[发明专利]一种基于人工智能算法的水环境质量评价方法

说明书

本发明公开了一种基于人工智能算法的水环境质量评价方法，通过改进的粒子群算法优化网络参数，利用早熟粒子的速度和位置叠加随机数据，使其离开局部最优，从而使该算法具有更强的寻优能力，利用改进量子神经网络参数进行训练和学习，建立比较高效的改进量子神经网络对水环境质量评价模型，同时构建基于深度信念网络的水质预测模型，利用布谷鸟算法进行网络的优化，将提升深度信念网络的训练精度，使其在水质预测中达到较好的实用度。本发明能够克服粒子群算法本身存在的早熟的不租，改进量子神经网络提高评价的准确性，同时利用优化后的CS‑DBN算法建立水环境质量预测模型，结合布谷鸟算法进行参数优化，有效提高运算精度同时提高运算效率。

技术领域

本发明涉及人工智能领域，具体涉及一种基于人工智能算法的水环境质量评价方法。

背景技术

人工神经网络的类型有多种，课题拟选择量子神经网络作为研究重点，是因为该网络结合了当前的热点理论(量子理论)，而量子理论又是新一代计算机(量子计算机)的核心理论，这就决定了以量子理论为基础的量子神经网络也具有量子计算机的主要优势：并行操作、速度快等。将量子与神经网络结合到一起具有很大的潜力和良好的前景，其主要优点体现在以下几个方面：(1)指数级的记忆容量和回忆速度；(2)较小的网络规模和简单的网络拓扑结构；(3)更好的稳定性和可靠性；(4)快速学习、一次学习和高速信息处理能力；(5)消除灾变性失忆的潜力等。

水环境系统是一个受到生物、化学、物理、人为等多种因素影响的动态开放复杂系统，水质指标随时间非线性地变化，因此传统方法很难建立一个精确的水质预测模型。然而，在一些局部水环境系统中，长期来看水质指标的变化是缓慢的、有规律可循的。目前我国常用的水质预测模型一般都是人工神经网络预测模型，精度较差且训练速度慢，深度学习网络中的深度信念网络(DBN)是一种训练速度较快的网络，但是它同样存在训练精度的问题。利用布谷鸟算法进行网络的优化，将提升深度信念网络的训练精度，使其在水质预测中达到较好的实用度。

发明内容

本发明为解决上述问题提出一种基于人工智能算法的水环境质量评价方法，通过如下方式实现：。

一种基于人工智能算法的水环境质量评价方法，包括如下步骤：

S1、采集目标水质样本，构建水环境评价体系；

S2、基于水环境评价体系，利用量子神经网络和深度信念网络分别构建水环境质量评价模型和水环境质量预测模型；连接所述量子神经网络和所述深度信念网络，将所述深度信念网络的输出作为所述量子神经网络的输入；利用量子神经网络对水质进行评价，同时利用深度信念网络对水质进行预测；

S3、将水质样本导入优化之后的水环境质量评价模型中，利用改进粒子群算法对量子神经网络模型进行优化训练，同时利用布谷鸟算法对深度信念网络进行优化训练；

S4、将待测样本分别输入到训练好的模型中，利用优化后的量子神经网络对水质进行评价，同时利用优化后的深度信念网络对水质进行预测。

进一步的，所述所述构建水环境评价体系的方法为：

所述所述构建水环境评价体系的方法为：

S11、根据所获取的目标水质样本，确定水质标准数据的评价指标；

S12、获取目标水质样本区域内的水质时间序列数据和天气数据，作为目标水质样本的历史数据，并对所述历史数据进行归一化；

S13、将步骤S12中归一化后的历史数据划分为训练集和测试集合，根据训练集的历史数据训练所述水环境质量评价模型，并根据测试集数据获取所述水环境质量预测模型的基础参数；

S14、根据S1中的评价指标，将目标水质样本进行分类，得到水环境评价体系。

进一步的，所述利用量子神经网络构建水环境质量评价模型的方法为：