基于混杂动态系统的水质机理建模及健康风险评估方法
专利汇可以提供基于混杂动态系统的水质机理建模及健康风险评估方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于混杂动态系统的 水 质机理建模及健康 风 险评估方法，属于 环境工程 技术领域。本发明包括：首先构建一般性水质机理模型，并为弥补一般性水质机理模型在有效建模水质演化过程的不足，利用混杂动态系统，构建基于混杂动态系统的水质机理模型；在已知水质测量数据的 基础 上，利用果蝇优化 算法 估计模型的未知参数；利用改进的交互多模型实现水质演化状态估计，结合健康度，实现水质健康风险评估。本发明建立了能有效描述 水体 不同状态和水质退化过程的水质机理模型，并能准确估计水质机理模型的未知参数，与已有方法相比，提高了水质监测的 精度 和速度，能有效实现水质评价，且考虑更加全面、准确，克服了单值评 价带 来的偶然性。，下面是基于混杂动态系统的水质机理建模及健康风险评估方法专利的具体信息内容。
1.一种基于混杂动态系统的水质机理建模及健康风险评估方法，其特征在于，包括：
步骤一：建立水质机理模型，其中，由水质指标组成的向量表示为x，由水质机理模型的未知参数组成的向量表示为θ，水质机理模型函数表示为f(x,θ)；
步骤二：对待研究的水体，将水质机理模型和混杂动态系统结合，建立描述水体不同状态和水质退化过程的混杂水质机理模型；
所述的混杂水质机理模型表示 其中：
(1)对水体环境分析获得M个离散模态，不同离散模态表示水体的不同状态，对应水质机理模型的不同模型参数；将第i个离散模态表示为qi，离散模态空间
(2)n表示给离散模态q分配连续过程变量空间， 离散模态q的连续过程变量空间表示为 将在混杂水质机理模型的混杂状态空间上的混杂状态表示为s＝(q,x)，x为连续过程变量；
(3)F＝[f1,f2,…,fM]，表示连续动态方程集合，fi＝f(x,θi)表示离线模态qi的连续动态方程，由水质机理模型函数得到，θi为离散模态qi的模型参数向量；
(4) 表示模态转移概率矩阵，转移概率πij为：
其中， 表示k-1时刻的模态qi转移到k时刻的模态qj的概率；且转移概率
满足条件： 表示M×M维的实数矩阵空间；设p＝[p1,p2,…,pM]表示
混杂水质机理模型的离散模态概率向量，其中，第i个离散模态qi的概率表示为pi；根据马尔科夫性，有p(k)＝p(k-1)·Π，其中，p(k)、p(k-1)分别表示在k时刻和k-1时刻的离散模态概率向量；
(5)Init表示混杂水质机理模型的初始条件，由初始时刻的混杂状态的分布来描述；
对混杂水质机理模型中的模型参数通过参数敏感性分析方法计算出敏感性参数，设θi＝(αi,β),i＝1,2,…,M，其中αi为模型敏感性参数向量，β为模型非敏感性参数向量，设敏感性参数个数为η；
步骤三：基于果蝇优化算法辨识混杂水质机理模型中的水质参数；
混杂水质机理模型中的敏感性参数是未知参数，根据待研究的水体的历史数据，通过果蝇优化算法求解所有模态的未知参数的最优值；果蝇优化算法中的味道浓度根据水质指标在各时刻的误差来设置，误差越小，味道浓度越佳，代表未知参数越优；
步骤四：利用步骤三输出的混杂水质机理模型对待研究的水体的水质健康风险进行评估。
2.根据权利要求1所述的方法，其特征在于，所述的步骤二中，初始时刻的混杂状态表示为s(0)＝(q(0),x(0))，第j个模态qj的初始概率密度函数表示为 如下：
其中，x(0)表示初始时刻的连续过程变量向量，qj(0)表示初始时刻的第j个模态， 是高斯分布，μj(0)为初始时刻x的均值，Σj(0)初始时刻x的方差， 表示第j个模态qj的初始概率，模态qi的初始概率pj(0)满足条件：pj(0)≥0，且
3.根据权利要求1或2所述的方法，其特征在于，所述的步骤三中，果蝇优化算法求解所有模态的未知水质参数的过程包括：
(a1)初始化，包括：
1.1)设置离散模态个数M、非敏感性模型参数β和单一模态下模型未知参数个数η；
1.2)设置模态转移概率矩阵
1.3)随机设定各离散模态的未知参数初值αi(0)，i＝1,2,…,M；每个模态有η个未知参数；
1.4)设定数据长度为ND；
1.5)计算目标函数初值，如下：
1.5.1)设定初始模态为q(0)＝q1；
1.5.2)在k(k＝1,2,…,ND)时刻，根据p(k-1)、qi(k-1)和Π，计算p(k)＝p(k-1)·Π，并确定qj(k)，计算水质指标估计值，对第ic个水质指标，设在k时刻的水质指标实际值为x(ic,k)，计算的估计值为 则误差
得到初始时刻的味道浓度
