基於BP神經網絡的水體中葉綠素a濃度預測方法
2023-05-27 17:13:16 1
專利名稱：基於BP神經網絡的水體中葉綠素a濃度預測方法
技術領域：
本發明涉及一種河流中葉綠素預測方法，特別涉及一種能夠準確、快速地預測河流 中葉綠素的基於BP神經網絡的水體中葉綠素a濃度預測方法。
背景技術：
水體中存在複雜的物理、化學和生物過程，對於預測營養水平升高後葉綠素a濃度 的變化是很困難的。傳統的預測手段(包括確定性模型和經驗模型)儘管可以預測葉綠 素a濃度，但是由於必須經歷超長的數據校正過程，特別是一些參數的確定，以致很難 直接應用。此外，傳統預測模型容易忽略影響水體富營養化的重要因子，例如生態因子， 而這些因子將限制模型的複雜性。神經網絡(neural networks)是一種由若干平行作用 的簡單要素組成的模型，經訓練後可以解決許多科技領域的複雜問題。其中，BP神經網 絡(Back-Propagation Network,反向傳播神經網絡)是目前水質預測中使用最廣泛的 神經網絡模型之一。基於神經網絡的預測方法能準確、快速地預測河流中葉綠素a的值， 節約大量的人力、物力。發明內容本發明所要解決的技術問題是，提供一種能夠解決傳統預測模型所具有的問題，準確、快速地預測河流中葉綠素a的基於BP神經網絡的水體中葉綠素a濃度預測方法。 本發明所採用的技術方案是:一種基於BP神經網絡的水體中葉綠素a濃度預測方法，包括如下歩驟(1)獲取被測水體中葉綠素a及對其有影響的其他相關水質指標的值作為檢測數據；(2)建立誤差反向傳播神經網絡；(3)對神經網絡進行訓練和測試；(4)利用通過測試的神經網絡來預測水體中葉綠素a濃度。所述的對葉綠素a有影響的其他水質是指氨氮、總氮、總磷、正磷酸鹽、高錳酸鹽指數、溫度、溶解氧、pH、懸浮物、五日生化需氧量。所述的步驟(1)還包括對葉綠素a及其他IO個水質指標的數據歸一化到-I和+1之間的歸一化過程。所述的神經網絡包括一個輸入層、 一個中間層和一個輸出層。 所述的輸入層有ll個神經元，中間層有17個神經元，輸出層有l個神經元。 所述的中間層神經元的傳遞函數採用S型正切激活函數，輸出層為S型對數函數。 所述的對神經網絡進行訓練和測試是，將監測數據分為兩部分，前70%用來訓練網絡，記為訓練樣本，後30%用來檢驗網絡，記為檢驗樣本；對網絡反覆訓練，當預測值與監測數據間誤差達到0.001時，停止訓練，開始預測。
所述的對神經網絡的訓練是採用誤差反向傳播算法進行訓練。在歩驟(3)中，當神經網絡對各組檢驗樣本的預測誤差均低於規定水平時即通過測 試，然後進行步驟(4)的預測工作。在歩驟(4)中，利用通過測試的神經網絡進行預測時，先將監測數據歸一化到-1和 +1之間，再進行輸入，並將網絡運算後的輸出值進行反歸一化，即得到葉綠素a預測值。 本發明的基於BP神經網絡的水體中葉綠素a濃度預測方法，解決了準確、快速地預 測河流中葉綠素的問題。利用本發明，只需進行有限次試驗，就可以建立有關葉綠素預 測模型，通過計算機仿真試驗，科學預測，從而大大減少探索性試驗的數量，顯著減少 物料、人力、能源的消耗，進一歩提高預測質量。
圖l是神經網絡結構圖；圖2是訓練樣本的葉綠素a的預測圖；圖3是檢驗樣本的葉綠素a的預測圖。
具體實施方式
下面結合實施例對本發明的基於BP神經網絡的水體中葉綠素a濃度預測方法做出詳 細說明。本發明的基於BP神經網絡的水體中葉綠素a濃度預測方法，包括如下步驟(1) 獲取被測水體中葉綠素a及對其有影響的其他相關水質指標的值作為檢測數據。本發明的實施例中獲取對葉綠素a有影響的其他水質是，通過對津河、衛津河9個 監測點，每三天採一次水樣，連續14次監測，測定氨氮(NH廠N)、總氮(TN)、總磷(TP)、 正磷酸鹽(DRP)、高錳酸鹽指數(C0DM )、溫度(T)、溶解氧(D0) 、 pH、懸浮物(SS)、 五日生化需氧量(B0D5)及葉綠素a (Chl-a) ll個水質指標的值，獲取所需數據。