[发明专利]基于神经网络的水处理方法及系统

权利要求书

1.一种基于神经网络的水处理方法，其特征在于，所述方法包括如下步骤：

构建BP神经网络预测模型，所述BP神经网络预测模型包括：输入层、隐藏层和输出层。

将城市水厂真实数据作为训练数据对该BP神经网络预测模型执行正向运算以及反向运算得到训练后的BP神经网络预测模型；

通过训练后的BP神经网络预测模型对水源的水质进行预测处理得到处理方案。

2.根据权利要求1所述的方法，其特征在于，所述构建BP神经网络预测模型，包括：

通过均方误差公式计算预测值与真实值之间的误差，并采用梯度斜率下降算法迭代更新BP神经网络预测模型各层的权值以及偏置。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

显示BP神经网络预测模型与真实数据的拟合程度，并统计模型训练的相关系数以及误差与迭代次数的关系。

4.根据权利要求1所述的方法，其特征在于，所述通过训练后的BP神经网络预测模型对水源的水质进行预测处理得到处理方案，包括：

通过分布式文件系统HDFS读取导入的水源的水质数据，将该数值数据采取数据分区策略将输入训练数据平均分配到各个运算节点，并在运算节点中执行BP神经网络训练程序，通过Reduce操作累加训练结果更新模型的权值与偏置。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

在BP神经网络训练算法中通过Widrow方法为连接权值和偏置随机初始化增加限制以加快收敛速度，在权值更新时引入冲量系数减少抖动次数，并且通过计算误差平方和的下降速率自适应学习速率。

6.根据权利要求1所述的方法，其特征在于，所述方法在通过训练后的BP神经网络预测模型对水源的水质进行预测处理之前还包括：

将天为单位的水厂投药数据按照小时为单位进行划分，并通过数据过滤与格式转换最终生成完整的基于时间序列的混凝投药数据集，并在此基础上，对取水量，供水量和混凝剂投药量等变量进行统一数据去噪，以过滤缺失值与异常值，将处理后的数据作为BP神经网络训练算法的输入数据。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

在逆向反馈过程中，通过梯度斜率下降算法更新输入层与隐藏层的权值和偏置。

8.根据权利要求1所述的方法，其特征在于，所述方法还包括：

通过YARN管理与统一调度集群资源。

9.一种计算机产品，其特征在于，其存储用于电子数据交换的计算机程序，其中，所述计算机程序使得计算机执行如权利要求1-8任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，其存储用于电子数据交换的计算机程序，其中，所述计算机程序使得计算机执行如权利要求1-8任一项所述的方法。