CN117035152A - 一种基于ssa-lstm-am的污水水质预测方法 - Google Patents
一种基于ssa-lstm-am的污水水质预测方法 Download PDFInfo
- Publication number
- CN117035152A CN117035152A CN202310755517.0A CN202310755517A CN117035152A CN 117035152 A CN117035152 A CN 117035152A CN 202310755517 A CN202310755517 A CN 202310755517A CN 117035152 A CN117035152 A CN 117035152A
- Authority
- CN
- China
- Prior art keywords
- lstm
- data
- ssa
- water quality
- value
- 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 45
- 238000000034 method Methods 0.000 title claims abstract description 42
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 64
- 241000287127 Passeridae Species 0.000 claims abstract description 33
- 238000012544 monitoring process Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000010606 normalization Methods 0.000 claims abstract description 13
- 210000002569 neuron Anatomy 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000010845 search algorithm Methods 0.000 claims abstract description 7
- 230000007246 mechanism Effects 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 8
- 230000005484 gravity Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 238000003911 water pollution Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/047—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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于SSA‑LSTM‑AM的污水水质预测方法,包括以下步骤:步骤1:在污水处理厂内由多个传感器采集历史水质监测数据;步骤2:对采集的数据进行数据预处理;步骤3:对经步骤2归一化处理后的数据进行数据重构;步骤4:以LSTM为预测模型,加入注意力机制(AM),建立基于LSTM‑AM的预测模型;步骤5:引入SSA麻雀搜索算法,优化LSTM的学习率和隐藏层神经元数,构建基于SSA‑LSTM‑AM的污水水质预测模型;步骤6:将步骤3经过数据重构之后所得到的训练样本,输入至步骤5所建立的基于SSA‑LSTM‑AM的预测模型中进行训练,得到训练之后的污水水质预测模型;步骤7:采集实时数据进行水质预测。本发明提高了预测的准确度和抗干扰性,降低了运营成本。
Description
技术领域
本发明涉及水质监测、深度学习技术领域,具体涉及一种基于SSA-LSTM-AM的污水水质预测方法。
背景技术
污水处理厂是城市水循环的重要组成部分,但是由于我国的污水处理技术研究起步较晚,随着污水处理单元和规模的不断增加,出水要求的不断提高,也逐渐暴露出了设备落后、智能化程度低、出水水质超标问题频发等诸多问题,导致突发性水污染事件时而发生,严重波及周边生态环境和人体健康。水质监测是防治水污染事件的重要手段,针对水质污染问题,现阶段水质监测主要是依靠理化监测方法。理化检测的方法能够对各种水质指标做出定量的评定,具有较强的针对性,但这种方法具有一定的滞后性,难以及时获取水质的预警信息。因此,建立水质预测模型成为实现水质预警的可行性策略。
