[发明专利]基于混合神经网络的湿地出水氨氮浓度预测方法及系统

权利要求书

1.一种基于混合神经网络的湿地出水氨氮浓度预测方法，其特征在于，其包括：

步骤S1，对获取的人工湿地进水断面的水质环境数据进行预处理，得到输入数据；其中所述水质环境数据包括水质指标、水量指标和大气环境指标三类，所述水质环境数据的指标不少于8个；

步骤S2，采用输入数据构建训练集和测试集，采用BP神经网络构建预测模型；

步骤S3，采用遗传算法对BP神经网络的权职和阈值进行优化，得到优化的权值和阈值，再将优化好的权值和阈值带入神经网络中，完成对神经网络的优化，得到优化好的模型；

步骤S4，对步骤S3中优化好的模型，采用LM算法进行训练，得到最佳水质参数预测模型；

步骤S5，利用测试集对待预测的人工湿地氨氮浓度进行预测。

2.根据权利要求1所述的基于混合神经网络的湿地出水氨氮浓度预测方法，其特征在于：所述水质指标包括进水COD值、TP值、SS值、TN值、BOD5值、pH值、出水氨氮值，所述水量指标包括进水流速和降雨量，所述大气环境指标包括温度、湿度、大气压。

3.根据权利要求2所述的基于混合神经网络的湿地出水氨氮浓度预测方法，其特征在于：步骤S1中，对除出水氨氮外的各个指标数据进行标准化处理，转化为均值为0、方差为1的数列，采用主成分分析法进行数据降维，提取累计贡献率大于设定阈值的样本参数作为输入数据；

所述标准化处理，采用如下公式进行：

其中，y_i为该指标标准化处理后的值，max{x_j}为该指标的最大值，min{x_j}为该指标的最小值，x_i为该指标进行标准化处理前的数值。

4.根据权利要求3所述的基于混合神经网络的湿地出水氨氮浓度预测方法，其特征在于：步骤S4采用LM算法进行训练包括：

步骤S401，获取训练集的数据；

步骤S402，输入前期优化的权值和阈值，并设定精度；

步骤S403，计算初始误差函数R(x)；

误差函数：R(x)＝|f(x)-g(x)|

其中f(x)为初始模型计算结果值，g(x)为真实值；

步骤S404，构造雅可比矩阵，设定初始修正因子，解如下所述的超定方程：

x_t+1＝x_t-(J^TJ+λI_n)^-1J^Tr

其中J表示雅克比矩阵，I_n为单位矩阵，λ为修正因子，r为误差函数结果值；

雅可比矩阵为：其中矩阵中的各项为误差函数模型的一阶偏导数；

初始修正因子根据如下公式计算得到：

A₀＝J(x₀)^TJ(x₀)

其中，J(x₀)为x₀的雅可比矩阵，u₀为初始修正因子，x₀为初始降维后所得输入值，为A₀的对角线元素，τ为0～1间的随机值；

步骤S405，将超定方程的计算结果x_t+1，带入误差函数R(x)比较R(x_t)与R(x_t+1)，调整修正因子大小；如果误差减小，则减少修正因子，同时修正权值和阈值；如果误差增大，则增大修正因子；直到达到设定的精度，输出最终解。