一種基于神經(jīng)網(wǎng)絡(luò)原理的潛流濕地出水濃度的預(yù)測方法
【專利摘要】本發(fā)明公開了一種基于神經(jīng)網(wǎng)絡(luò)原理的潛流濕地出水濃度的預(yù)測方法，包括以下步驟：S1、獲取采集到的用于構(gòu)建預(yù)測模型的多維數(shù)據(jù)，包括潛流濕地的孔隙率、水力負(fù)荷、污染負(fù)荷、污染物組分特性及水質(zhì)理化特征；S2、根據(jù)神經(jīng)網(wǎng)絡(luò)原理構(gòu)建預(yù)測模型，設(shè)置多維數(shù)據(jù)為輸入層，設(shè)置率定的神經(jīng)元數(shù)為隱含層，得到的輸出層為模擬的多項污染物濃度；S3、獲取多組實際數(shù)據(jù)對構(gòu)建的預(yù)測模型進(jìn)行可靠性評估和反饋調(diào)試；S4、根據(jù)驗證后的預(yù)測模型，模擬出濕地出水濃度，對潛流濕地出水濃度進(jìn)行長期持續(xù)預(yù)測。本發(fā)明為長期性持續(xù)性監(jiān)測潛流濕地出水濃度提供一種便捷有效的方法，且建立的預(yù)測模型可靠性高，預(yù)測結(jié)果精確。
【專利說明】
-種基于神經(jīng)網(wǎng)絡(luò)原理的潛流濕地出水濃度的預(yù)測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及潛流濕地凈化效率預(yù)測領(lǐng)域，尤其設(shè)及一種基于神經(jīng)網(wǎng)絡(luò)原理的潛流 濕地出水濃度的預(yù)測方法。
【背景技術(shù)】
[0002] 隨著我國工農(nóng)業(yè)生產(chǎn)的發(fā)展，人口的不斷增加，由之帶來的水污染問題日趨嚴(yán)峻， 基本呈現(xiàn)出北方水源性缺水、南方水質(zhì)性缺水。水污染已成為限制國民經(jīng)濟(jì)發(fā)展的重要因 子之一。水環(huán)境治理刻不容緩。
[0003] 人工濕地具有建造及運(yùn)行費(fèi)用低、維護(hù)簡單、處理效果好、適用面廣、對負(fù)荷變化 的適應(yīng)能力強(qiáng)等優(yōu)點(diǎn)，因此被廣泛應(yīng)用于各種廢水的處理。人工濕地凈化污水的機(jī)理主要 依賴于濕地內(nèi)部的基質(zhì)、植物及微生物的協(xié)同作用。影響濕地凈化效能的因素很多，可W概 括為=大類:構(gòu)筑因素（如基質(zhì)/植物類型、流態(tài)、尺寸等）、運(yùn)行工況(水力負(fù)荷、污染負(fù)荷、 強(qiáng)化措施等）及環(huán)境條件（降雨、氣溫、光照等）。人工濕地的凈化過程設(shè)及水化學(xué)、生物動 力、微生物、氣象等諸多內(nèi)容，其中某些變化原理目前尚不清楚。因此很多學(xué)者將人工濕地 的凈化過程視為"黑箱"。
[0004] 人工神經(jīng)網(wǎng)絡(luò)是由大量的、簡單的處理單元(稱為神經(jīng)元)廣泛地互相連接而形成 的復(fù)雜網(wǎng)絡(luò)系統(tǒng)，是一個高度復(fù)雜的非線性動力學(xué)習(xí)系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)具有大規(guī)模并行、 分布式存儲和處理、自組織、自適應(yīng)和自學(xué)能力，特別適合處理需要同時考慮許多因素和條 件的、不精確和模糊的信息處理問題。因此它也比較適用于處理人工濕地的"黑箱"問題。
[0005] 近年來大量研究表明，人工濕地的凈化效能不僅取決于構(gòu)筑方式、運(yùn)行工況，還與 人工濕地進(jìn)/出水的理化特征密切相關(guān)。因此，可W利用運(yùn)些影響因素來模擬人工濕地的凈 化效能。然而人工濕地的凈化效能與影響因素間并非單純的線性關(guān)系，通常具有明顯的非 線性，很難有直觀的規(guī)律可循。因此，利用人工神經(jīng)網(wǎng)絡(luò)可W很好地實現(xiàn)人工濕地凈化效能 與影響因素之間的映射關(guān)系。它為模擬人工濕地出水濃度提供了一種可能。
