[发明专利]一种基于深度置信网络的水体氨氮预测方法及装置

权利要求书

1.一种基于深度置信网络的水体氨氮预测方法，其特征在于，包括：

基于目标水体水质的实际水质参数和实际环境因子参数，利用预先建立的深度置信网络预测模型，预测所述目标水体的氨氮含量；

其中，所述深度置信网络预测模型为预先根据预测需求进行初始化，并利用选取的样本数据，进行基于暂时抛弃点dropout的训练和测试获取的，所述样本数据为样本水质环境参数与样本水体氨氮含量对；

其中，所述样本数据包括训练样本和测试样本；在所述利用预先建立的深度置信网络预测模型，预测所述目标水体的氨氮含量的步骤之前，所述方法还包括：

逐个将所述训练样本中的样本水质环境参数输入所述根据预测需求建立的预测模型中，执行吉布斯采样法对网络模型每层进行迭代预训练，获取预测氨氮含量输出；

求取所述预测氨氮含量输出与对应的样本水体氨氮含量之间的偏差，并根据给定比率，随机冻结所述根据预测需求建立的预测模型中的部分网络结点；

使所述偏差在冻结部分结点的预测模型中反向传播，以进行网络参数的逐层修正，直至训练完成，获取训练完成的深度置信网络预测模型；

利用所述测试样本，通过对所述训练完成的深度置信网络预测模型进行正向预测运算，测试所述训练完成的深度置信网络预测模型，直至测试完成，获取所述深度置信网络预测模型；

其中，所述深度置信网络预测模型具体由受限玻尔兹曼机单元堆叠而成；

相应的，利用选取的样本数据，进行基于暂时抛弃点dropout的训练的步骤进一步包括：

采用无监督的贪心算法，初始化受限玻尔兹曼机单元网络模型各层之间的链接权重及偏置值，并设定各受限玻尔兹曼机单元隐含层的激活函数；

对于任一训练样本，按所述给定比率，随机冻结所述受限玻尔兹曼机单元网络模型中的部分结点，并将该样本的样本水质环境参数输入冻结的受限玻尔兹曼机单元网络模型，获取所述预测氨氮含量输出；

通过将网络模型各结点的偏差按所述给定比率置零，求取所述预测氨氮含量输出与该样本的样本水体氨氮含量之间的综合偏差；

基于所述综合偏差，利用BP神经网络算法，进行所述冻结的受限玻尔兹曼机单元网络模型中偏差的逐层前向传播，求取各层结点偏差，并利用梯度下降法计算并更新未冻结结点的网络参数；

解冻冻结结点并恢复该结点的权重值，并再次按所述给定比率随机冻结所述受限玻尔兹曼机单元网络模型中的部分结点，利用下一个训练样本进行网络模型的训练，直至所述训练样本使用完毕或预测精度满足设定条件。

2.根据权利要求1所述的方法，其特征在于，所述实际水质参数具体包括：水体水质氨氮含量以及水体水温、水质电导率、水深、水质盐度、总溶解固体浓度、水密度、pH值、溶解氧含量、溶解氧饱和度、氧化还原电位(ORP)、亚硝酸盐浓度、散射浊度、浊度和蓝绿藻浓度中的一种或多种；

所述实际环境因子参数具体包括：风速、风向、太阳辐射、空气温度、空气湿度、大气压强、土壤水分和土壤温度中的一种或多种。

3.根据权利要求1所述的方法，其特征在于，所述基于目标水体水质的实际水质参数和实际环境因子参数，利用预先建立的深度置信网络预测模型，预测所述目标水体的氨氮含量的步骤进一步包括：

对所述实际水质参数和实际环境因子参数进行小波降噪处理，获取纯净的水质及环境因子参数；

对所述纯净的水质及环境因子参数进行给定算法的标准化处理，获取标准化的水质及环境因子特征向量；

利用主成分分析算法，对所述标准化的水质及环境因子特征向量进行降维处理，获取氨氮关键影响因子；

将所述氨氮关键影响因子输入所述深度置信网络预测模型，进行前向预测运算，输出所述目标水体的氨氮含量。