应用反向传播神经网络模型的游泳池水质评价装置制造方法
【专利摘要】本实用新型涉及借助于测定材料的化学或物理性质来测试或分析材料的装置领域，具体为一种应用反向传播神经网络模型的游泳池水质评价装置。一种应用反向传播神经网络模型的游泳池水质评价装置，包括取样水管(1)、电磁阀(2)和水泵(3)，其特征是：还包括余氯测定仪(41)、高效液相色谱仪(42)、电子毫伏计(43)、碱度测定仪(44)、钙硬度测定仪(45)、连续流动注射分析仪(46)、模/数转换器(5)和控制器(6)，余氯测定仪(41)等都通过信号线经一个模/数转换器(5)连接控制器(6)。本实用新型减少人工评价工作量，提高评价结果准确性和客观性。
【专利说明】应用反向传播神经网络模型的游泳池水质评价装置
【技术领域】
[0001]本实用新型涉及借助于测定材料的化学或物理性质来测试或分析材料的方法领域，具体为一种应用反向传播神经网络模型的游泳池水质评价装置。
【背景技术】
[0002]水质评价是按照评价目标选择相应的水质参数、水质标准和计算方法，对水的利用价值及水的处理要求做出评定的过程。长期以来，国内外研究人员对水质评价的方法进行了大量研究，提出了很多方法，如单项指标评价法、综合污染指数评价法、灰色评价法、模糊评价法、物元分析法等。这些评价方法都需要通过检测水中的各类指标，如游离性余氯、氰尿酸、氧化还原电位等，然后经一定换算后得出最终的水质评价结果。目前，这些检测方法多依靠手工操作，效率低，精度差，而且，由于游泳池容积较大，为得到较为客观的评价结果，通常需要选取多个点的水样参与测定，这就进一步增加了工作量。
实用新型内容
[0003]为了克服现有技术的缺陷，提供一种减少人工评价工作量，提高评价结果准确性和客观性的水质评价设备，本实用新型公开了一种应用反向传播神经网络模型的游泳池水质评价装置。
[0004]本发明通过如下技术方案达到发明目的:
[0005]一种应用反向传播神经网络模型的游泳池水质评价装置，包括取样水管、电磁阀和水泵，取样水管至少有5根，每根取样水管上都串联有电磁阀，取样水管的一端设于游泳池的水面以下，取样水管的另一端和水泵连接，其特征是:还包括余氯测定仪、高效液相色谱仪、电子毫伏计、碱度测定仪、钙硬度测定仪、连续流动注射分析仪、模/数转换器和控制器，
[0006]每根取样水管的出水端都分别连接余氯测定仪、高效液相色谱仪、电子毫伏计、碱度测定仪、钙硬度测定仪和连续流动注射分析仪的进水端，
[0007]余氯测定仪、高效液相色谱仪、电子毫伏计、碱度测定仪、钙硬度测定仪和连续流动注射分析仪的信号输出端都通过信号线连接一个模/数转换器的模拟信号输入端，模/数转换器的数字信号输出端都通过信号线连接控制器，控制器还通过信号线连接各个电磁阀和各个水泵的驱动马达；
[0008]控制器由输入设备、输出设备、内存、夕卜存和中央处理器构成，输入设备、输出设备、内存和外存都通过信号线连接中央处理器。
[0009]所述的应用反向传播神经网络模型的游泳池水质评价装置，其特征是:控制器选用微机或单片机。
[0010]本实用新型使用时，由控制器控制电磁阀开启，随后控制器控制水泵启动，通过取样水管从游泳池内抽取一定量的水样分别输送至余氯测定仪、高效液相色谱仪、电子毫伏计、碱度测定仪、钙硬度测定仪和连续流动注射分析仪，其中余氯测定仪用于测定水样中的余氯值、pH值和水温，高效液相色谱仪用于测定水样中的氰尿酸值，电子毫伏计和原电池配合用于测定水样中的氧化还原电位值，碱度测定仪用于测定水样中的总碱度值，钙硬度测定仪用于测定水样中的钙硬度值，连续流动注射分析仪用于测定水样中的尿素值。
