本發(fā)明涉及一種水污染事件智能決策方法，具體涉及一種結(jié)合神經(jīng)網(wǎng)絡(luò)模式識別方法和證據(jù)理論的水污染事件預(yù)測和決策方法，屬于人工智能技術(shù)領(lǐng)域。

背景技術(shù)：

隨著城市化的推進和經(jīng)濟的逐步發(fā)展，水資源的需求也隨之日益增大，而伴隨而來的由于工業(yè)三廢和居民生活垃廢棄物帶來的水污染現(xiàn)象，也成為一個越來越值得重視的問題。尤其是在居民用水，農(nóng)業(yè)灌溉和養(yǎng)殖，精細化化工業(yè)的用水的領(lǐng)域?qū)λ|(zhì)要求質(zhì)量日益提升的情況下，實現(xiàn)對水源區(qū)水質(zhì)的檢測和對水污染事件的及時預(yù)測和決策成為一個新興產(chǎn)業(yè)。

目前的水污染檢測預(yù)測方案主要有兩種，第一種就是人工對水質(zhì)進行采樣，再對采樣進行繁雜的化學(xué)分析和檢驗，從而得到詳細的水質(zhì)情況報告，這種方案雖然可以很精準的得到水污染的詳細情況，但是耗時很長，無法得到實時更新的水質(zhì)數(shù)據(jù)，而且檢驗成本高，經(jīng)濟效益低；第二種就是采用單一的水質(zhì)監(jiān)測傳感器，對待檢測水域的水污染情況進行實時監(jiān)測，將傳感器得到的屬于實時傳輸?shù)街行挠嬎銠C上，再進行詳細的甄別和預(yù)測。這種方案的成本低，可以實現(xiàn)實時監(jiān)測，但是水域環(huán)境本身就是一個復(fù)雜的多變的待檢測環(huán)境，單一傳感器的監(jiān)測往往存在信息模糊，容錯能力差，檢測效率差，監(jiān)測范圍小等弱點。

所以，使用多個不同類型的傳感器，對待檢測水域展開多維立體化的探測感知，并將多種觀測數(shù)據(jù)進行優(yōu)化綜合處理，實時獲得待檢測水域的水污染程度是應(yīng)該進一步展開的工作。多傳感器信息融合技術(shù)是針對多傳感器系統(tǒng)的信息表現(xiàn)形式多樣性，信息量的巨大性，信息關(guān)系的復(fù)雜性以及要求信息處理的及時性所提出的解決方案。其作用在于將多個傳感器系統(tǒng)傳出的信息進行綜合處理，從而得到可靠的結(jié)論。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有技術(shù)中的不足，提供了一種基于神經(jīng)網(wǎng)絡(luò)和證據(jù)理論的水污染事件智能決策方法，實現(xiàn)多特征參數(shù)和具體的水污染事件之間建立非線性映射關(guān)系，根據(jù)D-S證據(jù)理論對之前建立的映射關(guān)系進行加權(quán)處理運算，最終做出對水污染類型的預(yù)測和決策，有效的實時監(jiān)測目標水域，保證水質(zhì)的穩(wěn)定正常。

為解決上述技術(shù)問題，本發(fā)明提供了基于神經(jīng)網(wǎng)絡(luò)和證據(jù)理論的水污染事件智能決策方法，包括以下步驟：

步驟S1，采集待檢測水域的水體表面圖像，從中提取圖像特征參數(shù)，并對各類圖像特征參數(shù)進行歸一化；

步驟S2，基于各類圖像特征參數(shù)進行模糊推理，得到水污染事件類型的初步判斷；

步驟S3，根據(jù)水污染事件類型的初步判斷，調(diào)用相應(yīng)的水質(zhì)傳感器提取水質(zhì)特征參數(shù)，并對各水質(zhì)特征參數(shù)數(shù)值進行歸一化；

步驟S4，以圖像特征參數(shù)和水質(zhì)特征參數(shù)作為輸入層，以水污染事件類型作為輸出層，建立徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型，并利用歷史數(shù)據(jù)樣本對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練和學(xué)習(xí)；

步驟S5，將提取的圖像特征參數(shù)以及水質(zhì)特征參數(shù)輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，并進行識別，計算各特征參數(shù)對應(yīng)的BPA；

步驟S6，運用D-S證據(jù)理論合成規(guī)則將各特征參數(shù)的BPA進行融合，并據(jù)此融合BPA得到最終的水污染類型判斷結(jié)果；

步驟S7，將水污染類型與對應(yīng)的水污染事件處理機制進行模糊匹配，獲得處理預(yù)案。

進一步的，設(shè)各類數(shù)據(jù)的采集范圍是x_i～y_i(i＝1,2……N)，則對于數(shù)據(jù)的值z_i，做如下處理，使其歸一化的統(tǒng)一量綱的特征參數(shù)A_i為：