在獲取河流中葉綠素a的值時，必須將葉綠素a及對其有影響的10個水質指標的數 值歸一化到-1和+ 1之間。(2) 建立誤差反向傳播神經網絡。所述的神經網絡由一個輸入層、 一個中間層和一個輸出層組成。其中，輸入層有11 個神經元，分別對應氨氮(NH:,-N)、總氮(TN)、總磷(TP)、正磷酸鹽(DRP)、高錳 酸鹽指數(C0DJ 、溫度(T)、溶解氧(D0) 、 pH、懸浮物(SS)、五日生化需氧量(B0D5) 和葉綠素a本底值(Chl-a) ll個水質指標；中間層神經元數目比較難確定，但對模型的 精確度和準確度的影響卻很大，反覆運算(此運算方式在後面給出)，通過比較中間層 神經元個數不同的情況下網絡的輸出結果，最終確定中間層神經元數為17;網絡輸出層 為目標值葉綠素a，故只有l個神經元，為三天後的葉綠素a值。所述的中間層神經元
的傳遞函數採用S型正切激活函數，輸出層神經元的傳遞函數採用S型對數函數，所有 數據歸一化到-1和+ 1之間。
(3)對神經網絡進行訓練和測試。 所述的對神經網絡進行訓練和測試是，將每天所監測的氨氮(NH3-N)、總氮(TN)、 總磷(TP)、正磷酸鹽(DRP)、高錳酸鹽指數(C0DM )、溫度'(T)、溶解氧(D0)、 pH、懸浮物(SS)、五日生化需氧量(B0D5)及葉綠素a的值記為一組數據，並將所有組 監測數據分為兩部分，前70%稱為訓練樣本，後30%稱為檢驗樣本。
將70%的訓練樣本用來訓練網絡，建立學習機制，即當輸入某天的一組數據時，即給 出氨氮(NH3-N)、總氮(TN)、總磷(TP)、正磷酸鹽(DRP)、高錳酸鹽指數(C0DM )、 溫度(T)、溶解氧(D0) 、 pH、懸浮物(SS)、五日生化需氧量(B0D5)及葉綠素a這 樣一組輸入數據時，中間層神經元個數取17，經過網絡自動運算，會有一個輸出值(預 測的三天後的葉綠素a值)，比較輸出值與期望輸出值(實際測量葉綠素a值)之間的 誤差，若誤差小於指定精度，則學習結束。否則，將誤差信號沿原來連接路徑反向傳播， 並逐步調整各層的連接權值，直到誤差小於指定精度為止，此時第一組學習完成，進入 下一組學習，直到連接權值對所有訓練組的預測誤差均在指定範圍內，輸出此時的最佳 權值。訓練組越多，網絡的學習越充分，網絡經驗值越大，預測精度越高。對網絡反覆 訓練，當誤差達到0.001時，停止訓練，開始預測。此時預測模型目標值與輸出值相關 係數高達0.9887，均方根誤差為0. 2550。
將另外30%的檢驗樣本用來檢驗網絡。當網絡訓練結束後，利用另外30%的數據來檢 驗網絡，看模型得是否符合要求。利用神經網絡預測另外3(m組所對應的葉綠素a值，對 照模型預測值與實際測量值間的誤差，當神經網絡在各組測試數據的預測誤差均低於規 定水平時即通過測試，可以用於預測工作。此時模型預測值與實測值間相關係數為 0.8376，均方根誤差為0. 5785，通過測試。
在進行訓練中，當神經網絡在各組測試數據的預測誤差均低於規定水平時即通過測 試，可以用於預測工作。
(4)利用通過測試的神經網絡進行預測。
利用通過測試的神經網絡進行預測必須將輸入數據歸一化到-1和+1之間，再輸入 到通過測試的神經網絡中，並將網絡運算後的輸出進行反歸一化，就得到葉綠素a預測 值。
在前面所述的確定中間層神經元數的運算是由如下計算過程實現的。 本發明的BP神經網絡模型是在實際應用中使用最廣泛的神經網絡模型，除了輸入層 和輸出層外，還可含有一個或多個中間層，每層有數個神經元，同一層間神經元不連接， 與下層神經元之間實現全連接。當一個數值經過中間層向輸出層傳播時，信息便被神經 元捕獲。第i個神經元和第J'個神經元間連接權值記為^。第J'個神經元的總的輸入向 量是它前一層各個神經元輸入向量J,與其連接權值^,乘積的總和，記為 每一個神經元輸出值由前一層神經元總輸入向量",和激活函數/確定，記為
凡=/("》 (2)
其中，常用的/函數為s型的對數或正切激活函數。