[0011]各指标的分级标准如下表所示:
[0012]
^^ I^
,I',., / y > 标纖PRIE: M:■.级:二.级:四级:
、__水质优良水质一般钎度汚染 ',R度W染
?(uu.5] lotim
彡 150 [30,50] (50,100] (100.150] (150,300]
S-电三方E ? SSf IS
pH 僵[7’0,7.8] [7-2,7.63 (7,6J,8] (7,8,8.0] | (8.0,10.0]
总碱度^I1ZTI1
(mg/L) K U_ [80,120] (1風200] (2()0,250] [ (250,300]
+W妯吱個[200,300)或 n()o】)0.)或[ο，_)或
(mg/L)(400,450] (450,500] (500,600]
敗^.(mg/L)彡3.5 I [0,1.0](1.0,3.5] (3.5.10] (10,100]
O
[0013]控制器6内存储有反向传播神经网络模型，在获得了水样的各个参数值后，按如下所述进行数据处理和水质评价:
[0014]模型拟合:
[0015]BP神经网络在使用前经过8步的训练过程，使网络具有联想记忆和预测能力。
[0016]1.训练样本的建立:将c步骤表所列的7个指标的分级标准中的数据进行归一化处理，即按照y=(x-最小值)/(最大值-最小值)规则将具体数值转化为[0，1]区间上的数据，从而使物理系统数值的绝对值变成某种相对值关系，把水质分级标准作为训练样本，将其输入到网络的输入节点；
[0017]采用产生随机数原理，在至少两种水质的水样中，在每种水样中各抽取不低于100份的样本，抽取的数量由控制器6控制，将全体样本进行训练和建模；
[0018]2.神经网络初始化:设定输入层、隐含层和输出层的节点数，并初始化其神经元之间的连接权值《^和ωΛ、隐含层阀值a和输出层阀值b，给定学习速率和神经元激励函数，选取输入输出序列(X，Y)；
[0019]3.隐含层输出计算:根据输入向量X、输入层和隐含层间的连接权值以及隐含层阀值a，计算隐含层输出H，其计算式如式(I)所示:
n
[0020]Hj =—aj)，j=l，2.……in-(I)；
i=l
[0021]式(I)中f为激励函数，激励函数的表达形式为经典的Sigmoid函数，其计算式如式⑵所示:
]
[0022]f(x)=-—(2);
1 + c's
[0023]4.输出层输出计算:根据隐含层输入H、隐含层和输出层间的连接权值以及输出层阀值b，计算预测输出0，其计算式如式(3)所示:
m
[0024]Ofc =f(XHjCOjl -bk)f k=l,2，……I——(3);
[0025]5.误差计算:根据预测输出O和期望输出Y获得预测误差e，其计算式如式
[0026](4)所示:ek=Yk-0k, k=l, 2......1-(4)；
[0027]6.权值更新:根据预测误差e对连接权值ω u、ω Jk进行更新，其计算如式(5)和式(6)所示:式(5)和式(6)中的η为学习速率，
?
[0028]…Hj(1-Hj)Xi^cj)jkek， i=l，2……n; j=i，2……議一——(5}，
[0029]ω jk= ω jk+ rIHjek, j=l, 2......m ；k=l, 2......1-(6)；
[0030]7.阀值更新:根据预测误差e对阀值a和b进行更新，其计算如式(7)和式⑶所示:
I
[0031]Ε|?Ε|+ηΗ|(1?Η^)^0),|；?|_ ?......m; k=ls2......1—(7)?