A_i＝1000z_i/(y_i-x_i)

進一步的，模糊推理采用Mamdani模糊推理法。

進一步的，設(shè)各水質(zhì)傳感器儀表測量范圍是a_i～b_i(i為傳感器的編號i＝1,2……K)，則對于該傳感器的測量值c_i，做如下處理，使其歸一化的統(tǒng)一量綱的特征參數(shù)C_i：

C_i＝1000c_i/(a_i-b_i)

進一步的，計算每個特征參數(shù)對應(yīng)BPA_n的算法是：

其中，n指第n個特征參數(shù)，1<n<K+N；W_jn為特征參數(shù)對應(yīng)水污染事件類型的連接權(quán)值。

進一步的，步驟S5中，得到最終的水污染類型判斷結(jié)果的具體過程為：選擇最終所有BPA中的最大值：

若BPA_MAX大于等于設(shè)定值，則判斷出水污染的類型為該BPA所對應(yīng)的類型。

與現(xiàn)有技術(shù)相比，本發(fā)明所達到的有益效果是：

(1)本發(fā)明將多傳感器的融合技術(shù)應(yīng)用到水污染事件決策系統(tǒng)中，對待檢測水域的水質(zhì)進行水質(zhì)傳感器和圖像采集的立體化多維化的監(jiān)測，增加了采樣信息的多樣化和復(fù)雜度，使系統(tǒng)的數(shù)據(jù)可信度，容錯能力，檢測性能都有所增強。

(2)本發(fā)明將模糊推理理論應(yīng)用到水污染事件決策系統(tǒng)中，對帶檢測水域的高清圖像信息進行預(yù)處理后與對應(yīng)的水污染事件實行模糊匹配，避免了直接使用水質(zhì)傳感器檢測，提高了水污染事件預(yù)測的準確性，提高了整個水污染預(yù)測決策系統(tǒng)的工作效率并降低了成本。

(3)本發(fā)明運用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBFN)的學(xué)習(xí)訓(xùn)練機制來獲取從傳感器檢測出的參數(shù)到水污染類型之間的模糊映射關(guān)系，使得RBFN的自組織，自學(xué)習(xí)的特點，強泛化性，魯棒性等優(yōu)點充分發(fā)揮，提高了預(yù)測的準確性。

(4)本發(fā)明運用D-S證據(jù)理論，將各傳感器采集到的信息經(jīng)預(yù)處理后得到的特征向量，經(jīng)神經(jīng)網(wǎng)絡(luò)處理后得到的基本概率分配(BPA)進行融合從而得到最終的基本概率分配(BPA)，較好的克服了信息模糊，不精確的條件限制，得到較為科學(xué)的預(yù)測結(jié)果。

(5)本發(fā)明實時性強，生存能力強，分辨力強。本發(fā)明從傳感器檢測水域水質(zhì)的信息處理層面出發(fā)，將人工智能領(lǐng)域的神經(jīng)網(wǎng)絡(luò)和證據(jù)融合技術(shù)結(jié)合，建立了一個較智能的預(yù)測決策系統(tǒng)。和傳統(tǒng)的水污染預(yù)測決策系統(tǒng)相比，基于神經(jīng)網(wǎng)絡(luò)改進證據(jù)理論的水污染事件智能決策系統(tǒng)實現(xiàn)了信息的實時處理和科學(xué)處理，大大提升了系統(tǒng)的生存能力和可靠性，具有更重要的理論意義和實際應(yīng)用價值。

附圖說明

圖1是本發(fā)明方法的流程示意圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明作進一步描述。以下實施例僅用于更加清楚地說明本發(fā)明的技術(shù)方案，而不能以此來限制本發(fā)明的保護范圍。

如圖1所示，本發(fā)明的基于神經(jīng)網(wǎng)絡(luò)和證據(jù)理論的水污染事件智能決策方法，包括以下步驟：

步驟S1，采集待檢測水域的水體表面圖像，從中提取圖像特征參數(shù)，并對各類圖像特征參數(shù)進行歸一化。

采集水體表面圖像可以采用現(xiàn)有技術(shù)中的高清攝像頭，將高清攝像頭部署在待檢測水域中，采集到水體表面高清數(shù)字圖像信息后，對此圖像進行預(yù)處理，提取圖像特征參數(shù)，并對各類圖像特征參數(shù)進行歸一化。

