基于BP神经网络的水体中叶绿素a浓度预测方法
专利汇可以提供基于BP神经网络的水体中叶绿素a浓度预测方法专利检索，专利查询，专利分析的服务。并且一种基于BP神经网络的 水 体 中叶绿素a浓度预测方法，包括如下步骤：(1)获取被测水体中叶绿素a及对其有影响的其他相关水质指标的值作为检测数据；(2)建立误差反向传播神经网络；(3)对神经网络进行训练和测试；(4)利用通过测试的神经网络来预测水体中叶绿素a浓度。对叶绿素a有影响的其他水质是指： 氨 氮、总氮、总磷、正 磷酸 盐 、高锰酸盐指数、 温度 、溶解 氧 、pH、悬浮物、五日 生化需氧量 。步骤(1)还包括对叶绿素a及其他10个水质指标的数据归一化到－1和+1之间的归一化过程。神经网络包括一个 输入层 、一个 中间层 和一个 输出层 。本 发明 只需进行有限次试验，就可以建立有关叶绿素 预测模型 ，通过计算机仿真试验，科学预测，能够准确、快速地预测河流中叶绿素。，下面是基于BP神经网络的水体中叶绿素a浓度预测方法专利的具体信息内容。
1.一种基于BP神经网络的水体中叶绿素a浓度预测方法，其特征在于，包括如下 步骤：
(1)获取被测水体中叶绿素a及对其有影响的其他相关水质指标的值作为检测数 据；
(2)建立误差反向传播神经网络；
(3)对神经网络进行训练和测试；
(4)利用通过测试的神经网络来预测水体中叶绿素a浓度。
2.根据权利要求1所述的基于BP神经网络的水体中叶绿素a浓度预测方法，其特 征在于，所述的对叶绿素a有影响的其他水质是指：氨氮、总氮、总磷、正磷酸盐、高 锰酸盐指数、温度、溶解氧、pH、悬浮物、五日生化需氧量。
3.根据权利要求1或2所述的基于BP神经网络的水体中叶绿素a浓度预测方法， 其特征在于，所述的步骤(1)还包括对叶绿素a及其他10个水质指标的数据归一化到 -1和+1之间的归一化过程。
4.根据权利要求1所述的基于BP神经网络的水体中叶绿素a浓度预测方法，其特 征在于，所述的神经网络包括一个输入层、一个中间层和一个输出层。
5.根据权利要求4所述的基于BP神经网络的水体中叶绿素a浓度预测方法，其特 征在于，所述的输入层有11个神经元，中间层有17个神经元，输出层有1个神经元。
6.根据权利要求5所述的基于BP神经网络的水体中叶绿素a浓度预测方法，其特 征在于，所述的中间层神经元的传递函数采用S型正切激活函数，输出层为S型对数函 数。
7.根据权利要求1所述的基于BP神经网络的水体中叶绿素a浓度预测方法，其特 征在于，所述的对神经网络进行训练和测试是，将监测数据分为两部分，前70％用来训练 网络，记为训练样本，后30％用来检验网络，记为检验样本；对网络反复训练，当预测值 与监测数据间误差达到0.001时，停止训练，开始预测。
8.根据权利要求1或7所述的基于BP神经网络的水体中叶绿素a浓度预测方法， 其特征在于：所述的对神经网络的训练是采用误差反向传播算法进行训练。
9.根据权利要求1或7所述的基于BP神经网络的水体中叶绿素a浓度预测方法， 其特征在于，在步骤(3)中，当神经网络对各组检验样本的预测误差均低于规定水平时 即通过测试，然后进行步骤(4)的预测工作。
10.根据权利要求1所述的基于BP神经网络的水体中叶绿素a浓度预测方法，其特 征在于，在步骤(4)中，利用通过测试的神经网络进行预测时，先将监测数据归一化到 -1和+1之间，再进行输入，并将网络运算后的输出值进行反归一化，即得到叶绿素a 预测值。
技术领域
本发明涉及一种河流中叶绿素预测方法，特别涉及一种能够准确、快速地预测河流 中叶绿素的基于BP神经网络的水体中叶绿素a浓度预测方法。
背景技术
发明内容
本发明所采用的技术方案是：一种基于BP神经网络的水体中叶绿素a浓度预测方法， 包括如下步骤：(1)获取被测水体中叶绿素a及对其有影响的其他相关水质指标的值作 为检测数据；(2)建立误差反向传播神经网络；(3)对神经网络进行训练和测试；(4) 利用通过测试的神经网络来预测水体中叶绿素a浓度。
