[发明专利]一种基于RBF神经网络参数自优化的水质多步预测方法

摘要

本发明公开了一种基于RBF神经网络参数自优化的水质多步预测方法，首先通过在线水质监测仪器的远程传输，将各个监测站的数据存到本地服务器的数据库中，然后对水质样本序列进行归一化处理，计算自相关系数确定RBF神经网络的输入变量，将样本数据转化为RBF神经网络训练预测的标准动态序列数据格式，再以误差标准差作为目标函数，利用微分进化算法搜索确定RBF神经网络扩展系数spread的最优值，得到最优的预测模型，最后实时采样水质数据，用得到的最优预测模型，采用单点迭代的方法实现多步预测，并评价水质预测结果，实现预警的作用；本发明实现了智能化的水质预警。

主权项

1.一种基于RBF神经网络参数自优化的水质多步预测方法，其特征在于，包括如下步骤：（1）通过在线水质监测仪器的远程传输，将各个监测站的数据存到本地服务器的数据库中，形成水质样本序列，便于对水质参数进行分析；所述用来评价水质优劣的水质参数包括：pH、电导率、浊度、溶解氧、温度、氨氮、余氯和高锰酸钾指数等；（2）对水质样本序列进行归一化处理，通过计算自相关系数确定RBF神经网络的输入变量，将样本数据转化为RBF神经网络训练预测的标准动态序列数据格式：水质样本序列为，按照对数据进行归一化处理，其中，和分别是中的最大值和最小值；自相关系数的计算如下式所示：，式中，为自相关函数，为待求的自相关系数，为水质时间序列的长度，n为水质样本序数，为水质样本；自相关系数的范围为，设定相关系数阈值，当时，，故RBF神经网络的输入向量构造为；根据预测问题实际需求及样本数据特点确定训练样本的长度，得到网络的输入输出对，将样本数据转化为RBF神经网络训练预测的标准动态序列数据格式；（3）以误差标准差作为目标函数，利用微分进化算法搜索确定RBF神经网络扩展系数spread的最优值，得到最优的预测模型：利用newrbe函数建立RBF神经网络，利用微分进化算法搜索确定RBF神经网络扩展系数spread的最优值；微分进化算法是一种浮点编码的基于种群进化的全局优化方法，即求解最小的问题，其中为spread，目标函数为误差标准差表示如下式：；其中为原始的水质序列，为预测的水质序列，为训练样本长度；（4）实时采样水质数据，用步骤3得到的最优预测模型，采用单点迭代的方法实现多步预测，并评价水质预测结果，实现预警的作用；如果超出正常范围则立即报警。