1.6)保存味道浓度Smell(0)为最佳味道浓度BestSmell；
1.7)设定果蝇种群个体数为MaxGroup，每个个体携带一组未知参数的值；
1.8)随机设定果蝇种群每个个体的初始位置[X_axis,Y_axis]；
1.9)设定最大迭代次数MaxGeneration和味道浓度阈值ObjSmell；
(a2)进行迭代，对第gen(gen＝1,2,…,MaxGeneration)次迭代，执行下面2.1～2.3；
2.1)种群寻优过程，计算每个果蝇的味道浓度，包括2.1.1～2.1.3：
2.1.1)种群中每个果蝇利用嗅觉搜寻食物的随机距离与方向；对第i个模态的第个敏感参数 更新其在第gro个果蝇的位置：
X(gro,(i-1)×η+im)＝X_axis(gro,(i-1)×η+im)+Random value
Y(gro,(i-1)×η+im)＝Y_axis(gro,(i-1)×η+im)+Random value
Random value表示随机数值；[X_axis(gro,(i-1)×η+im),Y_axis(gro,(i-1)×η+im)]为第i个模态的第im个敏感参数的当前位置；
2.1.2)对第i个模态qi，计算第gro个果蝇与零点的距离
计算第gro个果蝇的味道浓度判定值S(gro,(i-1)×η+im)＝1/Dist(gro,(i-1)×η+im)；
对第im个模型敏感参数赋值，
2.1.3)计算目标函数：
设定初始模态为q(0)＝q1；
在k(k＝1,2,…,ND)时刻，根据p(k-1)、qi(k-1)和Π，计算p(k)＝p(k-1)·Π，并确定qj(k)，计算水质指标估计值和误差值；设第ic个水质指标的误差值为e1(ic,k)；得到第gro个果蝇的味道浓度
2.2)对比寻优过程，包括2.2.1～2.2.2：
2.2.1)从第gen次迭代中的所有MaxGroup个果蝇中找到味道浓度最小的果蝇，标记该果蝇的味道浓度为min(Smell)，将该果蝇位置记为最优位置(BestX,BestY)，将该果蝇的误差记为最优误差；
2.2.2)如果min(Smell)＜BestSmell，则更新最佳味道浓度BestSmell＝min(Smell)，重新定位果蝇群体位置：X_axis＝BestX，Y_axis＝BestY；
2.3)判断是否达到最优，包括：
如果BestSmell＜ObjSmell，寻优结束，输出当前最优果蝇；
对第i个模态qi中第im个模型敏感参数，计算如下：
最优位置到零点的距离
最优位置味道浓度判定值BestS((i-1)×η+im)＝1/BestDist((i-1)×η+im)，计算最优参数
获得模态qi的敏感参数的最优值
4.根据权利要求1或2所述的方法，其特征在于，所述的步骤四中，利用步骤三输出的混杂水质机理模型，采用交互多模型算法估计水质演化状态，对水质的健康风险进行评估，包括如下步骤：
步骤1)进行初始化，包括：
1.1)设定数据长度为NT,k＝1,2,…,NT，k-1＝0表示初始时刻；
k
1.2)确定k时刻的水质指标的观测量Y＝{y(0),y(1),…,y(k)}；
1.3)根据步骤三输出的最优值设置各模态qj(j＝1,2,…,M)的模型敏感参数初始值αj(0)；
1.4)设定模态qj(j＝1,2,…,M)的混杂水质机理模型的过程噪声系数矩阵Γw,j和过程噪声方差Qw,j；
1.5)设定模态qj(j＝1,2,…,M)的混杂水质机理模型的观测噪声矩阵Γv,j和观测噪声方差Qv,j；
1.6)设定模态qj(j＝1,2,…,M)观测量的非线性函数hj；
步骤2)在时间NT内的每个时刻k，执行下面过程2.1～2.6：
2.1)对每个模态qj(j＝1,2,…M)进行估计量交互，包括：
(1)预测模态概率pj： Yk-1为k-1时刻的水质指标
的观测量，pj(k-1)为模态qj在k-1时刻的概率；
(2)计算交互模态概率
(3)计算交互系统过程变量
E表示求期望；
(4)更新交互协方差矩阵
2.2)对于各模态qj(j＝1,2,…M)，进行并行滤波，包括：
(1)预测模态qj在k时刻的状态
(2)fj表示模态qj的连续动态方程，计算fj的Jacobian矩阵Aj和hj的Jacobian矩阵Cj：
(3)预测模态qj在k时刻的协方差矩阵：
(4)计算模态qj在k时刻的测量残差rj：
(5)计算模态qj在k时刻的测量残差协方差阵Sj：
(6)计算卡尔曼增益
(7)更新过程变量：
(8)更新协方差矩阵：
2.3)对于各模态qj(j＝1,2,…M)，更新模态概率和模态识别，如下：
(1)计算似然函数
(2)更新模态概率
(3)设定概率阈值pT，进行模态识别：