[0006] 目前評價人工濕地凈化效能的主要依據(jù)之一還是水質(zhì)監(jiān)測(如氮、憐、有機(jī)物分析 等）。同時水質(zhì)監(jiān)測也為人工濕地設(shè)計者、研究者或管理者提供了必要的調(diào)控信息。然而長 期性持續(xù)性水質(zhì)監(jiān)測不僅難度高、耗資巨大，而且費(fèi)時費(fèi)力。因此，探究適宜的水質(zhì)監(jiān)測(或 預(yù)測)技術(shù)已成為一種必要。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明要解決的技術(shù)問題在于針對現(xiàn)有技術(shù)中長期性持續(xù)性水質(zhì)監(jiān)測不僅難度 高、耗資巨大的缺陷，提供一種利用Matlab神經(jīng)網(wǎng)絡(luò)擬合工具進(jìn)行準(zhǔn)確預(yù)測的基于神經(jīng)網(wǎng) 絡(luò)原理的潛流濕地出水濃度的預(yù)測方法。
[000引本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：
[0009]本發(fā)明提供一種基于神經(jīng)網(wǎng)絡(luò)原理的潛流濕地出水濃度的預(yù)測方法，包括W下步 驟：
[0010] SI、獲取采集到的用于構(gòu)建預(yù)測模型的多維數(shù)據(jù)，包括潛流濕地的孔隙率、水力負(fù) 荷、污染負(fù)荷、污染物組分特性及水質(zhì)理化特征；
[0011] S2、根據(jù)神經(jīng)網(wǎng)絡(luò)原理構(gòu)建預(yù)測模型，設(shè)置多維數(shù)據(jù)為輸入層，設(shè)置率定的神經(jīng)元 數(shù)為隱含層，得到的輸出層為模擬的多項污染物濃度；
[0012] S3、獲取多組實際數(shù)據(jù)對構(gòu)建的預(yù)測模型進(jìn)行可靠性評估和反饋調(diào)試；
[0013] S4、根據(jù)驗證后的預(yù)測模型，模擬出濕地出水濃度，對潛流濕地出水濃度進(jìn)行長期 持續(xù)預(yù)測。
[0014] 進(jìn)一步地，本發(fā)明的步驟Sl中還包括對多維數(shù)據(jù)進(jìn)行預(yù)處理的方法，具體為：
[0015] 將多維數(shù)據(jù)分為建模數(shù)據(jù)和驗證數(shù)據(jù)，建模數(shù)據(jù)又進(jìn)一步劃分為訓(xùn)練、驗證和測 試；部分，其中驗證和測試各自所占建模數(shù)據(jù)的比例在5 % -35 %之間。
[0016] 進(jìn)一步地，本發(fā)明的步驟Sl中的多維數(shù)據(jù)為影響濕地凈化效能的多項參數(shù)，其中 水質(zhì)理化特征通過在線檢測裝置獲取。
[0017] 進(jìn)一步地，本發(fā)明的步驟S2中構(gòu)建預(yù)測模型的方法具體為：
[0018] 通過Matlab神經(jīng)網(wǎng)絡(luò)擬合工具建立預(yù)測模型，在率定隱含層神經(jīng)元數(shù)前提下進(jìn)行 多次訓(xùn)練的結(jié)果，隱含層神經(jīng)元數(shù)的率定采用試錯法。
[0019] 進(jìn)一步地，本發(fā)明的步驟S3中可靠性評估和反饋調(diào)試的方法具體為：
[0020] 計算模擬結(jié)果的均方誤差、絕對誤差、相對誤差W及相關(guān)系數(shù)；
[0021] 反饋調(diào)試驗證結(jié)果欠佳的條件為：相關(guān)系數(shù)的顯著性水平P〉0.05，此時對已構(gòu)建 的預(yù)測模型重新進(jìn)行有限次訓(xùn)練，W獲得更好的模擬結(jié)果；
[0022] 訓(xùn)練結(jié)束判定的依據(jù)是驗證結(jié)果取得了最小的均方誤差、相對誤差和/或最高的 相關(guān)系數(shù)。
[0023] 進(jìn)一步地，本發(fā)明的步驟S4中還包括對預(yù)測模型進(jìn)行整合應(yīng)用的方法，具體為：