預(yù)處理的具體過程為，利用現(xiàn)有技術(shù)中的圖像增強技術(shù)，對采集到的數(shù)字圖像進行邊緣識別、灰度增強、局部銳化處理，讓圖像中異物和雜質(zhì)的輪廓更加清晰易于識別。對預(yù)處理后的圖象進行特征提取，從中提取出水域的顏色，灰度值，同種顏色的面積大小和異常斑點陰影信息數(shù)據(jù)作為圖像特征參數(shù)z₁,z₂,z₃,z₄，此處提取的數(shù)據(jù)類別并不局限于此四種，還可加入圖像亮度，顆粒度等特征。記提取的圖像特征參數(shù)類別數(shù)為N，在本發(fā)明中N的取值大于等于4。由于各類數(shù)據(jù)的量綱不同，因此本實施例中對各類數(shù)據(jù)進行歸一化處理，設(shè)各類數(shù)據(jù)的采集范圍是x_i～y_i(i為不同類數(shù)據(jù)的編號i＝1,2……N)，則對于數(shù)據(jù)的值z_i，做如下處理，使其歸一化的統(tǒng)一量綱的特征參數(shù)A_i為：

A_i＝1000z_i/(y_i-x_i)

步驟S2，基于各類圖像特征參數(shù)進行模糊推理，得到水污染事件類型的初步判斷。

此處模糊推理采用現(xiàn)有技術(shù)中的Mamdani模糊推理法，將上一步獲得的圖像特征參數(shù){A₁,A₂,.....,A_N}作為一個論域水污染事件類型作為一個論域此水污染事件類型采用國家《地下水質(zhì)量標準》中規(guī)定的水污染事件類型：病原體污染，需氧性污染物污染，植物營養(yǎng)污染物，石油污染物，劇毒污染物和其他污染類型等；分別抽象為參數(shù)D₁,D₂,D₃,D₄,D₅，將其水污染事件類型{D₁,D₂,.......,D_M}作為一個論域(M的取值應(yīng)大于等于5)，然后根據(jù)隸屬度(0＜i＜n)，可以通過模糊集合和的笛卡爾積(取小)求得其模糊蘊涵關(guān)系即：

而后根據(jù)求出的模糊蘊含關(guān)系，就可以建立圖像特征參數(shù)到水污染事件的映射關(guān)系，得到對水污染事件類型的初步判斷。即根據(jù)此蘊含關(guān)系得到圖像信息數(shù)據(jù)所對應(yīng)的水污染事件類型。

步驟S3，根據(jù)水污染事件類型的初步判斷，調(diào)用相應(yīng)的水質(zhì)傳感器提取水質(zhì)特征參數(shù)，并對各水質(zhì)特征參數(shù)進行歸一化。

根據(jù)水污染事件類型，調(diào)用相應(yīng)的不同水質(zhì)傳感器(水質(zhì)傳感器包含現(xiàn)有技術(shù)中的PH傳感器，溶解氧傳感器，氨氮傳感器，鹽度傳感器，亞硝酸鹽傳感器，苯檢測器，燃料油傳感器，生物酶傳感器和有機碳傳感器等)從水域采集數(shù)據(jù)，如在上步驟中初步判定為化學(xué)污染，則調(diào)用PH傳感器，氨氮傳感器，亞硝酸鹽傳感器，苯檢測器等傳感器進行檢測，若如在上步驟中初步判定為石油污染，則調(diào)用燃料油傳感器等傳感器進行檢測，若如在上步驟中初步判定為生物污染，則調(diào)用氨氮傳感器，溶解氧傳感器，有機碳傳感器，生物酶傳感器等傳感器進行檢測。需要說明的是，傳感器的數(shù)量應(yīng)不局限于以上提及的所有類型，還可以根據(jù)需要進行添加。提取的水質(zhì)特征參數(shù)主要包括：PH值，重金屬離子含量，有害氣體溶解含量，微生物含量等數(shù)據(jù)。

設(shè)各水質(zhì)傳感器儀表測量范圍是a_i～b_i(i為傳感器的編號i＝1,2……K)，則對于該傳感器的測量值c_i，做如下處理，使其歸一化的統(tǒng)一量綱的特征參數(shù)C_i：

C_i＝1000c_i/(a_i-b_i)

步驟S4，以圖像特征參數(shù)和水質(zhì)特征參數(shù)作為輸入層，以水污染事件類型作為輸出層，建立徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型，并利用歷史數(shù)據(jù)樣本對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練和學(xué)習(xí)。