k=l
[0032]bk=bk+ek, k=l, 2......1-(8)；
[0033]8.判断算法迭代是否结束:若迭代结束，表示训练过程可以结束，模型建立完成；若迭代还没有结束，则返回隐含层输出计算步骤重新开始一个新的训练调整过程，直至算法迭代得以结束。由于BP神经网络模型的初始化权值不唯一，决定重复训练奇数次后取出现最多的等级数为最终的预测结果。
[0034]通过MATLAB R2012b软件神经网络Nprtool工具箱，自动完成数据导入、数据预处理、建立并训练神经网络以及使用误差均方与混淆矩阵等评价BP神经网络建模效果。使用双层前向神经网络作为基础，隐含层传递函数为Sigmoid，整个神经网络的训练函数为变梯度算法。BP神经网络模型参数主要包括最大训练步数、性能参数、确认失败的最大次数、隐含层神经元节点数等参数，通过模型学习和训练情况进行相应调整。为了防止过拟合，将最大训练步数设置为1000次，最大验证集失败次数设置为6次，并将训练目标误差设置为O。
[0035]经过反复尝试，在隐含层神经元节点数最终确定为10后，经过135次训练，此时的误差为0.021333，达到最佳效果后即停止训练，此时将训练数据回代入神经网络模型得到的预测准确率已达到95%以上。
[0036]所述的应用反向传播神经网络模型评价游泳池水质的方法，其主要特征有:
[0037]1.作为BP神经网络模型在游泳场所水质评价上的首次应用。神经网络是基于模仿人类大脑的结构和功能而构成的一种信息处理系统，是一种由大量处理单元组成的非线性自适应的动力学系统，具有学习、联想、容错和抗干扰能力，具有客观性。目前应用最多的是具有非线性传递函数神经元构成的前馈网络中采用误差反向传播算法作为其学习算法的前馈网络(简称BP网络)。运用神经网络理论和方法，建立水质与其影响因素间的非线性关系，可以较好地评价水体的综合质量。基于水环境系统自身存在着模糊性和灰色性以及水质监测结果存在的随机性等特点，神经网络法是目前水质综合评价中较为合理、可行的方法。
[0038]2.评价指标来源于行业标准——《游泳池水质标准》(CJ244-2007)和《游泳池给水排水工程技术规程》(CJJ122-2008)，而非国家标准一《游泳场所卫生标准》(GB9667-1996)。《游泳场所卫生标准》(GB9667-1996)在执行过程中普遍反映标准过低，但若完全执行国际游泳联合会(FINA)水质要求，有些项目过高，又不符合国情。与GB9667-1996相比，《游泳池水质标准》(CJ244-2007)和《游泳池给水排水工程技术规程》(CJJ122-2008)是以世界卫生组织(WHO)《游泳池、按摩池和类似水环境安全指导准则》为主要依据，并参考先进国家和地区的游泳池水质标准，结合我国的情况综合分析论证而制订出的水质检测指标及其限值，比较好的吻合了泳池的现状。
[0039]3.评价指标的筛选考虑了多个方面，兼顾了指标的重要性和可操作性，如指标的卫生学意义和对水质平衡(即池水保持既不析出沉淀结垢，又不产生腐蚀性和溶解水垢的中间状态)的影响、水处理工艺的调查、历年指标合格情况、指标检验方法的简便性等，将游离性余氯、氰尿酸和氧化还原电位作为消毒控制风险并兼顾微生物控制风险，将PH值、总碱度和钙硬度作为水质平衡控制风险以及将尿素作为池水循环净化控制风险而进入综合评价体系是一种大胆尝试。
[0040]4.在四种水质(水质优良、一般、轻度污染和重度污染)等级划定上探索确定了各指标的分级标准。由于目前缺乏关于游泳场所水质综合评价的分级标准，故邀请了上海市水处理和环境卫生学领域等专家，通过多次专家访谈对游泳场所水质指标的分级标准进行了大胆创新。
[0041]本实用新型通过各种在线的自动化测量仪器，在控制器的控制下实现抽取水样、指标测定、数据处理和水质判定的连续自动作业，通过应用反向传播神经网络模型评价游泳池水质，具有自动化程度高、精度高、评价准的特点。
【专利附图】
【附图说明】
[0042]图1是本实用新型的连接示意图。
【具体实施方式】
[0043]以下通过具体实施例进一步说明本实用新型。
[0044]实施例1
[0045]一种应用反向传播神经网络模型的游泳池水质评价装置，包括取样水管1、电磁阀
2、水泵3、余氯测定仪41、高效液相色谱仪42、电子毫伏计43、碱度测定仪44、钙硬度测定仪45、连续流动注射分析仪46、模/数转换器5和控制器6，如图1所示，具体结构是:
[0046]取样水管I共有5根，每根取样水管I上都串联有电磁阀2，取样水管I的一端设于游泳池的水面以下，5根取样水管I分别设于游泳池的四个角及中央处，取样水管I的另一端和水泵3连接；
[0047]每根取样水管I的出水端都分别连接余氯测定仪41、高效液相色谱仪42、电子毫伏计43、碱度测定仪44、钙硬度测定仪45和连续流动注射分析仪46的进水端，
[0048]余氯测定仪41、高效液相色谱仪42、电子毫伏计43、碱度测定仪44、钙硬度测定仪45和连续流动注射分析仪46的信号输出端都通过信号线连接一个模/数转换器5的模拟信号输入端，模/数转换器5的数字信号输出端都通过信号线连接控制器6，控制器6还通过信号线连接各个电磁阀2和各个水泵3的驱动马达；
[0049]控制器6由输入设备、输出设备、内存、夕卜存和中央处理器构成,输入设备、输出设备、内存和外存都通过信号线连接中央处理器。
[0050]控制器6可以选用微机或单片机，本实施例选用微机。
[0051]本实施例使用时，由控制器6控制电磁阀2开启，随后控制器6控制水泵2启动，通过取样水管I从游泳池内抽取一定量的水样分别输送至余氯测定仪41、高效液相色谱仪42、电子毫伏计43、碱度测定仪44、钙硬度测定仪45和连续流动注射分析仪46，其中余氯测定仪41用于测定水样中的余氯值、pH值和水温，高效液相色谱仪42用于测定水样中的氰尿酸值，电子毫伏计43和原电池配合用于测定水样中的氧化还原电位值，碱度测定仪44用于测定水样中的总碱度值，钙硬度测定仪45用于测定水样中的钙硬度值，连续流动注射分析仪46用于测定水样中的尿素值。
[0052]各指标的分级标准如下表所示:
[0053]
I^ZZ^_缓水廣划分[
标.隱値~—级:—^ 1-级:1 —^二级:I—^四级:1 1.一__水須优良水质---般轻度污染[璽度污染I
游离性余氯f10 I 51 【0.2?0.5)或I [O?0.2威 I
(mg/L)聞.0]隣1.0]卩1.0,1.5] (1.53.0] I (3.0J0.0] |
彡 150 [30,50] I (50,100] (100,150] (150,300]
(mg/L) τ_」__J
遍眺剛 |[650，750) I SSof ；I
[7取8]脚鐵 II gST I |o；iM][
[0054] 总贼度、侧 '削削 [60.80)1$ I|30,60)?$ [(UO 威 I
(mg/L) [6a2°°3 [8°J20] (120,2001 (200,2? (250,300][
钙硬度糊 ram 細η [200,300)*? [100,200)? [0,100}或 |
(mg/L) 1 * J 1 * J (400,450] (450,500] (500,600] |
尿素(mg/L)矣3.5[0,1.0](1.0,3.5] (3.5，10] I (10,100] |
__L_I_?_I
?
[0055]控制器6内存储有反向传播神经网络模型，在获得了水样的各个参数值后，按如下所述进行数据处理和水质评价:
[0056]模型拟合:
[0057]BP神经网络在使用前经过8步的训练过程，使网络具有联想记忆和预测能力。
[0058]1.训练样本的建立:将c步骤表所列的7个指标的分级标准中的数据进行归一化处理，即按照y=(x-最小值)/(最大值-最小值)规则将具体数值转化为[0，1]区间上的数据，从而使物理系统数值的绝对值变成某种相对值关系，把水质分级标准作为训练样本，将其输入到网络的输入节点；
[0059]采用产生随机数原理，在至少两种水质的水样中，在每种水样中各抽取不低于100份的样本，抽取的数量由控制器6控制，将全体样本进行训练和建模；
[0060]2.神经网络初始化:设定输入层、隐含层和输出层的节点数，并初始化其神经元之间的连接权值《^和、隐含层阀值a和输出层阀值b，给定学习速率和神经元激励函数，选取输入输出序列(X，Y)；
[0061]3.隐含层输出计算:根据输入向量X、输入层和隐含层间的连接权值以及隐含层阀值a，计算隐含层输出H，其计算式如式(I)所示:
η
「/Λ/Λ-- O ~\Ι~? — X I yγ _ Q \ t = 1 0.?.*?* ψη--? I \?
LUUbZJI.I ? — I ^lAJ|jΛ ? a j β f J I111^ I Jf,
i_?