[0024] 通過在線檢測裝置獲取潛流濕地后期水質(zhì)理化特征數(shù)據(jù)，該在線檢測裝置與PC機(jī) 聯(lián)用，PC機(jī)上安裝有Matlab神經(jīng)網(wǎng)絡(luò)擬合工具；該P(yáng)C機(jī)利用前期采集的多維數(shù)據(jù)已經(jīng)人工 建立了潛流濕地出水濃度的預(yù)測模型;將潛流濕地后期水質(zhì)理化特征數(shù)據(jù)導(dǎo)入Matlab神經(jīng) 網(wǎng)絡(luò)擬合工具中，并利用已經(jīng)構(gòu)建的預(yù)測模型模擬出濕地出水濃度，達(dá)到對潛流濕地出水 濃度進(jìn)行長期性持續(xù)性快捷預(yù)測的目的。
[0025] 進(jìn)一步地，本發(fā)明的步驟Sl中的染物組分特性包括污染物類別、可生化性強(qiáng)弱和 碳氮比。
[0026] 進(jìn)一步地，本發(fā)明的步驟Sl中的水質(zhì)理化特征包括溫度、溶解氧、pH值、電導(dǎo)率、氧 化還原電位和總?cè)芙夤腆w。
[0027] 本發(fā)明產(chǎn)生的有益效果是:本發(fā)明的基于神經(jīng)網(wǎng)絡(luò)原理的潛流濕地出水濃度的預(yù) 測方法，基于采集的多維數(shù)據(jù)，利用Matlab神經(jīng)網(wǎng)絡(luò)擬合工具建立潛流濕地出水濃度的預(yù) 測模型，并將后期采集的濕地進(jìn)/出水理化特征參數(shù)代入上述模型中，預(yù)測出濕地出水目標(biāo) 污染物濃度;該方法只需獲取水質(zhì)理化特征就可W建立濕地出水多項目標(biāo)污染物的預(yù)測模 型，數(shù)據(jù)獲取難度較低;通過采集的多維數(shù)據(jù)可同時建立多項目標(biāo)污染物的預(yù)測模型，便于 各項目標(biāo)污染物之間的比較，可為潛流濕地的優(yōu)化設(shè)計和運(yùn)行管理提供依據(jù);且建立的預(yù) 測模型可靠性高，預(yù)測結(jié)果精確。
【附圖說明】
[0028] 下面將結(jié)合附圖及實施例對本發(fā)明作進(jìn)一步說明，附圖中：
[0029] 圖1是本發(fā)明實施例的基于神經(jīng)網(wǎng)絡(luò)原理的潛流濕地出水濃度的預(yù)測方法的流程 圖；
[0030] 圖2(a)是本發(fā)明實施例的基于神經(jīng)網(wǎng)絡(luò)原理的潛流濕地出水濃度的預(yù)測方法的 TN預(yù)測模型的構(gòu)建及驗證結(jié)果的觀察值與模擬值比較(a);
[0031] 圖2(b)是本發(fā)明實施例的基于神經(jīng)網(wǎng)絡(luò)原理的潛流濕地出水濃度的預(yù)測方法的 TN預(yù)測模型的構(gòu)建及驗證結(jié)果的觀察值與模擬值比較(b);
[0032] 圖3(a)是本發(fā)明實施例的基于神經(jīng)網(wǎng)絡(luò)原理的潛流濕地出水濃度的預(yù)測方法的 TAN預(yù)測模型的構(gòu)建及驗證結(jié)果的觀察值與模擬值比較(a);
[0033] 圖3(b)是本發(fā)明實施例的基于神經(jīng)網(wǎng)絡(luò)原理的潛流濕地出水濃度的預(yù)測方法的 TAN預(yù)測模型的構(gòu)建及驗證結(jié)果的觀察值與模擬值比較(b);
[0034] 圖4是本發(fā)明實施例的基于神經(jīng)網(wǎng)絡(luò)原理的潛流濕地出水濃度的預(yù)測方法的結(jié)構(gòu) 框圖。
【具體實施方式】
[0035] 為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，W下結(jié)合附圖及實施例，對 本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅用W解釋本發(fā)明，并不 用于限定本發(fā)明。
[0036] 如圖1所示，本發(fā)明實施例的基于神經(jīng)網(wǎng)絡(luò)原理的潛流濕地出水濃度的預(yù)測方法， 包括W下步驟：