以從圖像中提取的圖像特征參數(shù)和水質(zhì)傳感器提取的水質(zhì)特征參數(shù)作為輸入層，以水污染事件類型抽象出的特征參數(shù){D₁,D₂,.......,D_M}作為輸出層，對水污染事件類型的特征參數(shù)提取過程可以簡化處理，{D₁,D₂,.......,D_k}可分別對應(yīng){1,2,.....,k}。于是便建立起徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBFN)模型，利用數(shù)據(jù)庫中已有的歷史樣本對RBFN進行訓(xùn)練和學(xué)習(xí)，其具體訓(xùn)練過程參考現(xiàn)有的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程(李國勇，神經(jīng)模糊控制理論及應(yīng)用[M]，北京，電子工業(yè)出版社，2009)，即對所有樣本的輸入進行聚類，求得各隱含層節(jié)點的RBF的中心向量，通過無監(jiān)督學(xué)習(xí)過程建立隱含層和輸出層各神經(jīng)元之間的非線性映射關(guān)系。

步驟S5，將提取的圖像特征參數(shù)以及水質(zhì)特征參數(shù)輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，并進行識別，計算各特征參數(shù)對應(yīng)的基本概率分配(BPA)。

由于已經(jīng)根據(jù)歷史數(shù)據(jù)庫中的數(shù)據(jù)訓(xùn)練得到了所有圖像特征參數(shù)和水質(zhì)特征參數(shù)對應(yīng)水污染事件類型的連接權(quán)值W_jn(隱含層的第j個神經(jīng)元至輸出層的第n個神經(jīng)元的連接系數(shù))，假設(shè)第n次的檢測使用了一個從水質(zhì)傳感器提取的水質(zhì)特征參數(shù)或一個從圖像提取的圖像特征參數(shù)(F₁,,F₂,......,F_n)(1<n<K+N，K+N為可以調(diào)用的傳感器數(shù)目K和圖像可采集特征參數(shù)的數(shù)目N的和)，則計算每個采集到特征參數(shù)對應(yīng)BPA_n的算法是：

其中，n指第n個特征參數(shù)，1<n<K+N。

步驟S6，運用D-S證據(jù)理論合成規(guī)則將各特征參數(shù)的BPA進行融合，并據(jù)此融合BPA得到最終的水污染類型判斷結(jié)果。

依據(jù)現(xiàn)有技術(shù)D-S證據(jù)理論的融合規(guī)則(吳曉平，葉清，劉玲艷《基于改進的BP網(wǎng)絡(luò)的D-S證據(jù)理論及其應(yīng)用》，武漢理工大學(xué)學(xué)報，2007,29(8):158-161)，每進行一次測量就進行一次融合，融合算法是：對于第(n-1)條證據(jù)，運用證據(jù)合成規(guī)則進行融合后得到各命題的BPA為未知命題的BPA為b_U(k-1)。則在第n條證據(jù)獲得以后，經(jīng)RBF神經(jīng)網(wǎng)絡(luò)計算后各命題的BPA為b_K(A_j)(j＝1,2,...,m)，未知命題的BPA為m_k(U)。則多概率分配函數(shù)的正交和依據(jù)如下公式獲得：

式中，

根據(jù)上式，融合后的BPA為

未知命題的BPA為：

其中，當(dāng)下一次測量而產(chǎn)生新的證據(jù)后，就可根據(jù)上式進行融合推斷，得到最終的各水污染事件類型對應(yīng)的BPA。最終即可按照給定的類型判斷決策規(guī)則，判斷規(guī)則為，選擇最終所有BPA中的最大值即：

并判斷該BPA的值：BPA_MAX是否大于α(α為人為設(shè)定值，可根據(jù)需要進行具體賦值)。若大于等于α，則判斷出水污染的類型為該BPA所對應(yīng)的類型。

步驟S7，將水污染類型與對應(yīng)的水污染事件處理機制進行模糊匹配，獲得處理預(yù)案。

將水污染類型結(jié)果與知識庫中對應(yīng)的水污染事件處理機制進行模糊匹配，給出處理預(yù)案，需要說明的是，這里的水污染事件處理機制應(yīng)參考現(xiàn)有的處理機制。

如果在證據(jù)理論判斷以后，若BPA_MAX≥α，(α為人為設(shè)定值，可根據(jù)需要進行具體賦值，本實施例中設(shè)定為50％)則啟動應(yīng)急處理過程，將判斷出的水污染類型和對應(yīng)的處理機制進行匹配，給出處理預(yù)案，同時將新的預(yù)測數(shù)據(jù)和決策數(shù)據(jù)送回到神經(jīng)網(wǎng)絡(luò)中進行重新訓(xùn)練。

如果在證據(jù)理論判斷之后，若融合選擇出的BPA_MAX<α，則認為這是一種新的水域水質(zhì)情況類型，并將其上報至管理員，管理員則利用本次采集到的原始樣本對這種情況進行進一步的化驗檢測，然后對原有的數(shù)據(jù)庫進行更新操作。

以上所述僅是本發(fā)明的優(yōu)選實施方式，應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明技術(shù)原理的前提下，還可以做出若干改進和變型，這些改進和變型也應(yīng)視為本發(fā)明的保護范圍。