[发明专利]一种基于自组织深度信念网络和相关向量机的淡水环境水华预测方法

说明书

本发明涉及一种基于自组织深度信念网络和相关向量机的淡水环境的水华预测方法，本发明包括以下几个步骤：1.将叶绿素a的浓度作为描述藻类水华形成的表征指标，把与叶绿素a浓度相关的风速、风向、湿度、蓝绿藻、pH值、前一时刻的叶绿素a、溶解氧、氨氮、和水体温度这9个影响因素作为预测模型的输入参数，并进行数据的预处理。2.采用自组织深度信念网络对输入样本数据进行训练，从而完成自组织网络的结构自动调整和原始数据特征的降维和提取。3.将提取的数据特征送入到相关向量机中实现藻类水华的预测。本发明解决了传统深度信念网络在水华预测时预测精度欠佳，结构冗余，容易过拟合的问题，同时使网络在精准预测的前提下实现了结构的更加紧凑。

技术领域

本发明涉及淡水环境保护领域，具体而言，涉及到一种基于自组织深度信念网络和相关向量机的淡水环境水华预测方法。

背景技术

随着经济社会的高速发展，水体富营养化程度日趋严重，藻类水华现象频繁发生，水体环境生态安全遭受到了前所未有的威胁，对城市发展以及居民的日常生活产生了极大的影响。同时也严重制约了经济建设以及社会的发展，藻类水华的防治已经迫在眉睫。深入研究水华形成的机理模型，并对水华暴发这一非常规突发事件进行有效预测，对促进水环境保护和技术进步具有现实意义。

现有的藻类水华预测研究中，目前比较广泛应用的方法主要是基于数理统计分析和神经网络技术的藻类水华预测,然而现有的数理统计方法没有充分挖掘影响藻类生成影响因素间的相互作用关系，对水质监测信息的利用率不高，另外就神经网络技术而言，随着时间复杂程度增加，神经网络预测方法在网络结构选取，参数设置时随意性大，训练时间将大大增加，存在训练过度或不充分现象，往往导致模型的泛化能力较差，进而影响到藻类水华预测结果，因此考虑到现有的数理统计及人工神经网络方法存在的不足，深度学习在藻类水华上的预测应运而生，该领域的学者提出的深度信念网络藻类水华预测方法对数据信息利用率充分，而且在一定程度上取得了比前面主流方法更好的预测效果，然而其所存在的结构冗余，预测精度不甚理想，容易过拟合的问题同样不可忽略，因此解决这些问题对于藻类水华预测具有十分积极的意义。

发明内容

本发明的主要目的在于克服现有深度信念网络技术存在的不足，提供了一种基于自组织深度信念网络和相关向量机的淡水环境水华预测方法，以期能够解决深度信念网络结构冗余，容易过拟合，预测精度不佳的问题，从而在准确的实现藻类水华精准预测的基础上，达到结构更加精简紧凑的目的。

为达到上述目的，本发明所采用的技术方案为：

本发明一种基于自组织深度信念网络和相关向量机的淡水环境水华预测方法的特点是按如下步骤进行:

步骤1：综合考量将叶绿素a浓度作为作为描述水华形成的表征指标，并将与叶绿素a浓度相关的风速，风向，湿度，蓝绿藻，pH值，前一时刻的叶绿素a,溶解氧，氨氮，和水体温度这9个影响因素作为预测模型的输入。

步骤2：通过一系列传感器收集研究对象的状态数据，形成数据集。对数据集中的数据进行数据降噪、奇异点清除和归一化这一系列的预处理操作，将数据归一化到0-1之间，防止在运算中出现大数吃小数导致有效数据丢失。最后总共得到1104组数据，随机选取前百分之八十作为训练数据，剩下的百分之二十作为测试数据，进行水华预测。

步骤3：在对输入样本数据训练过程中，自组织深度信念网络通过改变隐含神经元个数来实现自身结构的自动调整，这实际上相当于增加和修剪神经元之间的连接权重。自组织深度信念网络的初始权值取(0,1)之间的随机值，且保证每次机器时钟随机给定的初始值相同，隐含层结构调整的依据依赖于隐含层神经元的尖峰强度值(尖峰强度值与突触前神经元在生物神经系统中的尖峰频率相似)以及隐含层神经元的互信息值，如果某个隐藏层神经元的尖峰强度值大于等于0.7时，则该隐含神经元将被分裂为两个新的神经元，而如果尖峰强度值小于0.7时，该隐含神经元则会被修剪掉。同时如果两个隐含层神经元之间的互信息值大于3.25时，则说明这两个隐含层神经元有着相似的信息处理能力，则可以将这两个神经元合并为一个神经元，从而达到精简结构的目的。