[发明专利]基于神经网络的水体溶解氧预测方法

权利要求书

1.一种基于神经网络的水体溶解氧预测方法，其特征在于，包括以下步骤：

步骤1，采集水质样本数据集，其中水质样本数据集包括：水温、pH值、浊度、氨氮、总氮和溶解氧值；

步骤2，对采集的水质样本数据集进行预处理；

步骤3，确定神经网络的输入变量为一天的水温、pH值、浊度、氨氮、总氮和溶解氧值，输出变量为2天后的溶解氧值；

步骤4，确定神经网络的结构并构建神经网络；

步骤5，利用改进的正弦余弦算法优化神经网络的参数，利用得到的神经网络作为水体溶解氧预测模型；

步骤6，利用得到的水体溶解氧预测模型实现水体溶解氧的预测；

其中，步骤5所述的利用改进的正弦余弦算法优化神经网络的参数，包括以下步骤：

步骤5.1，初始化种群大小和最大迭代次数；

步骤5.2，初始化当前迭代次数；

步骤5.4，初始化适应性因子，其中为随机实数产生函数；下标=1, 2, …,；

步骤5.5，随机产生个个体，其中每个个体都存储了神经网络的参数，然后将产生的个个体组成种群；

步骤5.6，从种群的每个个体中提取出神经网络的参数，按公式(1)计算种群中每个个体当前代参数的适应值:

(1)

其中水质样本下标=1, 2, …,；为水质样本的数量；为种群中第个个体的适应值；为第k个水质样本的测量值；为神经网络在第k个水质样本上的输出值；

步骤5.7，按公式(1)计算融合因子：

(2)

其中扰动值为[0, 1]之间的随机实数；扰动概率为[0, 1]之间的随机实数；

步骤5.8，从整个种群中随机选择出两个个体和，如果个体的适应值小于个体的适应值，则令平衡个体，否则令平衡个体；

步骤5.9，按适应值从小到大从种群中选择出前10%的个体存放到临时个体集合；

步骤5.10，设置导向个体，其中为从临时个体集合中随机选择出来的个体；

步骤5.11，按公式(3)执行正弦余弦操作算子:

(3)

其中；r2为[0, ]之间的随机实数，并且为圆周率；r3为[0, 2]之间的随机实数；r4为[0, 1]之间的随机实数；sin为正弦函数；cos为余弦函数；为个体的当前代参数；为个体的新一代参数；

步骤5.12，计算种群中个体新一代参数的适应值；

步骤5.13，如果个体新一代参数的适应值小于，则令，否则保持不变；

步骤5.14，令当前迭代次数；

步骤5.15，如果当前迭代次数大于，则转到步骤5.16，否则转到步骤5.7；

步骤5.16，从种群中找出适应值最小的个体记为，从中提取出神经网络的参数，即得到优化设计的神经网络参数。