CN114113518A - 一种入户生活用水水质评价方法 - Google Patents
一种入户生活用水水质评价方法 Download PDFInfo
- Publication number
- CN114113518A CN114113518A CN202111331422.3A CN202111331422A CN114113518A CN 114113518 A CN114113518 A CN 114113518A CN 202111331422 A CN202111331422 A CN 202111331422A CN 114113518 A CN114113518 A CN 114113518A
- Authority
- CN
- China
- Prior art keywords
- water quality
- matrix
- data
- evaluation
- index
- 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.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims abstract description 80
- 238000011156 evaluation Methods 0.000 claims abstract description 64
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 15
- HEDRZPFGACZZDS-UHFFFAOYSA-N Chloroform Chemical compound ClC(Cl)Cl HEDRZPFGACZZDS-UHFFFAOYSA-N 0.000 claims description 6
- 238000013210 evaluation model Methods 0.000 claims description 5
- 230000002194 synthesizing effect Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 229910001385 heavy metal Inorganic materials 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 244000005700 microbiome Species 0.000 claims description 3
- 239000013618 particulate matter Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims 1
- 210000002569 neuron Anatomy 0.000 description 5
- 230000036541 health Effects 0.000 description 4
- 150000002500 ions Chemical class 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06Q50/06—Energy or water supply
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Probability & Statistics with Applications (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Chemical & Material Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
Abstract
本发明公开了一种入户生活用水水质评价方法，步骤包括步骤1预设水质评价的水质指标；步骤2根据预设的水质指标进行数据优化；步骤3给出水质评价结果，通过构建数据矩阵、评分矩阵，最终得到评价矩阵，进而得出水质的评价结果；步骤4构建神经网络模型，根据得到的水质评价结果构建神经网络模型，从而对水质评价结果进行迭代，从而弥补了以往传统评价依据单一化的问题，同时改善了因主观化导致传统专家制定评价标准易出现指标重要性逻辑判断错误的问题，使本方法更加具备定制性、全面性和合理性。
Description
技术领域
本发明涉及水质评价技术领域，具体指一种入户生活用水水质评价方法。
背景技术
随着人们生活品质的日益提高，越来越多的人开始关注日常入户生活用水和饮用水的水质健康。给出一套合理可行的入户生活用水水质评价方法对于解决水质监测与水质提升都起到了至关重要的作用。然而在水质评价方面，现有方法以国家标准作为参考，仅仅采用了单因子评价的方法进行了水质的五类划分，对同级水质无法进行综合性比较且针对性不强，无法针对十分具有指向性的生活用水给出确切评价。
