[发明专利]一种突发水质污染环境下的贝叶斯迁移学习方法

说明书

本发明公开了一种突发水质污染环境下的贝叶斯迁移学习方法，包括以下步骤：S1：收集历史数据，形成数据集；S2：对数据集进行原域贝叶斯网络建模；S3：使用迁移学习方法将贝叶斯网络迁移到目标域中突发水质污染环境数据中；S4：突发污染环境下的水质预测结果输出。本发明具有较强的时效性、解释性和预测精度。

技术领域

本发明涉及水质预测领域，尤其涉及一种突发水质污染环境下的贝叶斯迁移学习方法。

背景技术

水质预测是水污染防控的重要组成部分，是一种辅助和改善各种社会经济、环境等决策过程的有利工具，使得水资源的开发建设活动建立在环境协调和可持续发展的基础上，在水环境管理中起着重要的作用。通过对水质的预测可以了解其变化状况，特别是突发水污染环境下的水质预测，其准确的预测可以及时地采取有效的处理措施，对预防疾病，提高人民健康水平，保证社会稳定，为社会经济环境可持续发展提供技术保障。

针对这一问题，管理者和研究者建立了很多预测模型，例如回归分析、灰色模型、机器学习、人工神经网络等，在预测建模中，数据样本量的大小直接影响建模效果，突发污染环境下，可利用的数据较少，在数据样本量较少的情况下，提出一种迁移学习的贝叶斯网络，解决样本缺失条件下的突发水质污染预测问题。

发明内容

针对上述现有技术的不足，本专利申请提出一种突发水质污染环境下的贝叶斯迁移学习方法化。

为了实现上述目的，本发明采用了如下技术方案：

一种突发水质污染环境下的贝叶斯迁移学习方法，包括以下步骤：

S1：收集历史数据，形成数据集；

S2：对数据集进行原域贝叶斯网络建模；

S3：使用迁移学习方法将贝叶斯网络迁移到目标域中突发水质污染环境数据中；

S4：突发污染环境下的水质预测结果输出。

进一步的，步骤S1中收集历史数据的步骤还包括：将数据集分为大样本的常规水质数据集与小样本的突发水质污染环境下的数据集。

进一步的，步骤S2的具体步骤为：

A1：确定贝叶斯网络的节点；

A2：确定贝叶斯网络结构；

A3：确定条件概率表。

进一步的，步骤A1中，对水质进行区域划分使用地表水环境质量标准现值，得到水质类别，作为目标节点，其余属性为影响节点。

进一步的，所述步骤A2中使用K2算法进行贝叶斯网络结构学习，具体步骤为：

B1：确定最大父节点数(数据集属性个数)以及顺序(目标节点为最后一个)；

B2：计算网络得分，计算公式如下：

其中，属性X_i有r_i个状态，父节点集合px_i有q_i个状态，N_ijk是属性X_i的第k个状态。

B3：开始搜索父节点，并计算新的网络得分；

B4：与之前的网络得分进行比较，若大于以前的网络得分则保留该父节点，若小于则丢弃该父节点；

B5：重复步骤B2至步骤B4，直到搜索完所有的节点。