[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

说明书

本发明涉及水质软测量技术领域，具体涉及一种基于改进神经网络的水质软测量方法及系统，所述方法包括：首先采集水质数据，确定神经网络模型的输入变量值和对应的输出变量值，并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；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；利用得到的水质软测量神经网络模型进行水质软测量，本发明能够提高水质软测量的精度。

技术领域

本发明涉及水质软测量技术领域，具体涉及一种基于改进神经网络的水质软测量方法及系统。

背景技术

随着我国工业化进程的不断推进，许多地方都积极兴办工业园区，大力引进各种各样的工业企业。随着各种工业企业的聚集开办，工业污水的排放也在很大程度上影响了工业园区周边区域的水质。五日生化需氧量是衡量水质的一个重要指标。然而，传统测定五日生化需氧量的方法需要耗时长，成本高的缺点。为此，研究人员提出了基于机器学习的方法来测定五日生化需氧量[薛同来,赵冬晖,韩菲.基于GA优化的SVR水质预测模型研究[J].环境工程,2020,3 8(3):123-127.]。基于机器学习的五日生化需氧量软测量方法通过建立五日生化需氧量与其他较易直接测量的水质指标的数学模型，然后将采集到的相关水质指标输入到所建立的数学模型中，计算出数学模型的输出值，从而间接软测量出五日生化需氧量的值。

神经网络是一种常用的机器学习方法，它在许多水质软测量的应用中获得了较为满意的结果[龙华,赵继东,王晓东,杜庆治,胡婷,邵玉斌.改进的QGA-BP模型在弥苴河总氮量预测中的应用[J].环境工程学报,2016,10(11):6099-6105.]，然而传统神经网络应用于水质软测量时容易陷入局部最优，从而影响了水质软测量的精度。

发明内容

本发明目的在于提供一种基于改进神经网络的水质软测量方法及系统，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。

为了实现上述目的，本发明提供以下技术方案：

一种基于改进神经网络的水质软测量方法，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。

进一步，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；