CN111693667A - 一种基于门控递归阵列水质检测***及方法 - Google Patents

Abstract

本发明提出一种基于门控递归阵列水质检测的检测方法，包括以下步骤：S1，获取水质参数值包括PH值、电导率、浊度、溶解氧、水温、叶绿素A的含量、蓝绿藻的含量、氨氮的含量，总磷的含量、铜的含量、铅的含量、锡的含量；获取环境指标包括大气压力、大气湿度、大气温度、风速；S2，将获取的水质参数值以及环境指标进行归一化及特征选择，得到预处理数据；S3，选用基于门控递归阵列的神经网络作为预测模型，并设置损失函数及优化迭代方法；S4，将预处理数据输入到预测模型进行模型训练得出预测结果；S5，将预测结果与设定的五级水质分类进行比对，获得分类结果。本发明能够更加有效的利用水质属性进行预测分类。

Description

一种基于门控递归阵列水质检测***及方法

技术领域

本发明涉及水质安全技术领域，尤其是涉及一种基于门控递归阵列水质检测***及方法。

背景技术

随着我国工业和科技水平的不断发展，其所造成的工业污水、生活污水以及其他废弃物进入湖泊、水库以及其他江海湖海等饮用水源，以至于超过水体自净能力所造成了严重污染，会导致水体的物理、化学、生物等方面特征的改变，从而影响到水的利用价值，甚至危害到了人体健康以及生态环境，造成逐渐恶化最终到达不可挽回的局面。因此，开发实时在线，有效快速的水质监测***对于环境治理、处理污染水源具有重要意义。

近年来，国家对于环境保护越来越重视，也有更多的相关研究人员提出新技术、新方法。这些技术主要包括电化学分析法、色谱分离技术法、生物传感技术法以及光谱分析法等。通过这些方法获取到各种指标的数据，再通过传统水质分类的方法如单因子评价法、指数评价法等传统方法费时费力，并且效率极低。也有研究人员提出逻辑回归、神经网络等方法建立模型，从而获取水质数据并预测水质类别。但这些方法存在一些不足之处，如模型建立的相关性欠缺，其次所采用的模型不具有能考虑水质数据的时序性功能，降低了水质预测工作的准确性，且不能及时有效的得出结果。

因此，为开发有效快速的水质监测***，并提升模型预测的准确度，我们需要关注到更多环境属性，并引入其时序性特征。

发明内容

针对模型建立的相关性欠缺且所采用的模型不具有能考虑水质数据的时序性功能的问题，本发明提出了一种基于门控递归阵列水质检测***及方法，能够更加有效的利用水质属性进行预测分类。

为实现上述目的，本发明提供以下的技术方案：

一种基于门控递归阵列水质检测的检测方法，包括以下步骤：

S1，获取水质参数值包括PH值、电导率、浊度、溶解氧、水温、叶绿素A的含量、蓝绿藻的含量、氨氮的含量，总磷的含量、铜的含量、铅的含量、锡的含量；获取环境指标包括大气压力、大气湿度、大气温度、风速；

S2，将获取的水质参数值以及环境指标进行归一化及特征选择，得到预处理数据；

S3，选用基于门控递归阵列的神经网络作为预测模型，并设置损失函数及优化迭代方法；

S4，将预处理数据输入到预测模型进行模型训练得出预测结果；

S5，将预测结果与设定的五级水质分类进行比对，获得分类结果。

得出包含时序属性的水质等级预测，预测准确率更高。这是由于门控递归阵列具有记忆的特性，使得水质监测当中温度、化学反应等时序性特点被充分考虑。且相比于其他神经网络，门控递归阵列的门控单元更少，因此参数更少，复杂度低。

作为优选，所述设定的五级水质分类具体包括：

连续时间下获取水质参数值，同时获取环境指标输入计算机进行记录；目前国家地表水环境质量标准依据地表水水域环境功能和保护目标将其划分为I、II、III、IV、V五类，设在t时刻收集到的16种水质监测数据为：

X_t＝(x¹，x²，......，x¹⁶)

