專利名稱：一種基于rbf神經(jīng)網(wǎng)絡(luò)參數(shù)自優(yōu)化的水質(zhì)多步預(yù)測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種水質(zhì)預(yù)測方法，尤其涉及一種基于RBF神經(jīng)網(wǎng)絡(luò)參數(shù)自優(yōu)化的水質(zhì)多步預(yù)測方法。
背景技術(shù)：
飲用水安全事關(guān)國計民生，對水質(zhì)進行實時預(yù)測分析，可以有效控制和減少水質(zhì)惡化造成的危害，達到對水質(zhì)惡化的有效認知、控制的目標。另外，及時有效的水質(zhì)多步預(yù)測可以為水廠贏得更多的應(yīng)急響應(yīng)時間。目前國內(nèi)外主要研究單步水質(zhì)預(yù)測方法，單步水質(zhì)預(yù)測包括基于機理的建模、基于智能的建模兩個方面，由于水環(huán)境系統(tǒng)復(fù)雜多變，其細節(jié)機理并不能完全了解，而后者對機理不明確的高維非線性系統(tǒng)具有良好的信息處理能力，近年在水質(zhì)預(yù)測中得到了廣泛的應(yīng)用。神經(jīng)網(wǎng)絡(luò)具有強大的自組織、自學(xué)習(xí)、并行處理信息和非線性容錯能力，是國內(nèi)外研究的熱點，但僅知道下一個時間點的預(yù)測值，并不能為水質(zhì)預(yù)警系統(tǒng)提供足夠長的應(yīng)急處理時間，所以有必要弓丨入多步預(yù)測的方法。

發(fā)明內(nèi)容
本發(fā)明的目的在于提出了一種基于RBF神經(jīng)網(wǎng)絡(luò)參數(shù)自優(yōu)化的水質(zhì)多步預(yù)測方法，不僅滿足多步預(yù)測精度的要求，還很好地實現(xiàn)了智能化的水質(zhì)預(yù)警。本發(fā)明的目的是通過以下技術(shù)方案來實現(xiàn)的一種基于RBF神經(jīng)網(wǎng)絡(luò)參數(shù)自優(yōu)化的水質(zhì)多步預(yù)測方法，包括如下步驟
(1)通過在線水質(zhì)監(jiān)測儀器的遠程傳輸，將各個監(jiān)測站的數(shù)據(jù)存到本地服務(wù)器的數(shù)據(jù) 庫中，形成水質(zhì)樣本序列，便于對水質(zhì)參數(shù)進行分析；所述用來評價水質(zhì)優(yōu)劣的水質(zhì)參數(shù)包括PH、電導(dǎo)率、濁度、溶解氧、溫度、氨氮、余氯和高錳酸鉀指數(shù)等；
(2)對水質(zhì)樣本序列進行歸一化處理，通過計算自相關(guān)系數(shù)確定RBF神經(jīng)網(wǎng)絡(luò)的輸入變量，將樣本數(shù)據(jù)轉(zhuǎn)化為RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練預(yù)測的標準動態(tài)序列數(shù)據(jù)格式水
質(zhì)樣本序列為丨^( )}，按照
(x-o-W對數(shù)據(jù)進行歸一化處理，其中，U和^分別是1KO中的最大值和最小值；自相關(guān)系數(shù)的計算如下式所示
r 八I M-1-m
R(m) = — [ x(n)x(^ + = (M-T)
式中，km)為自相關(guān)函數(shù)，p(m)為待求的自相關(guān)系數(shù)，M為水質(zhì)時間序列丨4 )丨的長度，n為水質(zhì)樣本序數(shù)，^為水質(zhì)樣本。自相關(guān)系數(shù)的范圍為[-U]，設(shè)定相關(guān)系數(shù)閾值0，當時，p(m) >沒，故RBF神經(jīng)網(wǎng)絡(luò)的輸入向量df (J)構(gòu)造為[4J -M1), x(j -m2),M11)]。根據(jù)預(yù)測問題實際需求及樣本數(shù)據(jù)特點確定訓(xùn)練樣本的長度r，得到網(wǎng)絡(luò)的輸入輸出對&(/)^1/)}" = 1，2, — ,7\將樣本數(shù)據(jù)轉(zhuǎn)化為1 神經(jīng)網(wǎng)絡(luò)訓(xùn)練預(yù)測的標準動態(tài)序列數(shù)據(jù)格式；
