本發(fā)明屬于水質(zhì)檢測(cè)，尤其涉及一種基于深度學(xué)習(xí)的河流水溫檢測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、隨著河流中污染物的大量釋放，水質(zhì)已成為全球關(guān)注的問題，因此，準(zhǔn)確預(yù)測(cè)河流水質(zhì)對(duì)于監(jiān)測(cè)和控制河流污染以及水資源管理具有重要意義。有各種水質(zhì)指標(biāo)可用于監(jiān)測(cè)包括浙江河在內(nèi)的河流的水質(zhì)，包括水溫、溶解氧、濁度、鹽度/電導(dǎo)率，在河流水質(zhì)的各種變量中，河流水溫(wt)是影響河流中許多生物、物理和化學(xué)過程的最重要參數(shù)之一。河流中的許多其他主導(dǎo)過程主要與河流wt波動(dòng)有關(guān)，如溶解氧量、地表水蒸發(fā)率、冰的形成、水生物種的代謝活動(dòng)等，河流wt的變化也可以作為氣候變化的指標(biāo)。由于wt作為影響河流中許多其他過程的河流水質(zhì)的重要因素，開發(fā)河流wt的估計(jì)/預(yù)測(cè)工具似乎是必要和不可避免的。目前提出了兩種不同類型的wt預(yù)測(cè)模型，包括基于物理和數(shù)據(jù)驅(qū)動(dòng)的技術(shù))，基于物理的方法能夠根據(jù)熱通量關(guān)系估算wt；然而，對(duì)大量數(shù)據(jù)的需求及其復(fù)雜性和花費(fèi)更多時(shí)間是主要的限制，這限制了它們?cè)趯?shí)踐中的應(yīng)用。相比之下，數(shù)據(jù)驅(qū)動(dòng)的方法基于統(tǒng)計(jì)和數(shù)據(jù)挖掘范式，而機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型作為數(shù)據(jù)驅(qū)動(dòng)技術(shù)的典型案例，與基于物理的方法相比，需要更少的數(shù)據(jù)。因此，亟需提供一種基于深度學(xué)習(xí)的河流水溫檢測(cè)方法，以提升水質(zhì)檢測(cè)的可靠性。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明提供了一種基于深度學(xué)習(xí)的河流水溫檢測(cè)方法及系統(tǒng)，通過eemd進(jìn)行的信號(hào)分解有效地分離了內(nèi)在模式并降低了噪聲，提高了河流水溫波動(dòng)的預(yù)測(cè)精度，具體采用以下技術(shù)方案來實(shí)現(xiàn)。

2、第一方面，本發(fā)明提供了一種基于深度學(xué)習(xí)的河流水溫檢測(cè)方法，包括以下步驟：

3、獲取待檢測(cè)區(qū)域的水質(zhì)數(shù)據(jù)，并將所述河流數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集，其中，所述水質(zhì)數(shù)據(jù)包括河水溫度、電導(dǎo)率、ph值、濁度、溶氧量和河流流量；

4、采用信號(hào)分解算法構(gòu)建混合模型，其中，所述混合模型包括adaboost模型、lstm模型和gru模型，adaboost表示自適應(yīng)增強(qiáng)，lstm表示長(zhǎng)短期記憶，gru表示門控循環(huán)單元，所述信號(hào)分解算法包括集成經(jīng)驗(yàn)?zāi)B(tài)分解eemd算法；

5、將所述水質(zhì)數(shù)據(jù)輸入所述混合模型進(jìn)行深度學(xué)習(xí)得到預(yù)測(cè)河流水溫以完成河流水溫檢測(cè)。

6、作為上述技術(shù)方案的優(yōu)選，adaboost模型的計(jì)算過程包括：

7、在所述訓(xùn)練數(shù)據(jù)集中的所有樣本上均勻分布權(quán)重以啟動(dòng)學(xué)習(xí)過程；

8、基于所述訓(xùn)練數(shù)據(jù)集訓(xùn)練一個(gè)弱回歸器；

9、使用當(dāng)前樣本權(quán)重在所述訓(xùn)練數(shù)據(jù)集上訓(xùn)練所述弱回歸器并采用均方誤差mse進(jìn)行量化，并根據(jù)所述當(dāng)前樣本權(quán)重調(diào)整所述均方誤差mse；