基于数据驱动的水质预测方法大多以因子的单个时间节点的历史数据作为训练样本进行曲线拟合。由于水质参数直接、间接的影响因素较多,具有高度的非线性、时滞性、时序性与差异性等复杂特性,单时间节点的方法往往无法对水质数据的时序性、差异性等复杂特性进行较好的描述,难以实现精确、高效的水质指标的多步预测。因此,亟需一种新型的污水水质预测方法来解决上述问题。
对此,本申请提出一种基于SSA-LSTM-AM的污水水质预测方法,对污水处理厂未来一段时间内出水水质参数进行预测,用以克服或者改善现有技术方法的不足,可以对水质的变化进行及时的预警,弥补常规理化监测的时间滞后性大等不足,保证污水处理厂出水水质的稳定,提高污水处理厂的处理效率。
发明内容
本发明的目的是提出一种基于SSA-LSTM-AM的污水水质预测方法。
一种基于SSA-LSTM-AM的污水水质预测方法,其特征在于,包括以下步骤:
步骤1:在污水处理厂内由多个传感器采集历史水质监测数据。
步骤2:对采集的数据进行数据预处理。
步骤3:对经步骤2归一化处理后的数据进行数据重构,得到训练样本,满足LSTM模型输入格式的要求。
步骤4:以LSTM为预测模型,加入注意力机制(AM),建立基于LSTM-AM的预测模型。
步骤5:引入SSA麻雀搜索算法,优化LSTM的学习率和隐藏层神经元数,构建基于SSA-LSTM-AM的污水水质预测模型。
步骤6:将步骤3经过数据重构之后所得到的训练样本,输入至步骤5所建立的基于SSA-LSTM-AM的预测模型中进行训练,得到训练之后的污水水质预测模型。
步骤7:采集实时数据进行水质预测。
进一步的,步骤2具体过程如下:
步骤2.1:识别并删除历史历史水质监测数据中表示监测异常值和极大异常值和非数值类型的数据。
步骤2.2:通过重心拉格朗日插值法对监测产生的缺失值和删除异常值后产生的缺失值进行补全。
步骤2.3:对经过步骤2.1和2.2处理后的历史水质监测数据进行归一化处理。所述步骤2.3中归一化处理公式如下:
其中,xi为第i个输入数据;xmin为输入数据中的最小值;xmax为输入数据中的最大值;n为数据的总个数;f(xi)为归一化后数据。
进一步的,步骤3具体的过程如下:
步骤3.1:以污水处理厂进水口的历史n个水质监测数据预测污水处理厂出水口t+1,t+2,...,t+s时刻出水指标的值。重构之后样本结构如下:
输入P:
输出T:
其中,P为模型的输入;T为模型的输出;t=n,n+1,...,N-n-s+2;t为时刻;N为水质监测数据总数;n为时间步长;s为预测步数;F为输入特征,下标m=1,2,..;O为输出特征,下标k=1,2,...。
进一步的,步骤4建立过程具体如下:
步骤4.1:将LSTM隐藏层的输出ht输入至注意力模型中,所述注意力模型对ht非线性转化得到ut:
ut=tanh(wi*ht+b)
其中b为偏置向量,wi为:
其中,count(li)为计算第i个时刻的出水水质的指标值;β为比例系数,并且β>0。
注意力模型对ut进行训练,并采用softmax函数对训练后的ut进行归一化操作得到注意力权重矩阵at:
其中T为转置矩阵。
基于注意力权重矩阵at得到注意力模型的输出vt:
vt=∑atht
最后把注意力模型的输出vt连接softmax函数,从而得到LSTM-AM模型,所述LSTM-AM模型的输出为:
y=softmax(wivt+b)。
进一步的,步骤5建立过程具体如下:
步骤5.1:初始化麻雀种群;
步骤5.2:根据LSTM-AM预测模型输出的预测值与实际值的均方根误差作为适应度函数,计算初始适应度值。步骤5.1中所述的适应度函数为:
其中Yi是实际值;是预测值;n为样本数量;
步骤5.3:依据麻雀个体的适应度值,将麻雀种群划分为发现者和跟随者,并同时选出预警者;
步骤5.4:对所述发现者、跟随者以及预警者的位置进行迭代更新;
通过以下公式,更新发现者的位置:
其中,a为目前的迭代次数;i为第i只麻雀;j是第j维优化变量,j=1,2,...,d;为迭代至第a次时麻雀的位置信息;αitermax为一个正常数,代表的是在最终优化完毕的最大迭代次数;a为一个随机数;R2为预警值;ST表示安全值;Q为服从正态分布的一个随机数;L代表一个1×d的矩阵,而且该矩阵内的每个元素均为1;
通过以下公式,更新跟随者的位置:
其中,为目前发现者所占据的最优位置;Xworst为麻雀个体所处的最差位置;A则是一个1×d的矩阵,矩阵中的元素随机取1或者-1,A+=AT(AAT)-1;/>为迭代至第a次时加入者的位置信息;n代表麻雀总数量;
通过以下公式,更新预警者的位置:
其中,为迭代至第a次时全局最优的位置;β为步长的控制参数;K为一个随机数,fi为麻雀个体的当前适应度值;fg为全局最低的适应度值;fw为当前最高的适应度值;ε代表最小常数;
步骤5.5:当达到迭代次数阈值时,停止更新,输出麻雀种群的最优位置,即初始学习率与隐藏层神经元个数的最优值至步骤4中所述的基于LSTM-AM的预测模型,完成步骤4中所述的所述的基于LSTM-AM的预测模型的初始学习率与隐藏层神经元个数的优化。
本发明的有益效果是:本发明基于历史水质参数序列,对出水水质的多个指标参数进行多步预测,建立了基于SSA-LSTM-AM的污水水质预测模型,通过将注意力机制(AM)和LSTM结合,并以SSA麻雀搜索算法对LSTM的超参数进行优化,提高了预测的准确度和抗干扰性,降低了运营成本。
附图说明
图1为本发明方法的流程示意图;
图2为LSTM神经单元的结构图;
图3为注意力模型结构图;
图4为LSTM-AM模型结构图;
图5为SSA麻雀搜索算法流程图;
图6为水质预测流程图;
图7为基于SSA-LSTM-AM的出水COD未来两小时预测结果对比图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请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用以解释本申请,并不用于限定本申请。
图1为本发明实施例提供的基于SSA-LSTM-AM的污水水质预测方法的流程示意图,如图1所示,本发明提供了一种基于SSA-LSTM-AM的污水水质预测方法,包括:
步骤1:在污水处理厂由多个传感器采集历史COD、BOD5、TP、TN水质监测数据。
步骤2:对采集的数据进行数据预处理。具体过程如下:
步骤2.1:识别并删除历史历史COD、BOD5、TP、TN水质监测数据中表示监测异常值和极大异常值和非数值类型的数据。假设污水数据有且仅有不定扰动,通过计算污水数据标准差确定一个合理的数据浮动范围,超过该区间的畸变值将被删除。设污水数据中一种污水特征有n个样本数据x1,x2,...,xn,样本数据的平均值为:
样本标准偏差σ为:
若样本偏差满足时,则将xi作为异常值剔除。
步骤2.2:通过重心拉格朗日插值法对监测产生的缺失值和删除异常值后产生的缺失值进行补全。所述步骤2.2中重心拉格朗日插值法公式如下:
其中L(x)为重心拉格朗日插值公式;为重心权;xi与yi为对应的由n个点确定的n-1次多项式上的一组坐标。
步骤2.3:对经过步骤2.1和2.2处理后的历史COD、BOD5、TP、TN水质监测数据进行归一化处理。所述步骤2.3中归一化处理公式如下:
其中,xi为第i个输入数据;xmin为输入数据中的最小值;xmax为输入数据中的最大值;n为数据的总个数;f(xi)为归一化后数据。
步骤3:对经步骤2归一化处理后的数据进行数据重构,得到训练样本,满足LSTM模型输入格式的要求。具体的过程如下:
步骤3.1:以污水处理厂进水口的历史5个COD、BOD5、TP、TN水质监测数据预测污水处理厂出水口未来3个时刻COD的值。重构之后样本结构如下:
输入P:
输出T:{}=[CODt+1 CODt+2 CODt+3]
其中,P为模型输入;T为模型输出;t=6,7,...,N-6;t为时刻;N为水质监测数据总数;
步骤4:以LSTM为预测模型,如图2所示为LSTM神经元结构。加入注意力机制(AM),建立基于LSTM-AM的预测模型。图4为LSTM-AM结构示意图。建立过程具体如下:
步骤4.1:将LSTM隐藏层的输出ht输入至注意力模型中,如图3所示为注意力模型结构。所述注意力模型对ht非线性转化得到ut:
ut=tanh(wi*ht+b)
其中b为偏置向量,wi为:
其中,count(li)为计算第i个时刻的出水水质的指标值;β为比例系数,并且β>0;
注意力模型对ut进行训练,并采用softmax函数对训练后的ut进行归一化操作得到注意力权重矩阵at:
其中T为转置矩阵。
基于注意力权重矩阵at得到注意力模型的输出vt:
vt=∑atht
最后把注意力模型的输出vt连接softmax函数,从而得到LSTM-AM模型,所述LSTM-AM模型的输出为:
y=softmax(wivt+b)
步骤5:引入SSA麻雀搜索算法,优化LSTM-AM模型的初始学习率和隐藏层神经元数量,构建基于SSA-LSTM-AM的水质预测模型。如附图5所示为SSA搜索算法流程,建立过程具体如下:
步骤5.1:初始化麻雀种群。
步骤5.2:根据模型输出的预测值与实际值的均方根误差作为适应度函数,计算初始适应度值。步骤5.1中所述的适应度函数为:
其中Yi是实际值;是预测值;n为样本数量。
