[发明专利]共享直饮水水质在线监测方法及系统

说明书

技术领域

本发明涉及移动互联网服务领域，特别涉及一种共享直饮水水质在线监测方法及系统。

背景技术

随着生活水平的提高，经济飞速发展，高品质健康的生活理念越来越得到人们的青睐。特别针对日常饮用水的健康性、方便性要求越来越高，市场上目前饮用水方式包括直饮水和桶装矿泉水，其中桶装矿泉水质量、容量、价格参差不齐，在现有的经济体系下，桶装水的质量无法得到安全健康保证，市场上存在大量桶装矿泉水“以次充好”的现象，不仅存在“暴利”且不合格的桶装矿泉水会对人民的身体健康带来潜在威胁。于此同时，在快节奏的都市生活中，高效的时间利用使得人们对服务产品的便利性要求越来越高。

发明内容

有鉴于此，本发明的目的在于提供一种共享直饮水水质在线监测方法及系统。以解决方便、健康、快捷的共享直饮水饮用问题，保证饮用水的水质健康，实现共享直饮水水质实时监测与实时更换，实现共享直饮水智能管理。

本发明的目的之一是通过以下技术方案来实现的，共享直饮水水质在线监测方法，包括以下步骤：

S110根据恒定水箱内影响水质的控制参数，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GRNN网络模型；

S150根据所述GRNN网络模型，获得网络扩展因子；

S160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。

进一步，所述步骤S120后还包括预处理步骤，所述预处理步骤为：将构建的输入样本集进行主元提取，并获得新样本集。

进一步，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。

进一步，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。

进一步，利用主元分析算法对状态变量X(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)进行主元提取，构建新的状态变量X′＝{x_z1,x_z2,L,x_zm}，X′为m个状态主元分量，每个状态主元分量的维度与所述样本的数量相同。

进一步，GRNN模型方程如下：

其中，表示所有样本观测值Y_i的加权平均；Y_i表示观测值；X网络输入变量；X_i表示第i个神经元对应的学习样本；σ表示网络扩展因子。

进一步，利用GRNN算法进行建模，获取网络扩展因子的过程包括以下步骤：

第一步：设置网络扩展因子σ的取值范围[σ_min,σ_max]，设置σ的取值间距Δh；

第二步：取σ₀＝σ_min，采用样本集A作为GRNN模型的训练样本，B作为测试样本，利用建立的GRNN模型预测测试样本B的所有估计值计算测试样本B的预测值与实际值的误差E₁，并令E_min＝E₁，令最佳训练样本集为A；

第三步：取σ₀＝σ_min，采用样本集B作为GRNN模型的训练样本，A作为测试样本，利用建立的GRNN模型预测测试样本A的所有估计值计算测试样本A的预测值与实际值的误差E₂，若E₂＜E₁，则令E_min＝E₂，令最佳训练样本集为B；否则令E_min＝E₁，最佳训练样本集为A；

第四步：取σ₁＝σ₀+Δh，重复第二步和第三步过程，如果出现E小于第二步或者第三步中的E_min，则σ₁优于σ₀；否则最佳的网络扩展因子取值仍为σ₀；