[发明专利]基于择优分类的水质预测方法

权利要求书

1.基于择优分类的水质预测方法，其特征在于，所述方法包括如下步骤：

步骤1：采集水质数据；

步骤2：对水质数据与对应的时间节点进行归一化处理；

步骤3：构造训练集Training与验证集Validation；

步骤4：分别构造RVM水质预测模型、BP神经网络水质预测模型、Adaboost水质预测模型；所述步骤4中分别设置三种模型的相关参数，具体步骤如下：

步骤4-1：构造RVM水质预测模型，具体步骤如下：

步骤4-1-1：设置RVM预测模型的核函数K(x,x_i)为RBF核函数：

其中，单调函数k(||x-x_i||)表示空间内任意一个坐标到第i个时间节点下的输入x_i的欧式距离；γ为函数宽度；

步骤4-1-2：设置模型所需的适合当前数据集的最优参数噪声方差σ²；

步骤4-1-3：设置训练轮数为1000；

步骤4-2：构造BP神经网络水质预测模型，具体步骤如下：

步骤4-2-1：设置神经网络的结构；设置1个输入层，2个隐含层，1个输出层；输入层设置2d个神经元，每个隐含层设置d个神经元，输出层设置一个神经元；其中，d为步骤3中的窗口大小；层与层之间采用全连接的方式连接；

步骤4-2-2：设置当前层神经元对下一层神经元的初始影响权重为0-1之间的随机数，表示第k层第i个神经元与第k+1层第j个神经元的影响权重；

步骤4-2-3：设置激活函数为Sigmoid函数，其形式为：a表示当前神经层的输入，f(a)表示传递到下一层神经层的输出；

步骤4-2-4：设置训练轮次为1000；

步骤4-3：构造Adaboost水质预测模型，具体步骤如下：

步骤4-3-1：初始化训练集的权值分布n表示训练集中的样本数，其中表示第i个样本对应的初始权值；

步骤4-3-2：设置训练轮数为1000；

步骤5：使用步骤3中构造的训练集分别训练步骤4中构造的RVM水质预测模型、BP神经网络水质预测模型、Adaboost水质预测模型；

步骤6:使用步骤5中训练好的三种水质预测模型在步骤3中构造的验证集Validation上进行预测，以此预测结果构造SVM择优分类器的训练集Training；

步骤7：构造SVM择优分类器，使用步骤6中构造出的训练集Training训练SVM择优分类器；

步骤8：输入新的数据，先通过步骤7中已经得到的SVM择优分类器选择出RVM水质预测模型、BP神经网络水质预测模型、Adaboost水质预测模型中最合适该数据的预测模型，再根据选择出的预测模型得到最终预测值。

2.根据权利要求1所述的基于择优分类的水质预测方法，其特征在于：所述步骤1采集水质数据的具体方式为，监测一定时间内某一水域，获得某一水质指标按时间排序的数据集合W＝{w₁,w₂,L w_i,L w_N}，其中N表示水质数据集合的元素数量，w_i为第i个时间节点的水质指标数据；同时获得时间节点的集合T,T＝{t₁,t₂,L,t_i,L,t_N}，其中N表示时间节点数据集合的元素数量，t_i为第i个时间节点的时间。