CN116484747A - 一种基于自适应优化算法与深度学习的污水智能监控方法 - Google Patents
一种基于自适应优化算法与深度学习的污水智能监控方法 Download PDFInfo
- Publication number
- CN116484747A CN116484747A CN202310549387.5A CN202310549387A CN116484747A CN 116484747 A CN116484747 A CN 116484747A CN 202310549387 A CN202310549387 A CN 202310549387A CN 116484747 A CN116484747 A CN 116484747A
- Authority
- CN
- China
- Prior art keywords
- optimization algorithm
- deep learning
- data
- method based
- sewage
- 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
- 239000010865 sewage Substances 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012544 monitoring process Methods 0.000 title claims abstract description 38
- 238000013135 deep learning Methods 0.000 title claims abstract description 36
- 238000005457 optimization Methods 0.000 title claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims abstract description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 14
- 230000003044 adaptive effect Effects 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 9
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 210000002569 neuron Anatomy 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000015654 memory Effects 0.000 claims description 4
- 229910052760 oxygen Inorganic materials 0.000 claims description 4
- 239000001301 oxygen Substances 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 229910052698 phosphorus Inorganic materials 0.000 claims description 3
- 239000011574 phosphorus Substances 0.000 claims description 3
- CVTZKFWZDBJAHE-UHFFFAOYSA-N [N].N Chemical compound [N].N CVTZKFWZDBJAHE-UHFFFAOYSA-N 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 2
- 238000003062 neural network model Methods 0.000 abstract description 2
- 230000002457 bidirectional effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Activated Sludge Processes (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及水体监测技术领域，尤其涉及一种基于自适应优化算法与深度学习的污水智能监控方法。步骤如下：S1、选取污水处理厂污水处理单元某一时段的监测数据，作为深度学习的数据集，确定输入变量和输出变量，并划分训练集与测试集，对数据集进行数据预处理；S2、利用自适应超参数优化算法Optuna。本发明提供的一种基于自适应优化算法与深度学习的污水智能监控方法，能够实现污水水质的准确预测。根据污水处理工艺中各指标的变化，预测出水中COD与总氮，同时给出点预测结果，输出结果具有良好的可信性；并通过自适应优化算法Optuna，对神经网络超参数进行自动寻优，使神经网络模型达到最优状态。
