[发明专利]基于在线贯序极限学习机的水质参数预测方法

权利要求书

1.一种基于在线贯序极限学习机的水质参数预测方法，其特征在于：包括以下步骤：

步骤一：从水质自动监测站采集水质参数历史数据并对数据进行预处理，采用牛顿插值法将历史数据中的缺失数据补全；

步骤二：将经过预处理的水质参数历史数据中的前2/3的数据作为学习样本集，后1/3数据作为测试样本集；

步骤三：在学习样本集中取部分数据对在线贯序极限学习机OSELM初始化，然后利用学习样本集中剩下的数据让在线贯序极限学习机OSELM进行学习，在学习过程中，学习样本集中剩下的数据的前若干连续单位时间的水质参数值作为在线贯序极限学习机OSELM输入，下一单位时间的水质参数值则作为在线贯序极限学习机OSELM输出，且在不断地加入新的监测数据时丢弃相应数量的老数据，进行滚动学习；

步骤四：学习完成后以测试样本集对学习后的在线贯序极限学习机OSELM模型进行检验，即将测试样本集前若干连续单位时间的水质参数值送入学习后的在线贯序极限学习机OSELM输入端，并观测该在线贯序极限学习机OSELM输出端的预测值，若在线贯序极限学习机OSELM输出的预测值与测试样本集下一单位时间水质参数值之间的误差达到要求，则检验通过，即获得了基于在线贯序极限学习机OSELM的水质参数预测模型；

步骤五：使用在线贯序极限学习机OSELM模型对新的水质参数进行预测，只要将前若干连续单位时间的水质参数值送入在线贯序极限学习机OSELM预测模型的输入端，即可在其输出端估计出未来的水质参数值。

2.根据权利要求1所述的基于在线贯序极限学习机的水质参数预测方法，其特征在于：所述水质参数采用PH值、溶解氧含量、高锰酸盐指数或氨氮含量。

3.根据权利要求1所述的基于在线贯序极限学习机的水质参数预测方法，其特征在于：所述步骤三中对在线贯序极限学习机OSELM初始化的具体步骤如下：设从水质监测站收集到水质参数的最原始数据集为Z＝{z₁,z₁,…,z_N}，其中z_i∈R^d，从数据集Z中选取N₀个数据进行错位排序后，形成新的数据集由于采用前4周的水质参数来预测后一周的水质参数，则x_i＝(z_i,z_i+1,z_i+2,z_i+3)^Τ，t_i＝z_i+4，然后运用在线贯序极限学习机OSELM算法求出最优的输出权值β₀，即设随机选取隐节点的输入权值为α_i和阈值为b_i，隐层输出函数为G(α_i,b_i,x)，则隐层输出矩阵H₀，由此计算出初始输出权值其中并计算出每次输入数据x_i所对应的目标输出o_i，完成对水质参数的在线贯序极限学习机OSELM初始化过程。

4.根据权利要求3所述的基于在线贯序极限学习机的水质参数预测方法，其特征在于：所述步骤三中使在线贯序极限学习机OSELM进行学习的具体步骤如下：从数据集Z-Z_ini中选取N₁个数据即对Z_tra进行错位排序后形成新的数据集其中i＝1，…，N₁-4，然后运用在线贯序极限学习机OSELM算法求出最优的输出权值β，即不断地加入新的监测数据，丢弃相应数量的老数据，按照对在线贯序极限学习机OSELM初始化中的在线贯序极限学习机OSELM算法进行滚动学习，并计算出每次输入数据x_i所对应的目标输出o_i。