA0003286447600000052
Figure BDA0003286447600000053
Figure BDA0003286447600000054
式中，HConv代表超图卷积，P代表可训练的参数矩阵，ELU代表relu激活函数，
Figure BDA0003286447600000055
代表拉普拉斯变换，X(l)代表需要第l层超图卷积得到的结果，输入的X为训练的特征Z；/>
Figure BDA0003286447600000056
代表每个结点的注意力权重，/>
Figure BDA0003286447600000057
代表注意力系数，P代表一个学习过的线性变换；LeakyReLU代表激活函数；/>
Figure BDA0003286447600000058
为预测的每个需要的数据的结果，k代表多头注意力机制，/>
Figure BDA0003286447600000059
代表矩阵拼接，loss为损失函数。
可选的，包括：
获取模块，用于获取污水中的相关数据，获得样本数据集；
分析模块，用于所述样本数据集的训练，获得样本数据集的参数特征；
预测模块，用于根据所述参数特征对污水进行预测。
可选的，根据预测模块得到的预测结果来调节进水量，温度，药剂投放比例及投放量，使污水中的粪大肠杆菌群数达标。
本发明公开了以下技术效果：发明运用了人工智能的方法对污水处理过程中粪大肠杆菌群数和影响其菌群的因素进行预测，预测结果比较符合实际情况。在人工智能的部分中，采用了小样本识别和改良版的时空超图注意力网络相结合的方法，小样本识别的作用主要体现在扩充数据集，这样更有准确的预测出粪大肠杆菌群数超标的情况，而改良版时空超图注意力网络更加符合粪大肠杆菌群数的预测，结合了时间上和空间上的各种影响信息，相比于一些简单的神经网络和方法，能得到更加符合实际情况的结果。在预测粪大肠杆菌群数时，能同时预测影响其菌群的因素，有利于对污水处理的具体流程进行及时调整，从而降低粪大肠杆菌群数，防止污水不合格。
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，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例的整体方案流程图；
图2为本申请实施例的净水模型示意图；
图3为本申请实施例的神经网络中GRU网络和霍克斯注意的流程示意图。
具体实施方式
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，所描述的实施例仅仅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做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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1-3所示，本发明提供一种基于人工智能的粪大肠杆菌群数的预测方法，步骤包括：S1、获取污水中相关数据，对所述相关数据进行预处理，获得样本的数据集；S2、构建GRU模型，将所述样本的数据集导入所述CRU模型进行训练，获得数据特征；S3、根据所述数据特征构造超图，进行超图注意力网络处理，获得粪大肠杆菌群数和相关数据预测结果；S4、分析所述预测结果并调整至所述预测结果达标。
可选的，所述S1中获取相关数据过程包括：将污水依次进行调节池，兼氧池，好氧池和二沉池处理，最后从排放口将水排出；分别对所述调节池、兼氧池、好氧池、二沉池及排出口的污水进行数据采集，所述相关数据包括：所述调节池、兼氧池、好氧池、二沉池及排出口的污水每个时刻的温度，PH值，动植物油量，凯式氮浓度和有机含碳总量，兼氧池，好氧池，二沉池，排放口每个时刻的生物需氧量BOD和粪大肠杆菌群数。
可选的，所述S1中预处理的方法包括：测量所述相关数据，每10分钟测量一次，即为每一时刻测量一次；所述调节池、兼氧池、好氧池、二沉池及排出口所述pH值，动植物油量，凯式氮浓度和有机含碳总量的含量，兼氧池，好氧池，二沉池，排放口每个时刻的生物需氧量BOD和粪大肠杆菌群数，构成一个矩阵q，所述q矩阵维数为33×5,
