一种用于进行水质评价的解耦合参评模型获取方法与流程

本发明涉及污水处理领域，尤其涉及一种用于进行水质评价的解耦合参评模型获取方法。

背景技术：

目前常用的综合水质评价方法有以下几种：一是根据国家标准选择最差的指标按照分类进行评价；二是污染指数法；三是模糊综合指数法。这些方法对水质评价起到了积极的作用，但也存在一些不足。共同之处是不能科学地评判总体水质状况，并且各个场合使用不同的评价方法，难以进行普适性的评价。

技术实现要素：

为了解决上述技术问题，本发明提出了一种用于进行水质评价的解耦合参评模型获取方法。

本发明具体是以如下技术方案实现的：

一种用于进行水质评价的解耦合参评模型获取方法，包括：

构建参数种类分解层；

构建参数数值分解层，每个参数数值分解层均由一个或多个分解单元构成；每个分解单元均具备其对应的数据中心和扩展宽度；

获取分解单元对应的bp神经网络；

构建加权输出层，在各个分解单元对应的bp神经网络均训练成功后，将其与加权输出层连接即可得到解耦合参评模型。

优选的，数据中心的获取方法包括：

从所述训练样本集中随机选取n个不同的聚类中心，所述训练样本集中每个数据对象均可以以(xi,yi)来表示，其中xi标识某类参数的具体数值，yi表示水质的评分；

计算所述训练样本集中每个数据对象的距离权值以及其与各个聚类中心的距离||δj-ci(k)||；

将训练样本集中每个数据对象分配给使得目标值wk·||xj-ci(k)||最小的聚类中心所在的簇；

重新计算各个簇对应的新的聚类中心ci(++k)，其中++k表示循环控制变量自增1；

判断聚类中心是否发生变动，若是，则返回执行步骤：计算所述训练样本集中每个数据对象的距离权值以及其与各个聚类中心的距离||δj-ci(k)||；若否，则流程结束。

优选的，所述获取分解单元对应的bp神经网络包括：

获取所述训练样本集中的各个样本(xi,yi)；

对各个样本(xi,yi)进行分类以得到用于训练分解单元对应的bp神经网络的训练子集；

使用训练子集对分解单元对应的bp神经网络进行训练。

优选的，对各个样本(xi,yi)进行分类以得到用于训练分解单元对应的bp神经网络的训练子集包括：

根据各个数据中心及其对应的扩展宽度判断所述样本(xi,yi)应该被归入的分解单元ci，从而得到对应于所述分解单元ci的样本子集。

优选的，所述使用训练子集对分解单元对应的bp神经网络进行训练包括：

获取bp神经网络的权值连接矩阵，并初始化训练步数；

采用梯度下降法训练所述bp神经网络以更新所述连接矩阵并监控训练步数；

若训练步数达到第一阈值，则获取更新后的bp神经网络的输出误差；

若所述输出误差小于预设的误差阈值，则流程结束。

优选的，若所述输出误差不小于预设的误差阈值，则判断所述训练步数是否达到第二阈值，若否，则：

获取更新后的bp神经网络的误差下降趋势；

若所述误差下降趋势大于所述趋势阈值，则返回步骤：采用梯度下降法训练所述bp神经网络以更新所述连接矩阵并监控训练步数；

若所述误差下降趋势不大于所述趋势阈值，令wi(k+1)＝-wi(k),i＝1,2,……,m，其中i表示所述bp神经网络的神经节点的下标，m是参与训练的bp神经网络的神经节点的数量，wi(k)为神经节点的权向量，并返回步骤：采用梯度下降法训练所述bp神经网络以更新所述连接矩阵并监控训练步数。

优选的，若所述输出误差不小于预设的误差阈值，则判断所述训练步数是否达到第二阈值，若是，则分裂所述bp神经网络的神经节点以调整所述bp神经网络的结构，并返回步骤：获取bp神经网络的权值连接矩阵，并初始化训练步数。

本发明实施例公开了一种用于进行水质评价的解耦合参评模型获取方法，基于所述方法获取的解耦合参评模型既能够对于某个水质指标进行处理，又能够适应实际情况添加水质指标或删减水质指标，每个解耦合的单元均能够被单独训练不受整体影响，对于各个独立的bp神经网络可以进行并行训练，因此，所述解耦合参评模型具备较快的训练速度。对于水质获取参数集中各个参数对于水质输出的结果的影响采用分别训练的方式，充分考虑了各个参数的指向作用，并且在加权输出层中还考虑了在不同场景中各个参数导致水质发生的代价，因此，本发明实施例中基于解耦合参评模型获取水质的方法能够得到高精度的水质判定结果，并且能够适应各种场景。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1是本发明实施例提供的一种水质获取方法流程图；

