[发明专利]一种基于状态池网络的水质指标预测方法

说明书

一种基于状态池网络的水质指标预测方法，步骤如下：1)确定水质参数的输入和输出数据；2)设计用于检测水质异常的状态池网络结构；3)在进行状态池网络训练之前，考虑到水质在测量中水体不稳定带来的误差以及异常，首先筛选有效的数据，剔除异常的部分；4)使用最小二乘法对网络的输出权重进行调整；5)状态池网络训练；6)使用状态池网络进行水质预测。保存第(5)步中训练得到的状态池网络结构参数，并使用测试数据集进行网络效果测试评估。同样使用均方根误差对水质预测数据进行评价，得到RMS的值。

技术领域

本发明涉及利用递归神经网络进行水质预测的应用。通过检测水体中指标，如如氨氮、溶解氧、叶绿素a、悬浮物、总磷和总氮等的含量可以确定水质等级。本发明根据水体指标在时间和空间变化的对应关系，提出一种利用递归神经网络预测水质参数的方法，该方法对于河流水体等级预测与监控具有一定的应用前景。

背景技术

传统的水质检测设备往往分布在水处理厂以及河流的一些定点位置。为了测试水体质量，一般都需要采集水体样本，然后对样本进行化学分析从而得到水体中各个指标的结果。然而，由于传感器分布受到气候、地形以及成本等限制，无法获取全流域内水质指标的数据变化趋势。此外，一般河流甚至会跨越几个地市，受到人力、资金等限制，水质指标数据的采集时间等不同等因素影响，造成河流可能没有完整的水质指标数据。这种数据的缺失不但在评价流域水质历史变化时会有遗漏，也会导致构建的水质数据预测模型不可靠。所以，使用统计或者人工智能算法，对特定流域或者流域未来水体指标进行预测已成为水质环境监测的常用手段之一。

受到环境变化的影响，水质指标在时间与空间上存在联系。现有的水质指标模型主要有经验模型、生物光学模型、统计回归算法、层次回归法等线性模型，以及BP人工神经网络，径向基神经网络(RBF)等非线性模型。尽管这些方法能在一定程度上进行水质指标预测，然而由于这些方法没有融合水质指标在时间上的相关性，导致现有方法要么预测误差大，或者预测规模小等弊端。为了建立能构建水质指标在时间尺度上的关系，本发明提出利用一类特殊的递归神经网络——状态池网络(Reservoir Network,RN)用于构建水质指标关系模型。

状态池网络是一类稀疏递归神经网络，递归层接受来自输入的信号，通过递归连接矩阵产生输出。通过设置稀疏递归连接矩阵，可以使得网络具备短时记忆，也就是当前时刻的输出受前一段时间输入的影响，这一特性使得该网络非常适用于建模输入时序信号。此外，通过调整递归层与输出神经元之间的连接权重，可以获得期望的时序输出信号。为此，本项目采用递归最小二乘法，快速调整输出连接权重，获得期望的输出。该学习算法最大的优势就是可以在少量训练数据的情况下，使得网络收敛。这使得模型可以在只有少量水质指标数据的情况下，就可以获得较好的预测结果。

总之，本发明提出使用状态池递归神经网络进行水质指标预测的方法，对环境监测部门监控大流域水质指标变化将具有广阔的应用前景。

发明内容

针对现有技术存在的不足，本发明的目的在于提供一种基于状态池网络模型的水质数据预测方法。状态池网络的主要特性是隐藏层的神经元之间为稀疏连接，训练时算法只调整状态池神经元与输出层神经元之间连接的权重。

本发明的技术方案是这样实现的：

基于状态池网络的水质指标预测方法，步骤如下:

1)确定水质参数的输入和输出数据，通过分析，选取流域上游几个采样点的水质参数为输入，流域下游的一个采样点的水质参数为输出。进行以天为单位的连续采样和分析，得到水质参数，如：叶绿素a，透明度SD、总磷TP、总氮 TN、高锰酸钾指数CODmn、溶解氧、PH值等。

2)设计用于检测水质异常的状态池网络结构，根据输入与输出的数据，最终确定状态池的结构为：输入层(Input Layer，IL)，递归层(Recurrent neural layer，RNL)，输出层(Output Layer，OL)。