[发明专利]基于神经网络的水处理方法及系统

说明书

本发明公开了一种基于神经网络的水处理方法及相关产品，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。本发明提供的技术方案具有精度高的优点。

技术领域

本发明涉及数据处理领域，尤其涉及一种基于神经网络的水处理方法及系 统。

背景技术

水是生命的源泉，是人类生活不可缺少的成分，随着工业迅速发展，水资 源的污染问题日益严重。如何有效地对水进行净化处理，成为国内外学者研究 的热点问题。

絮凝沉淀是水净化处理中重要一环，目前主要通过混凝剂投加来在保证并 满足出厂水浊度要求。目前混凝投药控制方法存在一些不足之处：例如采用烧 杯实验法需要每天或每周进行频繁实验，会增加大量的人力成本并且影响输出 水质；采用流动电流法中的流动电流检测器会在使用过程中出现精度梯度下降 的问题，并且不能适用于高浊度水或污染较为严重的水质；而采用数学模型法 例如Matlab建模与多元线性回归建模等由于混凝投药过程高复杂度与不确定 性，难以建立高精度与高可靠性的数学模型来适应混凝投药控制过程的变化。 由于混凝投药过程是一个复杂的物理、化学反应过程，并且受多个条件影响与 约束，具有时滞性与非线性特性，因此在保证满足出厂水浊度要求的前提下， 研究最佳投加混凝剂量，可以有效地减轻过滤、消毒设备的负担，产生良好的 经济效益和社会效益。

城市水厂中积累下来的海量真实数据常常会达到GB甚至TB级别，而数据 的数量级与质量将直接影响预测模型的精度与准确度。传统的单机与串行的数 据建模与训练方式常常会达到数天甚至数周，因此如何采用先进的大数据处理 方法与分布式并行技术，也是净水处理过程所面临的另一重大挑战。

发明内容

本申请提供一种基于神经网络的水处理方法。可以有效的提高预测的精度 和准确度。

一方面，提供一种基于神经网络的水处理方法，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。

可选的，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。

可选的，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。

第二方面，提供一种终端，所述终端包括：

构建单元，用于构建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。

训练单元，用于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；

处理单元，用于通过训练后的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。

可选的，所述构建单元，具体用于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。

可选的，所述处理单元，具体用于显示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。