步骤5.3:依据麻雀个体的适应度值,将麻雀种群划分为发现者和跟随者,并同时选出预警者。
步骤5.4:对所述发现者、跟随者以及预警者的位置进行迭代更新。
通过以下公式,更新发现者的位置:
其中,a为目前的迭代次数;i为第i只麻雀;j是第j维优化变量,j=1,2,...,d;为迭代至第a次时麻雀的位置信息;αitermax为一个正常数,代表的是在最终优化完毕的最大迭代次数;a为一个随机数;R2为预警值;ST表示安全值;Q为服从正态分布的一个随机数;L代表一个1×d的矩阵,而且该矩阵内的每个元素均为1。
通过以下公式,更新跟随者的位置:
其中,为目前发现者所占据的最优位置;Xworst为麻雀个体所处的最差位置;A则是一个1×d的矩阵,矩阵中的元素随机取1或者-1,A+=AT(AAT)-1;/>为迭代至第a次时加入者的位置信息;n代表麻雀总数量。
通过以下公式,更新预警者的位置:
其中,为迭代至第a次时全局最优的位置;β为步长的控制参数;K为一个随机数,fi为麻雀个体的当前适应度值;fg为全局最低的适应度值;fw为当前最高的适应度值;ε代表最小常数。
步骤5.5:当达到迭代次数阈值时,停止更新,输出麻雀种群的最优位置,即初始学习率与隐藏层神经元个数的最优值至步骤4中所述的基于LSTM-AM的预测模型,完成步骤4中所述的所述的基于LSTM-AM的预测模型的初始学习率与隐藏层神经元个数的优化。
步骤6:将步骤3经过数据重构之后所得到的训练样本,输入至步骤5所建立的基于SSA-LSTM-AM的预测模型中进行训练,得到训练之后的污水水质预测模型。
步骤7:采集实时数据进行水质预测。
图6展示了污水水质预测的流程图。
图7展示了基于SSA-LSTM-AM的未来两小时出水COD预测结果对比图。由图中可以看出,对未来两小时时刻出水COD进行预测时,在134个验证样本中,大多数样本的预测值与真实值拟合程度较好,极个别样本误差较大,总体样本的均方根误差(RMSE)约为0.34,证明基于SSA-LSTM-AM的污水水质预测模型具有较高的预测精度。
表8
表8展示了基于SSA-LSTM-AM的未来6小时内出水COD预测结果的性能参数,证明了该方法具有较高的预测精度。
Claims (5)
1.一种基于SSA-LSTM-AM的污水水质预测方法,其特征在于,包括以下步骤:
步骤1:在污水处理厂内由多个传感器采集历史水质监测数据;
步骤2:对采集的数据进行数据预处理;
步骤3:对经步骤2归一化处理后的数据进行数据重构,得到训练样本,满足LSTM模型输入格式的要求;
步骤4:以LSTM为预测模型,加入注意力机制AM,建立基于LSTM-AM的预测模型;
步骤5:引入SSA麻雀搜索算法,优化LSTM的学习率和隐藏层神经元数,构建基于SSA-LSTM-AM的污水水质预测模型;
步骤6:将步骤3经过数据重构之后所得到的训练样本,输入至步骤5所建立的基于SSA-LSTM-AM的预测模型中进行训练,得到训练之后的污水水质预测模型;
步骤7:采集实时数据进行水质预测。
2.根据权利要求1所述的一种基于SSA-LSTM-AM的污水水质预测方法,其特征在于,所述步骤2具体过程如下:
步骤2.1:识别并删除历史水质监测数据中表示监测异常值、极大异常值和非数值类型的数据;
步骤2.2:通过重心拉格朗日插值法对监测产生的缺失值和删除异常值后产生的缺失值进行补全;
步骤2.3:对经过步骤2.1和步骤2.2处理后的历史水质监测数据进行归一化处理,所述步骤2.3中归一化处理公式如下:
其中,xi为第i个输入数据;xmin为输入数据中的最小值;xmax为输入数据中的最大值;n为数据的总个数;f(xi)为归一化后数据。
3.根据权利要求1所述的一种基于SSA-LSTM-AM的污水水质预测方法,其特征在于,所述步骤3具体过程如下:
步骤3.1:以污水处理厂进水口的历史n个水质监测数据预测污水处理厂出水口t+1,t+2,...,t+s时刻出水指标的值;重构之后样本结构如下:
输入P:
输出T:
其中,P为模型的输入;T为模型的输出;t=n,n+1,...,N-n-s+2;t为时刻;N为水质监测数据总数;n为时间步长;s为预测步数;F为输入特征,下标m=1,2,..;O为输出特征,下标k=1,2,...。
4.根据权利要求1所述的一种基于SSA-LSTM-AM的污水水质预测方法,其特征在于,所述步骤4具体过程如下:
步骤4.1:将LSTM隐藏层的输出ht输入至注意力模型中,所述注意力模型对ht非线性转化得到ut:
ut=tanh(wi*ht+b)
其中b为偏置向量,wi为:
其中,cont(li)为计算第i个时刻的出水水质的指标值;β为比例系数,并且β>0。
