[发明专利]基于神经网络和证据理论的水污染事件智能决策方法

说明书

本发明公开了基于神经网络和证据理论的水污染事件智能决策方法，包括以下步骤：采集待检测水域的水体表面图像，从中提取图像特征参数，并对各类图像特征参数进行归一化；基于各类图像特征参数进行模糊推理，得到水污染事件类型的初步判断；根据水污染事件类型的初步判断，调用相应的水质传感器提取水质特征参数，并对各水质特征参数数值进行归一化；最后利用神经网络训练出多特征参数和具体的水污染事件之间的非线性映射关系，根据D‑S证据理论对之前建立的映射关系进行加权处理运算，最终做出对水污染类型的预测和决策。本发明方法有效的实时监测目标水域，保证水质的稳定正常，具有较高的灵活性和自适应能力。

技术领域

本发明涉及一种水污染事件智能决策方法，具体涉及一种结合神经网络模式识别方法和证据理论的水污染事件预测和决策方法，属于人工智能技术领域。

背景技术

随着城市化的推进和经济的逐步发展，水资源的需求也随之日益增大，而伴随而来的由于工业三废和居民生活垃废弃物带来的水污染现象，也成为一个越来越值得重视的问题。尤其是在居民用水，农业灌溉和养殖，精细化化工业的用水的领域对水质要求质量日益提升的情况下，实现对水源区水质的检测和对水污染事件的及时预测和决策成为一个新兴产业。

目前的水污染检测预测方案主要有两种，第一种就是人工对水质进行采样，再对采样进行繁杂的化学分析和检验，从而得到详细的水质情况报告，这种方案虽然可以很精准的得到水污染的详细情况，但是耗时很长，无法得到实时更新的水质数据，而且检验成本高，经济效益低；第二种就是采用单一的水质监测传感器，对待检测水域的水污染情况进行实时监测，将传感器得到的属于实时传输到中心计算机上，再进行详细的甄别和预测。这种方案的成本低，可以实现实时监测，但是水域环境本身就是一个复杂的多变的待检测环境，单一传感器的监测往往存在信息模糊，容错能力差，检测效率差，监测范围小等弱点。

所以，使用多个不同类型的传感器，对待检测水域展开多维立体化的探测感知，并将多种观测数据进行优化综合处理，实时获得待检测水域的水污染程度是应该进一步展开的工作。多传感器信息融合技术是针对多传感器系统的信息表现形式多样性，信息量的巨大性，信息关系的复杂性以及要求信息处理的及时性所提出的解决方案。其作用在于将多个传感器系统传出的信息进行综合处理，从而得到可靠的结论。

发明内容

本发明的目的在于克服现有技术中的不足，提供了一种基于神经网络和证据理论的水污染事件智能决策方法，实现多特征参数和具体的水污染事件之间建立非线性映射关系，根据D-S证据理论对之前建立的映射关系进行加权处理运算，最终做出对水污染类型的预测和决策，有效的实时监测目标水域，保证水质的稳定正常。

为解决上述技术问题，本发明提供了基于神经网络和证据理论的水污染事件智能决策方法，包括以下步骤：

步骤S1，采集待检测水域的水体表面图像，从中提取图像特征参数，并对各类图像特征参数进行归一化；

步骤S2，基于各类图像特征参数进行模糊推理，得到水污染事件类型的初步判断；

步骤S3，根据水污染事件类型的初步判断，调用相应的水质传感器提取水质特征参数，并对各水质特征参数数值进行归一化；

步骤S4，以图像特征参数和水质特征参数作为输入层，以水污染事件类型作为输出层，建立径向基函数神经网络模型，并利用历史数据样本对神经网络进行训练和学习；

步骤S5，将提取的图像特征参数以及水质特征参数输入训练好的神经网络，并进行识别，计算各特征参数对应的BPA；

步骤S6，运用D-S证据理论合成规则将各特征参数的BPA进行融合，并据此融合BPA得到最终的水污染类型判断结果；

步骤S7，将水污染类型与对应的水污染事件处理机制进行模糊匹配，获得处理预案。