2.4)估计量融合，包括：
(1)计算融合的过程变量
(2)计算融合的协方差矩阵：
2.5)更新转移概率矩阵，如下：
如果k-1时刻处于qi模态，在k时刻处于qj模态，且qi≠qj，则：
A)定义初等矩阵Ξ如下：
其中，row表示矩阵的每一行，←ith表示第i行元素变化过程，←jth第j行元素变化过程；
B)更新k时刻的转移概率矩阵Π(k)＝Ξ·Π(k-1)·Ξ；
2.6)计算待研究的水体的健康度，包括如下：
首先，计算模态qj(j＝1,2,…,M)健康度：
A)计算过程变量xj的概率密度函数
B)设定模型健康空间 和不健康空间
C)计算模态qj在k时刻的健康度
然后，计算水体在k时刻的健康度
基于混杂动态系统的水质机理建模及健康风险评估方法
技术领域
背景技术
发明内容
具体实施方式
-1
k1 20℃复氧速率 day
k2 20℃还原速率 day-1
k3 20℃硝化速率 day-1
k4 底泥需氧量 g/(m2·day)
-1
k5 浮游植物生长速率 day
k6 浮游植物死亡速率 day-1
k7 20℃反硝化速率 day-1
k8 有机物沉降速率 m/day
k9 溶解有机氮矿化速率 day-1
k10 有机磷溶解比例 None
k11 有机氮溶解比例 None
k12 浮游植物呼吸温度系数 None
k13 氨优先选择系数 None
阵。 则f通过8个水质指标和13个水质模型参数描述了8个水质指标的水质
演化过程， 其中， 是实数集， 分别代表8×1维的实数矩阵空
间和13×1维的实数矩阵空间。
k-1时刻的模型未知参数和模型未知参数过程噪声；αi(k)为模态qi在k时刻的模型未知参数。
高了水质参数的辨识难度。对此本发明基于果蝇优化算法辨识水质参数，从而实现对混杂水质机理模型 中参数的辨识。
k2 0.346887 2.061147 0.322873
k5 0.184434 0.303521 0.386834
k7 0.404857 0.492667 0.352939
k8 0.594912 0.492328 0.550249
k10 1.193282 0.542891 0.592165
k12 0.591601 1.191702 0.281865
k13 1.283096 0.544441 0.651737
DO 0.902163 0.05756 0.101157
Phyt 0.146091 0.006429 0.016872
BOD 0.603974 0.034923 0.068712
OP 0.003825 0.00038 0.000531
PO4 0.005953 0.000546 0.00076
ON 0.024295 0.004711 0.005911
NH3-N 0.026744 0.006986 0.008285
NO3-N 0.040819 0.004755 0.005818
Phyt 11.70148 0.663541 1.12886
BOD 0.777577 0.12303 0.165695
OP 0.023556 0.002062 0.003348
PO4 0.021172 0.001846 0.002986
ON 0.651383 0.041808 0.070607
NH3-N 0.099915 0.008572 0.013417
NO3-N 0.001303 0.000117 0.000175
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种网络文件传输检测方法、装置和系统 | 2020-05-08 | 868 |
| 信息推送方法及相关产品 | 2020-05-08 | 146 |
| 一种无线体域网能耗和时延加权最小的安全路由选择方法 | 2020-05-08 | 616 |
| 一种基于区块链和竞拍博弈的网络资源安全共享方法 | 2020-05-08 | 20 |
| 带宽压缩中的后选择预测方法 | 2020-05-08 | 536 |
| 用于电力保密数据的大数据云平台安全防护方法 | 2020-05-08 | 666 |
| 直播间弹幕显示方法、存储介质、设备及系统 | 2020-05-08 | 690 |
| 一种基于区块链的去中心化网络架构方法 | 2020-05-08 | 59 |
| 一种VNF实例化方法、装置、设备及存储介质 | 2020-05-11 | 461 |
| 基于LoRa技术的农业病虫防害系统 | 2020-05-08 | 498 |
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。
