[发明专利]一种基于知识增强的深度学习的总氮含量预测方法

权利要求书

1.一种基于知识增强的深度学习的总氮含量预测方法，其特征在于，包括以下步骤：

步骤1：数据预处理；对从知网上爬取到的论文和维基百科和百度百科爬取到的关于水质参数的文本数据进行停用词处理；

步骤2：构建水质知识图谱；利用步骤1中的数据构建水质知识图谱；

步骤3：训练GCN模型；首先，利用word2vec将知识图谱中的实体向量化；其次，将实体向量和关系信息输入到GCN网络中，使得每个实体节点的信息和邻居节点的特征信息聚合起来做非线性变换；最后得到更有价值的节点向量；

步骤4：融合知识级信息和数据级信息；在知识级方面，对步骤3得到的节点特征向量进行相关性计算；在数据级方面，计算各水质参数的相关性系数；最后将两个相关性系数转化为权重比例相结合；

步骤5：训练基于对抗学习的CNN-LSTM模型；利用对抗扰动训练CNN-LSTM模型的输入；将水质参数数据和各自权重结合输入到CNN，进一步提取特征向量，将CNN得到的特征向量输入到LSTM中，完成总氮浓度的预测；

步骤6：评价模型；使用模型评价指标评价模型性能。

2.根据权利要求1所述的一种基于知识增强的深度学习的总氮含量预测方法，其特征在于：步骤1所述的数据预处理方法中的文本数据去除包含“the、a、an”在内的停用词。

3.根据权利要求1所述的一种基于知识增强的深度学习的总氮含量预测方法，其特征在于：步骤2所述的构建水质知识图谱的表达，具体为：

步骤一：通过词典确定实体类型和关系类型；实体类型分为物理指标、化学指标、生物学指标、气象与降水名词、评价指标五类；关系类型分为并列关系、包含关系、表征关系三类；

步骤二：利用基于深度对抗学习的联合事件抽取模型，抽取实体及其之间的关系，进行实体和关系的联合抽取；

步骤三：从联合模型中得到的实体及其关系进行人工筛选，选出高质量的实体和实体关系，构建水质知识图谱。

4.根据权利要求1所述的一种基于知识增强的深度学习的总氮含量预测方法，其特征在于：步骤3所述的GCN模型训练步骤包括：

步骤一：实体向量化；在知识图谱中得到的实体及其关系，利用浅而双层的神经网络word2vec将实体向量化，得到每个实体映射的100维向量；

步骤二：GCN网络，GCN网络将每一个节点信息融入了邻居节点的特征信息，增强了节点的表达能力；其中GCN网络的具体公式如下：

其中，Z_v是某一节点新的向量，v表示第v个实体节点，σ表示激活函数，W、B表示神经网络中可学习的参数矩阵，是对邻居节点的特征信息的平均，N(v)表示v节点的所有邻居节点。