所述的对叶绿素a有影响的其他水质是指：氨氮、总氮、总磷、正磷酸盐、高锰酸 盐指数、温度、溶解氧、pH、悬浮物、五日生化需氧量。
所述的步骤(1)还包括对叶绿素a及其他10个水质指标的数据归一化到-1和+1之 间的归一化过程。
所述的神经网络包括一个输入层、一个中间层和一个输出层。
所述的输入层有11个神经元，中间层有17个神经元，输出层有1个神经元。
所述的中间层神经元的传递函数采用S型正切激活函数，输出层为S型对数函数。
所述的对神经网络进行训练和测试是，将监测数据分为两部分，前70％用来训练网 络，记为训练样本，后30％用来检验网络，记为检验样本；对网络反复训练，当预测值与 监测数据间误差达到0.001时，停止训练，开始预测。
所述的对神经网络的训练是采用误差反向传播算法进行训练。
在步骤(3)中，当神经网络对各组检验样本的预测误差均低于规定水平时即通过测 试，然后进行步骤(4)的预测工作。
在步骤(4)中，利用通过测试的神经网络进行预测时，先将监测数据归一化到-1和 +1之间，再进行输入，并将网络运算后的输出值进行反归一化，即得到叶绿素a预测值。
本发明的基于BP神经网络的水体中叶绿素a浓度预测方法，解决了准确、快速地预 测河流中叶绿素的问题。利用本发明，只需进行有限次试验，就可以建立有关叶绿素预 测模型，通过计算机仿真试验，科学预测，从而大大减少探索性试验的数量，显著减少 物料、人力、能源的消耗，进一步提高预测质量。
附图说明
图1是神经网络结构图；
图2是训练样本的叶绿素a的预测图；
图3是检验样本的叶绿素a的预测图。
具体实施方式
本发明的基于BP神经网络的水体中叶绿素a浓度预测方法，包括如下步骤：
(1)获取被测水体中叶绿素a及对其有影响的其他相关水质指标的值作为检测数 据。
本发明的实施例中获取对叶绿素a有影响的其他水质是，通过对津河、卫津河9个 监测点，每三天采一次水样，连续14次监测，测定氨氮(NH3-N)、总氮(TN)、总磷(TP)、 正磷酸盐(DRP)、高锰酸盐指数(CODMn)、温度(T)、溶解氧(DO)、pH、悬浮物(SS)、 五日生化需氧量(BOD5)及叶绿素a(Chl-a)11个水质指标的值，获取所需数据。
在获取河流中叶绿素a的值时，必须将叶绿素a及对其有影响的10个水质指标的数 值归一化到-1和+1之间。
(2)建立误差反向传播神经网络。
所述的神经网络由一个输入层、一个中间层和一个输出层组成。其中，输入层有11 个神经元，分别对应氨氮(NH3-N)、总氮(TN)、总磷(TP)、正磷酸盐(DRP)、高锰 酸盐指数(CODMn)、温度(T)、溶解氧(DO)、pH、悬浮物(SS)、五日生化需氧量(BOD5) 和叶绿素a本底值(Chl-a)11个水质指标；中间层神经元数目比较难确定，但对模型的 精确度和准确度的影响却很大，反复运算(此运算方式在后面给出)，通过比较中间层 神经元个数不同的情况下网络的输出结果，最终确定中间层神经元数为17；网络输出层 为目标值叶绿素a，故只有1个神经元，为三天后的叶绿素a值。所述的中间层神经元 的传递函数采用S型正切激活函数，输出层神经元的传递函数采用S型对数函数，所有 数据归一化到-1和+1之间。
(3)对神经网络进行训练和测试。
所述的对神经网络进行训练和测试是，将每天所监测的氨氮(NH3-N)、总氮(TN)、 总磷(TP)、正磷酸盐(DRP)、高锰酸盐指数(CODMn)、温度(T)、溶解氧(DO)、 pH、悬浮物(SS)、五日生化需氧量(BOD5)及叶绿素a的值记为一组数据，并将所有组 监测数据分为两部分，前70％称为训练样本，后30％称为检验样本。
