[发明专利]一种基于多层循环神经网络和D-S证据理论的水质参数预测方法

说明书

本发明公开了一种基于多层循环神经网络和D‑S证据理论的水质参数含量预测方法，本发明针对水环境这种具有高维、多峰值、不连续、非凸性等特征的复杂非线性系统，利用水质参数含量的历史数据对深层RNN预测模型进行训练，完成对模型的构造，并对水质参数的未来含量进行初步预测；由于D‑S证据理论能够从数学理论上解决不确定性的问题，因此在RNN模型预测结果的基础上利用D‑S证据理论进行冲突解决和证据融合，提升了单一参数的预测精度，并提高了多参数预警的准确性。

技术领域

本发明涉及一种水质参数预测方法，尤其涉及一种基于多层循环神经网络和D-S证据理论的水质参数预测方法。

背景技术

水是工业生产和农业生产中不可或缺的资源，也是人类社会的生命源泉。近年来，随着人类社会的不断发展，水资源正不断的在减少，有些地区甚至严重紧缺，正在制约着人类社会经济的发展，因此进行水质分析，加强水资源的监管和水质预警对水资源的利用至关重要。水质参数的定量分析是进行水质分析的重要任务之一，而获取进行水质参数定量分析的首要任务是获取水质参数的含量。水质预测是利用水质参数含量的历史数据进行建模，并对未来时间水质参数的含量进行估计，为水质参数的定量分析提供了基础数据支持，从而实现水质预警，有效的降低水质恶化所造成的危害。

目前，浅层的非机理模型在水质预测中的应用比较常见，如，径向基函数(radialbasis function,RBF)网络，多元线性回归模型(multi-linear regression,MLR)，支持向量回归(support vector regression,SVR)，人工神经网络(artificial neuralnetworks,ANN)，自回归积分滑动平均模型(Autoregressive Integrated Moving AverageModel,ARIMA)等。

传统的的水质预测模型通常是一些浅层模型，对水环境这种具有高维、多峰值、不连续、非凸性等特征的复杂非线性系统，深层模型具有更强的表达能力。

发明内容

本发明针对现有预测方法中预测水质参数含量精度不高和多参数预警效果较差的问题，提供了一种基于多层循环神经网络和D-S证据理论的水质参数预测方法。

本发明包括以下步骤：

步骤1：对采集的水质参数样本进行预处理：所述水质参数样本为水质参数含量的历史数据，将数据集按照“留出法”划分成训练集和测试集；采用最大最小法分别对训练集和测试集进行归一化处理，转化为[0,1]之间的值。

步骤2：初始化LSTM、GRU、SRN三种多层RNN模型的结构：三种多层RNN模型的隐藏层均为两层，最大迭代次数为200，激活函数为tanh函数，隐藏层神经元个数相同。

步骤3：采用随时间进行反向传播(BPTT)算法利用步骤1预处理后的训练集对LSTM模型、GRU模型、SRN模型中的循环层进行训练，具体方法如下：

1).前向计算每个神经元的输出值。

2).反向计算每个神经元的误差项值，它是误差函数对神经元的加权输入的偏导数。

3).计算每个权重的梯度，再用批量梯度下降算法更新权重，判断损失函数是否收敛要求或者是否达到最大迭代次数，损失函数未收敛且未达到最大迭代次数则返回第1)步，否则结束训练。

步骤4：利用步骤3训练好的LSTM模型、GRU模型和SRN模型对水质参数进行预测，分别得到三种模型在预测时刻的初步预测结果P₁，P₂，P₃。

步骤5：对水质参数的历史数据进行自相关分析，获取合适的证据个数，具体方法如下：

1).计算自相关系数r_k，计算函数如下：