[0037] S1、獲取采集到的用于構(gòu)建預(yù)測模型的多維數(shù)據(jù)，包括潛流濕地的孔隙率、水力負(fù) 荷、污染負(fù)荷、污染物組分特性及水質(zhì)理化特征;染物組分特性包括污染物類別、可生化性 強(qiáng)弱和碳氮比；水質(zhì)理化特征包括溫度、溶解氧、pH值、電導(dǎo)率、氧化還原電位和總?cè)芙夤?體。
[0038] 多維數(shù)據(jù)為影響濕地凈化效能的多項參數(shù)，其中水質(zhì)理化特征可W通過在線檢測 裝置獲取。多維數(shù)據(jù)又分為建模數(shù)據(jù)和驗證數(shù)據(jù)。建模數(shù)據(jù)又進(jìn)一步劃分為訓(xùn)練、驗證和測 試；部分，其中驗證和測試各自所占建模數(shù)據(jù)的比例在5 % -35 %之間。
[0039] S2、根據(jù)神經(jīng)網(wǎng)絡(luò)原理構(gòu)建預(yù)測模型，具體是調(diào)用MatlabR2013a軟件包中的 Neural Network Fitting Tool 工具（工具默認(rèn)算法為Levenberg-Marquardt backpropagation algoritKtrainlm))，設(shè)置多維數(shù)據(jù)為輸入層，設(shè)置率定的神經(jīng)元數(shù)為 隱含層，得到的輸出層為模擬的多項污染物濃度；
[0040] 預(yù)測模型的構(gòu)建是在Matlab神經(jīng)網(wǎng)絡(luò)擬合工具中完成，具體是在率定隱含層神經(jīng) 元數(shù)前提下進(jìn)行多次訓(xùn)練的結(jié)果。隱含層神經(jīng)元數(shù)的率定采用試錯法。
[0041] S3、獲取多組實際數(shù)據(jù)對構(gòu)建的預(yù)測模型進(jìn)行可靠性評估和反饋調(diào)試；
[0042] 可靠性評估是基于模擬結(jié)果的均方誤差(MSE)、絕對誤差(AE)、相對誤差(RE) W及 相關(guān)系數(shù)(R)等。反饋調(diào)試是驗證結(jié)果欠佳后(如相關(guān)系數(shù)的顯著性水平P〉〇.05)，對已構(gòu)建 的預(yù)測模型重新進(jìn)行有限次訓(xùn)練(如總訓(xùn)練次數(shù)《300)，W獲得更好的模擬結(jié)果。訓(xùn)練結(jié)束 判定的依據(jù)是驗證結(jié)果取得了最小的均方誤差(MSE)、相對誤差(RE)和(或）最高的相關(guān)系 數(shù)(R)O
[0043] S4、根據(jù)驗證后的預(yù)測模型，模擬出濕地出水濃度，對潛流濕地出水濃度進(jìn)行長期 持續(xù)預(yù)測。
[0044] 通過在線檢測裝置獲取潛流濕地后期水質(zhì)理化特征數(shù)據(jù)，該在線檢測裝置與PC機(jī) 聯(lián)用，PC機(jī)上安裝有Matlab神經(jīng)網(wǎng)絡(luò)擬合工具；該P(yáng)C機(jī)利用前期采集的多維數(shù)據(jù)已經(jīng)人工 建立了潛流濕地出水濃度的預(yù)測模型;將潛流濕地后期水質(zhì)理化特征數(shù)據(jù)導(dǎo)入Matlab神經(jīng) 網(wǎng)絡(luò)擬合工具中，并利用已經(jīng)構(gòu)建的預(yù)測模型模擬出濕地出水濃度，達(dá)到對潛流濕地出水 濃度進(jìn)行長期性持續(xù)性快捷預(yù)測的目的。
[0045] 實施例1:垂直流濕地出水TN的模擬與驗證