另外，与其他评价标准不同，入户式生活用水水质评价标准不光需要参考水质的整体情况，还应在健康层面有一定评价倾向，而传统生活用水水质评价方法并没有考虑这一点。
而且，传统生活用水水质评价方法在面对大量数据时，数据的处理速度会较少量数据时表现出明显不足，且对生活用水的评价标准来源单一无法确保对实际水质的适用程度，误差较大。
发明内容
本发明根据现有技术的不足，提出一种入户生活用水水质评价方法，弥补了以往传统评价依据单一化的问题，同时改善了因主观化导致传统专家制定评价标准易出现指标重要性逻辑判断错误的问题，使本方法更加具备定制性、全面性和合理性。
为了解决上述技术问题，本发明的技术方案为：
一种入户生活用水水质评价方法，步骤包括
步骤1预设水质评价的水质指标；
步骤2根据预设的水质指标进行数据优化；
步骤3给出水质评价结果，
通过构建数据矩阵、评分矩阵，最终得到评价矩阵，进而得出水质的评价结果；
步骤4构建神经网络模型，
根据得到的水质评价结果构建神经网络模型，从而对水质评价结果进行迭代。
作为优选，所述步骤1中水质指标包括PH值、重金属离子浓度、色度、氯仿、硬度、悬浮颗粒物和有害微生物含量。
作为优选，所述步骤2包括
步骤2.1根据预设的水质指标构造水质指标成对比较矩阵，
运用层次分析，通过历史数据对各项水质指标进行重要性比较，并参照所给的标度得到对应水质指标的成对比较矩阵；
步骤2.2将所有成对比较矩阵进行权重计算及一致性检验，得到权重矩阵；
步骤2.3对水质指标数据无量纲化。
作为优选，所述步骤2.2中数据优化的方法包括：
所得的多个成对比较矩阵的的各行向量分别进行几何平均和归一化，得到各评价指标权重wio和特征向量Wo，其中，
计算最大特征根λmax:
将(3)式带入(4)式，得到CI：
将(4)式和查表得到的RI带入(5)式，得到CR：
通过判断CR<0.1判断成对比较矩阵的不一致程度是否在允许范围内，对应所有成对比较矩阵S当不满足时认为成对比较矩阵S的不一致程度不在允许范围内，需调整直至CR<0；
将经过调整最终得到的多个权重列向量合成一个权重矩阵W。
作为优选，所述步骤2.3中水质指标数据无量纲化的方法为：
针对水质指标数据越小评价越好
无量纲化结果:
针对水质指标数据越靠近预定值评价越好
无量纲化结果:
作为优选，所述步骤3中，数据矩阵的构建方法为，
通过高斯分布随机生成t(10000～100000)组数据，其中每组数据有t*n个数据，并按行分为t个小组数据，将每个小组的n个数据按照与权重矩阵W每列指标相对应并以此对数据进行无量纲化，即构建数据矩阵记为Xk，其中
k＝(1，2，3，...，t)
作为优选，所述步骤3中，评分矩阵的构建方法为，通过矩阵乘法:
Pk＝XkW (9)
得出评分矩阵，记为Pk；
所述步骤3中，评价矩阵的构建方法为，
通过评分矩阵Pk，得出其项Pijk代表第k组数据中的第i小组数据在第j组权重下计算的评分，通过将评分与已给出的评分-评价对照表进行比对，得出评价矩阵Pk'。
作为优选，所述步骤4的神经网络模型的构建方法为，通过应用BP神经网络将不同的评价矩阵Pk'进行综合，得到最终评价模型，具体步骤如下：
步骤4.1选取原始参数
步骤4.2训练网络
步骤4.3经一定次数迭代后完成训练，得到优、良、中、合、差的水质评价等级最终评价模型。
作为优选，所述步骤4.2中训练网络的方法为
通过取m个数据矩阵X，并将与之对应的评价矩阵P′中的评价p′ij按列序插入至数据矩阵X的末尾形成新的m个数据矩阵X':
X′j＝[X p′j](j＝1，2，3，…，m) (11)
将由(11)式得到的m个X'作为子矩阵按列排列为新的矩阵X”:
随机打乱(12)式矩阵的行排列顺序并按列归一化，以(12)式矩阵的前n 列作为神经网络的输入矩阵，将最后一列的经过如下处理后作为每一行对应的输出代入神经网络进行训练，以X”的前n列作为神经网络的输入矩阵，将最后一列优、良、中、合、差分别用列向量替换。
本发明具有以下的特点和有益效果：
采用上述技术方案，结合层次分析法，弥补了以往方法评价依据单一化的问题，同时改善了因主观化导致传统专家制定评价标准易出现指标重要性逻辑判断错误的问题，使本方法更加具备定制性、全面性和合理性。另外，通过对数据的无量纲化特殊处理，加大了超标量对水质评价的负面影响，使水质评价标准具备在健康方面更加严格的特点。最后结合BP神经网络，通过将应用不同专家评价标准的大量评价结果和原始参数带入训练，起到了将多个专家评价标准综合的作用，并具备快速性、可进行大规模评价、评价标准对实际水质具备极高适用性的优势。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
本发明提供了一种入户生活用水水质评价方法，步骤包括