Figure BDA0003286447600000081
可选的，所述预处理的方法还包括：对矩阵q进行数据扩充，取任意两个最后排放口粪大肠杆菌浓度不达标的矩阵q，进行计算求取平均值，扩充不达标样本的数据集；计算出扩充不达标样本集为q3,
Figure BDA0003286447600000082
式中，q1和q2分别表示任意两个最后排放口粪大肠杆菌浓度不达标的矩阵。
可选的，所述S2中，不达标样本的数据集导入所述CRU模型的过程包括：
ht＝GRU(qt，ht-1)1＜＝t＜＝5
式中，门控循环单元GRU代表一种改良版的循环神经网络单元，h1初始化为一个数值全为0的33×5的特征矩阵，qt矩阵代表q矩阵的每一列，即每一时刻测得的参数值；将初始化的特征矩阵和qt传入GRU单元，得到了五个时刻的特征矩阵ht，也就是h1到h5。
可选的，所述获取数据特征的过程包括：基于所述特征矩阵ht进行霍克斯注意处理，获得所有参数的数据特征；
Figure BDA0003286447600000091
λt＝βt*ht
Figure BDA0003286447600000092
其中H＝[h1,h2,h3,h4,h5],W为参数矩阵，βt为每个时刻的注意力权重，Δt为两个时刻之间的差值，最后得到的Z为所有数据的特征，其中每个参数的特征为5维，拼接在一起维度为33×5。
可选的，所述S3中包括构造超图：G＝(V,E)
Figure BDA0003286447600000093
式中，V为行数代表结点，E为列数代表超边，结点为每个工艺中的每种需要的参数，边为调节池，兼氧池，好氧池，二沉池，排放口共五个工艺流程；G的维度为33×5，G中结点的值为0或1，若一个具体工艺流程内用传感器测了这个数值，就用1来表示，没有测就用0来表示，如调节池温度在第一列值为1，在第二列值为0，则兼氧池温度在第二列值为1。
可选的，获得预测结果的过程包括：基于所述特征矩阵和超图通过超图注意力网络获得预测结果；
Figure BDA0003286447600000094
Figure BDA0003286447600000101
Figure BDA0003286447600000102
Figure BDA0003286447600000103
式中，HConv代表超图卷积，P代表可训练的参数矩阵，ELU代表relu激活函数，
Figure BDA0003286447600000104
代表拉普拉斯变换，X(l)代表需要第l层超图卷积得到的结果，输入的X为训练的特征Z；/>
Figure BDA0003286447600000105
代表每个结点的注意力权重，/>
Figure BDA0003286447600000106
代表注意力系数，P代表一个学习过的线性变换；LeakyReLU代表激活函数；/>
Figure BDA0003286447600000107
为预测的每个需要的数据的结果，k代表多头注意力机制，/>
Figure BDA0003286447600000108
代表矩阵拼接，loss为损失函数。
可选的，包括：
获取模块，用于获取污水中的相关数据，获得样本数据集；
分析模块，用于所述样本数据集的训练，获得样本数据集的参数特征；
预测模块，用于根据所述参数特征对污水进行预测。
可选的，根据预测模块得到的预测结果来调节进水量，温度，药剂投放比例及投放量，使污水中的粪大肠杆菌群数达标。
本发明公开了以下技术效果：发明运用了人工智能的方法对污水处理过程中粪大肠杆菌群数和影响其菌群的因素进行预测，预测结果比较符合实际情况。在人工智能的部分中，采用了小样本识别和改良版的时空超图注意力网络相结合的方法，小样本识别的作用主要体现在扩充数据集，这样更有准确的预测出粪大肠杆菌群数超标的情况，而改良版时空超图注意力网络更加符合粪大肠杆菌群数的预测，结合了时间上和空间上的各种影响信息，相比于一些简单的神经网络和方法，能得到更加符合实际情况的结果。在预测粪大肠杆菌群数时，能同时预测影响其菌群的因素，有利于对污水处理的具体流程进行及时调整，从而降低粪大肠杆菌群数，防止污水不合格。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (7)