[0046] -種基于神經(jīng)網(wǎng)絡(luò)原理的潛流濕地出水濃度的預(yù)測方法，至少包括W下步驟：1) 采集用于構(gòu)建預(yù)測模型的多維數(shù)據(jù);2)預(yù)測模型的構(gòu)建;3)預(yù)測模型的驗證;4)預(yù)測模型的 整合應(yīng)用，其特征在于:步驟1)采集的多維數(shù)據(jù)涵蓋潛流濕地的孔隙率、水力負(fù)荷、污染負(fù) 荷及水質(zhì)理化特征等。步驟2)預(yù)測模型的構(gòu)建方法是基于神經(jīng)網(wǎng)絡(luò)原理，利用PC機(jī)中安裝 的Mat Iab神經(jīng)網(wǎng)絡(luò)擬合工具建立預(yù)測模型。如圖4所示，建模過程涵蓋=個模塊:輸入層、隱 含層及輸出層。輸入層為步驟1)采集的多維數(shù)據(jù)，隱含層為率定的神經(jīng)元數(shù)，輸出層為模擬 的污染物濃度。步驟3)驗證是用另外多組數(shù)據(jù)對已構(gòu)建的預(yù)測模型進(jìn)行可靠性評估和反饋 調(diào)試。步驟4)是基于建立的預(yù)測模型提出潛流濕地出水濃度的一種預(yù)測方法。
[0047] 多維數(shù)據(jù)為影響濕地凈化效能的多維參數(shù)，其中水質(zhì)理化特征可W通過在線檢測 裝置獲取。多維數(shù)據(jù)又分為建模數(shù)據(jù)和驗證數(shù)據(jù)。建模數(shù)據(jù)又進(jìn)一步劃分為訓(xùn)練、驗證和測 試=部分。
[004引多維數(shù)據(jù)同步采集于尺寸規(guī)格一致的9組垂直流濕地系統(tǒng)，它們都用于處理低濃 度水產(chǎn)養(yǎng)殖廢水，需要模擬的目標(biāo)污染物是總氮和氨氮。多維數(shù)據(jù)采集過程中，每組濕地系 統(tǒng)持續(xù)監(jiān)測10次，選取其中6組濕地系統(tǒng)數(shù)據(jù)用于構(gòu)建預(yù)測模型，剩余3組濕地系統(tǒng)數(shù)據(jù)用 于預(yù)測模型的驗證，因此建模數(shù)據(jù)與驗證數(shù)據(jù)的比例為6:3。建模數(shù)據(jù)中訓(xùn)練、驗證、測試各 自所占的默認(rèn)百分比依次為70%、15%和15%。所述的多維數(shù)據(jù)設(shè)及水力負(fù)荷化LR)、基質(zhì) 孔隙率（0、溫度(T)、溶解氧(DO)、抑值、電導(dǎo)率化C)、氨氮(TAN)、總氮(TN)等，其中在線水 質(zhì)理化特征（指溫度、溶解氧、pH值、電導(dǎo)率等）用YSI ProPlus多參數(shù)水質(zhì)測量儀獲取，氨 氮、總氮的測定采用國標(biāo)法。
[0049] 預(yù)測模型的構(gòu)建是在Matlab神經(jīng)網(wǎng)絡(luò)擬合工具中完成，具體是在率定隱含層神經(jīng) 元數(shù)前提下進(jìn)行多次訓(xùn)練的結(jié)果。隱含層神經(jīng)元數(shù)的率定采用試錯法。
[0050] 本實施例中，TN預(yù)測模型的構(gòu)建是在MatlabR2013a軟件中進(jìn)行，具體是由其中的 化ural化twork Fitting Tool工具完成。建模過程中，WTN代表進(jìn)水污染負(fù)荷，因此輸入 層變量為:水力負(fù)荷化LR)、基質(zhì)孔隙率(O、進(jìn)水度及進(jìn)/出水的溫度(T)、溶解氧(DO)、 pH值、電導(dǎo)率化C)等。輸出層為TO濃度。隱含層神經(jīng)元數(shù)采用試錯法確定：即分別構(gòu)建了隱 含層神經(jīng)元數(shù)從2到35的模型。由于輸入權(quán)值和闊值影響著神經(jīng)網(wǎng)絡(luò)性能變化，所W每個模 型訓(xùn)練10次，分別記錄訓(xùn)練結(jié)果的均方誤差MSE和相關(guān)系數(shù)R。結(jié)果見表1和表2。
[0051] 表1 TN不同隱含層神經(jīng)元數(shù)下模型訓(xùn)練的M沈表現(xiàn)
[0化2]
[
[
[0055]由表1和2可知，均方誤差MSE隨著神經(jīng)元數(shù)的增加有先降低而后增加的趨勢，而相 關(guān)系數(shù)R呈現(xiàn)相反趨勢。當(dāng)神經(jīng)元數(shù)為20時對應(yīng)最低的MSE和最高的R。運(yùn)說明隱含層神經(jīng)元 數(shù)過少時，模型會出現(xiàn)擬合不足，容錯性差，識別新樣本能力低等問題；隱含層神經(jīng)元數(shù)過 多則會增加模型的迭代次數(shù)和訓(xùn)練時間，導(dǎo)致模型過度擬合，降低模型的泛化能力，從而造 成模型預(yù)測能力下降。因此TN建模過程將隱含層神經(jīng)元數(shù)設(shè)為20。
