CN114282639A - 基于混沌理论和bp神经网络的水华预警方法 - Google Patents
基于混沌理论和bp神经网络的水华预警方法 Download PDFInfo
- Publication number
- CN114282639A CN114282639A CN202111601033.8A CN202111601033A CN114282639A CN 114282639 A CN114282639 A CN 114282639A CN 202111601033 A CN202111601033 A CN 202111601033A CN 114282639 A CN114282639 A CN 114282639A
- Authority
- CN
- China
- Prior art keywords
- neural network
- early warning
- bloom
- water
- water quality
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 57
- 241000192710 Microcystis aeruginosa Species 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000005291 chaos (dynamical) Methods 0.000 title claims abstract description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims abstract description 17
- 230000004913 activation Effects 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 11
- 229930002868 chlorophyll a Natural products 0.000 claims description 11
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000005422 algal bloom Substances 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- FBMIDEWOZNHQKD-VBYMZDBQSA-M chlorophyll f Chemical compound C1([C@H](C2=O)C(=O)OC)=C(N3[Mg]N45)C2=C(C)\C3=C\C(=N2)C(CC)=C(C)\C2=C\C4=C(C=C)C(C=O)=C5\C=C/2[C@@H](C)[C@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)C1=N\2 FBMIDEWOZNHQKD-VBYMZDBQSA-M 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 241000195493 Cryptophyta Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于混沌理论和BP神经网络的水华预警方法，包括：采集水质数据进行采集并进行预处理；分别采用不同的函数作为激活函数进行训练，得到若干个基于BP神经网络的水华预警模型；将水质数据分别输入若干个基于BP神经网络的水华预警模型，若干个基于BP神经网络的水华预警模型输出预测值；将预测值作为输入值，且将Sigmoid函数作为激活函数训练组合BP神经网络模型。本发明采用不同的激活函数训练得到若干个基于BP神经网络的水华预警模型，然后将基于BP神经网络的水华预警模型输出的预测值作为输入值输BP神经网络，且采用Sigmoid函数作为激活函数，训练得到组合BP神经网络模型，通过训练得到的组合BP神经网络模型对较远时间段的预测准确性较高。
Description
技术领域
本发明涉及水环境保护技术领域，具体地，涉及基于混沌理论和BP神经网络的水华预警方法。
背景技术
水华是一种自然现象，藻类在淡水水库中繁殖并在某种程度上积累从而形成水华现象。水华现象已成为与水环境污染有关的全球性问题之一，并且随着经济的快速发展和人类的快速扩张，它变得越来越严重。
我国大部分河流和湖泊等水体都有不同程度的水华现象。
因此，需要对河流和湖泊等水体的水华进行监测，监测的同时，还需要对水华的发展状况进行预测，从而实现预警的效果，现有技术中，也存在着水华预警方法，其主要是通过将采集的监测数据作为输入值，通过神经网络进行预测模型的训练，然后通过训练模型的输出值进行预警，该方式的预测模型对下一时间段的预测校准，但是如果需要对相距较远的时间段进行预测，则其预测结果准确性较差，因此实际应用过程中，应用效果较差。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于混沌理论和BP神经网络的水华预警方法。
根据本发明提供的一种基于混沌理论和BP神经网络的水华预警方法，包括如下步骤：
对待预测区域的水质数据进行采集并进行预处理得到预处理数据；
采用预处理数据作为训练数据，分别采用不同的训练函数对BP神经网络进行训练，得到若干个基于BP神经网络的水华预警模型；
将水质数据分别输入若干个基于BP神经网络的水华预警模型，若干个基于BP神经网络的水华预警模型输出预测值；
利用所述预测值作为输入值，并采用激活函数训练进行训练得到组合BP神经网络模型。
可选地，对待预测区域的水质数据进行采集进一步包括：
每隔四小时采集一次待预测区域的水质数据，其中水质数据为叶绿素a浓度。
可选地，预处理进一步包括：
建立叶绿素a浓度的一维时间序列；
将建立的一维时间序列进行相空间重构。
可选地，将建立的一维时间序列进行相空间重构进一步包括：