Description
技术领域
本发明涉及水体监测技术领域，尤其涉及一种基于自适应优化算法与深度学习的污水智能监控方法。
背景技术
城市生活污水具有高可生化性等特点，通常采用活性污泥法去除其中的污染物。对于污水处理反应体系的监控，运营人员通常每隔一段时间测定进出水水质指标，然而对于部分指标，如COD、总氮等，其测定过程比较漫长，其监测数据具有一定的滞后性，难以及时预知或发现系统异常；且水质受诸多因素的影响，导致水质呈现出高度的非线性，波动性和不确定性特征，使预测系统异常变得困难。
长短时记忆网络LSTM是循环神经网络(Recurrent Neural Networks，RNN)的其中一个改进型，它通过在RNN的隐藏层中加入了输入门、遗忘门和输出门，解决RNN在解决时间序列预测问题时存在的长期依赖问题。BiLSTM是在LSTM网络的基础上加入反向传播机制，使得当前时刻的输出能与前一时刻的状态和后一时刻的状态都产生联系，以提高预测精度；
传统的神经网络构建过程不可避免地经历手动调整网络超参数的步骤，研发人员需要根据神经网络一次训练后的预测精度，手动调整神经网络的各超参数，这不仅费时费力，还可能陷入局部最优困境，无法获得全局最优模型。随机搜索与网格搜索也是参数自动寻优的方法，但其分别具有的组合随机性与全局遍历性，决定其具有费时的缺点。自适应超参数优化算法Optuna是一种基于贝叶斯优化的参数自动寻优方法，相比于随机搜索与网格搜索，其使用带有策略的启发式搜索，能在更短时间内寻找到最优超参数；
近年来，机器学习特别是深度学习正飞速发展，利用神经网络预测污水处理厂进出水水质的技术已经受到广大科研工作者的关注。深度学习方法双向长短时记忆网络(Bidirectional Long Short Term Memory，BiLSTM)在解决如污水处理水质等时间序列的预测问题时具有很高的点预测精度，但手动调整模型超参数十分费时费力。因此，如何将Optuna运用到BiLSTM使BiLSTM克服手动调整超参数的不足是亟需解决的理论和实际工程问题。
发明内容
基于此，有必要针对上述技术问题，提供一种基于自适应优化算法与深度学习的污水智能监控方法。
为了解决上述的技术问题，本发明采用了如下技术方案：
一种基于自适应优化算法与深度学习的污水智能监控方法，步骤如下：
S1、选取污水处理厂污水处理单元某一时段的监测数据，作为深度学习的数据集，确定输入变量和输出变量，并划分训练集与测试集，对数据集进行数据预处理；
S2、利用自适应超参数优化算法Optuna，对双向长短时记忆网络BiLSTM模型的超参数进行自动寻优，得出所述模型最优超参数，利用所述最优超参数训练出最优模型；
S3、将所述测试集输入训练好的模型，得到输出变量的点预测结果。
作为本发明提供的所述的一种基于自适应优化算法与深度学习的污水智能监控方法的一种优选实施方式，所述S1步骤中：
所述输入变量包含进水pH值、化学需氧量COD、氨氮及总磷TP；
所述输出变量包含出水化学需氧量COD及出水总氮TN。
作为本发明提供的所述的一种基于自适应优化算法与深度学习的污水智能监控方法的一种优选实施方式，所述步骤S1包含以下步骤：
S101、选取某一时段的在线监测数据作为神经网络的数据集；
S102、以矩阵的形式重组数据集：
S103、对数据集按照8:2的比例进行划分，构建训练集与测试集，所述训练集用于训练BiLSTM模型，所述测试集用于检验所述模型预测的准确度；
S104、通过公式对数据集实施归一化处理。
作为本发明提供的所述的一种基于自适应优化算法与深度学习的污水智能监控方法的一种优选实施方式，所述S102步骤中，矩阵如下：
其中，所述数据集矩阵的行向量表示不同类别的污水指标数据，列向量表示同一类别不同时刻的污水指标数据，m为数据集中每个类别污水指标数据的数据长度，k为污水指标的数量。
作为本发明提供的所述的一种基于自适应优化算法与深度学习的污水智能监控方法的一种优选实施方式，所述S104步骤中，进行归一化处理的公式为：
其中，i是输入变量的维数，X1i,0是输入变量中第i维的原始数据值，minX1i,0是输入变量中第i维原始数据的最小值，maxX1i,0是输入变量中第i维原始数据的最大值，X1i为输入变量中第i维已归一化的数据值。
作为本发明提供的所述的一种基于自适应优化算法与深度学习的污水智能监控方法的一种优选实施方式，所述S2步骤包括以下步骤：
S201、构建BiLSTM模型，包括输入层、隐藏层与输出层，所述隐藏层包含Attention层、Bidirectional层与LSTM层，设置神经网络超参数；
S202、设置BiLSTM优化器为Adam优化器，损失函数为均方误差；
S203、设定Optuna的超参数空间。
作为本发明提供的所述的一种基于自适应优化算法与深度学习的污水智能监控方法的一种优选实施方式，所述S201步骤中，神经网络超参数包含输入层神经元数ni、隐藏层神经元数nh、输出层神经元数no、学习率L、批大小B与迭代次数E；
所述输出层神经元数no、学习率L、批大小B与迭代次数E被指定为Optuna待寻优超参数，在训练前分别设定其寻优范围。