[0063]式(I)中f为激励函数，激励函数的表达形式为经典的Sigmoid函数，其计算式如式⑵所示:
[0064]Γ(χ)=^^——⑶；
[0065]4.输出层输出计算:根据隐含层输入H、隐含层和输出层间的连接权值Qjk以及输出层阀值b，计算预测输出0，其计算式如式(3)所示:
m
[0066]Ok-bk)f Ι^1Α......1~^(3):
j=l
[0067]5.误差计算:根据预测输出O和期望输出Y获得预测误差e，其计算式如式
[0068](4)所示:ek=Yk-0k, k=l, 2......1-(4)；
[0069]6.权值更新:根据预测误差e对连接权值ω u、ω Jk进行更新，其计算如式(5)和式(6)所示:式(5)和式(6)中的η为学习速率，
I
[0070]coycoy ? ηΗ|(1-Hj)xj ^(OlkCk，i;l52......m j=452……m—(5),
k~I
[0071]ω jk= ω jk+ rIHjek, j=l, 2......m ；k=l, 2......1-(6)；
[0072]7.阀值更新:根据预测误差e对阀值a和b进行更新，其计算如式(7)和式(8)所示:
[0073]aj=aj+nHj(l-Hj)^{o；kek.k=l,2"-***l--(7)，
[0074]bk=bk+ek, k=l, 2......1-(8)；
[0075]8.判断算法迭代是否结束:若迭代结束，表示训练过程可以结束，模型建立完成；若迭代还没有结束，则返回隐含层输出计算步骤重新开始一个新的训练调整过程，直至算法迭代得以结束。由于BP神经网络模型的初始化权值不唯一，决定重复训练奇数次后取出现最多的等级数为最终的预测结果。
[0076]通过MATLAB R2012b软件神经网络Nprtool工具箱，自动完成数据导入、数据预处理、建立并训练神经网络以及使用误差均方与混淆矩阵等评价BP神经网络建模效果。使用双层前向神经网络作为基础，隐含层传递函数为Sigmoid，整个神经网络的训练函数为变梯度算法。BP神经网络模型参数主要包括最大训练步数、性能参数、确认失败的最大次数、隐含层神经元节点数等参数，通过模型学习和训练情况进行相应调整。为了防止过拟合，将最大训练步数设置为1000次，最大验证集失败次数设置为6次，并将训练目标误差设置为O。
[0077]经过反复尝试，在隐含层神经元节点数最终确定为10后，经过135次训练，此时的误差为0.021333，达到最佳效果后即停止训练，此时将训练数据回代入神经网络模型得到的预测准确率已达到95.%以上。
[0078]算法迭代结束后，根据输出的数据和步骤c中确定的分级标准表最终确定水质级别。
[0079]预测结果如下表所述:
I水质划定分漏*J结-果
[0080]ftfc/Jlλ-^λι/Γ,Γ^Ζ 7,""""""Γ?Ι 7,ΓΧΙ 7,~7,^
_I 规第?次第2次第3次第4次第5次
[0081]^%T^25oli^I IIIllI
22 2 2 2
第 501-750 ti333333
第 75卜-1000 姐[ 4_44444
【权利要求】
1.一种应用反向传播神经网络模型的游泳池水质评价装置，包括取样水管(I)、电磁阀⑵和水泵(3)，取样水管⑴至少有5根，每根取样水管⑴上都串联有电磁阀(2)，取样水管(I)的一端设于游泳池的水面以下，取样水管(I)的另一端和水泵(3)连接，其特征是:还包括余氯测定仪(41)、高效液相色谱仪(42)、电子毫伏计(43)、碱度测定仪(44)、钙硬度测定仪(45)、连续流动注射分析仪(46)、模/数转换器(5)和控制器(6)，每根取样水管(I)的出水端都分别连接余氯测定仪(41)、高效液相色谱仪(42)、电子毫伏计(43)、碱度测定仪(44)、钙硬度测定仪(45)和连续流动注射分析仪(46)的进水端，余氯测定仪(41)、高效液相色谱仪(42)、电子毫伏计(43)、碱度测定仪(44)、钙硬度测定仪(45)和连续流动注射分析仪(46)的信号输出端都通过信号线连接一个模/数转换器(5)的模拟信号输入端，模/数转换器(5)的数字信号输出端都通过信号线连接控制器(6)，控制器(6)还通过信号线连接各个电磁阀(2)和各个水泵(3)的驱动马达； 控制器(6)由输入设备、输出设备、内存、夕卜存和中央处理器构成，输入设备、输出设备、内存和外存都通过信号线连接中央处理器，控制器(6)选用微机或单片机。
【文档编号】G01N33/18GK203929758SQ201420020060
【公开日】2014年11月5日 申请日期:2014年1月13日 优先权日:2014年1月13日
【发明者】黄丽红 申请人:上海市长宁区卫生局卫生监督所