[发明专利]基于深度学习的水质预测方法及系统

说明书

本发明提供一种基于深度学习的水质预测方法及系统，该方法包括：获取待测水样的初始水质数据；将初始水质数据输入生成式对抗网络，获取初始水质预测值；对所述初始水质预测值进行散度处理；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，基于优化预测值、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。本发明通过建立一个拥有生成式对抗网络层和一层BP神经网络层的深度网络，提取数据源的深度特征，形成初始化数据，接着进行BP神经网络的优化分析，最终得到更加准确的水质环境预测数据。

技术领域

本发明涉及水质预测领域，更具体地，涉及一种基于深度学习的水质预测方法及系统。

背景技术

近年来，随着全球水产养殖业规模的迅速扩增，陆地水资源及近海资源逐渐枯竭，水资源污染逐渐加重，而当今社会对水产品的需要又逐渐增加，这两方面的原因迫使着水产养殖业开始走向深海，实行离岸型网箱养殖的新模式。

离岸型网箱养殖就是利用水产养殖箱与先进的物联网设备相结合，实现可靠的远距离无线通讯与控制，逐渐摆脱人力资源，实现水产养殖的自动化、信息化。离岸型网箱养殖的模式虽然节省了人力资源，充分利用了海洋资源，但是在施行过程中要克服海洋环境的不可预测性和多变性，增强物联网设备的稳定性与报警功能，这样才能最大化的利用海洋资源。

利用原始的深度置信网络(Deep BeliefNetwork，简称DBN)进行数据预测，不能适应海洋复杂的水质环境要求。适用于工业化网箱养殖水质的预测方法所训练的方法一定是非常庞大的，而DBN神经网络结构层次太多，一旦数据在各层次传递时出现偏差，那么会影响整个结构的工作。如果减少限制波尔兹曼机(RestrictedBoltzmannMachine，简称RBM)层数则又达不到预测数据的精度要求。

只用BP神经网络处理数据，存在严重的局部极小化问题，并且收敛速度非常慢，效率低。

发明内容

本发明提供一种克服上述问题或者至少部分地解决上述问题的一种基于深度学习的水质预测方法及系统。

根据本发明的一个方面，提供一种水质预测方法，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；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。

优选地，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。

优选地，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：