步骤1预设水质评价的水质指标，其中，水质指标包括PH值、重金属离子浓度、色度、氯仿、硬度、悬浮颗粒物和有害微生物含量，这里将各类指标记作A1、A2、A3、A4...、An。
需要说明的是，本实施例中所提及的水质指标的种类不仅限于本实施例所述的种类，任意种类的水质指标均适用本申请的应用。
可以理解的，通过多个指标对水质进行评价，使得对水质的评价更加全面更加合理。
步骤2根据预设的水质指标进行数据优化；
步骤3给出水质评价结果，
通过构建数据矩阵、评分矩阵，最终得到评价矩阵，进而得出水质的评价结果；
步骤4构建神经网络模型，
根据得到的水质评价结果构建神经网络模型，从而对水质评价结果进行迭代。
本实施例的进一步说明，所述步骤2包括
步骤2.1根据预设的水质指标构造水质指标成对比较矩阵，
运用层次分析，通过历史数据对各项水质指标进行重要性比较，并参照所给的标度得到对应水质指标的成对比较矩阵；
具体方法如下：
构造n*n的矩阵，其中aij项的值为指标Ai和Aj根据下表进行比较，并将最终得出矩阵记为S；
其中历史数据为，通过采访m位水质领域具有一定权威的专家学者，根据不同意见通过该方法分别构造成对比较矩阵，记作S1、S2、S3、......、Sm，并将成对比较矩阵的下标带入aij项，例如aijm为Sm的项。
上述技术方案中，通过两两重要性比较避免了因专家主观化导致的指标重要性逻辑判断错误。
结合层次分析法，弥补了以往方法评价依据单一化的问题，同时改善了因主观化导致传统专家制定评价标准易出现指标重要性逻辑判断错误的问题，使本方法更加具备定制性、全面性和合理性。
步骤2.2将所有成对比较矩阵进行权重计算及一致性检验，得到权重矩阵；
具体的，所述步骤2.2中数据优化的方法包括：
所得的多个成对比较矩阵的的各行向量分别进行几何平均和归一化，得到各评价指标权重Wio和特征向量Wo，
对于S1、S2、S3、......、Sm共m个成对比较矩阵分别进行权重计算及一致性检验。对第O个成对比较矩阵进行如下操作：将矩阵So的各行向量进行几何平均，然后进行归一化，得到各评价指标权重Wio和特征向量Wo：
其中，
一致性检验(判断思维的逻辑一致性)：
计算最大特征根λmax:
一致性指标
将(3)式带入(4)式，得到CI：
查表确定随机一致性指标RI：
计算一致性比率：
将(4)式和查表得到的RI带入(5)式，得到CR：
当CR<0.1时认为成对比较矩阵S的不一致程度在允许范围内，否则应调整 S直至CR<0。当S1、S2、S3、......、Sm所有成对比较矩阵都进行完毕上述运算后，最终得到W1、W2、W3、......、Wm共m个权重列向量，最后将m个列向量合成一个权重矩阵W。
本发明的进一步设置，步骤2.3对水质指标数据无量纲化。
具体的，所述步骤2.3中水质指标数据无量纲化的方法为：
针对水质指标数据越小评价越好
无量纲化结果:
可以理解的，如重金属离子浓度等，其浓度越低，评价越好。
针对水质指标数据越靠近预定值评价越好
无量纲化结果:
可以理解的，如PH值。
需要说明的是，处理后的数据允许出现负数，从而提高了指标不合格灵敏度，增大指标不合格对整体评价的影响。
上述技术方案中，通过对数据的无量纲化特殊处理，加大了超标量对水质评价的负面影响，使水质评价标准具备在健康方面更加严格的特点。
本发明的进一步设置，所述步骤3中，数据矩阵的构建方法为，
通过高斯分布随机生成t(10000～100000)组数据，其中每组数据有t*n个数据，并按行分为t个小组数据，将每个小组的n个数据按照与权重矩阵W每列指标相对应并以此对数据进行无量纲化，即构建数据矩阵记为Xk，其中
k＝(1，2，3，...，t)
进一步的，所述步骤3中，评分矩阵的构建方法为，通过矩阵乘法:
Pk＝XkW (9)
得出评分矩阵，记为Pk；
所述步骤3中，评价矩阵的构建方法为，
通过评分矩阵Pk，得出其项Pijk代表第k组数据中的第i小组数据在第j组权重下计算的评分，通过将评分与已给出的评分-评价对照表进行比对，得出评价矩阵Pk'，如下表所示。
本发明的进一步设置，所述步骤4的神经网络模型的构建方法为，通过应用BP神经网络将不同的评价矩阵Pk'进行综合，得到神经网络权重矩阵W'，具体步骤如下：
步骤4.1选取原始参数
输入层：根据评价指标参数的个数确定输入层神经元的个数n。
隐藏层：层数设置为2。隐藏层根据经验公式：
其中h为隐藏层神经元个数，m(与上文m不同)为输出层神经元个数，n 为输入层神经元个数，a为1～10之间的调节常数。
输出层：由于本方法最终的评价结果为优、良、中、合、差，因此输出层神经元个数设为5。
激活函数的选择：第一层和第二层采用Relu激活函数，输出层采用softmax 分类器。
步骤4.2训练网络
具体的，所述步骤4.2中训练网络的方法为
通过取m个数据矩阵X，并将与之对应的评价矩阵P′中的评价p′ij按列序插入至数据矩阵X的末尾形成新的m个数据矩阵X':
