一种混合优化BP神经网络的湖泊水质预测模型构建方法_CN109740286A

本发明公开了一种混合优化BP神经网络的 湖泊水质预测模型构建方法，首先从Oracle数据 库中 导出 某市地 表水的 基本 信息 与水 质监 测数 据，并用VBA语言将数据格式调整正确。然后使用 SPSS删除 数 据空缺较多的 行 。完成预处理之 后 ， 再根据水环境知识筛选出实验相关的水质指标 参数 ，接着分 别利 用BP神经网络 、PSO-BP神经网 络、GA-BP神经网络和GA-PSO-BP神经网络对水质 指标参数预测进行模型构建，最后运用评估方法 对构建模型进行评估。通过结合不同算法构建方 法 ，充分考虑了各 种算法的 优缺点 ，结果表明基 于遗传算法GA和粒子群算法PSO混合优化的BP神 经网络模型能够提高水质指标参数预测准确率。
均方根误差：
决定系数：
式中， 为预测值，y为观测值 ,N为采样点数，n为测试集数目，i为第i个预测结果，t为测 试集的第t个值；
最后，选取评估结果最好的一种算法，使其在该湖泊水质预测中的结果最好；应用在水 环境领域建立湖泊水质预测模型对重要水质参数溶解氧进行时间序列预测；能够应用于湖 泊水质预测及预警。
代理人 沈波
(51)Int .Cl . G06F 17/50(2006 .01) G06N 3/08(2006 .01)
(10)申请公布号 CN 109740286 A (43)申请公布日 2019.05.10
( 54 )发明 名称 一 种混合优化 BP 神经网 络的 湖泊水 质预 测
模型构建方法 ( 57 )摘要
步骤2 将导出的 湖泊水 质数据进行预处理 ，包括异常值检 测和空缺值填充 ，根据水环 境知识，选择合适的水质参数，整理出符合实验要求的数据；
步骤3：利用经典的BP神经网络构建水质预测模型，再分别用遗传算法和粒子群算法对 BP神经网络进行优化，最后提出基于遗传算法和粒子群算法相结合的混合优化BP神经网络 的湖泊水质时间序列预测模型，根据性能指标检验模型预测结果。
2 .根据权利要求1所述的一种混合优化BP神经网络时间序列预测模型构建方法，其特 征在于：
步骤1所述的构建湖泊水质数据的方法，其步骤具体包括， 步骤1-1：以授权用户身份登录Oracle数据库； 步骤1-2：使用SQL语句从Oracle数据库中水质监测库表和库表结构，然后从数据库中 查询并导出某湖泊水质监测数据； 步骤1-3：将导出数据以Excel表格存储。 3 .根据权利要求1所述的一种混合优化BP神经网络时间序列预测模型构建方法，其特 征在于： 步骤2所述的数据预处理方法，其步骤具体包括， 步骤2-1 ：使 用VBA语言将数据库数据调整为正确的数据格式 ，并以时间序列排序 ，导出 为Excel格式； 步骤2-2：将Excel数据表导入SPSS，删除缺少数据量较多的行，对缺少少量数据水质指 标参数进行维数列时间序列填补空缺值； 步骤2-3 ：使 用3σ准 则对填补完的 数 据进行异常值检 测 ，将数 据偏离3倍标准差以 上 作 为异常值，并删除异常值所在的行； 步骤2-4：依据水环境知识挑选水质参数指标，以溶解氧为预测目标和输出参数，以pH、 氨氮、生化需氧量、叶绿素和电导率(EC)为模型的输入参数； 步骤2-5：将预处理完的数据导出为Excel表格，导入到MATLAB中作为实验数据。 4 .根据权利要求1所述的一种混合优化BP神经网络时间序列预测模型构建方法，其特 征在于： 步骤3所述的 构建遗传算法 和粒子群算法混合优化BP神经网络的 湖泊水 质预 测方法 ， 其步骤具体包括， 步骤3-1：建立传统的BP神经网络时间序列湖泊水质预测模型； 步骤3-2 ：将传统的 BP神经网络分 别结合遗传算法 和粒子群算法 ，得到GA-BP神经网络 和PSO-GA神经网络两种预测模型； 步骤3-3：进行算法改进，将遗传算法和粒子群算法相结合，混合优化BP神经网络，提出 一种混合优化BP神经网络的湖泊水质预测模型； 步骤3-4：根据性能评价指标，评估各个模型预测效果。 5 .根据权利要求4所述的一种混合优化BP神经网络时间序列预测模型构建方法，其特