以延迟时间τ为间隔，构成一个m维的向量，设单变量时间序列为vi，重构的相空间中的全部状态向量为xi，重构产生的矩阵为X；
根据设定，模型为：
m＝n-(d-1)τ
xi＝(vi,vi+τ,vi+2τ,…,vi+(d-1)τ)T
整理为迭代形式：
可选地，采用不同的函数包括Sigmoid函数、Tanh函数和Relu函数。
可选地，基于BP神经网络的水华预警模型和组合BP神经网络模型均采用包含输入层、隐含层和输出层的BP神经网络进行训练。
可选地，激活函数采用Sigmoid函数。
与现有技术相比，本发明具有如下的有益效果：
本发明提供的基于混沌理论和BP神经网络的水华预警方法，采用不同的激活函数训练得到若干个基于BP神经网络的水华预警模型，然后将基于BP神经网络的水华预警模型输出的预测值作为输入值输BP神经网络，且采用Sigmoid函数作为激活函数，训练得到组合BP神经网络模型，通过训练得到的组合BP神经网络模型对较远时间段的预测准确性较高。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明提供的基于混沌理论和BP神经网络的水华预警方法的流程图；
图2为本发明提供的基于混沌理论和BP神经网络的水华预警方法的BP神经网络拓扑结构图；
图3为本发明提供的基于混沌理论和BP神经网络的水华预警方法的模型架构。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
在对本实施例进行解释说明之前，先将本申请涉及的一些名词结合到本实施例中进行解释说明：
其中，
混沌理论：是一种兼具质性思考与量化分析的方法，用来探讨动态系统中(如：人口移动、化学反应、气象变化、社会行为等)必须用整体、连续的而不是单一的数据关系才能加以解释和预测的行为；
BP(backpropagation)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，是应用最广泛的神经网络模型之一。
如图1至3所示，本发明中的基于混沌理论和BP神经网络的水华预警方法，可以包括如下步骤：
对待预测区域的水质数据进行采集并进行预处理。
在本实施例中，数据采集包括：水质数据是从将在线监测基站收集获取到的，其中，水质数据可以是叶绿素a浓度；
采集的水质数据进行预处理包括：
建立叶绿素a浓度的一维时间序列{vi:i＝1,2,…,n}；
时间序列是系统演化过程的外在表现，即对系统的一种可观察的度量。其变化受多种因素的共同影响，有的起长期的决定性作用，使时间序列的变化趋于呈现一定的趋势和规律，有的则是短期的。非确定性效应导致时间序列的变化表现出一些不规则性。
时间序列预测方法的基本思想是利用一个现象的过去行为来预测未来，同时预测该现象未来的变化。
这意味着时间序列的历史数据揭示了一种现象随时间变化的规律，并将这种规律延伸到未来，从而可以预测该现象的未来。
历史的叶绿素a浓度时间序列中有很多动态信息，其蕴含着动力系统所有变量的信息。为了从历史数据中获得更多有用的信息，我们决定重建原始的数据，以方便使用BP神经网络建模和预测的使用。
重建原始的数据可以采用对对叶绿素a浓度的一维时间进行相空间重构的方法，其具体步骤如下：
在建立的关于叶绿素a浓度的一维时间序列中，利用嵌入定理构造一个相空间。以延迟时间τ为间隔，构成一个m维的向量，设单变量时间序列为vi，重构的相空间中的全部状态向量为xi，重构产生的矩阵为X；
根据上述设定，模型为：
m＝n-(d-1)τ
xi＝(vi,vi+τ,vi+2τ,…,vi+(d-1)τ)T
S23，整理为迭代形式
通过该模型可以看出，相空间重构所做的，就是重构原始高维相空间，近似恢复出体现动力系统演化规律的混沌吸引子。
由上可知，相空间重构的准确性至关重要，这将在很大程度上影响到水华预测模型的性能。
分别采用不同的函数作为激活函数进行训练，得到若干个基于BP神经网络的水华预警模型；
在具体实施过程中，采用不同的函数包括Sigmoid函数、Tanh函数和Relu函数，因此训练后会得到三个基于BP神经网络的水华预警模型，基于BP神经网络的水华预警模型为y＝f(x)，x为输入的叶绿素a的浓度，y为预测的叶绿素a的浓度，f(x)为建立的神经网络预测模型。
将水质数据分别输入若干个基于BP神经网络的水华预警模型，若干个基于BP神经网络的水华预警模型输出预测值；
将预测值作为输入值，且将Sigmoid函数作为激活函数训练组合BP神经网络模型。
参见表1，上述BP神经网络训练时的具体参数表如下表：
BP神经网络具体参数表
上面叙述了组合BP神经网络模型的训练过程，现结合某天三个时间点进一步详细的说明：
以每四个小时对水质数据进行一次采集为例，分别采集当天0点、4点和8点的水质数据；
以0点水质数据作为输入值，4点的水质数据作为输出值，分别以Sigmoid函数、Tanh函数和Relu函数作为激活函数进行训练，得到三个基于BP神经网络的水华预警模型，将0点的数据输入到三个基于BP神经网络的水华预警模型，会输出预测的4点的水质数据，将预测的4点的水质数据作为输入值，8点的水质数据作为输出值训练得到组合BP神经网络模型；
当需要组合BP神经网络模型对水质数据进行预测时，输入采集到的当前的水质数据，输出得到下一时间段的水质数据，将输出得到的到下一时间段的水质数据作为输入数据输入组合BP神经网络模型，以此类推，直至得到需要的时间段的预测数据。
在一种可选的实施方式中，基于BP神经网络的水华预警模型和组合BP神经网络模型均采用包含输入层、隐含层和输出层的BP神经网络进行训练，采用三层的BP神经网络能够减少过拟合状况的发生，而且BP神经网络拟合效果好，能够较快的学习映射规则。
在一种可选的实施方式中，为了得到的组合BP神经网络模型预测的准确性更好，因此激活函数采用Sigmoid函数。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (7)
1.一种基于混沌理论和BP神经网络的水华预警方法，其特征在于，包括如下步骤：
对待预测区域的水质数据进行采集并进行预处理得到预处理数据；
