[发明专利]一种基于人工智能算法的湖（库）富营养化预测方法

权利要求书

1.一种基于人工智能算法的湖/库富营养化预测方法，其特征在于：具体包括以下步骤：

1)建立基于人工智能算法的湖/库富营养化预测数据库：收集目标水域的水质指标，所述水质指标包括：水温、浊度、电导率、溶解氧浓度、氮磷营养盐浓度、化学需氧量、叶绿素a浓度；

2)构建径向基函数网络：由三层构成，第一层是输入层，输入节点的个数等于输入向量维数；第二层为隐含层，隐含节点直接与输入节点相连，隐含节点输出为基函数；第三层为输出层，每个输出节点与所有隐含节点相连；

设实际输出为Y_k＝[y_k1,y_k2,…,y_kj,…,y_kJ]，J为输出节点的个数，表示第k个输入向量产生的输出，那么输入样本X_k时，网络第j个输出节点得出的结果为：

式中：y_kj为与输入样本X_k对应的网络第j个输出节点的实际输出；k为样本序号；j为输出节点序号；N为隐含层节点数，i＝1,2，…,N为隐含节点数；w_ij为从第i个隐含节点到第j个输出节点的权重；φ(X_k,X_i)为基函数；

径向基函数网络输出层的输出结果包括：叶绿素a浓度；径向基函数网络输入层的输入指标包括：氮磷营养盐浓度、化学需氧量、水温、浊度、电导率、溶解氧浓度；

3)径向基函数网络学习：需要训练的参数分别是隐含层中基函数的中心、隐含层中基函数的标准差和隐含层与输出层间的权重；

4)径向基函数网络的预测功能检验：通过训练好的径向基函数网络，学习样本得到预测值，并与期望值进行比较；采用相关系数R²和相对误差RE来评价径向基函数网络的可靠性。

2.根据权利要求1所述的基于人工智能算法的湖/库富营养化预测方法，其特征在于：

所述基函数选用高斯函数，则φ(X_k，X_i)表示为：

式中：φ(X_k,X_i)为基函数；G(X_k,X_i)为Green函数；||X_k-X_i||为欧式范数；X_i为高斯函数的中心；σ为高斯函数的标准方差。