[发明专利]一种基于改进型长短期记忆LSTM神经网络的污水处理水质预测方法

权利要求书

1.一种基于改进型长短期记忆LSTM神经网络的污水处理水质预测方法，其特征在于，包括以下步骤：

1)数据处理：

对污水处理上报数据进行预处理，接着对预处理的数据进行PCA降维，得到结果数据，然后利用决策树以及剪枝操作，选出结果数据的主要参量对应关系，建立参量映射关系表；

2)建立并训练改进型长短期记忆LSTM神经网络预测模型：

根据参量映射关系表确定改进型长短期记忆LSTM神经网络的输入与输出参量，建立改进型长短期记忆LSTM神经网络预测模型，并经过训练得到整体改进型长短期记忆LSTM神经网络预测模型；

所述改进型长短期记忆LSTM神经网络包括输入层、前端网络并行层、LSTM网络层、后端网络串行层和输出层；

3)将待预测数据导入整体改进型长短期记忆LSTM神经网络预测模型，输出得到预测水质数值。

2.根据权利要求1所述的污水处理水质预测方法，其特征在于，所述预处理为去除污水处理上报数据中不合理限值外数据，然后对上报数据数据进行3倍标准差处理，去除上报数据的最大值或最小值与均值的差超过3倍标准差的数据。

3.根据权利要求1所述的污水处理水质预测方法，其特征在于，所述输入层为数据参量输入网络的对接接口，根据数据包含时间长度，将数据集合X分为n个部分，即将长时间跨度的一个数据分为相对短时间跨度的n个数据：

X＝[x(1),x(2),...,x(n)]。

4.根据权利要求1所述的污水处理水质预测方法，其特征在于，所述前端网络并行层包括多组全连接神经网络和dropout层的并联形式，多组全连接神经网络中网络节点i和网络节点j之间的权值为w_ij，节点j的阀值为b_j，每个节点的输出值为x_j，而每个节点的输出值是根据上层所有节点的输出值、当前节点与上一层所有节点的权值与偏置经过激活函数f共同决定的，效果如下所示：

x_j＝f(S_j)

在全连接网络输出完成后，进入dropout网络层级结构进行处理，具体如下：

上面公式中Bernoulli函数，是以概率p，随机生成一个0、1的向量。

5.根据权利要求1所述的污水处理水质预测方法，其特征在于，所述LSTM网络层是整个改进型LSTM神经网络中主要的数据处理层级，由多个LSTM网络并联组成，其中当前输入x^t和上一个状态传递下来的c^t-1、h^t-1共同决定，具体如下：

其中,z^f,zⁱ,z⁰是由拼接向量乘以权重矩阵之后，再通过一个sigmoid激活函数转换成0到1之间的数值，来作为一种门控状态，而z则是将结果通过一个tanh激活函数将转换成-1到1之间的值：

y^t＝δ(W'h^t)

y_seq＝y^t

是矩阵中对应元素相乘，是进行矩阵相加。

6.根据权利要求1所述的污水处理水质预测方法，其特征在于，所述后端网络串行层包括多组全连接神经网络和dropout层，后端网络串行层接收LSTM网络层结果后，需要将这些并行结果进行累加求和得到唯一解，再送入后边的全连接与dropout网络结构层中进行处理，具体效果如下所示:

。