采用所述预处理数据作为训练数据，分别采用不同的训练函数对BP神经网络进行训练，得到若干个基于BP神经网络的水华预警模型；
将水质数据分别输入若干个所述基于BP神经网络的水华预警模型，若干个所述基于BP神经网络的水华预警模型输出预测值；
利用所述预测值作为输入值，并采用激活函数训练进行训练得到组合BP神经网络模型。
2.根据权利要求1所述的基于混沌理论和BP神经网络的水华预警方法，其特征在于，所述对待预测区域的水质数据进行采集进一步包括：
每隔四小时采集一次所述待预测区域的水质数据，其中水质数据为叶绿素a浓度。
3.根据权利要求1所述的基于混沌理论和BP神经网络的水华预警方法，其特征在于，所述预处理进一步包括：
建立所述叶绿素a浓度的一维时间序列；
将建立的所述一维时间序列进行相空间重构。
4.根据权利要求3所述的基于混沌理论和BP神经网络的水华预警方法，其特征在于，所述将建立的所述一维时间序列进行相空间重构进一步包括：
以延迟时间τ为间隔，构成一个m维的向量，设单变量时间序列为vi，重构的相空间中的全部状态向量为xi，重构产生的矩阵为X；
根据设定，模型为：
m＝n-(d-1)τ
xi＝(vi,vi+τ,vi+2τ,…,vi+(d-1)τ)T
整理为迭代形式：
5.根据权利要求1所述的基于混沌理论和BP神经网络的水华预警方法，其特征在于，所述采用不同的函数包括Sigmoid函数、Tanh函数和Relu函数。
6.根据权利要求1所述的基于混沌理论和BP神经网络的水华预警方法，其特征在于，所述基于BP神经网络的水华预警模型和组合BP神经网络模型均采用包含输入层、隐含层和输出层的BP神经网络进行训练。
7.根据权利要求1所述的基于混沌理论和BP神经网络的水华预警方法，其特征在于，所述激活函数采用Sigmoid函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111601033.8A CN114282639B (zh) | 2021-12-24 | 2021-12-24 | 基于混沌理论和bp神经网络的水华预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111601033.8A CN114282639B (zh) | 2021-12-24 | 2021-12-24 | 基于混沌理论和bp神经网络的水华预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114282639A true CN114282639A (zh) | 2022-04-05 |
| CN114282639B CN114282639B (zh) | 2024-02-02 |
Family
ID=80875194
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111601033.8A Active CN114282639B (zh) | 2021-12-24 | 2021-12-24 | 基于混沌理论和bp神经网络的水华预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114282639B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102915511A (zh) * | 2012-09-21 | 2013-02-06 | 四川大学 | 一种电力负荷的混沌相空间神经网络模型安全监测方法 |
| WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
| CN105678422A (zh) * | 2016-01-11 | 2016-06-15 | 广东工业大学 | 基于经验模态神经网络的混沌时间序列预测方法 |
| CN107153874A (zh) * | 2017-04-11 | 2017-09-12 | 中国农业大学 | 水质预测方法及系统 |
| CN107316106A (zh) * | 2017-06-12 | 2017-11-03 | 华南理工大学 | 基于动态阈值确定嵌入维的神经网络时间序列预测方法 |
| CN111754034A (zh) * | 2020-06-15 | 2020-10-09 | 西安工业大学 | 一种基于混沌优化神经网络模型的时间序列预测方法 |
| CN112862173A (zh) * | 2021-01-29 | 2021-05-28 | 北京工商大学 | 基于自组织深度置信回声状态网的湖库蓝藻水华预测方法 |
-
2021
- 2021-12-24 CN CN202111601033.8A patent/CN114282639B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102915511A (zh) * | 2012-09-21 | 2013-02-06 | 四川大学 | 一种电力负荷的混沌相空间神经网络模型安全监测方法 |
| WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
| CN105678422A (zh) * | 2016-01-11 | 2016-06-15 | 广东工业大学 | 基于经验模态神经网络的混沌时间序列预测方法 |
| CN107153874A (zh) * | 2017-04-11 | 2017-09-12 | 中国农业大学 | 水质预测方法及系统 |
| CN107316106A (zh) * | 2017-06-12 | 2017-11-03 | 华南理工大学 | 基于动态阈值确定嵌入维的神经网络时间序列预测方法 |
| CN111754034A (zh) * | 2020-06-15 | 2020-10-09 | 西安工业大学 | 一种基于混沌优化神经网络模型的时间序列预测方法 |
