專利名稱:基于bp神經(jīng)網(wǎng)絡(luò)的飲用水管網(wǎng)細(xì)菌總數(shù)快速預(yù)測方法
技術(shù)領(lǐng)域:
本發(fā)明涉及一種飲用水管網(wǎng)中細(xì)菌總數(shù)的預(yù)測方法,特別涉及一種能夠準(zhǔn)確、快速預(yù)測飲用水管網(wǎng)中細(xì)菌總數(shù)的基于BP神經(jīng)網(wǎng)絡(luò)的飲用水中細(xì)菌總數(shù)的預(yù)測方法。
背景技術(shù):
飲用水管網(wǎng)的細(xì)菌學(xué)水質(zhì)安全是供水企業(yè)和用戶普遍關(guān)心的問題。出廠水經(jīng)配水系統(tǒng)傳輸時,在管道中會發(fā)生復(fù)雜的物理、化學(xué)、生物作用而導(dǎo)致水質(zhì)變化。目前雖然研究者已日益關(guān)注于模擬微生物的生長,建立微生物生長的相關(guān)模型,以代替費時且精確度差的傳統(tǒng)微生物計數(shù)方法。但由于與建立其他模型相比,建立微生物學(xué)的模型存在許多難點,如微生物細(xì)胞與外界生化或環(huán)境條件改變的相關(guān)反應(yīng)是復(fù)雜而知之甚少的;微生物的生長具有特定生物變異性等,建立微生物學(xué)水質(zhì)模型就顯得更為困難。目前有關(guān)配水管網(wǎng)微生物學(xué)水質(zhì)模型的報道為數(shù)不多,傳統(tǒng)的預(yù)測手段(包括確定性模型和經(jīng)驗?zāi)P?盡管可以預(yù)測細(xì)菌對于預(yù)測管網(wǎng)中細(xì)菌總數(shù)的變化,但是由于必須經(jīng)歷較長的數(shù)據(jù)矯正過程,特別是一些參數(shù)的確定,以致很難直接應(yīng)用。此外,傳統(tǒng)預(yù)測模型中參數(shù)值的獲得需要較時間,影響了模型的實際應(yīng)用性。如有些模型應(yīng)用BDOC來預(yù)測細(xì)菌總數(shù),而BDOC值的獲得至少需要3天時間。神經(jīng)網(wǎng)絡(luò)(neural networks)是一種由若干平行作用的簡單要素組成的模型,經(jīng)訓(xùn)練后可以解決許多科技領(lǐng)域的復(fù)雜問題,其中,BP神經(jīng)網(wǎng)絡(luò)(Back-PropagationNetworks,反向傳播神經(jīng)網(wǎng)絡(luò))是目前水質(zhì)預(yù)測中使用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。
發(fā)明內(nèi)容
本發(fā)明要解決的技術(shù)問題是,提供一種能夠解決傳統(tǒng)預(yù)測模型所具有的問題,如數(shù)據(jù)矯正過程長,不易直接應(yīng)用,參數(shù)值獲得時間長,準(zhǔn)確、快速地預(yù)測飲用水管網(wǎng)中細(xì)菌總數(shù)的基于BP神經(jīng)網(wǎng)絡(luò)的飲用水管網(wǎng)細(xì)菌總數(shù)快速預(yù)測方法。 本發(fā)明所采用的技術(shù)方案是, 一種基于BP神經(jīng)網(wǎng)絡(luò)的飲用水管網(wǎng)細(xì)菌總數(shù)快速預(yù)測方法,包括如下步驟(l)獲取被測飲用水管網(wǎng)中細(xì)菌總數(shù)及對其有影響的其他相關(guān)水質(zhì)指標(biāo)的值作為檢測數(shù)據(jù);(2)建立基于誤差反向傳播神經(jīng)網(wǎng)絡(luò);(3)對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測試;(4)利用通過測試的神經(jīng)網(wǎng)絡(luò)來預(yù)測飲用水管網(wǎng)中細(xì)菌總數(shù)。