上述X_t为t时刻的水质特征数组，xⁿ为第n个数据指标，且t时刻水质分类结果为：

Y_t＝y y∈(I，II，III，IV，V)。

作为优选，所述步骤S2具体包括：

将收集到的数据进行归一化处理，将所述X_t内的数据归一化到[0，1]之间，得到：

X_t＝(x¹，x²，......，x¹⁶)xⁿ∈[0，1]

通过特征消除与交叉验证算法选出与预测水质分类结果相关性最大的k个特征属性，得到：

X_t＝(x¹，x²，......，x^k)x^k∈[0，1]。

这里主要采用递归特征消除与交叉验证算法，算法的主要思想是反复构建模型，然后选出最好的特征，根据其特征的系数占比来决定，并将选出来的特征放到集合当中，然后将剩余的特征进行反复构建模型，直到遍历了所有的特征。而在构建模型之前需要将数据经过归一化处理，因为若没有归一化，基于这些数据构建的模型得出来的结果是不够稳定的。

作为优选，所述步骤S3具体包括：基于门控递归阵列设计一个神经网络，门控递归阵列存在两种门：分别是更新门和重置门，更新门用于控制前一时刻的状态信息被带入到当前状态中的当前状态的程度，更新门的值越大说明前一时刻的状态信息带入越多；重置门控制前一状态有多少信息被写入到当前的候选集

上，重置门越小，前一状态的信息被写入的越少；处理数据的过程也就是门控递归阵列的前向传播过程为：

Γ_u＝σ(W_u[c^<t-1>，X_t]+b_u)

上述式中Γ_u为更新门的值，σ为激活函数，W_u为更新门的权重，c^<t-1>为上一时刻的状态值，b_u为更新门偏重值；

Γ_r＝σ(W_r[c^<t-1>，X_t]+b_r)

上述式中Γ_r为重置门的值，σ为激活函数，W_r为重置门的权重，c^<t-1>为上一时刻的状态值，b_r为重置门偏重值；

上述式中

为当前时刻的候选状态值，tanh为激活函数，W_c为权重值，b_c为当前运算偏重值；

上述式中c^<t>为当前状态值；

σ激活函数的作用为将状态值压缩到(0，1)之间，为sigmoid激活函数，式子为：

k为传入激活函数的参数。

作为优选，所述步骤S3中需要训练优化的损失函数为：

J(θ)＝E[Loss(f(X_t；θ)，Y)]

θ为神经网络内参数，J(θ)为损失函数。

作为优选，所述损失函数采用SGD优化算法或Adam优化算法，

所述SGD优化算法具体包括：

输入学习率ξ_k，初始参数θ，梯度

当为满足停止条件时，从训练集中采集包含m个样本{X_t ⁽¹⁾，X_t ⁽²⁾，...，X_t ^(m)}的小批量，其中数据x⁽ⁱ⁾对应目标y⁽ⁱ⁾；

计算梯度估计：

更新参数：

所述Adam优化算法具体包括：

输入全局学习率ξ_k(默认0.001)，矩估计的指数衰减率，ρ₁、ρ₂在区间[0，1)内(默认0.9与0.999)，用于数值稳定的小常数δ(默认10^-7)，

输入初始参数θ，初始化一阶矩和二阶矩变量s＝0，r＝0，初始化时间步t＝0，当未满足停止条件时，从训练集中采集包含m个样本{x⁽¹⁾，x⁽²⁾，...，x^(m)}，其中数据x⁽ⁱ⁾对应目标y⁽ⁱ⁾，

计算梯度估计：

t←t+1

更新有偏一阶矩估计：s←ρ₁s+(1-p₁)g

更新有偏二阶矩估计：r←ρ₂r+(1-ρ₂)ge g。

在神经网络训练期间，实际上可以等效于减小损失函数的过程，神经网络算法发展初始阶段，一般选择的是梯度下降算法，通过批量输入数据，得到输出数据，并与目标函数做差算出损失函数值，减小损失函数值的方法是改变网络中的参数。最终目的是，使得输入对应输出，并算出的损失函数值达到最低点，等效于输出接近于理想值。上述优化算法，从损失函数收敛速度，梯度下降速度，自适应下降方面进行优化。使得损失函数尽量趋近于全局最优解。