[0化6] 在MatlabR2013a環(huán)境下，調(diào)用化ural化twork Fitting Tool工具構(gòu)建網(wǎng)絡(luò)，TN建 模樣本分為42個訓(xùn)練樣本、9個驗證樣本、9個測試樣本，訓(xùn)練函數(shù)為默認(rèn)方法trainlm函數(shù)。 網(wǎng)絡(luò)經(jīng)過32次訓(xùn)練后建立預(yù)測模型，隨后進(jìn)行=次驗證，預(yù)測模型的構(gòu)建及驗證結(jié)果見表3 和圖 2(a)、圖 2(b)。
[0057]由表3和圖2(a)、圖2(b)可知，利用選取的6組垂直流濕地系統(tǒng)數(shù)據(jù)所構(gòu)建的預(yù)測 模型能被剩余3組濕地系統(tǒng)的數(shù)據(jù)所驗證;驗證過程中觀察值與模擬值都達(dá)到了顯著或極 顯著水平，且相對誤差的絕對值在4.6%-12.6%之間，說明該方法所建立的預(yù)測模型具有 一定的可信度。因此，在后期濕地凈化效能跟蹤觀察過程中，若既定基質(zhì)孔隙率、水力負(fù)荷 及污染負(fù)荷，只需要獲取水質(zhì)理化特征就可W預(yù)測出濕地出水T腳農(nóng)度。
[0化引表3 TN預(yù)測模型的構(gòu)建及驗證結(jié)果 [0化9]
[0060] 實施例2:垂直流濕地出水TAN的模擬與驗證
[0061] 與實施例1類似，分別構(gòu)建了隱含層神經(jīng)元數(shù)從巧1帖的模型，每個模型訓(xùn)練10次， 分別記錄訓(xùn)練結(jié)果的均方誤差MSE和相關(guān)系數(shù)R，結(jié)果見表4和5。
[0062] 表4 TAN不同隱含層神經(jīng)元數(shù)下模型訓(xùn)練的MSE表現(xiàn)
[0063]
[OC
[OC
[0066] 由表4和5可知，均方誤差MSE和相關(guān)系數(shù)R隨著神經(jīng)元數(shù)的增加均有起伏而無明顯 的變化趨勢，但是當(dāng)神經(jīng)元數(shù)為10時，對應(yīng)最小的均方誤差MSE和最高的相關(guān)系數(shù)R。因此氨 氮建模過程將隱含層神經(jīng)元數(shù)設(shè)為10。
[0067] 同樣地，在MatlabR2013a環(huán)境下，調(diào)用化ural Network Fitting Tool工具構(gòu)建網(wǎng) 絡(luò)，氨氮建模樣本分為42個訓(xùn)練樣本、9個驗證樣本、9個測試樣本，訓(xùn)練函數(shù)為默認(rèn)方法 trainlm函數(shù)。網(wǎng)絡(luò)經(jīng)過28次訓(xùn)練后建立預(yù)測模型，隨后進(jìn)行S次測試，訓(xùn)練及測試結(jié)果見 表6和圖3(a)、圖3(b)。
[0068] 表6 TAN預(yù)測模型的構(gòu)建及驗證結(jié)果
[0069]
[0070] 由表6和圖3(a)、圖3(b)可知，利用選取的6組垂直流濕地系統(tǒng)數(shù)據(jù)所構(gòu)建的預(yù)測 模型能被剩余3組濕地系統(tǒng)的數(shù)據(jù)所驗證;驗證過程中觀察值與模擬值都達(dá)到了顯著或極 顯著水平，且相對誤差的絕對值在15.3%-22.5%之間，說明該方法所建立的預(yù)測模型具有 一定的可信度。因此，在后期濕地凈化效能跟蹤觀察過程中，若既定基質(zhì)孔隙率、水力負(fù)荷 及污染負(fù)荷，只需要獲取水質(zhì)理化特征就可W預(yù)測出濕地出水TA腳農(nóng)度。
[0071] 本發(fā)明的基于神經(jīng)網(wǎng)絡(luò)原理的潛流濕地出水濃度的預(yù)測方法如下：