1.一种基于人工智能的粪大肠杆菌群数的预测方法，其特征在于，步骤包括：
S1、获取污水中相关数据，对所述相关数据进行预处理，获得样本的数据集；所述相关数据包括：调节池、兼氧池、好氧池、二沉池及排出口的污水每个时刻的温度，PH值，动植物油量，凯式氮浓度和有机含碳总量，兼氧池，好氧池，二沉池，排放口每个时刻的生物需氧量BOD和粪大肠杆菌群数；
S2、构建GRU模型，将所述样本的数据集导入所述GRU模型进行训练，获得数据特征；所述获得数据特征的过程包括：基于特征矩阵
Figure QLYQS_1
进行霍克斯注意处理，获得所有参数的数据特征；
Figure QLYQS_2
其中/>
Figure QLYQS_3
，/>
Figure QLYQS_4
，
Figure QLYQS_5
为每个时刻的注意力权重，/>
Figure QLYQS_6
为两个时刻之间的差值，最后得到的/>
Figure QLYQS_7
为所有数据的特征，其中每个参数的特征为5维，拼接在一起维度为33×5；
S3、根据所述数据特征结合构造的超图，进行超图注意力网络处理，获得粪大肠杆菌群数和相关数据预测结果；所述S3中包括构造超图：
Figure QLYQS_8
Figure QLYQS_9
式中，/>
Figure QLYQS_10
为行数代表结点，/>
Figure QLYQS_11
为列数代表超边，结点为每个工艺中的每种需要的参数，边为调节池，兼氧池，好氧池，二沉池，排放口共五个工艺流程；G的维度为33×5，/>
Figure QLYQS_12
中结点的值为0或1，若一个具体工艺流程内用传感器测了这个数值，就用1来表示，没有测就用0来表示，/>
Figure QLYQS_13
在第一列值为1，在第二列值为0，则/>
Figure QLYQS_14
第二列值为1；
S4、分析所述预测结果并调整至所述预测结果达标。
2.根据权利要求1所述的基于人工智能的粪大肠杆菌群数的预测方法，其特征在于：所述S1中获取相关数据过程包括：将污水依次进行调节池，兼氧池，好氧池和二沉池处理，最后从排放口将水排出；分别对所述调节池、兼氧池、好氧池、二沉池及排出口的污水进行数据采集。
3.根据权利要求1所述的基于人工智能的粪大肠杆菌群数的预测方法，其特征在于：所述S1中预处理的方法包括：测量所述相关数据，每10分钟测量一次，即为每一时刻测量一次；所述调节池、兼氧池、好氧池、二沉池及排出口所述PH值，动植物油量，凯式氮浓度和有机含碳总量的含量，兼氧池，好氧池，二沉池，排放口每个时刻的生物需氧量BOD和粪大肠杆菌群数，构成一个矩阵q，所述矩阵q维数为33×5，
Figure QLYQS_15
。
4.根据权利要求3所述的基于人工智能的粪大肠杆菌群数的预测方法，其特征在于：所述预处理的方法还包括：对矩阵
Figure QLYQS_16
进行数据扩充，取任意两个最后排放口粪大肠杆菌浓度不达标的矩阵/>
Figure QLYQS_17
，进行计算求取平均值，扩充不达标样本的数据集；计算出扩充不达标样本集为/>
Figure QLYQS_18
,
Figure QLYQS_19
式中，/>
Figure QLYQS_20
和/>
Figure QLYQS_21
分别表示任意两个最后排放口粪大肠杆菌浓度不达标的矩阵。
5.根据权利要求4所述的基于人工智能的粪大肠杆菌群数的预测方法，其特征在于：所述S2中，不达标样本的数据集导入所述
Figure QLYQS_22
模型的过程包括：
Figure QLYQS_24
式中，t取值为1、2、3、4、5，门控循环单元/>
Figure QLYQS_27
代表一种改良版的循环神经网络单元，/>
Figure QLYQS_30
初始化为一个数值全为0的33×5的特征矩阵，/>
Figure QLYQS_25
代表/>
Figure QLYQS_26
矩阵的每一列，即每一时刻测得的参数值；将初始化的特征矩阵和qt传入/>
Figure QLYQS_29
单元，得到了五个时刻的特征矩阵/>
Figure QLYQS_31
，也就是/>
Figure QLYQS_23
到/>
Figure QLYQS_28