一种基于门控递归阵列水质检测***，适用于上述的一种基于门控递归阵列水质检测的检测方法，包括

数据采集模块，获取水质参数值和环境指标，并将水质参数值和环境指标传输到数据库模块；

数据库模块，存储水质参数值和环境指标的数据；

数据处理模块，调用数据库中的水质参数值和环境指标的数据，进行预处理，得到预处理数据，并将预处理数据传输到门控递归阵列模型；

门控递归阵列模型，设有预先建立好的训练模型，接收数据处理模块输入的预处理数据，并将预处理数据输入到训练模型进行训练，得到预测的结果；

计算机水质监测平台，设有五级水质分类预警阈值，接收预测的结果，根据预测结果获得分类结果并进行预警。

作为优选，所述***还设有报警器模块，所述计算机水质监测平台与报警器模块电连接。当水质等级属于不正常范围时，控制报警器模块报警

作为优选，所述数据采集模块包括宽光谱水质分析单元、温度传感器、湿度传感器、压力计和风速计，所述宽光谱水质分析单元通过宽光谱水质分析技术获取水质参数值，所述温度传感器、湿度传感器、压力计和风速计获取环境指标。

作为优选，所述水质参数值包括PH值、电导率、浊度、溶解氧、水温、叶绿素A的含量、蓝绿藻的含量、氨氮的含量，总磷的含量、铜的含量、铅的含量、锡的含量；所述环境指标包括大气压力、大气湿度、大气温度、风速。

本发明有以下有益效果：采用基于门控递归阵列的深度神经网络作为预测模型，门控递归阵列具有记忆性功能，在训练时将属性时序变化的影响纳入影响结果的因素，如水温、大气压、以及水中物质所产生的化学反应等，具有一定延时性的影响因素。通过训练得到特征相关性更高，预测更准确的模型，为及时准确的预测水质等级，并作出应急反应具有重要意义；得出包含时序属性的水质等级预测，预测准确率更高；相比于其他神经网络，门控递归阵列的门控单元更少，因此参数更少，复杂度低。

附图说明

图1是本实施例的***构成图；

图2是本实施例中门控递归阵列输入输出框架图；

图3是本实施例中门控递归阵列内部框架图；

其中：S01、数据采集模块 S02、数据库模块 S03、数据处理模块 S04、门控递归阵列模型 S05、计算机水质监测平台 S06、报警器模块。

具体实施方式

实施例：

本实施例提出一种基于门控递归阵列水质检测的检测方法，包括以下步骤：

S1，获取水质参数值包括PH值、电导率、浊度、溶解氧、水温、叶绿素A的含量、蓝绿藻的含量、氨氮的含量，总磷的含量、铜的含量、铅的含量、锡的含量；获取环境指标包括大气压力、大气湿度、大气温度、风速；

设定五级水质分类具体包括：

连续时间下获取水质参数值，同时获取环境指标输入计算机进行记录；目前国家地表水环境质量标准依据地表水水域环境功能和保护目标将其划分为I、II、III、IV、V五类，设在t时刻收集到的16种水质监测数据为：

X_t＝(x¹，x²，......，x¹⁶)

上述X_t为t时刻的水质特征数组，xⁿ为第n个数据指标，且t时刻水质分类结果为：

Y_t＝y y∈(I，II，III，IV，V)。

S2，将获取的水质参数值以及环境指标进行归一化及特征选择，得到预处理数据；步骤S2具体包括：

将收集到的数据进行归一化处理，将X_t内的数据归一化到[0，1]之间，得到：

X_t＝(x¹，x²，......，x¹⁶)xⁿ∈[0，1]

通过特征消除与交叉验证算法选出与预测水质分类结果相关性最大的k个特征属性，得到：

X_t＝(x¹，x²，......，x^k)x^k∈[0，1]。

这里主要采用递归特征消除与交叉验证算法，算法的主要思想是反复构建模型，然后选出最好的特征，根据其特征的系数占比来决定，并将选出来的特征放到集合当中，然后将剩余的特征进行反复构建模型，直到遍历了所有的特征。而在构建模型之前需要将数据经过归一化处理，因为若没有归一化，基于这些数据构建的模型得出来的结果是不够稳定的。