所述的對細(xì)菌總數(shù)有影響的其他水質(zhì)指標(biāo)是指自由余氯、總余氯、濁度、pH、溫度、群254 。 所述的步驟(1)包括將細(xì)菌總數(shù)數(shù)據(jù)依據(jù)《生活飲用水衛(wèi)生標(biāo)準(zhǔn)GB5749-2006》標(biāo)準(zhǔn)分為兩組,合格的記為O,不合格記為1 ;還包括將及其6個水質(zhì)指標(biāo)的數(shù)據(jù)歸一化到-1和+l之間的歸一化過程。 所述神經(jīng)網(wǎng)絡(luò)包括一個輸入層、一個中間層和一個輸出層。 所述的輸入層有6個神經(jīng)元,中間層有8個神經(jīng)元,輸出層有1個神經(jīng)元。 所述的中間層神經(jīng)元的傳遞函數(shù)采用S型正切激活函數(shù),輸出層為S型對數(shù)函數(shù)。 所述的對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測試是指,將檢測數(shù)據(jù)分為兩部分,前70%用來訓(xùn)練網(wǎng)絡(luò),記為訓(xùn)練樣本,后30%用來檢驗網(wǎng)絡(luò),記為檢驗樣本;對網(wǎng)絡(luò)反復(fù)訓(xùn)練,當(dāng)預(yù)測值
與檢測數(shù)據(jù)間誤差達(dá)到0. 00001時,停止訓(xùn)練,開始預(yù)測。 所述的對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練是采用誤差反向傳播算法進(jìn)行訓(xùn)練。 在步驟(3)中,當(dāng)神經(jīng)網(wǎng)絡(luò)對各組檢驗樣本的預(yù)測誤差均低于規(guī)定水平時即通過
測試,然后進(jìn)行步驟(4)的預(yù)測工作。 在步驟(4)中,利用通過測試的神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測時,先將監(jiān)測數(shù)據(jù)歸一化到-1和+1之間,再進(jìn)行輸入,并將網(wǎng)絡(luò)運算后的輸出值,按照超標(biāo)(即值為1)與合格(即值為0)給出細(xì)菌總數(shù)的預(yù)測結(jié)果。 本發(fā)明的基于BP神經(jīng)網(wǎng)絡(luò)的飲用水管網(wǎng)細(xì)菌總數(shù)快速預(yù)測方法,解決了傳統(tǒng)預(yù)測模型所具有數(shù)據(jù)矯正過程長,不易直接應(yīng)用,參數(shù)值獲得時間長的問題,準(zhǔn)確、快速地預(yù)測飲用水管網(wǎng)中細(xì)菌總數(shù)。利用本發(fā)明,應(yīng)用與細(xì)菌總數(shù)密切相關(guān)且測定簡便、快速的水質(zhì)指標(biāo)建立的基于神經(jīng)網(wǎng)絡(luò)的預(yù)測方法,只需進(jìn)行有限次試驗,就可以建立有關(guān)細(xì)菌總數(shù)預(yù)測模型,通過計算機仿真試驗,科學(xué)預(yù)測,能夠快速、準(zhǔn)確地預(yù)測飲用水管網(wǎng)中細(xì)菌總數(shù)的值,從而大大減少探索性試驗的數(shù)量,顯著減少物料、人力、能源的消耗,進(jìn)一步提高預(yù)測質(zhì)
圖l是神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖; 其中,l——自由余氯,2——總余氯,3——濁度,4——pH值,5——溫度,6——UV254,7——細(xì)菌總數(shù),8——輸入層,9——中間層,IO——輸出層;
圖2是訓(xùn)練過程及最終均方誤差 圖3是檢驗樣本的細(xì)菌總數(shù)預(yù)測 其中令表示實測值,A表示預(yù)測值。
