[发明专利]一种水质评价方法及装置

说明书

技术领域

本发明涉及水文预测领域，更具体地，涉及一种水质评价方法及装置。

背景技术

水质评价指按照评价目标选择相应的水质参数、水质标准和评价方法，对水体的质量利用价值及水的处理要求作出评定。水质评价是合理开发利用和保护水资源的一项基本工作。根据不同评价类型，采用相应的水质标准。水质评价方法较多，如单因子评价法、综合评价法、判别分析法和灰色聚类法等。

最近发展起来的神经网络在信号处理、特征提取、模式识别和非线性预测等领域得到广泛应用。使用神经网络进行水质评价的研究有很多，如陈守煜等人提出基于模糊人工神经网络识别的水质评价模型；朱乾德等人以太湖流域南方小城镇雪堰镇为例提出一种基于BP(Back Propagation，后向传播)神经网络的水质评价模型，并对BP神经网络在水质综合评价中的应用进行分析；王冬生等人提出一种改进的基于PSO-RBF(Radial Basis Function Based on Particle Swarm Optimization，基于粒子群优化的径向基函数)神经网络模型的原水水质评价方法，并对其应用进行分析；张宇等人提出一种新的神经网络模型T-S(Takagi和Sugeno)模糊神经网络对地下水水质进行评价；向娜等人提出用人工蜂群算法优化的神经网络用于水质评价与预测研究的模型；孙永泉等人对普通的BP模型做了改进，提出了基于模糊的BP神经网络模型，分别利用BP模型和改进的模糊BP模型评价湖水水质，并将评价结果进行对比分析。

现有技术中，直接将各类水质指标的值作为输入，忽略各类水质指标之间具有不同程度的相关性，影响水质评价的准确性。

发明内容

为克服上述不考虑各类水质指标之间相关性，直接将各类水质指标的值作为输入而影响水质评价的准确性的问题或者至少部分地解决上述问题，本发明提供了一种水质评价方法及装置。

根据本发明的第一方面，提供一种水质评价方法，包括：

S1，使用主成分分析法将获取的各类水质指标值结合成综合指标值；

S2，根据所述综合指标值，使用蚁群算法优化的RBF神经网络获取水质评价结果。

具体地，所述步骤S1具体包括：

对所述水质指标值进行标准化，获取标准化后的所述水质指标值的矩阵；

根据所述矩阵的特征值获取各主成分的累积贡献率；

将所述特征值大于第一预设阈值且所述累积贡献率大于第二预设阈值的主成分的值作为所述综合指标值。

具体地，所述步骤S2具体包括：

S21，使用所述蚁群算法对所述综合指标值进行聚类，获取聚类中心，将所述聚类中心作为所述RBF神经网络的中心；

S22，使用反向传播算法获取所述RBF神经网络中从隐含层到输出层的权值；

S23，根据所述隐含层的隐含单元的输出，对所述隐含单元进行裁剪。

具体地，所述步骤S21具体包括：

S211，根据任意两个综合指标之间的路径信息量，获取所述两个综合指标中一个综合指标聚类到另一个综合指标的概率，若判断所述概率大于第三阈值，则将所述两个综合指标分为一类；

S212，获取每一类的聚类中心和所有类的总误差，若判断所述总误差小于或等于第四预设阈值，则将所述聚类中心作为所述RBF神经网络的中心；或者，

若判断所述总误差大于所述第四预设阈值，则根据所述综合指标到所述聚类中心的距离和修改后的信息素持久性系数，获取新的路径信息量，使用所述新的路径信息量迭代执行聚类和确定聚类中心的操作，直到所述总体误差小于或等于所述第四预设阈值。

具体地，所述步骤S23具体包括：

获取所述隐含层的每个隐含单元的输出值，并对所述输出值进行规范化；

若判断规范化后的输出值小于第五预设阈值，则去掉所述输出值对应的隐含单元。

具体地，在所述步骤S211之前还包括：

根据任意两个综合指标之间的欧式距离对所述两个综合指标之间的路径信息量进行初始化。

具体地，所述步骤S2之后还包括：

根据所述步骤S1和S2获取一个区域中多个位置的水质评价结果；

根据每个位置的坐标和每个所述位置的水质评价结果，获取所述位置的坐标与所述水质评价结果的关系曲线。

根据本发明的第二方面，提供一种水质评价装置，包括：

结合单元，用于使用主成分分析法将获取的各类水质指标值结合成综合指标值；