S3，选用基于门控递归阵列的神经网络作为预测模型，并设置损失函数及优化迭代方法；

门控递归阵列的输入输出框架参考图2，输入输出包括输入数据、前一时刻状态值、当前时刻状态值、输出数据。

门控递归阵列的内部框架参考图3，其中模块包括输入输出模块、当前状态值与前一状态值模块，运算模块1为乘法运算，运算模块2为与1求差运算，运算模块3为加法运算，激活函数1为sigma激活函数，激活函数2为tanh激活函数。

步骤S3具体包括：基于门控递归阵列设计一个神经网络，门控递归阵列存在两种门：分别是更新门和重置门，更新门用于控制前一时刻的状态信息被带入到当前状态中的当前状态的程度，更新门的值越大说明前一时刻的状态信息带入越多；重置门控制前一状态有多少信息被写入到当前的候选集

上，重置门越小，前一状态的信息被写入的越少；处理数据的过程也就是门控递归阵列的前向传播过程为：

Γ_u＝σ(W_u[c^<t-1>，X_t]+b_u)

上述式中Γ_u为更新门的值，σ为激活函数，W_u为更新门的权重，c^<t-1>为上一时刻的状态值，b_u为更新门偏重值；

Γ_r＝σ(W_r[c^<t-1>，X_t]+b_r)

上述式中Γ_r为重置门的值，σ为激活函数，W_r为重置门的权重，c^<t-1>为上一时刻的状态值，b_r为重置门偏重值；

上述式中

为当前时刻的候选状态值，tanh为激活函数，W_c为权重值，b_c为当前运算偏重值；

上述式中c^<t>为当前状态值；

σ激活函数的作用为将状态值压缩到(0，1)之间，为sigmoid激活函数，式子为：

k为传入激活函数的参数。

步骤S3中需要训练优化的损失函数为：

J(θ)＝E[Loss(f(X_t；θ)，Y)]

θ为神经网络内参数，J(θ)为损失函数。

损失函数采用SGD优化算法或Adam优化算法，

SGD优化算法具体包括：

输入学习率ξ_k，初始参数θ，梯度

当为满足停止条件时，从训练集中采集包含m个样本{X_t ⁽¹⁾，X_t ⁽²⁾，...，X_t ^(m)}的小批量，其中数据x⁽ⁱ⁾对应目标y⁽ⁱ⁾；

计算梯度估计：

更新参数：

Adam优化算法具体包括：

输入全局学习率ξ_k(默认0.001)，矩估计的指数衰减率，ρ₁、ρ₂在区间[0，1)内(默认0.9与0.999)，用于数值稳定的小常数δ(默认10^-7)，

输入初始参数θ，初始化一阶矩和二阶矩变量s＝0，r＝0，初始化时间步t＝0，当未满足停止条件时，从训练集中采集包含m个样本{x⁽¹⁾，x⁽²⁾，...，x^(m)}，其中数据x⁽ⁱ⁾对应目标y⁽ⁱ⁾，

计算梯度估计：

t←t+1

更新有偏一阶矩估计：s←ρ₁s+(1-p₁)g

更新有偏二阶矩估计：r←ρ₂r+(1-ρ₂)ge g。

S4，将预处理数据输入到预测模型进行模型训练得出预测结果；

S5，将预测结果与设定的五级水质分类进行比对，获得分类结果。

得出包含时序属性的水质等级预测，预测准确率更高。这是由于门控递归阵列具有记忆的特性，使得水质监测当中温度、化学反应等时序性特点被充分考虑。且相比于其他神经网络，门控递归阵列的门控单元更少，因此参数更少，复杂度低。

在神经网络训练期间，实际上可以等效于减小损失函数的过程，神经网络算法发展初始阶段，一般选择的是梯度下降算法，通过批量输入数据，得到输出数据，并与目标函数做差算出损失函数值，减小损失函数值的方法是改变网络中的参数。最终目的是，使得输入对应输出，并算出的损失函数值达到最低点，等效于输出接近于理想值。上述优化算法，从损失函数收敛速度，梯度下降速度，自适应下降方面进行优化。使得损失函数尽量趋近于全局最优解。