图2是本发明实施例提供的解耦合参评模型示意图；

图3是本发明实施例提供的一种参数数值分解层及其对应的bp神经网络的获取方法流程图；

图4是本发明实施例提供的一种数据中心的获取方法流程图；

图5是本发明实施例提供的根据训练样本集训练bp神经网络以得bp神经网络方法流程图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

本发明实施例公开了一种水质获取方法，如图1所示，所述方法包括：

s101.获取多种水质指标采样数据，构成水质获取参数集。

具体地，所述水质指标采样数据包括水浊度、水色度、水温度、水ph值，水营养元素含量、水细菌含量、水化学需氧量、水五日生化需氧量和/或水悬浮物中的多种。

s102.将所述水质获取参数集输入预设的解耦合参评模型以得到水质输出结果。

如图2所示，所述解耦合参评模型包括三层结构，用于接收输入并对所述水质获取参数集进行参数分解的参数分解层，所述参数分解层包括参数种类分解层和与所述参数种类分解层连接的多个参数数值分解层，每个参数数值分解层均由一个或多个分解单元构成；每个分解单元均具备其对应的数据中心和扩展宽度；

每个分解单元均与一个bp神经网络对应连接；全部的bp神经网络构成了模糊神经层，所述模糊神经层中的各个bp神经网络均与加权输出层连接。

在一个可行的实施例中，如图2所示，水质获取参数集包括水浊度、水细菌含量、水化学需氧量三个参数，则将所述水质获取参数集输入所述解耦合参评模型后，则被对应处理水浊度、水细菌含量、水化学需氧量三个参数的三个参数数值分解层捕获，参数数值分解层会1对应处理水浊度，参数数值分解层会2对应处理水细菌含量，参数数值分解层会3对应处理水化学需氧含量。以所述参数数值分解层1为例，其会包括多个分解单元，每个分解单元处理的数值对应的区间有所不同，输入的水浊度会被与其距离最近的分解单元捕获，进而被与所述分解单元对应的bp神经网络处理。

图2中被标黑的部分即为用于处理所述水质获取参数集的具体的bp神经网络，处理结果最终汇合在加权输出层，对于水质影响越大的bp神经网络，其输出的结果的权值也相应越高，这一权值可以在所述解耦合参评模型构建时或构建成功后进行设定。所述水质输出结果中可以以评分方式表示水质，评分越高水质越好。

解耦合参评模型既能够对于某个水质指标进行处理，又能够适应实际情况添加水质指标或删减水质指标，这种动态变更需求使得所述解耦合参评模型必须具备解耦合的结构，并且每个解耦合的单元均能够被单独训练不受整体影响，对于各个独立的bp神经网络可以进行并行训练，因此，所述解耦合参评模型具备较快的训练速度。对于水质获取参数集中各个参数对于水质输出的结果的影响采用分别训练的方式，充分考虑了各个参数的指向作用，并且在加权输出层中还考虑了在不同场景中各个参数导致水质发生的代价，因此，本发明实施例中基于解耦合参评模型获取水质的方法能够得到高精度的水质判定结果，并且能够适应各种场景。比如，对于化工厂，其水化学需氧量和水营养元素含量严重影响水质，在加权输出层中这两种参数对应的权值较高；而对于锅炉厂，其水温度和水ph值严重影响水质，在加权输出层中这两种参数对应的权值较高。

由上述内容可知，解耦合参评模型是本发明的关键所在，参数种类分解层无需进行特殊训练，只需根据输入内容将参数传输至其对应的参数数值分解层即可，因此，解耦合参评模型的训练内容主要包括了参数数值分解层的训练以及其对应的bp神经网络的训练。基于此，本发明实施例公开了一种参数数值分解层及其对应的bp神经网络的获取方法，如图3所示，所述方法包括：

s101.获取训练样本集和分解单元个数n。

所述分解单元个数用于表征解耦合学习模型的学习速度，若分解单元个数值较高，则学习速度较慢，精度较高，若分解单元个数值较低，则学习速度较快，精度较低。

s102.根据所述训练样本集计算用于进行参数捕获的分解单元的n个数据中心和扩展宽度。

s103.根据所述数据中心和扩展宽度构建分解单元。

s104.构建并初始化bp神经网络，所述bp神经网络与所述分解单元一一对应连接。

s105.根据所述训练样本集训练bp神经网络。

进一步地，在各个分解单元对应的bp神经网络均训练成功后，将其与加权输出层连接即可得到解耦合参评模型。

具体地，本发明实施例接下来以对某一类参数对应的参数数值分解层中分解单元以及bp神经网络进行训练为例进行具体说明，某一类参数可以是水浊度、水色度、水温度、水ph值，水营养元素含量、水细菌含量、水化学需氧量、水五日生化需氧量和/或水悬浮物中的一种。

