[发明专利]一种基于人工智能及随机自适应阈值的湿地预警方法

权利要求书

1.一种基于人工智能及随机自适应阈值的湿地预警方法，其特征在于，包括以下步骤：

S1、确定研究区域湿地内相关的地面监测指标以及确定研究区内的监测点位；然后对研究区内的每个监测点位按监测频次进行持续水生态监测，获得时间上连续的地面监测指标的监测数据；每一组数据皆为时间序列的数据集；

S2、利用主成分分析法对步骤S1所得的众多监测指标的监测数据进行降维处理，抽取每大类指标中的主成分，并进行标准化处理，保证神经网络的数据口径一致；

S3、建立神经网络模型，模型的输入层为降维标准化处理后的数据结果，输出层为待预测的指标值，建立每一个指标与其他指标和其滞后时间指标之间的关系；

S4、将步骤S3得到的预测结果与步骤S2得到的降维后的监测值进行按时间序列求残差，建立基于时间序列的残差数据序列；

S5、为相应监测指标设置随机自适应阈值，当相应监测指标的残差值超过阈值时，触发异常状态，按时间序列将异常状态进行储存后进入步骤S8；当相应监测指标的残差值未超过阈值时，为正常状态，按正常状态的时间序列监测值及其正常状态时间序列残差值储存后进入步骤S6；

S6、将正常状态的时间序列监测值及其正常状态时间序列残差值录入随机自适应学习模块：正常状态时间序列残差值带入随机自适应阈值计算器，求出正常状态下的随机自适应阈值调节参数DT_i；

S7、将参数输入正常阈值参数数据库，以方便实时更新的正常阈值参数概率密度函数PDF，而后转换为实时更新的正常阈值参数累积分布密度函数CDF，由此完成不确定量化的工作，并可根据不同的监控强度q_i得到不同的随机自适应阈值；

S8、依据步骤S5的异常状态记录情况，通过贝叶斯进行分析，并判断综合判定的累积警情率是否在设定阈值内；如果在，则表明监测指标正常，不进行预警；如果不在，则表明监测指标异常，进行湿地初预警；

所述步骤S3的具体过程如下：

S3-1、将从步骤S2得到的已进行降维和标准化处理的数据划分为训练集与测试集；其中，前80％数据作为训练集，后20％作为测试集；当数据进入循环迭代程序时，训练集和测试集得到不断地更新，达到为程序校准的目的；

S3-2、基于训练集中的数据进行神经网络训练：

数据从p个输入x＝(x₁，…，x_p)的输入层传递到包含m个神经元的隐含层；隐藏层中的每个节点接收前一层的加权和输出，然后通过一个激活函数传递该加权和输出，生成隐藏节点输出；同样，K目标为y＝(y₁，…，y_k)的输出层接收上一层的加权输出，并通过一个输出函数进行传递，最终的输出由函数f_k(x；w)估计；函数的自适应度函数通过预测值和监测值的标准差和方差进行调节；

多层神经网络MLP的数学模型由下述两公式表示：

上式中，x为输入层的数据输入数列；w为每一指标设置的权重；k为输出层的目标数，目标y有f_k(x；w)；f_k(x；w)为最终的输出函数；w_ij、w_jk为权重值，w₀、w_0j为偏重值，为激活函数,为输出功能函数；

x_i(t)分别为通过神经网络的预测值和t时刻的监测值，而f(.)为通过MLP多层神经网络确定的值；

所述步骤S6的具体过程如下：

随机自适应阈值计算器具体情况如下：

持续时间为T的滑动窗口中，

式中：

Y_i,t表示t时间点i种参数的神经网络输出值；

Mean(Y_i,w)表示在滑动窗口w中i种参数的滑动窗口平均值；

分别表示监控强度为qi时随机自适应阈值参数的上界值和下界值；

Std(Y_i,w)表示滑动窗口w中参数i的神经网络输出值的标准差；

所述步骤S8中通过贝叶斯分析的过程如下：

由于野外的湿地系统存有大量的不确定性及不稳定性，过多干扰情况的产生使得误警的情况时有发生，这时需要一个排除误警的系统，即引入贝叶斯概率公式：

p(θ₁)为发生污染或恶化事件的概率，p(θ₀)为未发生污染或恶化事件的概率；

p(y_t+1θ₁)为发生了污染或恶化事件时且报警器可以正常报警的概率；

p(y_t+1θ₀)为未发生污染或恶化事件时且报警器可以正常报警的概率；

π₁(t+1)为t+1时刻在真正发生污染事件或恶性事件时，预警器正常报警的概率，它由t时刻的先验概率乘以修正因子所得，并且随着时间序列不断更新；

π₁(t+1)＝απ₁(t+1)+(1-α)v₁(t)；

为了避免快速收敛,引入平滑参数α，当随着时间序列不断累积的π₁(t+1)超过预警阈值时，发生预警。