本实施例还提出一种基于门控递归阵列水质检测***，适用于上述的一种基于门控递归阵列水质检测的检测方法，参考图1，包括

数据采集模块，获取水质参数值和环境指标，并将水质参数值和环境指标传输到数据库模块；

数据库模块，存储水质参数值和环境指标的数据；

数据处理模块，调用数据库中的水质参数值和环境指标的数据，进行预处理，得到预处理数据，并将预处理数据传输到门控递归阵列模型；

门控递归阵列模型，设有预先建立好的训练模型，接收数据处理模块输入的预处理数据，并将预处理数据输入到训练模型进行训练，得到预测的结果；

计算机水质监测平台，设有五级水质分类预警阈值，接收预测的结果，根据预测结果获得分类结果并进行预警。

***还设有报警器模块，计算机水质监测平台与报警器模块电连接。当水质等级属于不正常范围时，控制报警器模块报警

数据采集模块包括宽光谱水质分析单元、温度传感器、湿度传感器、压力计和风速计，宽光谱水质分析单元通过宽光谱水质分析技术获取水质参数值，温度传感器、湿度传感器、压力计和风速计获取环境指标。

水质参数值包括PH值、电导率、浊度、溶解氧、水温、叶绿素A的含量、蓝绿藻的含量、氨氮的含量，总磷的含量、铜的含量、铅的含量、锡的含量；环境指标包括大气压力、大气湿度、大气温度、风速。

本发明有以下优势：采用基于门控递归阵列的深度神经网络作为预测模型，门控递归阵列具有记忆性功能，在训练时将属性时序变化的影响纳入影响结果的因素，如水温、大气压、以及水中物质所产生的化学反应等，具有一定延时性的影响因素。通过训练得到特征相关性更高，预测更准确的模型，为及时准确的预测水质等级，并作出应急反应具有重要意义；得出包含时序属性的水质等级预测，预测准确率更高；相比于其他神经网络，门控递归阵列的门控单元更少，因此参数更少，复杂度低。

Claims (10)

1.一种基于门控递归阵列水质检测的检测方法，其特征是，包括以下步骤：

S1，获取水质参数值包括PH值、电导率、浊度、溶解氧、水温、叶绿素A的含量、蓝绿藻的含量、氨氮的含量，总磷的含量、铜的含量、铅的含量、锡的含量；获取环境指标包括大气压力、大气湿度、大气温度、风速；

S2，将获取的水质参数值以及环境指标进行归一化及特征选择，得到预处理数据；

S3，选用基于门控递归阵列的神经网络作为预测模型，并设置损失函数及优化迭代方法；

S4，将预处理数据输入到预测模型进行模型训练得出预测结果；

S5，将预测结果与设定的五级分类进行比对，获得分类结果。

2.根据权利要求1所述的一种基于门控递归阵列水质检测的检测方法，其特征是，所述设定的五级分类具体包括：

连续时间下获取水质参数值，同时获取环境指标输入计算机进行记录；目前国家地表水环境质量标准依据地表水水域环境功能和保护目标将其划分为I、II、III、IV、V五类，设在t时刻收集到的16种水质监测数据为：

X_t＝(x¹，x²，......，x¹⁶)

上述X_t为t时刻的水质特征数组，xⁿ为第n个数据指标，且t时刻水质分类结果为：

Y_t＝y y∈(I，II，III，IV，V)。

3.根据权利要求2所述的一种基于门控递归阵列水质检测的检测方法，其特征是，所述步骤S2具体包括：

将收集到的数据进行归一化处理，将所述X_t内的数据归一化到[0，1]之间，得到：

X_t＝(x¹，x²，......，x¹⁶) xⁿ∈[0，1]

通过特征消除与交叉验证算法选出与预测水质分类结果相关性最大的k个特征属性，得到：

X_t＝(x¹，x²，.....，x^k) x^k∈[0，1]。

4.根据权利要求1所述的一种基于门控递归阵列水质检测的检测方法，其特征是，所述步骤S3具体包括：基于门控递归阵列设计一个神经网络，门控递归阵列存在两种门：分别是更新门和重置门，更新门用于控制前一时刻的状态信息被带入到当前状态中的当前状态的程度，更新门的值越大说明前一时刻的状态信息带入越多；重置门控制前一状态有多少信息被写入到当前的候选集