作为本发明提供的所述的一种基于自适应优化算法与深度学习的污水智能监控方法的一种优选实施方式，所述S201步骤中，BiLSTM模型的训练过程如下：
设当前时刻为t，t时刻信息前向传播的计算公式如下：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt]+bi)
Ot＝σ(Wo·[ht-1,xt]+bo)
ht＝Ot*tanh(Ct)
其中，ft、it和Ot分别表示遗忘门、输入门和输出门，xt表示输入的信息，ht和ht-1表示当前状态与前一状态隐藏层的信息，Ct和表示当前与临时神经元状态，Wf、Wi、Wo与WC分别表示对应的权重，bf、bi、bo与bC分别表示对应的偏置，σ(·)与tanh(·)为激活函数，*表示矩阵的乘积。
作为本发明提供的所述的一种基于自适应优化算法与深度学习的污水智能监控方法的一种优选实施方式，所述S203步骤中，启动Optuna，对BiLSTM进行训练，根据每次训练的准确度，Optuna自动优化模型超参数，最终得到最优的超参数与最优模型。
作为本发明提供的所述的一种基于自适应优化算法与深度学习的污水智能监控方法的一种优选实施方式，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的方法。
可以毫无疑义的看出，通过本申请的上述的技术方案，必然可以解决本申请要解决的技术问题。
同时，通过以上技术方案，本发明至少具备以下有益效果：
本发明提供的一种基于自适应优化算法与深度学习的污水智能监控方法，能够实现污水水质的准确预测。根据污水处理工艺中各指标的变化，预测出水中COD与总氮，同时给出点预测结果，输出结果具有良好的可信性；
并通过自适应优化算法Optuna，对神经网络超参数进行自动寻优，使神经网络模型达到最优状态，既为研究人员省去手动调整超参数的时间，也能有效提高模型预测精度。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述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为本发明的方法流程图；
图2为本发明为长短时记忆网络LSTM的隐藏层结构图；
图3为本发明为双向长短时记忆网络BiLSTM神经网络结构图；
图4为本发明为数据集的划分与预测实施示意图；
图5为本发明的输出变量示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
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和技术方案可以相互组合。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
本发明为一种基于自适应优化算法与深度学习的污水智能监控方法，步骤如下：
S1、选取污水处理厂某一时段的监测数据，作为深度学习的数据集，确定输入变量与输出变量，并按照一定比例划分训练集与测试集，然后对数据集进行数据预处理。
更具体地说，S1包括以下步骤：
S101、选取污水处理厂厌氧处理单元某一时段的监测数据，作为深度学习的数据集。根据数据确定输入变量包含进水pH值、化学需氧量COD、氨氮及总磷TP，输出变量包含出水化学需氧量COD及出水总氮TN。
S102、以矩阵的形式重组数据集：
其中，数据集矩阵的行向量表示不同类别的污水指标数据，列向量表示同一类别不同时刻的污水指标数据，m为数据集中每个类别污水指标数据的数据长度，k为污水指标的数量；
S103、对数据集按照8:2的比例进行划分，构建训练集与测试集，其中训练集的输入变量为输出变量为/>测试集的输入变量为/>输出变量为/>训练集用于训练BiLSTM模型，测试集用于检验模型预测的准确度。
S104、对通过以下公式对训练集实施归一化处理：
其中，i是输入变量的维数，X1i,0是输入变量中第i维的原始数据值，minX1i,0是输入变量中第i维原始数据的最小值，maxX1i,0是输入变量中第i维原始数据的最大值，X1i为输入变量中第i维已归一化的数据值。
S2、构建BiLSTM模型，将训练集数据输入至BiLSTM中进行训练，利用Optuna在每轮训练结束后自动选取下一组的超参数，继续训练，直到达到设定训练次数，得到最优超参数与最优模型。
更具体地说，S2包含以下步骤：
S201、构建神经网络，包含输入层、Attention(注意力机制)层、Bidirectional(双向)层与LSTM层，设置神经网络超参数，包含输入层神经元数ni、隐藏层神经元数nh、输出层神经元数no、学习率L、批大小B与迭代次数E。其中，ni与no分别为输入变量与输出变量个数，即5与1，no、L、B与E被指定为Optuna待寻优超参数，在训练前分别设定其寻优范围；
S202、设置BiLSTM优化器为Adam，损失函数为均方误差MSE；
S203、设定Optuna的超参数空间，启动Optuna，开始对BiLSTM模型进行训练。完成一次训练后，Optuna会根据输出结果与输出精度调整超参数，直到达到设定的训练次数后，自动寻优结束，输出最优模型。其中，BiLSTM的训练过程如下：