10、根據(jù)訓(xùn)練后的均方誤差mse分配所述訓(xùn)練數(shù)據(jù)集對(duì)應(yīng)的回歸器的權(quán)重；

11、在權(quán)重計(jì)算完成后，算法更新樣本的權(quán)重。

12、作為上述技術(shù)方案的優(yōu)選，在權(quán)重計(jì)算完成后，算法更新樣本的權(quán)重，包括：

13、采用預(yù)設(shè)次數(shù)的迭代或知道滿足所預(yù)定義的終止條件，在每次迭代過程中，都會(huì)調(diào)整樣本的權(quán)重，adaboost模型的最終預(yù)測(cè)將所有弱回歸器的輸出相加得出的，每個(gè)回歸器根據(jù)其重要性進(jìn)行加權(quán)。

14、作為上述技術(shù)方案的優(yōu)選，所述lstm模型包括輸入門、輸出門和遺忘門，輸入門根據(jù)輸出和當(dāng)前輸入控制信息傳遞給存儲(chǔ)單元，遺忘門決定存儲(chǔ)單元的更新，輸出門調(diào)節(jié)要攜帶到下一步的信息。

15、作為上述技術(shù)方案的優(yōu)選，gru模型包括更新門和重置門，更新門充當(dāng)輸入門以忘記lstm中的門，并決定是否應(yīng)更新lstm的狀態(tài)信息；重置門檢測(cè)要保留或忘記的先前信息量。

16、作為上述技術(shù)方案的優(yōu)選，eemd算法根據(jù)原始數(shù)據(jù)的局部特征時(shí)間尺度將其分解為各種振蕩模式，eemd算法在原始序列中添加白噪聲，并將原始序列分離為趨勢(shì)項(xiàng)和多個(gè)有限本征模函數(shù)imf。

17、作為上述技術(shù)方案的優(yōu)選，eemd算法的執(zhí)行過程包括：

18、設(shè)置eemd參數(shù)，其中，eemd參數(shù)包括噪聲標(biāo)準(zhǔn)偏差、實(shí)現(xiàn)次數(shù)和允許的最大篩選迭代次數(shù)；

19、將具有有限振幅的正態(tài)分布白噪聲序列添加到原始信號(hào)中，以形成新序列；

20、使用經(jīng)驗(yàn)?zāi)Ｊ椒纸馑惴▽⑿滦蛄蟹纸鉃橛邢薇菊髂：瘮?shù)imf和趨勢(shì)項(xiàng)；

21、采用不同白噪聲序列重復(fù)形成新序列和新序列分解，直到達(dá)到預(yù)定的實(shí)現(xiàn)次數(shù)；

22、計(jì)算所有實(shí)現(xiàn)次數(shù)中的有限本征模函數(shù)imf的系統(tǒng)均值得到imf，以消除模式混合并得到最終結(jié)果。

23、作為上述技術(shù)方案的優(yōu)選，采用均方根誤差rmse、平均絕對(duì)誤差mae和決定系數(shù)r2，對(duì)應(yīng)的表達(dá)式分別為：

24、

25、其中，wto,i、wtf,i分別表示第i個(gè)河水溫度觀測(cè)值和預(yù)測(cè)值，分別示出了觀測(cè)到的和預(yù)測(cè)的河水溫度的平均值，n表示觀測(cè)數(shù)據(jù)的總數(shù)。

26、第二方面，本發(fā)明還提供了一種基于深度學(xué)習(xí)的河流水溫檢測(cè)系統(tǒng)，包括：

27、數(shù)據(jù)獲取模塊，用于獲取待檢測(cè)區(qū)域的水質(zhì)數(shù)據(jù)，并將所述河流數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集，其中，所述水質(zhì)數(shù)據(jù)包括河水溫度、電導(dǎo)率、ph值、濁度、溶氧量和河流流量；

28、模型構(gòu)建模塊，用于采用信號(hào)分解算法構(gòu)建混合模型，其中，所述混合模型包括adaboost模型、lstm模型和gru模型，adaboost表示自適應(yīng)增強(qiáng)，lstm表示長(zhǎng)短期記憶，gru表示門控循環(huán)單元，所述信號(hào)分解算法包括集成經(jīng)驗(yàn)?zāi)B(tài)分解eemd算法；

