[发明专利]一种混合优化BP神经网络的湖泊水质预测模型构建方法

说明书

本发明公开了一种混合优化BP神经网络的湖泊水质预测模型构建方法，首先从Oracle数据库中导出某市地表水的基本信息与水质监测数据，并用VBA语言将数据格式调整正确。然后使用SPSS删除数据空缺较多的行。完成预处理之后，再根据水环境知识筛选出实验相关的水质指标参数，接着分别利用BP神经网络、PSO‑BP神经网络、GA‑BP神经网络和GA‑PSO‑BP神经网络对水质指标参数预测进行模型构建，最后运用评估方法对构建模型进行评估。通过结合不同算法构建方法，充分考虑了各种算法的优缺点，结果表明基于遗传算法GA和粒子群算法PSO混合优化的BP神经网络模型能够提高水质指标参数预测准确率。

技术领域

本发明涉及湖泊水质预测模型构建领域，涉及基于遗传算法和粒子群算法优化BP神经网络的湖泊水质预测模型构建方法，特别涉及一种基于遗传算法和粒子群算法混合优化BP神经网络的湖泊水质预测模型构建方法。

背景技术

基于历史数据建立的水质预测预测模型，用以预测河流湖泊以及地下水的水质动态变化趋势，具有十分重大的理论价值和现实意义。目前国外对于这类水质时间序列预测模型已经有较多研究，提供并验证了许多较为可行的方法并具有较好的结果。我国的水质预测模型发展较晚，但随着对环境污染和环境保护的重视不断提高，越来越多的方法应用于水环境预测模型。比较知名的有2003年，陈丽华等人提出的基于Levenberg-Marguardt训练算法的BP神经网络水质浓度预测模型，对黄河水质的10项指标进行了预测和分类，取得了较好的预测结果；2010年，郑广勇等人利用免疫粒子群优化算法与径向基RBF神经网络相结合的水质参数预测模型，成功对广州某污水处理场污水处理出的重要水质参数进行预测仿真实验，取得了理想的预测效果，拓宽了在神经网络预测模型中对时间序列动态系统、非线性系统的应用场景；2013年，王泽平采用生物学方法遗传算法，对多隐层BP神经网络的初始权值和阈值进行优化，构建了新的水质预测模型和方法用以预测云南某水库总氮含量。现如今大多数的神经网络预测模型都是基于BP神经网络算法展开的，具有极强的自主学习和非线性映射能力，但其由于是一种局部搜索方法，易出现“过拟合”现象，且在算法训练过程中已陷入极小值，因此不断有新的方法去优化BP神经网络以提高预测精度，如遗传算法和粒子群算法，二者都是基于仿生学的全局搜索方法。遗传算法具备极强的全局搜索能力，并且具有并行性，具有较好的运行速度和可扩展性，但其局部搜索能力薄弱，易出现早起收敛，许多参数的选取缺乏确切的理论支持。粒子群算法也是一个全局搜索方法，具有记忆能力，收敛速度快，实现过程简单，但在高纬复杂问题中常遇到早起收敛，易收敛于局部极值而无法刀刀全局最优。为了弥补这些算法的不足，有人提出混合算法的思想，用遗传算法和贝叶斯算法构成混合算法，在一定程度上取得了不错的效果，但仍有很大的提升空间，需要不断地去提出，改进和验证。

发明内容

有鉴于上述现有的不足，本发明的目的在于提供一种混合优化BP神经网络的湖泊水质预测模型构建方法，旨在解决水环境水生态污染安全预测的问题。

本发明解决其技术问题所采取的技术方案是：一种混合优化BP神经网络时间序列预测模型构建方法，该方法包括如下步骤：

步骤1：从水质检测数据库中导出某市地表水的基本信息与水质监测数据，查询出实验湖泊数据进行时间序列排序以Excel表形式导出并保存。

步骤2：将导出的湖泊水质数据进行预处理，包括异常值检测和空缺值填充，根据水环境知识，选择合适的水质参数，整理出符合实验要求的数据。

步骤3：利用经典的BP神经网络构建水质预测模型，再分别用遗传算法和粒子群算法对BP神经网络进行优化，最后提出基于遗传算法和粒子群算法相结合的混合优化BP神经网络的湖泊水质时间序列预测模型，根据性能指标检验模型预测结果。

进一步的，本发明步骤1所述的构建湖泊水质数据的方法，其步骤具体包括：

步骤1-1：以授权用户身份登录Oracle数据库。