设当前时刻为t，t时刻信息前向传播的计算公式如下：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt]+bi)
Ot＝σ(Wo·[ht-1,xt]+bo)
ht＝Ot*tanh(Ct)
其中，ft、it和Ot分别表示遗忘门、输入门和输出门，xt表示输入的信息，ht和ht-1表示当前状态与前一状态隐藏层的信息，Ct和表示当前与临时神经元状态，Wf、Wi、Wo与WC分别表示对应的权重，bf、bi、bo与bC分别表示对应的偏置，σ(·)与tanh(·)为激活函数，*表示矩阵的乘积。
将上述过程依次迭代直到损失收敛即为训练完成。
其中，Optuna的工作原理如下：
(1)根据用户所设定的待优化超参数以及对应的超参数空间，在开始的Ninit次训练之中，Optuna利用随机搜索的方法在超参数空间内组合各超参数，并创建一个误差观测值集合{x(i),y(i),i＝1,2,...,Ninit}，此处x表示待优化的超参数组合，y表示使用对应超参数组合训练的误差值；
(2)根据前N次训练结果与训练精度，Optuna设置一个误差分位值y*，其可以理解为在Ninit个误差值y中设定一个分位值γ，通常设为15％。Optuna将误差观测值集合分位两部分，并计算其概率值：
l(x)与g(x)分别表示误差值小于y*与大于y*的超参数集合的概率密度函数，更直观地说，l(x)与g(x)分别表示效果好与效果差的超参数集合的概率密度函数。
(3)计算EI值：
为了简化计算，通常计算值即可.
(4)通过最大化EI值选择下一组超参数值；
(5)重复步骤(2)～(4)，直到达到设定的训练次数后结束。
S204、将与/>输入上述最优模型之中，输出/>与/>
S3、计算与/>的点预测指标：
(1)决定系数R2：用于衡量预测值与真实值的偏离程度，在0～1之间，越接近1表明预测值与真实值越吻合。
(2)均方根误差RMSE：用于计算预测值与观测值偏差的平方和与观测次数比值的平方根，RMSE越大说明预测值误差越大。
(3)平均绝对百分比误差MAPE：用于计算预测值与观测值的平均绝对误差的百分比，MAPE越小说明预测模型越完美，大于1说明预测模型为劣质模型。
点预测指标的计算公式如下：
其中，yi为第i个观测值，为第i个观测值的平均值，/>为第i个预测值，n为预测样本个数。
S4、将BiLSTM与BiRNN、BiGRU、GPR、SVM、QR的点预测分别进行比较，通过比较结果得出较优的模型。点预测结果指标数据参见表1，COD的点预测结果图参见图4，总氮的点预测结果图参见图5。
表1三种模型点预测结果比较
对于出水COD与总氮的预测，由于LSTM、GRU均为RNN的改进型，又由于加入了双向Bidirectional层，BiLSTM、BiGRU的预测准确度非常高，BiRNN落后于两者；而由于训练数据量较大，GPR、SVM和QR三种非深度学习的机器学习模型的预测准确度并不够理想，说明利用Optuna自动寻优的深度学习方法不仅省去手动调整超参数的繁杂，还能获得很高的预测准确度。其中BiLSTM的三项指标均优于其它模型，通过本发明提出的方法得到的点预测结果准确度最高。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该本发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.一种基于自适应优化算法与深度学习的污水智能监控方法，其特征在于，步骤如下：
S1、选取污水处理厂污水处理单元某一时段的监测数据，作为深度学习的数据集，确定输入变量和输出变量，并划分训练集与测试集，对数据集进行数据预处理；
S2、利用自适应超参数优化算法Optuna，对双向长短时记忆网络BiLSTM模型的超参数进行自动寻优，得出所述模型最优超参数，利用所述最优超参数训练出最优模型；
S3、将所述测试集输入训练好的模型，得到输出变量的点预测结果。
2.根据权利要求1所述的一种基于自适应优化算法与深度学习的污水智能监控方法，其特征在于，所述S1步骤中：
所述输入变量包含进水pH值、化学需氧量COD、氨氮及总磷TP；
所述输出变量包含出水化学需氧量COD及出水总氮TN。
3.根据权利要求1所述的一种基于自适应优化算法与深度学习的污水智能监控方法，其特征在于，所述步骤S1包含以下步骤：
S101、选取某一时段的在线监测数据作为神经网络的数据集；
S102、以矩阵的形式重组数据集：
S103、对数据集按照8:2的比例进行划分，构建训练集与测试集，所述训练集用于训练BiLSTM模型，所述测试集用于检验所述模型预测的准确度；
S104、通过公式对数据集实施归一化处理。
4.根据权利要求3所述的一种基于自适应优化算法与深度学习的污水智能监控方法，其特征在于，所述S102步骤中，矩阵如下：
其中，所述数据集矩阵的行向量表示不同类别的污水指标数据，列向量表示同一类别不同时刻的污水指标数据，m为数据集中每个类别污水指标数据的数据长度，k为污水指标的数量。
