[发明专利]共享直饮水水质自适应动态自学习在线监测系统

摘要

本发明公开了一种共享直饮水水质自适应动态自学习在线监测方法，包括：S110建立神经网络输入样本集；S120建立神经网络输出样本集；S130获得归一化样本集；S140根据所述归一化样本集构建三层的BP神经网络模型；S150根据所述三层BP神经网络，运用UKF算法进行网络权值阈值动态调整；S160对云端服务器上积累的海量数据，利用UKFNN算法进行建模，获取神经网络参数；S170对实时变化的恒定水箱内水质的影响因素实现实时预测；根据恒定水箱水质实时预测，实现共享直饮水水质自适应动态自学习在线监测。本发明提供共享直饮水水质动态自学习在线监测方法及系统，具有的技术效果或优点是：改变传统饮水方式，为用户提供一种快捷、健康、方便的饮水方式，满足人民快节奏生活水平和高质量生活水平要求。

主权项

1.共享直饮水水质自适应动态自学习在线监测方法，其特征在于：包括以下步骤：S110根据恒定水箱内水质的影响的控制参数，建立神经网络输入样本集；S120根据实时测量的恒定水箱内水质指标，建立神经网络输出样本集；S130将输入样本集和输出样本集进行归一化处理，获得归一化样本集；S140根据所述归一化样本集构建三层的BP神经网络模型；S150根据所述三层BP神经网络，运用UKF算法进行网络权值阈值动态调整；S160对云端服务器上积累的海量数据，利用UKFNN算法进行建模，获取神经网络参数；S170对实时变化的恒定水箱内水质的影响因素实现实时预测；根据恒定水箱水质实时预测，实现共享直饮水水质自适应动态自学习在线监测；所述恒定水箱内影响水质的控制参数包括，确定影响水箱内水质的影响因素，该影响因素包括：直饮水机滤芯性能、地区ID号码、直饮水机累计用水量、水箱内水温历史温度实时数据、实时水箱出水口处开关状态；根据实时测量的恒定水箱内水质指标，建立神经网络输出样本集，包括：通过定期质检员巡检，抽取水箱内饮用水水样进行水质指标检测并实时传输到云端服务器，即获得神经网络输出样本集；在所述步骤S150，三层BP神经网络包括(M‑s₁‑l)的拓扑结构，隐含层激发函数为s型函数，输出层为线性函数；输入层神经元数为M个，隐含层节点数由经验公式所得，M,s₁,l分别表示表输入层、隐含层、输出层的神经元个数，α为1‑10的常数，输出层节点数为4个，则建立初始模型为：其中，分别代表输入层与隐含层的连接权值、隐含层和输出层的连接权值、隐含层阈值，输出层阈值；表示归一化的样本，i,j均为变量下标；函数f()为S型函数；利用UKFNN算法对云端服务器存储的海量数据进行建模，获取神经网络参数具体包括以下子步骤：第一步：设BP神经网络，输入层至隐含层神经元的连接权值阈值为隐含层至输出层的连接权值阈值为则UKF神经网络中所有权值和阈值组成的状态矩阵I为：设I中的个数为n个值；设定非线性方程：I_k表示k时刻状态变量，I_k+1表示(k+1)时刻状态变量，ω_k,ν_k,分别表示观测噪声，测量非线性方程，测量噪声；其中，Xk为k时刻的神经网络输入样本；令ωk＝0，vk＝0，Yk为神经网络输出样本；第二步：设定UKF计算过程中控制采样点的分布状态参数a、待选参数κ；第三步：计算2n+1个σ点以及σ点的相应权重，其中，n为状态矩阵I的维度，λ＝a2(n+κ)‑n；σ表示sigma采样点，λ为缩放比例参数；第四步：计算σ点的一步状态预测及状态变量协方差P_k+1|k；第五步：计算输出的一步提前预测以及协方差第六步：进行滤波更新获取新的状态矩阵、协方差矩阵、增益矩阵；第七步：对获取的新样本数据重新进行第二步至第六步，直至所有样本对状态矩阵、协方差矩阵、增益矩阵进行了更新；第八步：对最后一组样本得到状态矩阵I作为前馈神经网络训练得到的权值和阈值；第九步：根据获得网络参数各层权值、阈值，利用UKF神经网络构建的函数模型。