3
CN 109740286 A
说 明 书
1/4 页
一种混合优化BP神经网络的湖泊水质预测模型构建方法
技术领域 [0001] 本发明涉及湖泊水质预测模型构建领域，涉及基于遗传算法和粒子群算法优化BP 神经网络的湖泊水质预测模型构建方法，特别涉及一种基于遗传算法和粒子群算法混合优 化BP神经网络的湖泊水质预测模型构建方法。
( 19 )中华人民 共和国国家知识产权局
( 12 )发明专利申请
(21)申请号 201910055480 .4
(22)申请日 2019 .01 .21
(71)申请人 北京工业大学 地址 100124 北京市朝阳区平乐园100号
(72)发明人 闫健卓 徐宗宝
(74)专利代理机构 北京思海天达知识产权代理 有限公司 11203
背景技术 [0002] 基于历史数据建立的水质预测预测模型，用以预测河流湖泊以及地下水的水质动 态变化趋势，具有十分重大的理论价值和现实意义。目前国外对于这类水质时间序列预测 模型已 经有较多研究 ，提供并验证了许多较为可行的方法并具有较好的结果。我国的水 质 预测模型发展较晚 ，但随着对环境污染 和环境保护的重视不断提高 ，越来越多的方法应 用 于水环境预测模型。比较知名的有2003年，陈丽华等人提出的基于Levenberg-Marguardt训 练算法的 BP神经网络水 质浓度预 测模型 ，对黄河水 质的10项指标进行了预 测和分类 ，取得 了较好的预测结果；2010年，郑广勇等人利用免疫粒子群优化算法与径向基RBF神经网络相 结合的水质参数预测模型，成功对广州某污水处理场污水处理出的重要水质参数进行预测 仿真实验，取得了理想的预测效果，拓宽了在神经网络预测模型中对时间序列动态系统、非 线性系统的应用场景；2013年，王泽平采用生物学方法遗传算法，对多隐层BP神经网络的初 始权值 和阈值进行优化 ，构建了新的 水 质预 测模型 和方法 用以 预 测云南某水库总氮含量。 现如今大多数的 神经网络预测模型都是基于BP神经网络算法展开的 ，具有极强的自主学习 和非线性映射能力 ，但其由于是一种局部搜索方法 ，易出现“过拟合”现象 ，且在算法 训练过 程中已 陷入极小值 ，因此不断 有新的 方法去优化BP神经网络以 提高预 测精度 ，如遗传算法 和粒子群算法，二者都是基于仿生学的全局搜索方法。遗传算法具备极强的全局搜索能力， 并且具有并行性，具有较好的运行速度和可扩展性，但其局部搜索能力薄弱，易出现早起收 敛，许多参数的选取缺乏确切的理论支持。粒子群算法也是一个全局搜索方法，具有记忆能 力 ，收敛速度快 ，实现过程简单 ，但在高 纬复 杂问 题中常遇到早起收敛 ，易收敛于局部极值 而无法刀刀全局最优。为了弥补这些算法的不足，有人提出混合算法的思想，用遗传算法和 贝叶斯算法构成混合算法，在一定程度上取得了不错的效果，但仍有很大的提升空间，需要 不断地去提出，改进和验证。
2
CN 109740286 A
权 利 要 求 书
2/2 页
征在于：步骤3-4评指标，分别评估各种算法的预测效果利用最大相对误差、平均相对误差、 均方根误差、决 定系数来评价四 种模型的 预 测结果 相比 于观测结果的 准 确性 和鲁棒性 ，计 算公式分别如下：
最大相对误差(％) ：
平均相对误差(％) ：
权利要求书2页 说明书4页 附图4页
CN 109740286 A
CN 109740286 A
权 利 要 求 书
1/2 页
1 .一种混合优化BP神经网络时间序列预测模型构建方法，其特征在于：该方法包括如 下步骤，
步骤1 ：从水 质检测数据库中导出某市地表水的 基本信息与水 质监测数据 ，查询出实验 湖泊数据进行时间序列排序以Excel表形式导出并保存；