具體實施例方式
下面結(jié)合實例對本發(fā)明的基于BP神經(jīng)網(wǎng)絡(luò)的飲用水管網(wǎng)細(xì)菌總數(shù)快速預(yù)測方法做出詳細(xì)說明。 本發(fā)明的基于BP神經(jīng)網(wǎng)絡(luò)的飲用水管網(wǎng)細(xì)菌總數(shù)快速預(yù)測方法,包括如下步驟
(1)獲取被測飲用水管網(wǎng)中細(xì)菌總數(shù)及對其有影響的其他相關(guān)水質(zhì)指標(biāo)的值作為檢測數(shù)據(jù)。 本發(fā)明的實施例中獲取對細(xì)菌總數(shù)有影響的其他水質(zhì)是,通過對選定的實際給水管網(wǎng)的3個取樣點,每天取樣一次,每次取樣時間段相同,連續(xù)監(jiān)測35次,測定自由余氯(fCh)、總余氯(tCh)、濁度(Tur) 、 pH、 UV254及溫度(T) 6個水質(zhì)指標(biāo)的值,獲取所需數(shù)據(jù)。
在獲取給水管網(wǎng)中細(xì)菌總數(shù)時,必須將細(xì)菌總數(shù)及對其有影響的6個能夠快速測定結(jié)果的水質(zhì)指標(biāo)的數(shù)值歸一化到-1和+1之間。
(2)建立基于誤差反向傳播神經(jīng)網(wǎng)絡(luò)。 所述的神經(jīng)網(wǎng)絡(luò)由一個輸入層、一個中間層和一個輸出層組成。其中,輸入層有6個神經(jīng)元,分別對應(yīng)自由余氯(fCh)、總余氯(tCh)、濁度(Tur)、pH、 ,254及溫度(T)沖間層神經(jīng)元數(shù)目較難確定,但對模型的精確度和準(zhǔn)確度的影響卻很大,反復(fù)運算(此運算方式在后面給出),通過比較中間層神經(jīng)元個數(shù)不同的情況下網(wǎng)絡(luò)的輸出結(jié)果,最終確定中間層神經(jīng)元數(shù)為8;網(wǎng)絡(luò)輸出層為目標(biāo)值細(xì)菌總數(shù),故只有一個神經(jīng)元,為給水管網(wǎng)下游取樣
點的細(xì)菌總數(shù)值。所述的中間層神經(jīng)元的傳遞函數(shù)采用s型正切激活函數(shù),輸出層神經(jīng)元
的傳遞函數(shù)采用S型對數(shù)函數(shù),所有數(shù)據(jù)歸一化到-1和+1之間。
(3)對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測試。 所述的對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測試是,將每天所監(jiān)測的自由余氯(fCh)、總余氯(tCh)、濁度(Tur) 、 pH、 UV254及溫度(T)及細(xì)菌總數(shù)值記為一組數(shù)據(jù),并將所有監(jiān)測數(shù)據(jù)分為兩部分,前70%稱為訓(xùn)練樣本,后30%稱為檢驗樣本。 將70%的訓(xùn)練樣本用來訓(xùn)練網(wǎng)絡(luò),建立學(xué)習(xí)機制,即當(dāng)輸入某天管網(wǎng)上游取樣點的一組數(shù)據(jù)時,即給出自由余氯(fCh)、總余氯(tCh)、濁度(Tur) 、 pH、 UV254及溫度(T)及細(xì)菌總數(shù)這一組輸入數(shù)據(jù)時,中間層神經(jīng)元個數(shù)取8,經(jīng)過網(wǎng)絡(luò)自動運算,會有一個輸出值(預(yù)測的管網(wǎng)末梢取樣點的細(xì)菌總數(shù)值),比較輸出值與期望值(實際測量細(xì)菌總數(shù)值)之間的誤差,若誤差小于指定精度,則學(xué)習(xí)結(jié)束。