[发明专利]一种基于主成分分析与BP神经网络的藻类水华预测方法

摘要

本发明公开了一种基于主成分分析与BP神经网络的藻类水华预测方法，属于水环境管理技术领域。所述方法包括监测数据随机性预处理；基于主成分分析法的影响因子分析；分别以水体叶绿素a含量、叶绿素a含量变化率为输出参数的预测模型构建以及预测精度分析。其特征在于，本发明采用积分求导的数据平滑处理方法，消除了数据随机性影响；基于主成分分析法精简预测模型输入因子，并以叶绿素a含量变化率为输出参数，排除了叶绿素a本身含量波动对预测结果产生干扰的弊端，从而有效提高了藻类水华的预测精度。

主权项

1.一种基于主成分分析与BP神经网络的藻类水华预测方法，其特征在于，所述方法用于基于神经网络分析水体水华主要影响因素，具体包括以下步骤：步骤一、监测数据预处理；步骤二、基于主成分分析法的影响因子分析：(1)计算各指标相关矩阵：计算各影响因子之间的相关矩阵，利用监测指标相关矩阵一定程度上初探各监测指标相关关系，分析叶绿素与各因素间的相关程度；(2)生成主成分特征矩阵：基于藻华生长的各影响因子相关矩阵，生成主成分特征矩阵，并计算各主成分对影响因子的累积贡献率；(3)基于主成分分析法的主因子选择：分析主成分累积贡献率，判断累积贡献率是否满足信息抽取精度设置要求(常规设置85％)，若精度满足，则主成分分析结果可以取用，以主成分中因子贡献最大(成分相关系数最大)确定水体中藻类水华进行分析时的主要影响因子，表明这些主因子足以表达藻类水华的变化信息，精度不满足，则返回步骤一，重新数据预处理；(4)预测模型输入输出参数选择：基于主成分分析结果，选择所有主因子为预测模型输入参数，若结果中叶绿素a含量不作为主因子之一，则以叶绿素a含量为输出参数，转步骤三构建预测模型；若结果中叶绿素a含量作为主因子之一，则转步骤四重新定义输出参数，构建预测模型；步骤三、以叶绿素a含量为输出参数的预测模型构建；(1)BP神经网络结构设置：以现有的监测数据为分析对象，根据数据结构特征，对BP神经网络的拓扑结构进行设置，确定隐含层层数、神经元数，选择对应传递函数、训练函数、输出函数，并设定最大迭代次数、最小均方误差、学习步长，其中输入层神经元数为输入的主因子数目，输出层神经元数为1，隐含层神经元数可由下列经验公式确定：式中，K为隐含层神经元数；n，为输入变量数目；a为经验常数；(2)样本数据训练学习：以主成分分析法选择的主因子为输入参数，叶绿素a含量为输出参数，利用监测得到的有效数据T₀～T_n，随机选择学习样本对神经网络进行训练，余下数据作为对比验证对象，构建水体叶绿素a含量预测模型，预测分析藻类生长趋势；步骤四、以叶绿素a含量变化率为输出参数的预测模型构建；(1)预测模型输出参数构建；当主成分分析表明，叶绿素a需为模型输入参数，才能够达到藻类水华信息表达的精度要求时，本发明以单位时间内叶绿素a含量的变化率为预测模输出参数，即：式中，IC为水体中叶绿素含量在t₁时刻到t₂时刻的瞬时变化率；下一时刻叶绿素a含量，由下式计算：式中，当前时刻各监测指标经数据预处理后的监测值，为当前刻水体中叶绿素a含量，为下时刻叶绿素a含量预测值；(2)BP神经网络结构设置：针对藻华训练数据，对BP神经网络的拓扑结构进行选择，设置隐含层层数，并确定各层神经元数，选择对应传递函数、训练函数、输出函数，并设定最大学习迭代次数、最小均方误差、学习步长，此处可依据步骤三进行初始设置；(3)样本数据训练学习：以主成分分析法选择的主因子为输入参数，叶绿素a含量瞬时变化率为输出参数，利用监测得到的有效数据T₀～T_n，随机选择学习样本对神经网络进行训练，余下数据作为对比验证对象，构建水体叶绿素a含量变化率预测模型，间接预测水体叶绿素a含量，预测分析藻类生长趋势；步骤五、预测精度分析；分析该流域基BP神经网络的藻类水华预警模型预测精度是否达到设定要求，若不满足要求，返回上一步模型构建调整BP神经网络的结构设置，重新进行样本数据学习；若满足要求，预测模型构建成功，可用以对新监测数据T_n+1进行预测。