X′j＝[X p′j](j＝1，2，3，…，m) (11)
将由(11)式得到的m个X'作为子矩阵按列排列为新的矩阵X”:
随机打乱(12)式矩阵的行排列顺序，并按(13)式对列进行归一化处理，以(12)式矩阵的前n列作为神经网络的输入矩阵，将前n列的经过如下处理后作为每一行对应的输入代入神经网络进行训练。
以X”的最后一列作为神经网络的输出矩阵，将最后一列优、良、中、合、差分别用列向量替换，如(14)式所示，并作为每一行对应的输出代入神经网络进行训练。
步骤4.3经一定次数迭代后完成训练，得到优、良、中、合、差的水质评价等级最终评价模型。
完成求解。
上述技术方案中，结合BP神经网络，通过将应用不同专家评价标准的大量评价结果和原始参数带入训练，起到了将多个专家评价标准综合的作用，并具备快速性、可进行大规模评价、评价标准对实际水质具备极高适用性的优势。
以上结合对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式包括部件进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。
Claims (9)
1.一种入户生活用水水质评价方法，其特征在于，步骤包括
步骤1预设水质评价的水质指标；
步骤2根据预设的水质指标进行数据优化；
步骤3给出水质评价结果，
通过构建数据矩阵、评分矩阵，最终得到评价矩阵，进而得出水质的评价结果；
步骤4构建神经网络模型，
根据得到的水质评价结果构建神经网络模型，从而对水质评价结果进行迭代。
2.根据权利要求1所述的入户生活用水水质评价方法，其特征在于，所述步骤1中水质指标包括PH值、重金属离子浓度、色度、氯仿、硬度、悬浮颗粒物和有害微生物含量。
3.根据权利要求1所述的入户生活用水水质评价方法，其特征在于，所述步骤2包括
步骤2.1根据预设的水质指标构造水质指标成对比较矩阵，
运用层次分析，通过历史数据对各项水质指标进行重要性比较，并参照所给的标度得到对应水质指标的成对比较矩阵；
步骤2.2将所有成对比较矩阵进行权重计算及一致性检验，得到权重矩阵；
步骤2.3对水质指标数据无量纲化。
4.根据权利要求3所述的入户生活用水水质评价方法，其特征在于，所述步骤2.2中数据优化的方法包括：
所得的多个成对比较矩阵的的各行向量分别进行几何平均和归一化，得到各评价指标权重Wio和特征向量Wo，其中，
计算最大特征根λmax:
将(3)式带入(4)式，得到CI：
将(4)式和查表得到的RI带入(5)式，得到CR：
通过判断CR<0.1判断成对比较矩阵的不一致程度是否在允许范围内，对应所有成对比较矩阵S当不满足时认为成对比较矩阵S的不一致程度不在允许范围内，需调整直至CR<0；
将经过调整最终得到的多个权重列向量合成一个权重矩阵W。
5.根据权利要求4所述的入户生活用水水质评价方法，其特征在于，所述步骤2.3中水质指标数据无量纲化的方法为：
针对水质指标数据越小评价越好
无量纲化结果:
针对水质指标数据越靠近预定值评价越好
无量纲化结果:
6.根据权利要求5所述的入户生活用水水质评价方法，其特征在于，所述步骤3中，数据矩阵的构建方法为，
通过高斯分布随机生成t(10000～100000)组数据，其中每组数据有t*n个数据，并按行分为t个小组数据，将每个小组的n个数据按照与权重矩阵W每列指标相对应并以此对数据进行无量纲化，即构建数据矩阵记为Xk，其中
k＝(1，2，3，...，t)
7.根据权利要求6所述的入户生活用水水质评价方法，其特征在于，所述步骤3中，评分矩阵的构建方法为，
通过矩阵乘法:
Pk＝XkW (9)
得出评分矩阵，记为Pk；
所述步骤3中，评价矩阵的构建方法为，
通过评分矩阵Pk，得出其项Pijk代表第k组数据中的第i小组数据在第j组权重下计算的评分，通过将评分与已给出的评分-评价对照表进行比对，得出评价矩阵P′k。
8.根据权利要求7所述的入户生活用水水质评价方法，其特征在于，所述步骤4的神经网络模型的构建方法为，通过应用BP神经网络将不同的评价矩阵P′k进行综合，得到最终评价模型，具体步骤如下：
步骤4.1选取原始参数
步骤4.2训练网络
步骤4.3经一定次数迭代后完成训练，得到优、良、中、合、差的水质评价等级最终评价模型。
9.根据权利要求8所述的入户生活用水水质评价方法，其特征在于，所述步骤4.2中训练网络的方法为
通过取m个数据矩阵X，并将与之对应的评价矩阵P′中的评价p′ij按列序插入至数据矩阵X的末尾形成新的m个数据矩阵X':
X′j＝[X P′j](j＝1，2，3，…，m) (1I)
将由(11)式得到的m个X'作为子矩阵按列排列为新的矩阵X”:
随机打乱(12)式矩阵的行排列顺序并按列归一化，以(12)式矩阵的前n列作为神经网络的输入矩阵，将最后一列的经过如下处理后作为每一行对应的输出代入神经网络进行训练，以X”的前n列作为神经网络的输入矩阵，将最后一列优、良、中、合、差分别用列向量替换。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111331422.3A CN114113518B (zh) | 2021-11-11 | 2021-11-11 | 一种入户生活用水水质评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111331422.3A CN114113518B (zh) | 2021-11-11 | 2021-11-11 | 一种入户生活用水水质评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114113518A true CN114113518A (zh) | 2022-03-01 |
| CN114113518B CN114113518B (zh) | 2024-04-16 |
Family
ID=80378406
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111331422.3A Active CN114113518B (zh) | 2021-11-11 | 2021-11-11 | 一种入户生活用水水质评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114113518B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101944160A (zh) * | 2010-08-31 | 2011-01-12 | 环境保护部华南环境科学研究所 | 基于层次分析法和综合评价法建立的近岸海域生态环境综合评价方法 |
| CN102902882A (zh) * | 2012-09-14 | 2013-01-30 | 安徽南瑞继远软件有限公司 | 一种信息系统运行质量的评价方法 |
| CN105809578A (zh) * | 2016-05-30 | 2016-07-27 | 北京师范大学 | 一种区域水环境风险评估和分区方法 |
| CN109740931A (zh) * | 2018-12-30 | 2019-05-10 | 杭州铭展网络科技有限公司 | 一种用于进行水质评价的解耦合参评模型获取方法 |
| CN110287516A (zh) * | 2019-05-13 | 2019-09-27 | 西南石油大学 | 一种页岩气藏压裂水平井可压性综合评价方法 |
| CN112270465A (zh) * | 2020-10-19 | 2021-01-26 | 西安工程大学 | 一种产品服务系统方案评价方法 |
| CN113033997A (zh) * | 2021-03-24 | 2021-06-25 | 汕头大学 | 基于改进集对分析的城市水质等级确定方法、装置及介质 |
| CN113516381A (zh) * | 2021-06-29 | 2021-10-19 | 同济大学 | 一种基于优化模糊层次分析的供水管网水质评价方法 |
-
2021
- 2021-11-11 CN CN202111331422.3A patent/CN114113518B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101944160A (zh) * | 2010-08-31 | 2011-01-12 | 环境保护部华南环境科学研究所 | 基于层次分析法和综合评价法建立的近岸海域生态环境综合评价方法 |
| CN102902882A (zh) * | 2012-09-14 | 2013-01-30 | 安徽南瑞继远软件有限公司 | 一种信息系统运行质量的评价方法 |
| CN105809578A (zh) * | 2016-05-30 | 2016-07-27 | 北京师范大学 | 一种区域水环境风险评估和分区方法 |
| CN109740931A (zh) * | 2018-12-30 | 2019-05-10 | 杭州铭展网络科技有限公司 | 一种用于进行水质评价的解耦合参评模型获取方法 |
| CN110287516A (zh) * | 2019-05-13 | 2019-09-27 | 西南石油大学 | 一种页岩气藏压裂水平井可压性综合评价方法 |
| CN112270465A (zh) * | 2020-10-19 | 2021-01-26 | 西安工程大学 | 一种产品服务系统方案评价方法 |
| CN113033997A (zh) * | 2021-03-24 | 2021-06-25 | 汕头大学 | 基于改进集对分析的城市水质等级确定方法、装置及介质 |