| CN112862173A (zh) * | 2021-01-29 | 2021-05-28 | 北京工商大学 | 基于自组织深度置信回声状态网的湖库蓝藻水华预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 殷高方;张玉钧;胡丽;王志刚;肖雪;石朝毅;于绍惠;段静波;刘文清;: "BP神经网络在水华短期预测中的应用", 北京理工大学学报, no. 06 * |
| 王德喜;王晓凯;王小艺;: "基于灰色-神经网络的城市湖库水华预测研究", 测试技术学报, no. 04 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114282639B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Alaloul et al. | Data processing using artificial neural networks | |
| CN106022521B (zh) | 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法 | |
| CN112085163A (zh) | 一种基于注意力增强图卷积神经网络agc和门控循环单元gru的空气质量预测方法 | |
| van der Merwe et al. | Fast neural network surrogates for very high dimensional physics-based models in computational oceanography | |
| Fdez-Riverola et al. | Neuro-symbolic system for forecasting red tides | |
| Schneider et al. | Counting fish and dolphins in sonar images using deep learning | |
| Accarino et al. | A multi-model architecture based on Long Short-Term Memory neural networks for multi-step sea level forecasting | |
| CN112925824A (zh) | 针对极端天气类型的光伏功率预测方法及系统 | |
| Bakar et al. | Prediction of multivariate air quality time series data using long short-term memory network | |
| CN114444821A (zh) | 面向电力物联网的集成学习负荷预测方法、系统及介质 | |
| Sangiorgio et al. | Deep learning in multi-step prediction of chaotic dynamics: from deterministic models to real-world systems | |
| CN116502539B (zh) | 一种VOCs气体浓度预测方法及系统 | |
| Anh et al. | Wavelet-artificial neural network model for water level forecasting | |
| CN114282639A (zh) | 基于混沌理论和bp神经网络的水华预警方法 | |
| CN116822722A (zh) | 水位预测方法、系统、装置、电子设备及介质 | |
| Lv et al. | Significant wave height prediction based on the local-EMD-WaveNet model | |
| CN116737943A (zh) | 面向新闻领域的时序知识图谱链路预测方法 | |
| Xu | Prediction and planning of sports competition based on deep neural network | |
| Zhang et al. | Collaborative Forecasting and Analysis of Fish Catch in Hokkaido From Multiple Scales by Using Neural Network and ARIMA Model | |
| CN114267422A (zh) | 地表水质参数预测方法、系统、计算机设备及存储介质 | |
| CN114782740A (zh) | 结合遗传优化与极端梯度提升的遥感水质监测方法 | |
| Zhang et al. | Wavelet neural network-based short-term passenger flow forecasting on urban rail transit | |
| CN114154679B (zh) | 一种基于Spark的PCFOA-KELM风功率预测方法及装置 | |
| Östermark | A Neuro-Genetic Algorithm for Heteroskedastic Time-Series Processes Empirical Tests on Global Asset Returns | |
| Heddam | Parallel Chaos Search Based Incremental Extreme Learning Machine Based Empirical Wavelet Transform: A New Hybrid Machine Learning Model for River Dissolved Oxygen Forecasting |
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 |