CN116701884A - 基于蚁群-神经网络算法的公路工程污水水质预测方法 - Google Patents
基于蚁群-神经网络算法的公路工程污水水质预测方法 Download PDFInfo
- Publication number
- CN116701884A CN116701884A CN202310968657.6A CN202310968657A CN116701884A CN 116701884 A CN116701884 A CN 116701884A CN 202310968657 A CN202310968657 A CN 202310968657A CN 116701884 A CN116701884 A CN 116701884A
- Authority
- CN
- China
- Prior art keywords
- neural network
- highway engineering
- water quality
- quality prediction
- sewage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000010865 sewage Substances 0.000 title claims abstract description 76
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 40
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 60
- 238000013441 quality evaluation Methods 0.000 claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 239000003016 pheromone Substances 0.000 claims description 42
- 241000257303 Hymenoptera Species 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 8
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 238000004134 energy conservation Methods 0.000 abstract 1
- 238000011161 development Methods 0.000 description 4
- 239000002351 wastewater Substances 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000004148 unit process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Activated Sludge Processes (AREA)
Abstract
本发明公开了基于蚁群‑神经网络算法的公路工程污水水质预测方法，属于污水水质预测技术领域，所述方法首先选择污水水质评价指标，建立污水水质评价体系；其次采用BP神经网络构建公路工程污水水质预测模型，并利用蚁群算法确定网络结构、网络初始连接权值和阈值；然后给出网络结构评价函数，选择神经网络模型的最佳结构、网络初始连接权值和阈值；接着通过BP算法训练该网络，改进算法中的系数值，使预测模型达到最佳状态；最后将测试用数据输入预测模型，输出水质预测结果。本发明克服了反向传播神经网络预测模型收敛慢，模型精度不高的问题，实现了公路工程污水水质预测，有益于节能环保及绿色施工，并为后续的污水处理带来了便利。
Description
技术领域
本发明涉及污水水质预测技术领域，尤其是基于蚁群-神经网络算法的公路工程污水水质预测方法。
背景技术
随着我国经济持续快速的发展以及基本建设大规模开展，环境保护的任务也越来越重。公路交通网络的发展对经济发展起着至关重要的作用，但同时公路工程的施工也影响着我们的环境。因此在工程建设过程中，注重绿色施工是十分重要的。
施工过程中，在对土体进行抗渗处理时，会使用到影响水体的化学注浆；在铺设路面时，各种含沥青的废水会进入地表水体；另外，其他的废水、洗刷水、废浆以及机械漏油等，都可能影响地下水质。此外，施工人员会产生较多的生活污水，如果这些生活污水未经处理直接排入附近水体，或渗入地下，将对水源的使用功能产生较大影响。因此针对公路工程污水水质的预测是十分必要的。