上，重置门越小，前一状态的信息被写入的越少；处理数据的过程也就是门控递归阵列的前向传播过程为：

Γ_u＝σ(W_u[c^<t-1>，X_t]+b_u)

上述式中Γ_u为更新门的值，σ为激活函数，W_u为更新门的权重，c^<t-1>为上一时刻的状态值，b_u为更新门偏重值；

Γ_r＝σ(W_r[c^<t-1>，X_t]+b_r)

上述式中Γ_r为重置门的值，σ为激活函数，W_r为重置门的权重，c^<t-1>为上一时刻的状态值，b_r为重置门偏重值；

上述式中

为当前时刻的候选状态值，tanh为激活函数，W_c为权重值，b_c为当前运算偏重值；

上述式中c^<t>为当前状态值；

σ激活函数的作用为将状态值压缩到(0，1)之间，为sigmoid激活函数，式子为：

k为传入激活函数的参数。

5.根据权利要求4所述的一种基于门控递归阵列水质检测的检测方法，其特征是，所述步骤S3中需要训练优化的损失函数为：

J(θ)＝E[Loss(f(X_t；θ)，Y)]

θ为神经网络内参数，J(θ)为损失函数。

6.根据权利要求4所述的一种基于门控递归阵列水质检测的检测方法，其特征是，所述损失函数采用SGD优化算法或Adam优化算法，

所述SGD优化算法具体包括：

输入学习率ξ_k，初始参数θ，梯度

当为满足停止条件时，从训练集中采集包含m个样本{X_t ⁽¹⁾，X_t ⁽²⁾，...，X_t ^(m)}的小批量，其中数据x⁽ⁱ⁾对应目标y⁽ⁱ⁾；

计算梯度估计：

更新参数：

所述Adam优化算法具体包括：

输入全局学习率ξ_k(默认0.001)，矩估计的指数衰减率，ρ₁、ρ₂在区间[0，1)内(默认0.9与0.999)，用于数值稳定的小常数δ(默认10^-7)，

输入初始参数θ，初始化一阶矩和二阶矩变量s＝0，r＝0，初始化时间步t＝0，当未满足停止条件时，从训练集中采集包含m个样本{x⁽¹⁾，x⁽²⁾，...，x^(m)}，其中数据x⁽ⁱ⁾对应目标y⁽ⁱ⁾，

计算梯度估计：

t←t+1

更新有偏一阶矩估计：s←ρ₁s+(1-p₁)g

更新有偏二阶矩估计：r←ρ₂r+(1-ρ₂)ge g。

7.一种基于门控递归阵列水质检测***，适用于权利要求1-7所述的一种基于门控递归阵列水质检测的检测方法，其特征是，包括

数据采集模块，获取水质参数值和环境指标，并将水质参数值和环境指标传输到数据库模块；

数据库模块，存储水质参数值和环境指标的数据；

数据处理模块，调用数据库中的水质参数值和环境指标的数据，进行预处理，得到预处理数据，并将预处理数据传输到门控递归阵列模型；

门控递归阵列模型，设有预先建立好的训练模型，接收数据处理模块输入的预处理数据，并将预处理数据输入到训练模型进行训练，得到预测的结果；

计算机水质监测平台，设有五级分类预警阈值，接收预测的结果，根据预测结果获得分类结果并进行预警。

8.根据权利要求7所述的一种基于门控递归阵列水质检测***，其特征是，所述***还设有报警器模块，所述计算机水质监测平台与报警器模块电连接。

9.根据权利要求7所述的一种基于门控递归阵列水质检测***，其特征是，所述数据采集模块包括宽光谱水质分析单元、温度传感器、湿度传感器、压力计和风速计，所述宽光谱水质分析单元通过宽光谱水质分析技术获取水质参数值，所述温度传感器、湿度传感器、压力计和风速计获取环境指标。

10.根据权利要求9所述的一种基于门控递归阵列水质检测***，其特征是，所述水质参数值包括PH值、电导率、浊度、溶解氧、水温、叶绿素A的含量、蓝绿藻的含量、氨氮的含量，总磷的含量、铜的含量、铅的含量、锡的含量；所述环境指标包括大气压力、大气湿度、大气温度、风速。

Images