。
6.根据权利要求1所述的基于人工智能的粪大肠杆菌群数的预测方法，其特征在于：获得预测结果的过程包括：基于所述特征矩阵和超图通过超图注意力网络获得预测结果；
Figure QLYQS_32
式中，/>
Figure QLYQS_38
代表超图卷积，/>
Figure QLYQS_41
代表可训练的参数矩阵，/>
Figure QLYQS_35
代表relu激活函数，/>
Figure QLYQS_37
代表拉普拉斯变换，/>
Figure QLYQS_42
代表需要第/>
Figure QLYQS_45
层超图卷积得到的结果，输入的/>
Figure QLYQS_34
为训练的特征/>
Figure QLYQS_36
；
Figure QLYQS_40
的注意力权重，/>
Figure QLYQS_43
代表注意力系数；/>
Figure QLYQS_33
代表激活函数；
Figure QLYQS_39
每个需要的数据的结果，/>
Figure QLYQS_44
代表多头注意力机制，/>
Figure QLYQS_46
代表矩阵拼接，loss为损失函数。
7.一种基于人工智能的粪大肠杆菌群数的预测装置，其特征在于，包括：
获取样本的数据集模块，用于获取污水中相关数据，对所述相关数据进行预处理，获得样本的数据集；所述相关数据包括：调节池、兼氧池、好氧池、二沉池及排出口的污水每个时刻的温度，PH值，动植物油量，凯式氮浓度和有机含碳总量，兼氧池，好氧池，二沉池，排放口每个时刻的生物需氧量BOD和粪大肠杆菌群数；
构建
Figure QLYQS_47
模型及获取数据特征模块，用于构建GRU模型，将所述样本的数据集导入所述
Figure QLYQS_48
模型进行训练，获得数据特征；所述获得数据特征的过程包括：基于特征矩阵/>
Figure QLYQS_49
进行霍克斯注意处理，获得所有参数的数据特征；
Figure QLYQS_50
其中/>
Figure QLYQS_51
，/>
Figure QLYQS_52
，/>
Figure QLYQS_53
为每个时刻的注意力权重，/>
Figure QLYQS_54
为两个时刻之间的差值，最后得到的/>
Figure QLYQS_55
为所有数据的特征，其中每个参数的特征为5维，拼接在一起维度为33×5；
获取粪大肠杆菌群数和相关数据预测结果模块，用于根据所述数据特征结合构造的超图，进行超图注意力网络处理，获得所述粪大肠杆菌群数和所述相关数据预测结果；所述数据特征结合构造的超图：
Figure QLYQS_56
Figure QLYQS_57
式中，/>
Figure QLYQS_58
为行数代表结点，/>
Figure QLYQS_59
为列数代表超边，结点为每个工艺中的每种需要的参数，边为调节池，兼氧池，好氧池，二沉池，排放口共五个工艺流程；G的维度为33×5，/>
Figure QLYQS_60
中结点的值为0或1，若一个具体工艺流程内用传感器测了这个数值，就用1来表示，没有测就用0来表示，/>
Figure QLYQS_61
在第一列值为1，在第二列值为0，则/>
Figure QLYQS_62
第二列值为1；
分析及调整模块，用于分析所述相关数据预测结果并调整进水量，温度，药剂投放比例及投放量，使污水中的所述粪大肠杆菌群数达标。
CN202111149525.8A 2021-09-29 2021-09-29 一种基于人工智能的粪大肠杆菌群数的预测方法及装置 Active CN113851184B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111149525.8A CN113851184B (zh) 2021-09-29 2021-09-29 一种基于人工智能的粪大肠杆菌群数的预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111149525.8A CN113851184B (zh) 2021-09-29 2021-09-29 一种基于人工智能的粪大肠杆菌群数的预测方法及装置