5.根据权利要求3所述的一种基于自适应优化算法与深度学习的污水智能监控方法，其特征在于，所述S104步骤中，进行归一化处理的公式为：
其中，i是输入变量的维数，X1i,0是输入变量中第i维的原始数据值，minX1i,0是输入变量中第i维原始数据的最小值，maxX1i,0是输入变量中第i维原始数据的最大值，X1i为输入变量中第i维已归一化的数据值。
6.根据权利要求1所述的一种基于自适应优化算法与深度学习的污水智能监控方法，其特征在于，所述S2步骤包括以下步骤：
S201、构建BiLSTM模型，包括输入层、隐藏层与输出层，所述隐藏层包含Attention层、Bidirectional层与LSTM层，设置神经网络超参数；
S202、设置BiLSTM优化器为Adam优化器，损失函数为均方误差；
S203、设定Optuna的超参数空间。
7.根据权利要求6所述的一种基于自适应优化算法与深度学习的污水智能监控方法，其特征在于，所述S201步骤中，神经网络超参数包含输入层神经元数ni、隐藏层神经元数nh、输出层神经元数no、学习率L、批大小B与迭代次数E；
所述输出层神经元数no、学习率L、批大小B与迭代次数E被指定为Optuna待寻优超参数，在训练前分别设定其寻优范围。
8.根据权利要求6所述的一种基于自适应优化算法与深度学习的污水智能监控方法，其特征在于，所述S201步骤中，BiLSTM模型的训练过程如下：
设当前时刻为t，t时刻信息前向传播的计算公式如下：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt]+bi)
Ot＝σ(Wo·[ht-1,xt]+bo)
ht＝Ot*tanh(Ct)
其中，ft、it和Ot分别表示遗忘门、输入门和输出门，xt表示输入的信息，ht和ht-1表示当前状态与前一状态隐藏层的信息，Ct和表示当前与临时神经元状态，Wf、Wi、Wo与WC分别表示对应的权重，bf、bi、bo与bC分别表示对应的偏置，σ(·)与tanh(·)为激活函数，*表示矩阵的乘积。
9.根据权利要求6所述的一种基于自适应优化算法与深度学习的污水智能监控方法，其特征在于，所述S203步骤中，启动Optuna，对BiLSTM进行训练，根据每次训练的准确度，Optuna自动优化模型超参数，最终得到最优的超参数与最优模型。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至9任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310549387.5A CN116484747A (zh) | 2023-05-16 | 2023-05-16 | 一种基于自适应优化算法与深度学习的污水智能监控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310549387.5A CN116484747A (zh) | 2023-05-16 | 2023-05-16 | 一种基于自适应优化算法与深度学习的污水智能监控方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116484747A true CN116484747A (zh) | 2023-07-25 |
Family
ID=87223257
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310549387.5A Pending CN116484747A (zh) | 2023-05-16 | 2023-05-16 | 一种基于自适应优化算法与深度学习的污水智能监控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116484747A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117059201A (zh) * | 2023-07-26 | 2023-11-14 | 佛山市南舟智能科技有限公司 | 一种污水化学需氧量的预测方法、装置、设备及存储介质 |
| CN117174198A (zh) * | 2023-11-02 | 2023-12-05 | 山东鸿远新材料科技股份有限公司 | 一种基于氧氯化锆生产的自动检测清洁方法及系统 |
| CN117575017A (zh) * | 2023-10-19 | 2024-02-20 | 南昌大学 | 一种污水处理过程的概率推理模型构建方法及其系统 |
-
2023
- 2023-05-16 CN CN202310549387.5A patent/CN116484747A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117059201A (zh) * | 2023-07-26 | 2023-11-14 | 佛山市南舟智能科技有限公司 | 一种污水化学需氧量的预测方法、装置、设备及存储介质 |
