[发明专利]一种基于改进神经网络的水质软测量方法及系统

权利要求书

1.一种基于改进神经网络的水质软测量方法，其特征在于，所述方法包括以下步骤：

步骤S100、获取水质数据样本集，所述水质数据样本集包括神经网络模型的输入变量值和对应的输出变量值；

步骤S200、基于所述水质数据样本集，利用适应性蝙蝠算法确定所述神经网络模型的优化设计参数；

步骤S300、通过所述优化设计参数构建神经网络模型，得到水质软测量神经网络模型；

步骤S400、利用得到的水质软测量神经网络模型进行水质软测量；

其中，所述步骤S200包括：

步骤S201、确定神经网络模型的结构；

步骤S202、根据神经网络模型的结构，确定神经网络模型的优化设计参数的个数DN；

步骤S203、设置种群规模BSize，最大频率afr，最小频率ifr，最大迭代次数mst；

步骤S204、设置当前迭代次数t＝0；

步骤S205、随机产生BSize个蝙蝠个体的当前位置和当前速度，然后将BSize个蝙蝠个体组成种群；其中，每个蝙蝠个体的当前位置存储了神经网络模型的DN个优化设计参数；

步骤S206、根据所述水质数据样本集计算种群中BSize个蝙蝠个体的当前位置的适应值；

步骤S207、找出种群中当前位置的适应值最小的蝙蝠个体，记为最优蝙蝠个体MinDA；

步骤S208、设置优选缩放因子AFR_ti＝rand(0,1)，其中，下标ti＝1,2,...,Bsize；rand(0,1)表示[0,1]之间的随机实数产生函数；

步骤S209、根据公式(1)计算启发式因子IR_ti：

其中，exp表示以自然常数e为底的指数函数；log表示以自然常数e为底的对数函数；

步骤S210、将种群中每个蝙蝠个体的当前位置的适应值按从小到大的顺序进行排序，并设置Rank_ti为种群中第ti个蝙蝠个体的当前位置的适应值在排序后的序号；

步骤S211、根据公式(2)计算定级扰动幅度DR_ti：

步骤S212、根据公式(3)计算当前缩放因子CFR_ti：

其中，rdp为在[0,1]之间随机产生的实数；

步骤S213、根据公式(4)计算种群中每个蝙蝠个体的下一代速度和下一代位置：

其中，dfr_ti表示种群中第ti个蝙蝠个体的当前频率；表示种群中第ti个蝙蝠个体的当前速度；表示种群中第ti个蝙蝠个体的当前位置；表示种群中第ti个蝙蝠个体的下一代速度；表示种群中第ti个蝙蝠个体的下一代位置；

步骤S214、计算种群中每个蝙蝠个体的下一代位置的适应值；

步骤S215、如果种群中第ti个蝙蝠个体的下一代位置的适应值小于当前位置的适应值，则设置优选缩放因子AFR_ti＝CFR_ti，否则保持优选缩放因子AFR_ti不变；

步骤S216、找出种群中下一代位置的适应值最小的蝙蝠个体记为cmDA；如果cmDA的下一代位置的适应值小于最优蝙蝠个体MinDA的当前位置的适应值，则转到步骤S217，否则转到步骤S218；

步骤S217、设置最优蝙蝠个体MinDA的当前位置等于cmDA的下一代位置，并且设置最优蝙蝠个体MinDA的当前位置的适应值等于cmDA的下一代位置的适应值；

步骤S218、将当前迭代次数加1后，确定当前迭代次数是否小于最大迭代次数mst，若是，则转到步骤S209，否则转到步骤S219；

步骤S219、从最优蝙蝠个体MinDA中提取出神经网络模型的DN个优化设计参数。

2.根据权利要求1所述的一种基于改进神经网络的水质软测量方法，其特征在于，所述神经网络模型为5-6-1结构的三层感知器。