[发明专利]基于深度学习的水质预测方法及系统

权利要求书

1.一种水质预测方法，其特征在于，包括：

S1，获取待测水样的初始水质数据；

S2，将所述初始水质数据输入生成式对抗网络，获取初始水质预测值；

S3，对所述初始水质预测值进行散度处理；

步骤S3中对所述初始水质数据进行散度处理，具体处理公式如下：

其中，x_i表示散度处理后的初始水质数据，D表示数据网络，J表示判别网络，i和j均为大于0的正整数，P(D_i|J_j)为所述生成式对抗网络的第一损失函数输出数据的对比度，P(J_i|D_j)为所述生成式对抗网络的第二损失函数输出数据的对比度；

S4，将散度处理后的初始水质预测值输入改进后的BP神经网络，将改进后的BP神经网络的期望输出作为优化预测值，并根据改进后的BP神经网络中的误差函数获得全局误差，基于所述优化预测值、所述全局误差、预设误差范围和预设次数，获得所述待测水样的最优水质预测值，所述改进后的BP神经网络中的误差函数包括所述初始水质数据随时间变化的信息。

2.根据权利要求1所述方法，其特征在于，步骤S4中根据所述优化预测值、所述全局误差、预设误差范围和预设次数，获得所述待测水样的最优水质预测值具体包括：

若所述全局误差在所述预设误差范围内，将所述优化预测值作为所述最优水质预测值；

若所述全局误差在所述预设误差范围外，且循环次数达到所述预设次数，将所述优化预测值作为所述最优水质预测值；

若所述全局误差在所述预设误差范围外，且所述循环次数未达到所述预设次数，在预设次数内，循环步骤S1～步骤S4，直至通过改进后的BP神经网络中的误差函数获得的全局误差在所述预设误差范围内，将改进后的BP神经网络的期望输出作为所述最优水质预测值；

若所述全局误差在所述预设误差范围外，且所述循环次数达到所述预设次数，将所述优化预测值作为所述最优水质预测值。

3.根据权利要求1所述方法，其特征在于，步骤S4中，所述改进后的BP神经网络中的误差函数为：

其中，e为所述误差函数，m为所述预设次数，i为正整数，o为改进后的BP神经网络的期望输出向量，o(i)表示第i个期望输出向量，q为改进后的BP神经网络的所有期望输出向量的个数，y_o为改进后的BP神经网络输出层的输出向量，y_o(i)表示第i个输出向量，s为根据所述初始水质数据随时间变化的信息获得的向量，k为正整数，s(k)表示s中第k个元素。

4.根据权利要求1所述方法，其特征在于，所述初始水质数据包括所述待测水样的温度、所述待测水样的盐度、所述待测水样的溶氧量和所述待测水样的PH。

5.根据权利要求4所述方法，其特征在于，所述初始水质数据随时间变化的信息具体包括：所述待测水样的温度、所述待测水样的盐度、所述待测水样的溶氧量和所述待测水样的PH分别在四季的变化值。