Publications (2)

Publication Number Publication Date
CN113851184A CN113851184A (zh) 2021-12-28
CN113851184B true CN113851184B (zh) 2023-07-04

Family

ID=78976965

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111149525.8A Active CN113851184B (zh) 2021-09-29 2021-09-29 一种基于人工智能的粪大肠杆菌群数的预测方法及装置

Country Status (1)

Country Link
CN (1) CN113851184B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115859770B (zh) * 2022-10-25 2023-08-04 浙江问源环保科技股份有限公司 基于ga和ffnn的生活污水粪大肠菌群在线监测系统和装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112116080A (zh) * 2020-09-24 2020-12-22 中国科学院沈阳计算技术研究所有限公司 一种融合了注意力机制的cnn-gru水质预测方法
CN113094509A (zh) * 2021-06-08 2021-07-09 明品云(北京)数据科技有限公司 文本信息提取方法、系统、设备及介质

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101775434A (zh) * 2010-04-02 2010-07-14 天津大学 基于bp神经网络的饮用水管网细菌总数快速预测方法
US20160185633A1 (en) * 2014-12-30 2016-06-30 University Of Florida Research Foundation, Inc. Recovery of nutrients from water and wastewater by precipitation as struvite
US20170316324A1 (en) * 2016-04-27 2017-11-02 Virginia Polytechnic Institute And State University Computerized Event-Forecasting System and User Interface
CN108897805A (zh) * 2018-06-15 2018-11-27 江苏大学 一种专利文本自动分类方法
CN110765854B (zh) * 2019-09-12 2022-12-02 昆明理工大学 一种视频动作识别方法
CN111860951B (zh) * 2020-06-12 2023-09-26 北京工业大学 一种基于动态超图卷积网络的轨道交通客流预测方法
CN112101796B (zh) * 2020-09-16 2024-03-15 清华大学合肥公共安全研究院 一种水环境污染风险综合感知识别系统
CN112132333B (zh) * 2020-09-16 2024-02-02 安徽泽众安全科技有限公司 一种基于深度学习的短期水质水量预测方法及系统
CN112735524A (zh) * 2020-12-28 2021-04-30 天津大学合肥创新发展研究院 一种基于神经网络的真实纳米孔测序信号滤波方法及装置
CN112827497B (zh) * 2020-12-31 2022-07-08 福建省农业科学院农业工程技术研究所 一种臭氧催化材料的制备方法
CN113436167B (zh) * 2021-06-25 2022-04-26 湖南工商大学 基于深度学习和视觉感知的无参考彩色图像质量评价方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112116080A (zh) * 2020-09-24 2020-12-22 中国科学院沈阳计算技术研究所有限公司 一种融合了注意力机制的cnn-gru水质预测方法
CN113094509A (zh) * 2021-06-08 2021-07-09 明品云(北京)数据科技有限公司 文本信息提取方法、系统、设备及介质

Also Published As

Publication number Publication date
CN113851184A (zh) 2021-12-28

Similar Documents

Publication Publication Date Title
CN105510546B (zh) 一种基于自组织递归rbf神经网络的生化需氧量bod智能检测方法
Lotfi et al. Predicting wastewater treatment plant quality parameters using a novel hybrid linear-nonlinear methodology
CN112132333B (zh) 一种基于深度学习的短期水质水量预测方法及系统
Mei et al. Prediction model of drinking water source quality with potential industrial-agricultural pollution based on CNN-GRU-Attention
CN102854296B (zh) 一种基于集成神经网络的污水处理软测量方法
Güçlü et al. Artificial neural network modelling of a large-scale wastewater treatment plant operation
Jana et al. Optimization of effluents using artificial neural network and support vector regression in detergent industrial wastewater treatment
Wang et al. A full-view management method based on artificial neural networks for energy and material-savings in wastewater treatment plants
CN108562709A (zh) 一种基于卷积自编码器极限学习机的污水处理系统水质监测预警方法
Mohammed et al. Comparative predictive modelling of the occurrence of faecal indicator bacteria in a drinking water source in Norway
CN113851184B (zh) 一种基于人工智能的粪大肠杆菌群数的预测方法及装置
Lin et al. UNISON decision framework for hybrid optimization of wastewater treatment and recycle for Industry 3.5 and cleaner semiconductor manufacturing
KR102348977B1 (ko) 바이오가스플랜트 통합운영관리 플랫폼 시스템
CN117164103B (zh) 生活污水处理系统的智能控制方法、终端及系统
Yahiaoui et al. The feasibility of combining an electrochemical treatment on a carbon felt electrode and a biological treatment for the degradation of tetracycline and tylosin–application of the experimental design methodology
Han et al. An intelligent detecting system for permeability prediction of MBR
Qambar et al. Development of local and global wastewater biochemical oxygen demand real-time prediction models using supervised machine learning algorithms
Wang et al. Predicting flocculant dosage in the drinking water treatment process using Elman neural network
Ye et al. Prediction of effluent total nitrogen and energy consumption in wastewater treatment plants: Bayesian optimization machine learning methods
Grieu et al. KSOM and MLP neural networks for on-line estimating the efficiency of an activated sludge process
CN113838542A (zh) 化学需氧量智能预测方法和系统
CN113111576A (zh) 一种基于混合编码粒子群-长短期记忆神经网络出水氨氮软测量方法
CN112782232A (zh) 基于人工神经网络的农污设施出水总磷软测量方法及装置
Yang et al. Intelligent optimization strategy for electrochemical removal of ammonia nitrogen by neural network embedded in a non-dominated sorting genetic algorithm
Pisa et al. Artificial neural networks application to support plant operation in the wastewater industry

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