注意力模型对ut进行训练,并采用softmax函数对训练后的ut进行归一化操作得到注意力权重矩阵at:
其中T为转置矩阵;
基于注意力权重矩阵at得到注意力模型的输出vt:
vt=∑atht
最后把注意力模型的输出vt连接softmax函数,从而得到LSTM-AM模型,所述LSTM-AM模型的输出为:
y=softmax(wivt+b)。
5.根据权利要求1所述的一种基于SSA-LSTM-AM的污水水质预测方法,其特征在于,所述步骤5具体过程如下:
步骤5.1:初始化麻雀种群;
步骤5.2:根据LSTM-AM预测模型输出的预测值与实际值的均方根误差作为适应度函数,计算初始适应度值,步骤5.1中所述的适应度函数为:
其中Yi是实际值;是预测值;n为样本数量;
步骤5.3:依据麻雀个体的适应度值,将麻雀种群划分为发现者和跟随者,并同时选出预警者;
步骤5.4:对所述发现者、跟随者以及预警者的位置进行迭代更新;
通过以下公式,更新发现者的位置:
其中,a为目前的迭代次数;i为第i只麻雀;j是第j维优化变量,j=1,2,…,d;为迭代至第a次时麻雀的位置信息;αitermax为一个正常数,代表的是在最终优化完毕的最大迭代次数;a为一个随机数;R2为预警值;ST表示安全值;Q为服从正态分布的一个随机数;L代表一个1×d的矩阵,而且该矩阵内的每个元素均为1;
通过以下公式,更新跟随者的位置:
其中,为目前发现者所占据的最优位置;Xworst为麻雀个体所处的最差位置;A则是一个1×d的矩阵,矩阵中的元素随机取1或者-1,A+=AT(AAT)-1;/>为迭代至第a次时加入者的位置信息;n代表麻雀总数量;
通过以下公式,更新预警者的位置:
其中,为迭代至第a次时全局最优的位置;β为步长的控制参数;K为一个随机数,fi为麻雀个体的当前适应度值;fg为全局最低的适应度值;fw为当前最高的适应度值;ε代表最小常数;
步骤5.5:当达到迭代次数阈值时,停止更新,输出麻雀种群的最优位置,即初始学习率与隐藏层神经元个数的最优值至步骤4中所述的基于LSTM-AM的预测模型,完成步骤4中所述的基于LSTM-AM的预测模型的初始学习率与隐藏层神经元个数的优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310755517.0A CN117035152A (zh) | 2023-06-26 | 2023-06-26 | 一种基于ssa-lstm-am的污水水质预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310755517.0A CN117035152A (zh) | 2023-06-26 | 2023-06-26 | 一种基于ssa-lstm-am的污水水质预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117035152A true CN117035152A (zh) | 2023-11-10 |
Family
ID=88636086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310755517.0A Pending CN117035152A (zh) | 2023-06-26 | 2023-06-26 | 一种基于ssa-lstm-am的污水水质预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117035152A (zh) |
-
2023
- 2023-06-26 CN CN202310755517.0A patent/CN117035152A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113177633B (zh) | 一种深度解耦时间序列预测方法 | |
KR102440372B1 (ko) | 빅데이터 및 인공지능 기반의 하수처리시설의 유입수 환경 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체 | |
CN111652425A (zh) | 一种基于粗糙集和长短期记忆网络的河流水质预测方法 | |
Abba et al. | Modeling of water treatment plant performance using artificial neural network: case study Tamburawa Kano-Nigeria | |