将70％的训练样本用来训练网络，建立学习机制，即当输入某天的一组数据时，即给 出氨氮(NH3-N)、总氮(TN)、总磷(TP)、正磷酸盐(DRP)、高锰酸盐指数(CODMn)、 温度(T)、溶解氧(DO)、pH、悬浮物(SS)、五日生化需氧量(BOD5)及叶绿素a这 样一组输入数据时，中间层神经元个数取17，经过网络自动运算，会有一个输出值(预 测的三天后的叶绿素a值)，比较输出值与期望输出值(实际测量叶绿素a值)之间的 误差，若误差小于指定精度，则学习结束。否则，将误差信号沿原来连接路径反向传播， 并逐步调整各层的连接权值，直到误差小于指定精度为止，此时第一组学习完成，进入 下一组学习，直到连接权值对所有训练组的预测误差均在指定范围内，输出此时的最佳 权值。训练组越多，网络的学习越充分，网络经验值越大，预测精度越高。对网络反复 训练，当误差达到0.001时，停止训练，开始预测。此时预测模型目标值与输出值相关 系数高达0.9887，均方根误差为0.2550。
将另外30％的检验样本用来检验网络。当网络训练结束后，利用另外30％的数据来检 验网络，看模型得是否符合要求。利用神经网络预测另外30％组所对应的叶绿素a值，对 照模型预测值与实际测量值间的误差，当神经网络在各组测试数据的预测误差均低于规 定水平时即通过测试，可以用于预测工作。此时模型预测值与实测值间相关系数为 0.8376，均方根误差为0.5785，通过测试。
在进行训练中，当神经网络在各组测试数据的预测误差均低于规定水平时即通过测 试，可以用于预测工作。
(4)利用通过测试的神经网络进行预测。
利用通过测试的神经网络进行预测必须将输入数据归一化到-1和+1之间，再输入 到通过测试的神经网络中，并将网络运算后的输出进行反归一化，就得到叶绿素a预测 值。
在前面所述的确定中间层神经元数的运算是由如下计算过程实现的。
本发明的BP神经网络模型是在实际应用中使用最广泛的神经网络模型，除了输入层 和输出层外，还可含有一个或多个中间层，每层有数个神经元，同一层间神经元不连接， 与下层神经元之间实现全连接。当一个数值经过中间层向输出层传播时，信息便被神经 元捕获。第i个神经元和第j个神经元间连接权值记为wji。第j个神经元的总的输入向 量是它前一层各个神经元输入向量xi与其连接权值wji乘积的总和，记为：
每一个神经元输出值由前一层神经元总输入向量Uj和激活函数f确定，记为：
yj＝f(uj) (2)
其中，常用的f函数为S型的对数或正切激活函数。
先对网络层中权值wji取(-1，+1)之间的随机量作为初始值，然后输入样本进行学习。 每学完一遍，比较样本的输出结果与期望输出的误差，若误差小于指定精度，则学习结 束，并输出此时的最佳权值。否则，将误差信号沿原来连接路径反向传播，并逐步调整 各层的连接权值，直到误差小于指定精度为止。利用该模型就可以准确、快速地预测河 流中叶绿素a的量，显著减少物力、人力、能源的消耗。
以上结果说明，所建立的神经网络对训练组和测试组都有很好的预测效果，因而具 有较强的推广能力。本实施例表明，本发明能够准确、快速地预测河流中叶绿素，且预 测方法有较强的推广能力，具有广阔的应用前景。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 基于深度全卷积网络和条件随机场的图像语义分割方法 | 2020-05-13 | 204 |
| 基于深度神经网络的超像素级SAR图像变化检测方法 | 2020-05-13 | 326 |
| 一种基于深度多级优化的接触网螺母异常识别方法 | 2020-05-08 | 999 |
| 基于深度学习的无源人体运动识别方法 | 2020-05-13 | 755 |
| 基于注意力机制的CliqueNet航班延误预测方法 | 2020-05-16 | 463 |
| 光纤信道模型模拟方法及装置 | 2020-05-17 | 282 |
| 用于生成模型的方法和装置 | 2020-05-13 | 509 |
| 一种基于深度学习的嵌入式人脸识别方法及装置 | 2020-05-14 | 911 |
| 一种图像分类方法、图像分类装置及终端设备 | 2020-05-16 | 586 |
| 一种基于LSTM的海洋平台空气压缩机故障诊断方法 | 2020-05-11 | 286 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
