[发明专利]基于在线贯序极限学习机的水质参数预测方法

说明书

技术领域

本发明涉及水质监测领域，具体涉及基于在线贯序极限学习机(Online Sequential Extreme Learning Machine，简称在线贯序极限学习机OSELM)的水质参数预测方法。

背景技术

建立有效的水质参数预测模型能够准确指出水体未来的污染程度及其发展趋向，从而为制定水环境保护的方针政策和具体措施提供可靠的依据，并可转变人们对水环境应用和治理的传统观念，将以前的事后治理转变为事前预防。虽然人们能够从长期连续的观测数据中发现其蕴含某种程度的变化规律，但因水质参数受诸多因素的影响，其变迁表现出高度的非线性、时延性及不确定性，变化规律复杂，很难用机理模型表达，以传统的时问序列预测方法如自回归 (AR)、自回归滑动平均(ARMA)等有限参数线性模型，也不能很好地表征其变化特性。人工神经网络等智能模型的出现，为水质参数预测提供了一种新方法，但由于人工神经网络应用基于梯度的学习算法，并且通过迭代调整网络中的参数，因而存在以下缺陷：(1)学习速度慢，不能满足一些需要在线学习的场合；(2)学习过程容易收敛于局部极小点，难以保证学习精度；(3)网络推广能力差，对未知样本不能确保有很好的预测结果。这些缺陷的存在不利于人工神经网络快速准确地进行水质参数预测，制约了人工神经网络在水质参数预测中的推广应用。极限学习机(Extreme Learning Machine，ELM)是Huang等人于2006年提出的一种新的学习算法，在该算法中，输入权值和隐层阈值随机选取，而输出权值则通过最小二乘法直接计算得到，整个过程一次完成，无需迭代，因而学习时间短，同时也有效地规避了人工神经网络学习易陷入局部极小的缺陷，但在实际应用中，所有的数据可能并不是一次性加入的，当新数据添加进来时ELM算法会把新数据与旧数据放到一起重新学习，以致于学习过程花费过多的时间。

发明内容

本发明所要解决的技术问题在于提供一种基于在线贯序极限学习机的水质参数预测方法，预测效果好，预测精度高，学习时间短，能够满足快速预测水质参数的未来发展趋势的要求。

为解决上述现有的技术问题，本发明采用如下方案：一种基于在线贯序极限学习机的水质参数预测方法，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。

作为优选，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。