Qin | Comparison of deep learning models on time series forecasting: A case study of dissolved oxygen prediction | |
Wang et al. | A full-view management method based on artificial neural networks for energy and material-savings in wastewater treatment plants | |
Al-Ghamdi et al. | Evaluation of artificial neural networks performance using various normalization methods for water demand forecasting | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
CN116884523B (zh) | 一种海洋牧场水质多参数预测方法 | |
Zhang et al. | Prediction of influent wastewater quality based on wavelet transform and residual LSTM | |
CN113128666A (zh) | 基于Mo-S-LSTMs模型的时间序列多步预测方法 | |
CN117034762A (zh) | 一种基于多算法加权和的复合模型锂电池寿命预测方法 | |
Varkeshi et al. | Predicting the performance of Gorgan wastewater treatment plant using ANN-GA, CANFIS, and ANN models | |
CN117035152A (zh) | 一种基于ssa-lstm-am的污水水质预测方法 | |
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 | |
Cao et al. | Adopting improved Adam optimizer to train dendritic neuron model for water quality prediction | |
CN115544890A (zh) | 一种短期电力负荷预测方法及系统 | |
Nayak et al. | Water quality time-series modeling and forecasting techniques | |
CN115660167A (zh) | 基于麻雀搜索算法和分解误差校正的短期空气质量预测方法 | |
Chen et al. | Prediction of the effluent from a domestic wastewater treatment plant of CASP using gray model and neural network | |
Yin et al. | Prediction model of dissolved oxygen in marine pasture based on hybrid gray wolf algorithm optimized support vector regression | |
Xu et al. | Prediction of the Wastewater's pH Based on Deep Learning Incorporating Sliding Windows. | |
Bakht et al. | Hybrid Multi-Stream Deep Learning-Based Nutrient Estimation Framework in Biological Wastewater Treatement | |
Lobbrecht et al. | Applications of neural networks and fuzzy logic to integrated water management project report | |
Mahesh et al. | Water quality prediction using LSTM with combined normalizer for efficient water management |
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 |