(3)以誤差標準差A(yù)S 作為目標函數(shù)，利用微分進化算法搜索確定RBF神經(jīng)網(wǎng)絡(luò)擴展系數(shù)spread的最優(yōu)值,得到最優(yōu)的預(yù)測模型利用newrbe函數(shù)建立RBF神經(jīng)網(wǎng)絡(luò),利用微分進化算法搜索確定RBF神經(jīng)網(wǎng)絡(luò)擴展系數(shù)spread的最優(yōu)值；微分進化算法是一種浮點編碼的基于種群進化的全局優(yōu)化方法，即求解/fe)最小的問題，其中 ' 力spread，目標函數(shù)/為誤差標準差iLSS表示如下式
權(quán)利要求
1.一種基于RBF神經(jīng)網(wǎng)絡(luò)參數(shù)自優(yōu)化的水質(zhì)多步預(yù)測方法，其特征在于，包括如下步驟 (1)通過在線水質(zhì)監(jiān)測儀器的遠程傳輸，將各個監(jiān)測站的數(shù)據(jù)存到本地服務(wù)器的數(shù)據(jù)庫中，形成水質(zhì)樣本序列，便于對水質(zhì)參數(shù)進行分析；所述用來評價水質(zhì)優(yōu)劣的水質(zhì)參數(shù)包括PH、電導(dǎo)率、濁度、溶解氧、溫度、氨氮、余氯和高錳酸鉀指數(shù)等； (2)對水質(zhì)樣本序列進行歸一化處理，通過計算自相關(guān)系數(shù)確定RBF神經(jīng)網(wǎng)絡(luò)的輸入變量，將樣本數(shù)據(jù)轉(zhuǎn)化為RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練預(yù)測的標準動態(tài)序列數(shù)據(jù)格式水質(zhì)樣本序列為 按照 對數(shù)據(jù)進行歸一化處理，其中 和 分別是中的最大值 和最小值；自相關(guān)系數(shù)的計算如下式所示
全文摘要
本發(fā)明公開了一種基于RBF神經(jīng)網(wǎng)絡(luò)參數(shù)自優(yōu)化的水質(zhì)多步預(yù)測方法，首先通過在線水質(zhì)監(jiān)測儀器的遠程傳輸，將各個監(jiān)測站的數(shù)據(jù)存到本地服務(wù)器的數(shù)據(jù)庫中，然后對水質(zhì)樣本序列進行歸一化處理，計算自相關(guān)系數(shù)確定RBF神經(jīng)網(wǎng)絡(luò)的輸入變量，將樣本數(shù)據(jù)轉(zhuǎn)化為RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練預(yù)測的標準動態(tài)序列數(shù)據(jù)格式，再以誤差標準差作為目標函數(shù)，利用微分進化算法搜索確定RBF神經(jīng)網(wǎng)絡(luò)擴展系數(shù)spread的最優(yōu)值，得到最優(yōu)的預(yù)測模型，最后實時采樣水質(zhì)數(shù)據(jù)，用得到的最優(yōu)預(yù)測模型，采用單點迭代的方法實現(xiàn)多步預(yù)測，并評價水質(zhì)預(yù)測結(jié)果，實現(xiàn)預(yù)警的作用；本發(fā)明實現(xiàn)了智能化的水質(zhì)預(yù)警。
文檔編號G06Q10/04GK102737288SQ201210204838
公開日2012年10月17日 申請日期2012年6月20日 優(yōu)先權(quán)日2012年6月20日
發(fā)明者何慧梅, 侯迪波, 劉洋, 包瑩, 張光新, 趙海峰, 郭誠, 陳玥, 黃平捷 申請人:浙江大學(xué)