先對網絡層中權值^取(-l， +1)之間的隨機量作為初始值，然後輸入樣本進行學習。 每學完一遍，比較樣本的輸出結果與期望輸出的誤差，若誤差小於指定精度，則學習結 束，並輸出此時的最佳權值。否則，將誤差信號沿原來連接路徑反向傳播，並逐步調整 各層的連接權值，直到誤差小於指定精度為止。利用該模型就可以準確、快速地預測河
流中葉綠素a的量，顯著減少物力、人力、能源的消耗。
以上結果說明，所建立的神經網絡對訓練組和測試組都有很好的預測效果，因而具 有較強的推廣能力。本實施例表明，本發明能夠準確、快速地預測河流中葉綠素，且預 測方法有較強的推廣能力，具有廣闊的應用前景。
權利要求
1.一種基於BP神經網絡的水體中葉綠素a濃度預測方法，其特徵在於，包括如下步驟(1)獲取被測水體中葉綠素a及對其有影響的其他相關水質指標的值作為檢測數據；(2)建立誤差反向傳播神經網絡；(3)對神經網絡進行訓練和測試；(4)利用通過測試的神經網絡來預測水體中葉綠素a濃度。
2. 根據權利要求l所述的基於BP神經網絡的水體中葉綠素a濃度預測方法，其特 徵在於，所述的對葉綠素a有影響的其他水質是指氨氮、總氮、總磷、正磷酸鹽、高 錳酸鹽指數、溫度、溶解氧、pH、懸浮物、五R生化需氧量。
3. 根據權利要求1或2所述的基於BP神經網絡的水體中葉綠素a濃度預測方法， 其特徵在於，所述的步驟(1)還包括對葉綠素a及其他10個水質指標的數據歸一化到 -l和+1之間的歸一化過程。
4. 根據權利要求l所述的基於BP神經網絡的水體中葉綠素a濃度預測方法，其特 徵在於，所述的神經網絡包括一個輸入層、 一個中間層和一個輸出層。
5. 根據權利要求4所述的基於BP神經網絡的水體中葉綠素a濃度預測方法，其特 徵在於，所述的輸入層有ll個神經元，中間層有17個神經元，輸出層有l個神經元。'
6. 根據權利要求5所述的基於BP神經網絡的水體中葉綠素a濃度預測方法，其特 徵在於，所述的中間層神經元的傳遞函數採用S型正切激活函數，輸出層為S型對數函 數。
7. 根據權利要求l所述的基於BP神經網絡的水體中葉綠素a濃度預測方法，其特 徵在於，所述的對神經網絡進行訓練和測試是，將監測數據分為兩部分，前70%用來訓練 網絡，記為訓練樣本，後30%用來檢驗網絡，記為檢驗樣本；對網絡反覆訓練，當預測值 與監測數據間誤差達到0.001時，停止訓練，開始預測。
8. 根據權利要求1或7所述的基於BP神經網絡的水體中葉綠素a濃度預測方法， 其特徵在於所述的對神經網絡的訓練是採用誤差反向傳播算法進行訓練。
9. 根據權利要求1或7所述的基於BP神經網絡的水體中葉綠素a濃度預測方法， 其特徵在於，在步驟(3)中，當神經網絡對各組檢驗樣本的預測誤差均低於規定水平時 即通過測試，然後進行步驟(4)的預測工作。
10. 根據權利要求l所述的基於BP神經網絡的水體中葉綠素a濃度預測方法，其特 徵在於，在步驟(4)中，利用通過測試的神經網絡進行預測時，先將監測數據歸一化到 -1和+1之間，再進行輸入，並將網絡運算後的輸出值進行反歸一化，即得到葉綠素a 預測值。
全文摘要
一種基於BP神經網絡的水體中葉綠素a濃度預測方法，包括如下步驟(1)獲取被測水體中葉綠素a及對其有影響的其他相關水質指標的值作為檢測數據；(2)建立誤差反向傳播神經網絡；(3)對神經網絡進行訓練和測試；(4)利用通過測試的神經網絡來預測水體中葉綠素a濃度。對葉綠素a有影響的其他水質是指氨氮、總氮、總磷、正磷酸鹽、高錳酸鹽指數、溫度、溶解氧、pH、懸浮物、五日生化需氧量。步驟(1)還包括對葉綠素a及其他10個水質指標的數據歸一化到-1和+1之間的歸一化過程。神經網絡包括一個輸入層、一個中間層和一個輸出層。本發明只需進行有限次試驗，就可以建立有關葉綠素預測模型，通過計算機仿真試驗，科學預測，能夠準確、快速地預測河流中葉綠素。
文檔編號G01N33/18GK101158674SQ20071015018
公開日2008年4月9日 申請日期2007年11月15日 優先權日2007年11月15日
發明者劉春光, 莊源益, 賀 李, 王秀朵, 趙樂軍 申請人:天津市市政工程設計研究院