否則,將誤差信號沿原來連接路徑反向傳播,并逐步調(diào)整各層的連接權(quán)值,直到誤差小于指定精度為止,此時第一組學(xué)習(xí)完成,進(jìn)入下一組學(xué)習(xí),直到連接權(quán)值對所有訓(xùn)練組的預(yù)測誤差均在指定范圍內(nèi),輸出此時的最佳權(quán)值。訓(xùn)練組越多,網(wǎng)絡(luò)的學(xué)習(xí)越充分,網(wǎng)絡(luò)經(jīng)驗值越大,預(yù)測精度越高。對網(wǎng)絡(luò)反復(fù)訓(xùn)練,當(dāng)誤差達(dá)到O. 00001時,停止訓(xùn)練,開始預(yù)測。此時預(yù)測模型目標(biāo)值與輸出值相關(guān)系數(shù)高達(dá)1,最終擬合均方誤差為9. 99734 X 10—6。 將另外30%的檢驗樣本用來檢驗網(wǎng)絡(luò)。當(dāng)網(wǎng)絡(luò)訓(xùn)練結(jié)束后,利用另外30%的檢驗樣本來檢驗網(wǎng)絡(luò),看模型是否符合要求。利用神經(jīng)網(wǎng)絡(luò)預(yù)測另外30%組所對應(yīng)的細(xì)菌總數(shù)值,對照模型預(yù)測值與實際測量值間的誤差,當(dāng)神經(jīng)網(wǎng)絡(luò)在各組測試數(shù)據(jù)的預(yù)測誤差均低于規(guī)定水平時即通過測試,可以用于預(yù)測工作。此時模型預(yù)測值與實測值間相關(guān)系數(shù)為0. 8857,模型預(yù)測誤差為11. 43%,通過測試。 在進(jìn)行訓(xùn)練中,當(dāng)神經(jīng)網(wǎng)絡(luò)在各組測試數(shù)據(jù)的預(yù)測誤差均低于規(guī)定水平時即通過測試,可用于預(yù)測工作。
(4)利用通過測試的神經(jīng)網(wǎng)絡(luò)來預(yù)測飲用水管網(wǎng)中細(xì)菌總數(shù)。 利用通過測試的神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測必須將輸入數(shù)據(jù)歸一化到-1和+1之間,再輸入到通過測試的神經(jīng)網(wǎng)絡(luò)中,并將網(wǎng)絡(luò)運算后的輸出進(jìn)行反歸一化,就得到細(xì)菌總數(shù)預(yù)測值。在這里細(xì)菌總數(shù)預(yù)測值> l,則表示給水管網(wǎng)末梢點細(xì)菌總數(shù)值超標(biāo);細(xì)菌總數(shù)預(yù)測值《l,則表示給水管網(wǎng)末梢點細(xì)菌總數(shù)值合格。 在前面所述的確定中間層神經(jīng)元數(shù)的運算是由如下計算過程實現(xiàn)的。 本發(fā)明的BP神經(jīng)網(wǎng)絡(luò)模型是在實際應(yīng)用中使用最廣泛的神經(jīng)網(wǎng)絡(luò)模型,除了輸
入層和輸出層外,還可含有一個或多個中間層,每層有數(shù)個神經(jīng)元,同一層間神經(jīng)元不連
接,與下層神經(jīng)元之間實現(xiàn)全連接。當(dāng)一個數(shù)值經(jīng)過中間層向輸出層傳播時,信息便被神經(jīng)
元捕獲。第l個神經(jīng)元和第j個神經(jīng)元間連接權(quán)值記為Wj,。第j個神經(jīng)元的總的輸入向
量是它前一層各個神經(jīng)元輸入向量Xi與其連接權(quán)值Wji乘積的總和,記為<formula>formula see original document page 5</formula>
每一個神經(jīng)元輸出值由前一層神經(jīng)元總輸入向量Uj和激活函數(shù)f確定,記為