[0072] 1)首先采集影響濕地凈化效能的多維數(shù)據(jù)，如基質(zhì)孔隙率、水力負(fù)荷、污染負(fù)荷、 污染物組分特性、進(jìn)/出水理化特征等，其中水質(zhì)理化特征可用在線檢測裝置獲??；
[0073] 2)利用所采集的多維數(shù)據(jù)，借助于Matlab神經(jīng)網(wǎng)絡(luò)擬合工具建立濕地出水污染物 濃度的預(yù)測模型。建模過程涵蓋輸入層、隱含層及輸出層。輸入層涵蓋濕地的孔隙率、水力 負(fù)荷、污染負(fù)荷、污染物組分特性、進(jìn)/出水理化特征等，輸出層為模擬的多項目標(biāo)污染物濃 度，隱含層為率定的神經(jīng)元數(shù)。構(gòu)建的預(yù)測模型通過多次驗證和反復(fù)調(diào)試后最終確定；
[0074] 3)將后期監(jiān)測采集的多維數(shù)據(jù)代入上述構(gòu)建的預(yù)測模型中達(dá)到對多項目標(biāo)污染 物(如氨氮、總氮、總憐、有機(jī)物等）的持續(xù)預(yù)測目的。后期采集的多維數(shù)據(jù)中除污染負(fù)荷(可 W單項指標(biāo)代替）外，其它數(shù)據(jù)(如孔隙率、水力負(fù)荷、污染物組分特性、進(jìn)/出水理化特征） 都易于獲取。
[0075] 本發(fā)明與現(xiàn)有技術(shù)相比，其有益效果與優(yōu)點(diǎn)在于：
[0076] 1.該方法建立了潛流濕地出水濃度的預(yù)測模型，建模過程中除進(jìn)水污染負(fù)荷外， 其它指標(biāo)都易于獲取，尤其是水質(zhì)理化特征。在既定濕地孔隙率、水力負(fù)荷、污染負(fù)荷(可W 單項指標(biāo)代替)及污染物組分特性條件下，只需要獲取水質(zhì)理化特征就可W建立濕地出水 多項目標(biāo)污染物的預(yù)測模型。而水質(zhì)理化特征可W通過在線監(jiān)測裝置獲取，簡便易行。
[0077] 2.該方法利用采集的多維數(shù)據(jù)可同時建立多項目標(biāo)污染物的預(yù)測模型，便于各項 目標(biāo)污染物之間的比較，可為潛流濕地的優(yōu)化設(shè)計和運(yùn)行管理提供依據(jù)。
[0078] 3.該方法基于神經(jīng)網(wǎng)絡(luò)原理，迎合了當(dāng)前人工濕地凈化機(jī)理存在的"黑箱"問題， 建立的預(yù)測模型可靠性高，預(yù)測結(jié)果精確。
[0079] 一系列試驗證明該方法很好地模擬了垂直流濕地處理水產(chǎn)養(yǎng)殖廢水的凈化效果， 對濕地出水總氮模擬的相對誤差絕對值在4.6%-12.6%，對濕地出水氨氮模擬的相對誤差 絕對值在15.3%-22.5%，且模擬值與觀察值之間的相關(guān)性都達(dá)到了顯著或極顯著水平，說 明構(gòu)建的預(yù)測模型可用于總氮、氨氮的預(yù)測。
[0080]應(yīng)當(dāng)理解的是，對本領(lǐng)域普通技術(shù)人員來說，可W根據(jù)上述說明加 W改進(jìn)或變換， 而所有運(yùn)些改進(jìn)和變換都應(yīng)屬于本發(fā)明所附權(quán)利要求的保護(hù)范圍。
【主權(quán)項】
1. 一種基于神經(jīng)網(wǎng)絡(luò)原理的潛流濕地出水濃度的預(yù)測方法，其特征在于，包括以下步 驟： 51、 獲取采集到的用于構(gòu)建預(yù)測模型的多維數(shù)據(jù)，包括潛流濕地的孔隙率、水力負(fù)荷、 污染負(fù)荷、污染物組分特性及水質(zhì)理化特征； 52、 根據(jù)神經(jīng)網(wǎng)絡(luò)原理構(gòu)建預(yù)測模型，設(shè)置多維數(shù)據(jù)為輸入層，設(shè)置率定的神經(jīng)元數(shù)為 隱含層，得到的輸出層為模擬的多項污染物濃度； 53、 獲取多組實際數(shù)據(jù)對構(gòu)建的預(yù)測模型進(jìn)行可靠性評估和反饋調(diào)試； 54、 根據(jù)驗證后的預(yù)測模型，模擬出濕地出水濃度，對潛流濕地出水濃度進(jìn)行長期持續(xù) 預(yù)測。2. 