[发明专利]一种基于遗传算法优化的RBF神经网络的环境污染监测系统

权利要求书

1.一种基于遗传算法优化的RBF神经网络的环境污染监测系统，其特征在于该系统包括信号输入模块、信号处理模块、计算机云端服务器处理模块、数据库、报警模块和污染指标显示模块，可见光信号通过信号输入模块输入后，由信号处理模块依次经过模-数转换、数字信号处理和数-模转换后，将信号输入计算机云端服务器处理模块，并将污染指标通过污染指标显示模块显示出来，若超过设定的阈值，报警模块将会报警，从信号输入到信号输出整个过程的数据都存储在数据库中，所述神经网络为RBF神经网络，神经网络中对各项指标所占的权重运用径向函数进行合理的分配，实现对整体环境指标进行有效监测，所述神经网络的前馈系统采用Bayesian决策方法进行训练，训练的过程如下：

Step 1.定义RBF神经网络总共有三层，根据国家相关环境标准对各种不同污染物的区分和严重程度的划分，并把经过统计Bayesian决策方法训练前馈网络训练的number种指标通过径向函数确定它们各自所占的权重；

Step 2.对于确定了权重的各项指标，考虑到RBF神经网络存在着收敛慢、难以得到全局最优解的缺点，采用遗传算法进行处理，定义搜索空间即数据总量为S，将每一个指标定义为一条染色体，这些染色体通过以下自适应函数进行处理

其中，ε可以代表算法的精度，x_i,y_i分别为神经网络的输入信号和在实际量化误差条件下的输出信号值，通过对ε的控制，并可以调整神经网络学习的精度，即可以控制本环境污染监测系统的精确度；

Step 3.对于经过Step 2处理的数据，采用轮盘赌法选择算子，即对每一代种群中的染色体根据适应度差异进行选择；

Step 4.对个体采用实数二进制交叉编码，并将编码后的序列进行交叉遗传、变异操作，定义迭代代数Generation，设置步长；

Step 5.将遗传算法的最优个体分解为RBF神经网络的权值和阈值，同时确定RBF神经网络隐含层的节点数，设置程序中得到的学习精度为若继续进行学习训练，若说明训练完成，进入Step 6；

Step 6.输出训练后的最优样本值组合Opt，并得到进行监测的特征函数；

神经网络训练结束。

2.根据权利要求1所述的基于遗传算法优化的RBF神经网络的环境污染监测系统，其特征在于所述系统将污染物和信号的数据输入到神经网络系统进行学习和训练，当监测系统训练的程度达到设定的监测精度要求时，该系统与计算机云端服务器处理模块进行连接，形成一套完整的环境污染监测系统。

3.根据权利要求1所述的基于遗传算法优化的RBF神经网络的环境污染监测系统，其特征在于选用的径向函数为Gaussian函数，即

4.根据权利要求1所述的基于遗传算法优化的RBF神经网络的环境污染监测系统，其特征在于系统在基于恶化的信道的环境的污染监测功能通过以下步骤实现：

A)在训练环境下，对于环境干扰处理模块，设定当前非污染物干扰的浓度为h，h的取值在0-1之间；

B)将h按相同的间隔逐步调高，输入信号模块发送一串长度为N的数据比特序列；

C)当h1时，经历Step 1到Step 7的流程进行训练学习，得到在不同非污染物干扰的浓度条件下的神经网络系统；

D)对于训练完的神经网络系统，输入端的信号处理模块根据实际环境中输入的信号对h进行选择，并找到对应的神经网络，通过数据库中相应的特征函数进行实时准确监测；

E)对环境中包含的多种污染物指标进行实时监测时，将其分别同时输入上述经过遗传算法优化的RBF神经网络系统，最终获得所期望的样值；

F)经过输出端的信号处理模块，得到系统不同的响应，报警模块和污染物指示显示模块根据输出端的信号处理模块的判决结果，给出相应的指标，同时显示出污染物浓度信噪比随时间变化的曲线和污染物随时间变化的曲线，实时反映环境质量。

5.根据权利要求1所述的基于遗传算法优化的RBF神经网络的环境污染监测系统，其特征在于检测该神经网络的精度是否达到预期要求的测试流程如下：

S1：设定num个样本，即人为设定的污染物和输出设定值，其中n₁个样本为训练输入样本，n₂个样本为预测样本，共两组，n₁+n₂＝num；

S2：对于上述样本的第一组，选取不同的样本经过向量空间变换分为输入测试样本X_test和输出测试样本Y_test，对于上述样本的第二组，选择不同的预测样本经过向量空间变换后分为输入测试样本X_scan和预测输出样本Y_scan；

S3：引入系统相对误差ψ对样本进行测试分析，可表示为上式中，当ψ无限趋向1时，神经网络系统实现了无偏监测，即监测结果十分精确。