29、水溫檢測(cè)模塊，用于將所述水質(zhì)數(shù)據(jù)輸入所述混合模型進(jìn)行深度學(xué)習(xí)得到預(yù)測(cè)河流水溫以完成河流水溫檢測(cè)。

30、本發(fā)明提供了一種基于深度學(xué)習(xí)的河流水溫檢測(cè)方法及系統(tǒng)，通過獲取待檢測(cè)區(qū)域的水質(zhì)數(shù)據(jù)，并將所述河流數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集，采用信號(hào)分解算法構(gòu)建混合模型，將所述水質(zhì)數(shù)據(jù)輸入所述混合模型進(jìn)行深度學(xué)習(xí)得到預(yù)測(cè)河流水溫以完成河流水溫檢測(cè)，可以通過eemd進(jìn)行的信號(hào)分解有效地分離了內(nèi)在模式并降低了噪聲，提高了河流水溫波動(dòng)的預(yù)測(cè)精度，也改善了河流wt預(yù)測(cè)方面的可靠能力。

技術(shù)特征：

1.一種基于深度學(xué)習(xí)的河流水溫檢測(cè)方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的河流水溫檢測(cè)方法，其特征在于，adaboost模型的計(jì)算過程包括：

3.根據(jù)權(quán)利要求2所述的基于深度學(xué)習(xí)的河流水溫檢測(cè)方法，其特征在于，在權(quán)重計(jì)算完成后，算法更新樣本的權(quán)重，包括：

4.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的河流水溫檢測(cè)方法，其特征在于，所述lstm模型包括輸入門、輸出門和遺忘門，輸入門根據(jù)輸出和當(dāng)前輸入控制信息傳遞給存儲(chǔ)單元，遺忘門決定存儲(chǔ)單元的更新，輸出門調(diào)節(jié)要攜帶到下一步的信息。

5.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的河流水溫檢測(cè)方法，其特征在于，gru模型包括更新門和重置門，更新門充當(dāng)輸入門以忘記lstm中的門，并決定是否應(yīng)更新lstm的狀態(tài)信息；重置門檢測(cè)要保留或忘記的先前信息量。

6.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的河流水溫檢測(cè)方法，其特征在于，eemd算法根據(jù)原始數(shù)據(jù)的局部特征時(shí)間尺度將其分解為各種振蕩模式，eemd算法在原始序列中添加白噪聲，并將原始序列分離為趨勢(shì)項(xiàng)和多個(gè)有限本征模函數(shù)imf。

7.根據(jù)權(quán)利要求6所述的基于深度學(xué)習(xí)的河流水溫檢測(cè)方法，其特征在于，eemd算法的執(zhí)行過程包括：

8.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的河流水溫檢測(cè)方法，其特征在于，采用均方根誤差rmse、平均絕對(duì)誤差mae和決定系數(shù)r2，對(duì)應(yīng)的表達(dá)式分別為：

9.一種根據(jù)權(quán)利要求1-8任一項(xiàng)所述的基于深度學(xué)習(xí)的河流水溫檢測(cè)方法的基于深度學(xué)習(xí)的河流水溫檢測(cè)系統(tǒng)，其特征在于，包括：

技術(shù)總結(jié)
本發(fā)明公開了一種基于深度學(xué)習(xí)的河流水溫檢測(cè)方法及系統(tǒng)，通過獲取待檢測(cè)區(qū)域的水質(zhì)數(shù)據(jù)，并將所述河流數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集，采用信號(hào)分解算法構(gòu)建混合模型，將所述水質(zhì)數(shù)據(jù)輸入所述混合模型進(jìn)行深度學(xué)習(xí)得到預(yù)測(cè)河流水溫以完成河流水溫檢測(cè)，可以通過EEMD進(jìn)行的信號(hào)分解有效地分離了內(nèi)在模式并降低了噪聲，提高了河流水溫波動(dòng)的預(yù)測(cè)精度，也改善了河流WT預(yù)測(cè)方面的可靠能力。

技術(shù)研發(fā)人員：李虎雄,崔鳳軍,李思翰,李琪
受保護(hù)的技術(shù)使用者：紹興文理學(xué)院
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2