[发明专利]基于神经网络的水体溶解氧预测方法

说明书

本发明公开了一种基于神经网络的水体溶解氧预测方法。本发明应用神经网络来构建水体溶解氧的预测模型，首先采集水质样本数据集，并对采集水质样本数据集进行预处理，然后确定神经网络的输入和输出变量以及神经网络的结构，再用改进的正弦余弦算法优化神经网络的参数，将优化设计得到的神经网络设置为水体溶解氧的预测模型，从而实现水体溶解氧的预测。本发明能够提高水体溶解氧预测精度。

技术领域

本公开涉及大数据和环保信息处理技术领域，具体涉及一种基于神经网络的水体溶解氧预测方法。

背景技术

溶解氧在很大程度上反映了水体的质量指标。为了监测水域水质的变化，人们常常需要定期掌握水体中溶解氧的浓度。然而现有方法往往都是通过物理或化学的方法来测量水体中溶解氧的浓度。这些传统方法具有一定的滞后性，难以掌握水体中溶解氧在未来一段时间内的浓度变化规律。针对这种问题，研究人员提出了利用机器学习方法来建立溶解氧浓度变化的数学模型，基于机器学习模型来预测溶解氧浓度在未来一段时间内的变化规律。

神经网络是一种常用的机器学习方法，它在解决水体溶解氧浓度预测问题上获得了一定的效果。然而传统的神经网络都是采用梯度下降法来优化设计神经网络的参数，梯度下降法容易使得神经网络的参数陷入局部最优。正弦余弦算法是一种最近提出的神经网络优化设计算法[Mirjalili,S.(2016).SCA:a sine cosine algorithm for solvingoptimization problems.Knowledge-Based Systems,96,120-133.]，它在许多问题上比梯度下降法具有更优越的性能。然而，传统正弦余弦算法在优化设计水体溶解氧浓度预测的神经网络时，容易出现收敛速度慢的问题，从而导致水体溶解氧浓度的预测精度难以满足实际工程要求。

发明内容

本发明提供一种基于神经网络的水体溶解氧预测方法，它在一定程度上克服了传统正弦余弦算法应用于优化设计水体溶解氧预测模型时容易出现收敛速度慢，预测精度不够的缺点，本发明能够提高水体溶解氧预测精度。

本发明的技术方案：一种基于神经网络的水体溶解氧预测方法，包括以下步骤：

步骤1，采集水质样本数据集；

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和输出变量；

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ISZ和最大迭代次数MIT；

步骤5.2，初始化当前迭代次数t＝0；

步骤5.4，初始化适应性因子SC_i＝Rand(0,1)，其中Rand为随机实数产生函数；下标i＝1,2,…,ISZ；

步骤5.5，随机产生ISZ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ISZ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:

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