yj = f(Uj) (2) 其中,常用的f函數(shù)為S型的對數(shù)或正切激活函數(shù)。 先對網(wǎng)絡(luò)層中權(quán)值Wji取(-l,+l)之間的隨機量作為初始值,然后輸入樣本進(jìn)行學(xué)習(xí)。每學(xué)完一遍,比較樣本的輸出結(jié)果與期望輸出的誤差,若誤差小于指定精度,則學(xué)習(xí)結(jié)束,并輸出此時的最佳權(quán)值。否則,將誤差信號沿原來連接路徑反向傳播,并逐步調(diào)整各層的連接權(quán)值,直到誤差小于指定精度為止。利用該模型就可以準(zhǔn)確、快速地預(yù)測飲用水管網(wǎng)模式點的細(xì)菌總數(shù)值,顯著減少物力、人力、能源的消耗。 以上結(jié)果說明,所建立的神經(jīng)網(wǎng)絡(luò)對訓(xùn)練組和測試組都有很好的預(yù)測效果,因而具有較強的推廣能力。本實施例表明,本發(fā)明能夠準(zhǔn)確、快速地用給水管網(wǎng)上游監(jiān)測點的數(shù)據(jù)預(yù)測給水管網(wǎng)末梢點的細(xì)菌總數(shù),且預(yù)測方法有較強的推廣能量,具有廣闊的應(yīng)用前景。
權(quán)利要求
一種基于BP神經(jīng)網(wǎng)絡(luò)的飲用水管網(wǎng)細(xì)菌總數(shù)快速預(yù)測方法,其特征在于,包括如下步驟(1)獲取被測飲用水管網(wǎng)中細(xì)菌總數(shù)及對其有影響的其他相關(guān)水質(zhì)指標(biāo)的值作為檢測數(shù)據(jù);(2)建立基于誤差反向傳播神經(jīng)網(wǎng)絡(luò);(3)對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測試;(4)利用通過測試的神經(jīng)網(wǎng)絡(luò)來預(yù)測飲用水管網(wǎng)中細(xì)菌總數(shù)。
2. 根據(jù)權(quán)利要求1所述的基于BP神經(jīng)網(wǎng)絡(luò)的飲用水管網(wǎng)細(xì)菌總數(shù)快速預(yù)測方法,其特征在于,所述的步驟(1)中對細(xì)菌總數(shù)有影響的其他水質(zhì)指標(biāo)是指自由余氯、總余氯、濁度、PH、溫度、UV^。
3. 根據(jù)權(quán)利要求1或2所述的基于BP神經(jīng)網(wǎng)絡(luò)的飲用水管網(wǎng)細(xì)菌總數(shù)快速預(yù)測方法,其特征在于,所述的步驟(1)包括將細(xì)菌總數(shù)數(shù)據(jù)依據(jù)《生活飲用水衛(wèi)生標(biāo)準(zhǔn)GB5749-2006》標(biāo)準(zhǔn)分為兩組,合格的記為0,不合格記為1 ;還包括將及其6個水質(zhì)指標(biāo)的數(shù)據(jù)歸一化到-1和+1之間的歸一化過程。
4. 根據(jù)權(quán)利要求1所述的基于BP神經(jīng)網(wǎng)絡(luò)的飲用水管網(wǎng)中細(xì)菌總數(shù)預(yù)測方法,其特征在于,所述神經(jīng)網(wǎng)絡(luò)包括一個輸入層、一個中間層和一個輸出層。
5. 根據(jù)權(quán)利要求4所述的基于BP神經(jīng)網(wǎng)絡(luò)的飲用水管網(wǎng)中細(xì)菌總數(shù)預(yù)測方法,其特征在于,所述的輸入層有6個神經(jīng)元,中間層有8個神經(jīng)元,輸出層有1個神經(jīng)元。
6. 根據(jù)權(quán)利要求5所述的基于BP神經(jīng)網(wǎng)絡(luò)的飲用水管網(wǎng)中細(xì)菌總數(shù)預(yù)測方法,其特征在于,所述的中間層神經(jīng)元的傳遞函數(shù)采用S型正切激活函數(shù),輸出層為S型對數(shù)函數(shù)。