本发明实施例提供一种数据中心的获取方法，如图4所示，包括：

s1021.从所述训练样本集中随机选取n个不同的聚类中心，所述训练样本集中每个数据对象均可以以(xi,yi)来表示，其中xi标识某类参数的具体数值，yi表示水质的评分。

具体地，本发明实施例中对于作为解耦合参评模型的输入的水质的评分的获取来源不做限定。

s1022.计算所述训练样本集中每个数据对象的距离权值以及其与各个聚类中心的距离||δj-ci(k)||。

具体地，k表示循环控制变量，其中ci(k)为第i个聚类中心，δj表示数据对象，距离权值中δki＝κdi，其中di为第i个数据中心与其它最近的数据中心之间的距离，κ为重叠系数，可以通过预设先设定的方式获得。

s1023.将训练样本集中每个数据对象分配给使得目标值wk·||xj-ci(k)||最小的聚类中心所在的簇。

s1024.重新计算各个簇对应的新的聚类中心ci(++k)。

其中++k表示循环控制变量自增1。

s1025.判断聚类中心是否发生变动，若是，则返回执行步骤s1022，若否，则流程结束。

进一步地，通过上述流程可以得到数据中心，并且可以将距离权值设定为数据中心对应的扩展宽度。根据数据中心及其对应的扩展宽度可以得到一个分解单元。

进一步地，所述根据所述训练样本集训练bp神经网络以得bp神经网络如图5所示，包括：

s1051.获取所述训练样本集中的各个样本(xi,yi)。

s1052.对各个样本(xi,yi)进行分类以得到用于训练分解单元对应的bp神经网络的训练子集。

具体地，根据各个数据中心及其对应的扩展宽度判断所述样本(xi,yi)应该被归入的分解单元ci，从而得到对应于所述分解单元ci的样本子集。

s1053.使用训练子集对分解单元对应的bp神经网络进行训练。

进一步地，需要强调的是，各个不同的所述分解单元对应的bp神经网络属于该解耦合学习模型中模糊神经层的一部分，步骤s1053旨在通过训练子集仅对所述分解单元应的bp神经网络进行训练，而不影响其它的bp神经网络。为了达到这一目的步骤s1053可以采用如下优选的实施方式：

提取所述分解单元对应的bp神经网络，并使用训练子集训练所述bp神经网络，并将训练好的所述的bp神经网络重新嵌入所述模糊神经层。

具体地，本发明实施例进一步公开了bp神经网络的训练方法，包括：

s1.获取bp神经网络的权值连接矩阵，并初始化训练步数。

s2.采用梯度下降法训练所述bp神经网络以更新所述连接矩阵并监控训练步数。

s3.若训练步数达到第一阈值，则获取更新后的bp神经网络的输出误差。

s4.若所述输出误差小于预设的误差阈值，则流程结束。

s5.若所述输出误差不小于预设的误差阈值，则判断所述训练步数是否达到第二阈值，若否，返回步骤s6，若是，则执行步骤s9。

s6.获取更新后的bp神经网络的误差下降趋势。

具体地，设所述误差下降趋势为pe(k)＝(e(k)-e(k-1))/e(k)，其中k,pe(k),e(k)分别表示训练步数，误差下降趋势和第k步所述bp神经网络的输出误差。具体地，基于训练子集计算bp神经网络的输出误差属于现有技术，本发明实施例不做赘述。

s7.若所述误差下降趋势大于所述趋势阈值，则返回步骤s2。

s8.若所述误差下降趋势不大于所述趋势阈值，令wi(k+1)＝-wi(k),i＝1,2,......,m，其中i表示所述bp神经网络的神经节点的下标，m是参与训练的bp神经网络的神经节点的数量，wi(k)为神经节点的权向量，并返回步骤s2。

本步骤旨在判断循环训练过程中对于连接矩阵的更新是否陷入了局部极小之中，若是，则及时跳出局部极小并继续更新。

s9.分裂所述bp神经网络的神经节点以调整所述bp神经网络的结构，并返回步骤s1重新开始训练。

具体地，所述分裂所述bp神经网络的神经节点包括：

选择当前bp神经网络中对于输出贡献最大的节点ha并将其分裂为两个节点hb和hc，新的节点的连接权为wb＝(1+α)wa，wc＝-αwa，其中，α,wa,wb,wc分别代表一个随机数，节点ha，hb和hc的连接权。

本发明实施例公开了一种水质获取方法，通过设计解耦合参评模型达到自动化模糊化获取水质评价结果的技术目的，解耦合参评模型基于三层结构设计，并且每个分解单元均能够捕获特定的水质获取参数，而与分解单元对应的bp神经网络能够在大数据的支持下对所述水质获取参数对水质的影响作出反应，而使用加权法汇集各个bp神经网络输出的加权输出层能够考虑全部水质获取参数对于水质影响的指向性从而输出更为客观的水质评价结果。

应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。