一种污水指标预测方法与流程

本发明属于预测，尤其是涉及一种污水指标预测方法。

背景技术：

1、污水处理过程中的出水水质关键指标实时监测至关重要。但在实际的污水处理系统中影响水质指标的因素非常多，非线性程度非常高。因此目前很难将这些影响因素模型化并用于水质预测。由于污水处理是一个非常复杂的非线性系统，存在着大滞后、强耦合等特点，难以通过工艺机理分析建立可靠有效的预测模型，而神经网络、机器学习等智能算法不依赖机理模型，能够通过已有的数据主动学习，非线性逼近能力强大，因而可以应用于污水处理系统建模预测研究中。

2、反向传播神经网络(back-propagation neural networks,bpnn)作为目前最常用的机器学习算法之一，已经广泛地应用于多个领域。在污水指标预测领域，bp神经网络利用大量的数据以训练的方式建立输入-输出之间的映射关系，可以有效地实现多指标实时预测。但bp神经网络存在学习收敛速度慢、易陷入局部极值以及网络结构难以确定等缺点，导致训练后的网络性能不理想，尤其是当训练数据量不足，指标预测太多的情况下，bp神经网络的误差较大。

技术实现思路

1、有鉴于此，本发明旨在提出一种污水指标预测方法，提出一种基于剪切波函数双隐含层的alo-bp神经网络污水指标预测方法，利用剪切波函数替换bp神经网络中的隐含层解决bp神经网络收敛速度慢、稳定性低和过度拟合等问题；利用蚁狮优化算法(alo)来优化bp神经网络结构和参数，建立alo-bp-sh算法，借助alo算法易收敛，且收敛精度高，以及逃脱局部最优解的能力强的特点，找到更优的全局最优解以获得预测能力更好的bp神经网络模型，从而能够实现在低数据量情况下水质指标的成功预测。

2、为达到上述目的，本发明的技术方案是这样实现的：

3、一种基于剪切波函数双隐含层的alo-bp神经网络污水指标预测方法，包括以下步骤：

4、步骤s1：构建初始bp神经网络；

5、步骤s2：将bp神经网络中的隐含层替换为离散剪切波函数；

6、步骤s3：利用alo算法对将隐含层替换为离散剪切波函数的初始bp神经网络的网络结构和网络参数进行优化，获得适应度最优的种群个体向量；

7、步骤s4：利用获得的适应度最优的个体向量对bp-sh神经网络结构和参数进行优化获得最优的alo-bp-sh神经网络模型；

8、步骤s5：利用最优的bp神经网络模型对待测污水数据进行预测并获得预测结果。

9、进一步的，为了满足污水处理站污水主要指标预测的需要，所述步骤s1中，本发明设置初始bp神经网络为4层结构，其中输入层神经元个数m，输出层神经元个数n，隐含层有2层，其中每一层隐藏层神经元个数s由公式(1)确定；

10、

11、其中，函数floor()表示向下取整。

12、初始bp神经网络中输入层神经元个数m为6，输出层神经元个数n为4，隐含层第1层中根据公式(1)取q＝6,因此隐含层1神经元个数s1＝9,同理隐含层第2层中根据公式(1)取q＝5,因此隐含层1神经元个数s1＝8。这里q的取值基于反复实验效果获取。

13、进一步的，所述步骤s2具体包括：

14、隐含层的输出为：

15、

16、其中，h(m)表示隐含层中第m个节点的输出，shm是第m个节点的剪切波函数，n表示输入数据的个数，ωnm表示第n个输入数据在第m个隐含层节点中的权重值，xn表示第n个输入数据，am和tm分别表示第m个节点上的剪切波变换函数中尺度因子和位置因子。

17、这里剪切波函数shm满足离散剪切波变换：

18、

19、其中，det表示求矩阵行列式，a表示是各向异性的尺度矩阵,b表示剪切矩阵。其中，

20、

21、这里s表示剪切系数。

22、进一步的，所述步骤s3具体包括：

23、步骤s3.1初始化种群个体和参数初始化；其中，初始化种群个体包括初始化蚂蚁种群个体数量nant和蚁狮的种群数量nantlion,种群个体向量fr；初始化参数包括：蚂蚁的位置矩阵蚁狮的位置矩阵最大迭代次数iter；

24、步骤s3.2利用适应度函数对每个种群个体的适应度进行计算；其中，适应度函数rmsd为利用对应的种群个体向量优化的神经网络的输出与实际数据的偏差：

25、

26、其中，k＝1，2，......，k，ypred(k)为神经网络的输出值，yture(k)为实际数据值；

27、步骤s3.3利用适应度向量和对蚂蚁和蚁狮的适应度进行计算；

28、步骤s3.4计算第r次迭代后第n只蚂蚁个体的适应度值为第r次迭代后第n只蚁狮个体的适应度值为其中适应度最优的个体适应度为则第r次迭代后的精英蚁狮满足

29、

30、步骤s3.5蚂蚁随机游走，第r次迭代后随机游走的步长向量xr由下列公式计算获得：

31、xr＝[0，cumsum(2q(r1)-1，cumsum(2q(r2)-1…cumsum(2q(rmax)-1]      (3)