专利（CN 110390429 A）中公开了一种基于神经网络的水环境质量预测***及方法。该发明的数据处理单元利用小波函数处理水质数据，通过反向传播神经网络（BPNN）训练数据，得到小波神经网络模型，同时计算得到区分正常水质数据和异常水质数据的阈值，通过比较预测值和实际预测值残差是否在阈值区域内来预测小流域的水环境质量。但是小波神经网络随着输入维数增加，收敛速度会大大降低且其网络结构及初始化参数难以确定。
有鉴于此，有必要研发一种利于加快模型收敛速度，使得数据的预测结果更接近真实情况的基于蚁群-神经网络算法的公路工程污水水质预测方法。
发明内容
本发明需要解决的技术问题是提供基于蚁群-神经网络算法的公路工程污水水质预测方法，利于加快模型收敛速度，使得数据的预测结果更接近真实情况。
为解决上述技术问题，本发明所采用的技术方案是：
一种基于蚁群-神经网络算法的公路工程污水水质预测方法，包括以下步骤：
S1，获取公路工程中的污水水质数据；
S2，选择污水水质评价指标，确定污水水质评价体系，并对污水水质评价指标数据进行预处理，分为训练用数据和测试用数据；
S3，利用蚁群算法确定BP神经网络结构、网络初始连接权值和阈值；根据定义的BP网络结构评价函数，选择神经网络模型的最佳结构、网络初始连接权值和阈值，构建公路工程污水水质预测模型；
S4，将训练用数据输入公路工程污水水质预测模型；通过BP算法训练公路工程污水水质预测模型，改进BP算法中的权值和阈值，使公路工程污水水质预测模型达到最佳状态，确定公路工程污水水质预测模型最终权值和阈值；
S5，将测试用数据输入公路工程污水水质预测模型；
S6，输出水质预测结果。
本发明技术方案的进一步改进在于：S2中，污水水质评价指标至少包括：COD浓度、BOD浓度、SS浓度、NH3-N浓度和TP浓度。
本发明技术方案的进一步改进在于：为便于BP神经网络训练中的快速收敛，对各污水水质评价指标数据进行归一化处理，考虑到神经网络算法对于特征值量化的需求，对实际数据采用Min-Max归一化处理：
(1)
其中，为原始水质数据，/>为处理后水质数据，/>为同类型指标数据中的最小值，/>为同类型指标数据中的最大值。
本发明技术方案的进一步改进在于：S3中，在BP神经网络正向传播过程中，为了使得神经网络具备更好的拟合能力，在网络中加入Sigmoid函数作为激活函数：
(2)
式中，为前一层输出值，/>为后一层输入值。
本发明技术方案的进一步改进在于：S3中，构建公路工程污水水质预测模型的具体过程如下：
S31，设BP神经网络层数最小值为3，最大值为5，输入节点数为5，输出层节点数为4，第一隐藏层和第三隐藏层节点数在区间[2,4]内，第二隐藏层节点数在区间[4,8]内，权值和阈值的最大数量总和为120；此外，设置一个神经网络结构参数包含网络层数和每层网络节点信息；
S32，根据包含网络层数以及每层节点数量的神经网络结构参数构建结构参数集合/>，连接权值和阈值参数/>，分别设置w个范围在[-2,2]的随机非零值，形成集合；
S33，初始化蚁群参数，设置蚁群蚂蚁数量为，最大迭代次数为/>，所有集合中元素的初始信息素为/>；
S34，在每个轮次中，启动所有蚂蚁，对于某只蚂蚁，在/>时刻，从某个集合/>，中选择元素时，其中1≤i≤121，会根据集合中元素的信息素浓度进行选择；计算第/>个元素被选择的概率，采用比例选择方法进行概率随机选择；
S35，所有蚂蚁均在每个集合中选择了一个元素，即到达目的地，根据蚂蚁选择的参数构建神经网络模型，输入训练用数据，计算交叉熵值，作为每只蚂蚁走过的路径长度；
S36，选择路径最短的只蚂蚁，原路返回巢穴进行信息素更新；
S37，重复步骤S34- S36，直至算法中所有蚂蚁收敛到同一路径或者达到最大循环次数停止；
S38，为了从蚁群算法中得到最优的网络结构，定义评价函数对网络结构进行评价。
本发明技术方案的进一步改进在于：S34中，概率计算方法如下：
(3)
式中，表示在集合/>中第/>个元素的信息素浓度；/>表示在集合/>中第/>个元素的可见度；/>表示在集合/>中第/>个元素的信息素浓度；/>表示在集合/>中第/>个元素的可见度；/>是信息启发式因子，/>是期望启发式因子，/>是集合/>中的元素数量。
本发明技术方案的进一步改进在于：S35中，交叉熵值计算方法如下：
(4)
式中，为目标输出，/>为实际输出，/>为输出层节点数，即污水污染程度分类数。
本发明技术方案的进一步改进在于：S36中，信息素更新计算方法如下：
选择路径最短的只蚂蚁，原路返回巢穴进行信息素更新，蚂蚁所经历的时间为/>，则联立两式更新蚂蚁所选择的信息素浓度：
(5)
式中，为信息挥发因子；/>表示蚂蚁在/>时刻在/>中第/>个元素上留下的信息素；/>表示蚂蚁在/>时刻在/>中第/>个元素上留下的信息素；/>表示/>只蚂蚁在本轮中在/>中第/>个元素上留下的信息素；/>表示第/>只蚂蚁在本轮中在/>中第/>个元素上留下的信息素，如下式：
(6)
