[发明专利]基于补偿型Hopfield神经网络的综合水质评价方法

摘要

基于补偿型Hopfield神经网络的水质评价方法属于智能科学与环境工程学科领域。本发明涉及利用补偿型的Hopfield神经网络对综合水质进行评价。该方法立足于人工神经网络，设计出新的学习算法，在传统Hopfield神经网络的基础上建立了一种基于补偿型Hopfield神经网络的水质评价模型。该模型可以快速、有效、准确地对水质进行评价，解决了现有水质评价模型的准确率低，评价速度慢等问题。本发明主要针对于综合水质评价问题，还可以解决其他类似的评价和分类问题。

主权项

基于补偿型Hopfield神经网络的综合水质评价方法，其特征在于，包括以下步骤：(1)综合水质评价标准编码；将综合水质评价标准映射到模型中的神经元状态时对评价标准逐一编码；编码规则：每一类评价标准的指标项逐一编码，如果属于该类评价标准设置为+1，否则设置为‑1；假设有m个综合水质评价标准，按照编码规则对m个评价标准逐个逐项进行编码；待m个评价标准编码完成后，将编码后的m个评价标准用矩阵形式来表示，分别为A₁,A₂,…,A_m；并将A₁,A₂,…,A_m转化为可视化的图形模式；(2)待评价的实测数据编码；根据综合水质评价标准，对待评价的实测数据进行编码；编码规则：对每组实测数据逐项编码，如果达到某一类评价标准相应的位置设置为+1，否则设置为‑1；假设有p组待评价的实测数据，按照编码规则对p组实测数据逐组逐项的进行编码；待p组实测数据编码完成后，将编码后的p组实测数据用矩阵形式来表示，分别为R₁,R₂,…,R_p；并将R₁,R₂,…,R_p转化为可视化的图形模式，使其更加直观；(3)设计学习算法；1)将m个评价标准矩阵A₁,A₂,…,A_m的转置存储在矩阵S中，S包含了所有的水质评价标准，具体表示为：S＝[A₁^T,A₂^T,......,A_m^T]  (1)2)对矩阵S进行奇异值分解，提取S中的重要信息；并产生正交向量，保证评价标准可以正确存储；具体分解方法如下：S＝PVQ^T  (2)其中，P为正交矩阵，P中的向量为S的奇异向量，保留了S中的重要信息；V为正交矩阵；Q为伪对角矩阵；3)对于有n个神经元的模型，设计对角矩阵B：其中，b₁,b₂,…,b_k…,b_n是连接权值矩阵W的n个特征值；第k个特征值b_k满足以下条件：$b_k=\left\{\begin{array}{cc}{g}_1& k=1,2,...,m\\ g_2& k=m+1,...,n\end{array}\right.,0\&le;g_1\&lt;g_2---\left(4\right)$其中，g1,g2为学习系数，g₁＝5,g₂＝0.2；4)最终得到模型的连接权值矩阵W如下：W＝PBP^T  (5)(4)创建补偿型Hopfield神经网络模型；1)构建一个具有n个神经元的Hopfield神经网络模型，每个神经元具有相同的功能；每个神经元都将其输出通过连接权值传递到其他神经元，同时每个神经元又接收到其他神经元传来的信息；；2)构建的n维Hopfield神经网络模型是全连接的反馈型神经网络，网络结构复杂；；针对于第i个神经元中的每个连接权值的贡献率进行评定，贡献率较小的连接权值将被删除；贡献率是第i个神经元中的某一连接权值的绝对值相对于该神经元的所有连接权值绝对值之和的大小；第i个神经元中第j个连接权值的贡献率h_j表示如下：$h_j=\frac{\left|w_{ij}\right|}{\mathrm{\&Sigma;}\left|w_{ij}\right|},j=1,2,...,n---\left(6\right)$其中，第i个神经元与第j个神经元之间的连接权值用w_ij表示；将贡献率h_j与设定的删除系数d进行对比，贡献率较小的连接权值将被删除，保留剩余连接权值；在删除连接权值w_ij时，对应位置的连接权值w_ji也需要删除，具体删除方法如下：$w_{ij}=\left\{\begin{array}{cc}{w}_{ji}=0& \begin{array}{cc}if& h_j\&le;d\end{array}\\ w_{ji},unchange& \begin{array}{cc}if& h_j\&gt;d\end{array}\end{array}\right.---\left(7\right)$删除系数0<d<1，以0.1为间隔来取值；d＝0.1,0.2,,…,直至不能删除为止；3)构建补偿模型；；；计算出第i个神经元中丢失的连接权值w_id的总和s_i；并将s_i平均分配到剩余的l个连接权值上，其中每个连接权值得到的补偿量为c_i，具体如下：$c_i=\mathrm{\&eta;}\&CenterDot;\frac{s_i}{l}---\left(8\right)$其中，η是补偿系数，η＝1；对于正的连接权值加上补偿值，对于负的连接权值减去补偿值，；对于第i个神经元中，剩余的连接权值w_ir的具体补偿方法如下：$w_{ir}^{\&prime;}=\left\{\begin{array}{ccc}{w}_{ir}+c_i& if& w_{ir}\&gt;0\\ w_{ir}-c_i& if& w_{ir}\&lt;0\end{array}\right.---\left(9\right)$按照上述方式依次对n个神经元分别进行删除和补偿；4)将补偿后得到的连接权值重新存储新的连接权值矩阵W'；(5)对实测数据进行评价；将待评价的p组实测数据分别输入到补偿型Hopfield神经网络模型中，经过模型的不断运行最终收敛到相应的评价标准；对于实测数据R₁，在t时刻将R₁(t)的矩阵形式输入到补偿型模型中；经过网络的运行，得到下一时刻网络的输出R₁(t+1)，具体如下：R₁(t+1)＝f(W'R₁(t))  (10)其中，f为符号函数，表示为：$f\left(x\right)=\left\{\begin{array}{cc}1,& x\&GreaterEqual;0\\ -1,& x\&lt;0\end{array}\right.---\left(11\right)$通过符号函数f对矩阵R₁中的每一项进行转换；如果下一时刻的输出达到相应的评价标准，则停止运行，否则将R₁(t+1)作为输入，继续运行，直至达到相应的评价标准；完成对R₁的评价之后，再将R₂,R₃,…,R_p依次输入到补偿型Hopfield神经网络模型中进行评价，直至完成所有实测数据的评价。