32、其中，q(·)为0或者1的随机函数数，cumsum是蚂蚁游走位置的累计和，r是迭代次数，rmax是最大迭代次数；

33、步骤s3.6对蚂蚁游走位置进行归一化处理，则归一化后的步长向量为；

34、

35、其中，max(xr)和min(xr)分别代表蚂蚁变量随机游走的最大值和最小值，和分别代表寻优空间初始求解域的上边界和下边界。

36、步骤s3.7蚂蚁滑入陷阱，蚁狮的位置影响蚂蚁游走的区域边界范围：

37、

38、其中，为第r次迭代后的精英蚁狮，和分别代表寻优空间初始求解域的上边界和下边界，即变量约束范围上下界。

39、步骤s3.8蚁狮捕食，一旦蚂蚁落入陷阱，蚁狮为阻止其逃走，蚁狮立即向陷阱外刨出沙土使蚂蚁掉入陷阱底部。该过程可以看作蚂蚁绕蚁狮走的半径在不断缩小。

40、

41、其中，g为当前迭代次数与设定的最大迭代次数之比，w为半径缩小尺度指数，满足：

42、

43、若游走的蚂蚁群中出现了适应度高于蚁狮适应度值的个体，则认为蚂蚁被蚁狮捕获并出现新的精英个体，该蚂蚁将作为蚁狮在下一代修筑陷阱。根据蚂蚁的位置更新新精英蚁狮的位置：

44、

45、步骤s3.9精英策略,每代适应度最高的蚁狮作为精英蚁狮，蚂蚁种群的位置受围绕精英蚁狮游走的蚂蚁种群的影响，即：

46、

47、其中，表示绕轮盘赌选中的蚁狮种群；表示绕精英蚁狮游走的蚂蚁种群。

48、步骤s3.10判断迭代次数是否达到最大迭代次数，若是则结束迭代，并对更新后的个体向量计算适应度，获得适应度最优的个体向量；否则返回步骤s3.3重复迭代计算。

49、进一步的，种群个体向量中必须包含所有待优化的信息，对于本发明需要优化数据主要分为两类，一类是网络结构；另一类是在指定网络结构下的最优初始权重,因此，所述步骤s3.1中初始化种群个体向量包括：定义种群个体向量fr，并随机产生n个种群个体向量；其中，定义种群个体向量为一个p维向量，第一维表示神经网络隐藏层数量；第二维到第四维表示神经网络各隐藏层神经元数量s∈[1,13]；第四维以后表示各层之间的权重和偏置。

50、进一步的，所述步骤s3.2中，适应度函数是一个多输入单输出的函数，其函数值是每一个个体对环境的适应程度。本发明alo算法的适应度函数的输入是个体向量和bp神经网络训练的基本参数如学习率和最大迭代次数；适应度函数的主体是由个体向量解析出的网络结构和初始参数以及bp神经网络基本参数定义的bp神经网络；输出是由个体向量优化的bp神经网络的输出与实际数据的偏差rmsd。

51、进一步的，为了实现数据的实时处理，本发明还使用一个定时器，该定时器会每隔一段时间扫描数据源文件夹(用于保存下位机采集数据的文件夹)文件数量。如果文件数量增加，则说明下位机传感器采集了新的数据，于是将新采集的数据输入已经训练好的神经网络模型进行预测。最后将预测的结果按照命名规则存放本地指定文件夹中。

52、相对于现有技术，本发明所述的一种污水指标预测方法具有以下有益效果：

53、(1)本发明所述的一种污水指标预测方法，在bp神经网络中将原始的神经元隐含层替换为剪切波函数sh这一多尺度函数，相比于之前已有的利用小波函数替换隐含层的发明，本发明提出的bp-sh模型在数据处理上增加了剪切操作，使得隐含层参数更丰富，这一点在小训练样本的情况下，能使算法达到更优的精度；

54、(2)本发明所述的一种污水指标预测方法，在bp神经网络的基础上加入了alo这一先进的优化算法，实现了bp神经网络算法中隐藏层等大量参数的自适应优化设置，提高了算法运算效率，能够找到全局最优解，获得预测能力更好的bp神经网络模型，提高了预测精度；

55、(3)本发明所述的一种污水指标预测方法，相比于传统的bpnn方法需要的训练数据量更少，实现在低数据量情况下的污水指标预测，并且在保证精度的情况下实现的多个污水预测指标输出，有利于污水处理过程中减少人工干预，降低污水处理站的运行成本，提高污水处理站的智能化程度；

56、(4)本发明所述的一种污水指标预测方法，通过设置定时器，能够实现自动扫描判断新采集的数据，并将新采集的数据输入神经网络模型进行预测及保存，实现了数据的实时处理，以及自动实现污水水质指标预测。