[发明专利]基于优化的LSTM神经网络的污水水质预测方法

权利要求书

1.一种基于注意力机制优化的长短期记忆神经网络的污水水质预测方法，包括如下步骤：

(1)确定主导变量；

(2)选择辅助变量；

(3)建立基于PSO-LSTM-att神经网络的水质预测模型；

(4)预测污水处理水质。

2.根据权利要求1所述的方法，所述辅助变量采用主成分分析方法进行选择。

3.根据权利要求2所述的方法，在采用主成分分析方法选择辅助变量前，对采集到的污水历史数据进行预处理，包括清除异常值、补充缺失值和数据归一化。

4.根据权利要求1所述的方法，所述PSO-LSTM-att神经网络的结构包括三个部分：PSO算法层、LSTM神经网络层和全连接层；采用PSO算法优化LSTM神经网络的超参数，在LSTM神经网络隐藏层之后添加一个全连接层，引入注意力机制。

5.根据权利要求4所述的方法，将训练集样本通过PSO层输入LSTM-att神经网络中进行训练，训练完成后输出LSTM-att神经网络的最优超参数，将最优超参数输入PSO-LSTM-att神经网络作为水质预测模型。

6.根据权利要求4所述的方法，所述采用PSO算法优化LSTM神经网络的超参数包括以下步骤：

(1)输入训练集；

(2)设置PSO算法的超参数；

(3)随机初始化种群，选取训练集均方误差MSE作为适应度函数；

(4)将种群参数输入到LSTM-att神经网络预测模型中训练，计算个体和种群的适应度，不断地更新PSO算子；

(5)根据是否达到终止条件判断训练是否完成；

(6)若完成训练，则输出LSTM-att最优超参数；否则，返回步骤(4)继续进行训练。

7.根据权利要求6所述的方法，所述终止条件是达到了最大迭代次数或者均方误差小于设定的训练误差。

8.根据权利要求6所述的方法，所述PSO算子是个体最优值和种群最优值、粒子的速度与位移、惯性权重和学习因子。

9.根据权利要求4所述的方法，所述注意力机制是将隐藏层的输出进行加权求和计算，为每一个特征分配额外的权重，最终得出下一个时段的预测结果。

10.根据权利要求9所述的方法，所述注意力机制的计算公式如下：

α_i＝a(h_i)＝σ(Wh_i+b)

其中向量c为提取的关键特征，m为输入LSTM神经网络的时间步总和；β_i为向量h_i的权值，h_i为LSTM神经网络输出的特征向量，W为全连接层的权重矩阵，b为全连接层偏置矩阵，σ为sigmoid函数。