7. 根據(jù)權(quán)利要求1所述的基于BP神經(jīng)網(wǎng)絡(luò)的飲用水管網(wǎng)中細(xì)菌總數(shù)預(yù)測方法,其特征在于,所述的對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測試是,將檢測數(shù)據(jù)分為兩部分,前70%用來訓(xùn)練網(wǎng)絡(luò),記為訓(xùn)練樣本,后30%用來檢驗網(wǎng)絡(luò),記為檢驗樣本;對網(wǎng)絡(luò)反復(fù)訓(xùn)練,當(dāng)預(yù)測值與檢測數(shù)據(jù)間誤差達(dá)到0. 00001時,停止訓(xùn)練,開始預(yù)測。
8. 根據(jù)權(quán)利要求1或7所述的基于BP神經(jīng)網(wǎng)絡(luò)的飲用水管網(wǎng)中細(xì)菌總數(shù)預(yù)測方法,其特征在于,所述的對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練是采用誤差反向傳播算法進(jìn)行訓(xùn)練。
9. 根據(jù)權(quán)利要求1或7所述的基于BP神經(jīng)網(wǎng)絡(luò)的飲用水管網(wǎng)中細(xì)菌總數(shù)預(yù)測方法,其特征在于,在步驟(3)中,當(dāng)神經(jīng)網(wǎng)絡(luò)對各組檢驗樣本的預(yù)測誤差均低于規(guī)定水平時即通過測試,然后進(jìn)行步驟(4)的預(yù)測工作。
10. 根據(jù)權(quán)利要求1或7所述的基于BP神經(jīng)網(wǎng)絡(luò)的飲用水管網(wǎng)中細(xì)菌總數(shù)預(yù)測方法,其特征在于,在步驟(4)中,利用通過測試的神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測時,先將監(jiān)測數(shù)據(jù)歸一化到-1和+1之間,再進(jìn)行輸入,并將網(wǎng)絡(luò)運算后的輸出值,按照超標(biāo),即值為l,與合格,即值為O,給出細(xì)菌總數(shù)的預(yù)測結(jié)果。
全文摘要
本發(fā)明公開了一種基于BP神經(jīng)網(wǎng)絡(luò)的飲用水管網(wǎng)細(xì)菌總數(shù)快速預(yù)測方法,包括如下步驟(1)獲取被測飲用水管網(wǎng)中細(xì)菌總數(shù)及對其有影響的其他相關(guān)水質(zhì)指標(biāo)的值作為檢測數(shù)據(jù);(2)建立基于誤差反向傳播神經(jīng)網(wǎng)絡(luò);(3)對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測試;(4)利用通過測試的神經(jīng)網(wǎng)絡(luò)來預(yù)測飲用水管網(wǎng)中細(xì)菌總數(shù)。本發(fā)明只需進(jìn)行有限次試驗,就可以通過6個與細(xì)菌總數(shù)相關(guān)性高,且能通過儀器測定快速獲得結(jié)果的水質(zhì)指標(biāo),建立有關(guān)飲用水管網(wǎng)細(xì)菌總數(shù)的預(yù)測模型,通過計算機仿真試驗,科學(xué)預(yù)測,能夠準(zhǔn)確、快速地預(yù)測飲用水管網(wǎng)中的細(xì)菌總數(shù),為供水企業(yè)的決策提供可靠信息,保障供水管網(wǎng)的細(xì)菌學(xué)水質(zhì)安全。
文檔編號C12Q1/06GK101775434SQ201010138388
公開日2010年7月14日 申請日期2010年4月2日 優(yōu)先權(quán)日2010年4月2日
發(fā)明者吳卿, 田一梅, 趙新華, 鄭毅 申請人:天津大學(xué)