| CN113516381A (zh) * | 2021-06-29 | 2021-10-19 | 同济大学 | 一种基于优化模糊层次分析的供水管网水质评价方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114113518B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Enterprise credit risk evaluation based on neural network algorithm | |
| CN107544253B (zh) | 基于改进模糊熵权法的大型导弹装备退役安全控制方法 | |
| CN107563645A (zh) | 一种基于大数据的金融风险分析方法 | |
| CN106651656A (zh) | 基于改进的隶属度函数的供电可靠性模糊综合评价方法 | |
| Önder et al. | Forecasting macroeconomic variables using artificial neural network and traditional smoothing techniques | |
| CN110111024A (zh) | 基于ahp模糊综合评价模型的科技成果市场价值评估方法 | |
| CN113688458B (zh) | 一种基于层次分析法的地基基础方案优选方法 | |
| CN108647869A (zh) | 工程评估方法和装置 | |
| CN105117820A (zh) | 一种基于dea-ahp的粮食储藏绿色度评价方法 | |
| CN110533249B (zh) | 一种基于集成长短期记忆网络的冶金企业能耗预测方法 | |
| Farahani et al. | Car sales forecasting using artificial neural networks and analytical hierarchy process | |
| CN114113518A (zh) | 一种入户生活用水水质评价方法 | |
| CN107644285A (zh) | 售电市场盈利能力评估指标的筛选与权重确定方法及系统 | |
| Shen | Testing for herding behaviour among energy sectors in Chinese stock exchange | |
| CN114021905A (zh) | 一种中小企业信用风险评价方法 | |
| Zhang et al. | Multi-factor stock selection model based on kernel support vector machine | |
| CN113159634A (zh) | 一种金融产品管理方法、装置及电子设备 | |
| Reiff et al. | Post-communist financial and economic development: cluster analysis of selected countries | |
| Li et al. | Evaluation of training effect of new professional farmers based on BP neural network | |
| Zhu et al. | Research on BP neural network evaluation model of credit risk of bank clients | |
| Zhao et al. | National student loans credit risk assessment based on GABP algorithm of neural network | |
| Chengwei | Research on Performance Evaluation System of Manufacturing Listed Companies Based on CNN | |
| CN110852536A (zh) | 一种储罐维修决策确定方法及装置 | |
| CN112883633B (zh) | 一种基于组合赋权法和深度学习的配电网线损计算方法 | |
| Wang | Research on commercial bank risk early warning model based on dynamic parameter optimization neural network |
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 |