根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)原理的潛流濕地出水濃度的預(yù)測方法，其特征 在于，步驟S1中還包括對多維數(shù)據(jù)進(jìn)行預(yù)處理的方法，具體為： 將多維數(shù)據(jù)分為建模數(shù)據(jù)和驗證數(shù)據(jù)，建模數(shù)據(jù)又進(jìn)一步劃分為訓(xùn)練、驗證和測試三 部分，其中驗證和測試各自所占建模數(shù)據(jù)的比例在5 % -35 %之間。3. 根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)原理的潛流濕地出水濃度的預(yù)測方法，其特征 在于，步驟S1中的多維數(shù)據(jù)為影響濕地凈化效能的多項參數(shù)，其中水質(zhì)理化特征通過在線 檢測裝置獲取。4. 根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)原理的潛流濕地出水濃度的預(yù)測方法，其特征 在于，步驟S2中構(gòu)建預(yù)測模型的方法具體為： 通過Matlab神經(jīng)網(wǎng)絡(luò)擬合工具建立預(yù)測模型，在率定隱含層神經(jīng)元數(shù)前提下進(jìn)行多次 訓(xùn)練的結(jié)果，隱含層神經(jīng)元數(shù)的率定采用試錯法。5. 根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)原理的潛流濕地出水濃度的預(yù)測方法，其特征 在于，步驟S3中可靠性評估和反饋調(diào)試的方法具體為： 計算模擬結(jié)果的均方誤差、絕對誤差、相對誤差以及相關(guān)系數(shù)； 反饋調(diào)試驗證結(jié)果欠佳的條件為：相關(guān)系數(shù)的顯著性水平P>〇.05,此時對已構(gòu)建的預(yù) 測模型重新進(jìn)行有限次訓(xùn)練，以獲得更好的模擬結(jié)果； 訓(xùn)練結(jié)束判定的依據(jù)是驗證結(jié)果取得了最小的均方誤差、相對誤差和/或最高的相關(guān) 系數(shù)。6. 根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)原理的潛流濕地出水濃度的預(yù)測方法，其特征 在于，步驟S4中還包括對預(yù)測模型進(jìn)行整合應(yīng)用的方法，具體為： 通過在線檢測裝置獲取潛流濕地后期水質(zhì)理化特征數(shù)據(jù)，該在線檢測裝置與PC機(jī)聯(lián) 用，PC機(jī)上安裝有Matlab神經(jīng)網(wǎng)絡(luò)擬合工具；該P(yáng)C機(jī)利用前期采集的多維數(shù)據(jù)已經(jīng)人工建 立了潛流濕地出水濃度的預(yù)測模型;將潛流濕地后期水質(zhì)理化特征數(shù)據(jù)導(dǎo)入Matlab神經(jīng)網(wǎng) 絡(luò)擬合工具中，并利用已經(jīng)構(gòu)建的預(yù)測模型模擬出濕地出水濃度，達(dá)到對潛流濕地出水濃 度進(jìn)行長期性持續(xù)性快捷預(yù)測的目的。7. 根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)原理的潛流濕地出水濃度的預(yù)測方法，其特征 在于，步驟S1中的染物組分特性包括污染物類別、可生化性強(qiáng)弱和碳氮比。8. 根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)原理的潛流濕地出水濃度的預(yù)測方法，其特征 在于，步驟S1中的水質(zhì)理化特征包括溫度、溶解氧、pH值、電導(dǎo)率、氧化還原電位和總?cè)芙夤?體。
【文檔編號】G06N3/02GK106021884SQ201610313261
【公開日】2016年10月12日
【申請日】2016年5月12日
【發(fā)明人】張世羊, 程靜, 班宜輝, 徐舟影
【申請人】武漢理工大學(xué)