| CN117059201B (zh) * | 2023-07-26 | 2024-06-11 | 佛山市南舟智能科技有限公司 | 一种污水化学需氧量的预测方法、装置、设备及存储介质 |
| CN117575017A (zh) * | 2023-10-19 | 2024-02-20 | 南昌大学 | 一种污水处理过程的概率推理模型构建方法及其系统 |
| CN117174198A (zh) * | 2023-11-02 | 2023-12-05 | 山东鸿远新材料科技股份有限公司 | 一种基于氧氯化锆生产的自动检测清洁方法及系统 |
| CN117174198B (zh) * | 2023-11-02 | 2024-01-26 | 山东鸿远新材料科技股份有限公司 | 一种基于氧氯化锆生产的自动检测清洁方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116484747A (zh) | 一种基于自适应优化算法与深度学习的污水智能监控方法 | |
| CN111767517B (zh) | 一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质 | |
| CN112884056A (zh) | 基于优化的lstm神经网络的污水水质预测方法 | |
| CN111027772A (zh) | 基于pca-dbilstm的多因素短期负荷预测方法 | |
| CN109919356B (zh) | 一种基于bp神经网络区间需水预测方法 | |
| CN115099519B (zh) | 一种基于多机器学习模型融合的油井产量预测方法 | |
| CN111861013A (zh) | 一种电力负荷预测方法及装置 | |
| Lin et al. | Research on software effort estimation combined with genetic algorithm and support vector regression | |
| CN114944203A (zh) | 基于自动寻优算法与深度学习的废水处理监控方法及系统 | |
| Han et al. | Hierarchical nonlinear model predictive control with multi-time-scale for wastewater treatment process | |
| CN114707712A (zh) | 一种发电机组备件需求的预测方法 | |
| CN115018193A (zh) | 基于lstm-ga模型的时间序列风能数据预测方法 | |
| CN115456245A (zh) | 一种感潮河网区溶解氧预测方法 | |
| CN116757313A (zh) | 水质预测模型的训练方法、水质预测方法与装置 | |
| CN114897277A (zh) | 一种基于lstm的突发型滑坡位移预测方法 | |
| CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
| CN113537539B (zh) | 一种基于注意力机制的多时间步供热用气量预测模型 | |
| CN117114190A (zh) | 一种基于混合深度学习的河道径流预测方法及设备 | |
| Amal | Crude palm oil price prediction using multilayer perceptron and long short-term memory | |
| Xiong et al. | An evolutionary robust soft measurement technique via enhanced atom search optimization and outlier robust extreme learning machine for wastewater treatment process | |
| Juan et al. | Multi-step prediction of dissolved oxygen in river based on random forest missing value imputation and attention mechanism coupled with recurrent neural network | |
| CN110991604A (zh) | 一种基于小波循环神经网络的时序金融数据预测方法 | |
| CN114638421A (zh) | 一种发电机组备件需求的预测方法 | |
| CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
| CN115293406A (zh) | 基于CatBoost和Radam-LSTM的光伏发电功率预测方法 |
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 |