式中，为常数，用于控制信息素的增长速度，/>为交叉熵值，当交叉熵值越小时，路径越短，增长的信息素越多。
本发明技术方案的进一步改进在于：S38中，对神经网络结构的评价函数如下：
(7)
式中，为网络结构评价函数，函数值越大则模型越好；/>为模型的交叉熵；/>是模型的层数，且3≤L≤5；/>是避免分母为0而设置的常数；/>是网络第/>个隐含层的评价值，/>=1,2,3，当网络结构只有两个隐含层时，设置/>，当模型只有一个隐含层时，设置/>；为第/>个隐含层的节点数量，/>是第/>个隐含层的最大节点数量；/>是第/>个隐含层的影响系数。
由于采用了上述技术方案，本发明取得的技术进步是：
1、本发明在获得水质数据的基础上，使用蚁群算法对神经网络的初始结构及初始权值和阈值进行选择，然后通过反向传播神经网络(BPNN)训练数据，得到基于蚁群-神经网络的公路工程污水水质预测模型，这一模型解决了网络结构不确定，网络初始连接权值和阈值不稳定导致模型收敛慢，性能不高的问题；使污水水质预测的结果与未来实际情况更加贴近，以便于尽早采取整治或防范措施，使水质达到可排放标准。
2、本发明提供的公路工程污水水质预测方法可为水环境以及生态类研究工作提供更好的预测数据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图；
图1是本发明提供的一种基于蚁群-神经网络算法的公路工程污水水质预测方法的流程图；
图2是本发明实施例中的基于蚁群-神经网络算法的流程图。
具体实施方式
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语 “包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合实施例对本发明做进一步详细说明：
如图1所示，一种基于蚁群-神经网络算法的公路工程污水水质预测方法，包括以下步骤:
S1、获取公路工程中的污水水质数据；
S2、选择污水水质评价指标，确定污水水质评价体系，并对污水水质评价指标数据进行预处理，分为训练用数据和测试用数据；
S3、利用蚁群算法确定BP神经网络结构、网络初始连接权值和阈值；根据定义的BP网络结构评价函数，选择神经网络模型的最佳结构、网络初始连接权值和阈值，构建公路工程污水水质预测模型；
S4、将训练用数据输入公路工程污水水质预测模型；通过BP算法训练公路工程污水水质预测模型，改进BP算法中的权值和阈值，使公路工程污水水质预测模型达到最佳状态,确定公路工程污水水质预测模型最终权值和阈值；
S5、将测试用数据输入公路工程污水水质预测模型；
S6、输出水质预测结果。
具体的，在获取污水水质数据后，确定污水水质指标数据至少包括：COD（化学需氧量）浓度、BOD（生化需氧量）浓度、SS（悬浮物）浓度、NH3-N（氨氮）浓度、TP（总磷）浓度。然后，对各指标数据进行归一化处理，考虑到神经网络算法对于特征值量化的需求，对实际数据采用Min-Max归一化处理：
(1)
式中，为原始水质数据，/>为处理后水质数据，/>为同类型指标数据中的最小值，/>为同类型指标数据中的最大值。
在BP神经网络正向传播过程中，为了使得神经网络具备更好的拟合能力，在网络中加入Sigmoid函数作为激活函数，为前一层输出值，/>为后一层输入值，即：
(2)
设BP神经网络层数最小值为3，最大值为5，BP神经网络的输入节点数为5（水质指标数），输出层节点数为4（污水水质污染程度等级数，分别为A、B、C、D，各等级污染物浓度范围可参考表1，该标准可根据各地区实际情况而定），第一隐藏层和第三隐藏层节点数在区间[2,4]内，第二隐藏层节点数在区间[4,8]内，因此，权值和阈值的最大数量总和为120。此外，设置一个神经网络结构参数包含网络层数和每层网络节点信息，如表2所示：
表1各等级污水中污染物浓度范围
表2神经网络结构参数表
具体算法如下，如图2所示：
（1）根据神经网络结构参数（包含网络层数以及每层节点数量）构建结构参数集合/>，连接权值和阈值参数/>,分别设置w个范围在[-2,2]的随机非零值，形成集合。
（2）初始化蚁群参数，设置蚁群蚂蚁数量为，最大迭代次数为/>，所有集合中元素的初始信息素为/>。
（3）在每个轮次中，启动所有蚂蚁，对于某只蚂蚁，在/>时刻，从某个集合/>(1≤i≤121)中选择元素时，会根据集合中元素的信息素浓度进行选择。计算第/>个元素被选择的概率，采用比例选择方法进行概率随机选择。概率计算方法如下：
(3)
式中，表示在集合/>中第/>个元素的信息素浓度；/>表示在集合/>中第/>个元素的可见度；/>表示在集合/>中第/>个元素的信息素浓度；/>表示在集合/>中第/>个元素的可见度；/>是信息启发式因子，/>是期望启发式因子，/>是集合/>中的元素数量。
（4）所有蚂蚁均在每个集合中选择了一个元素，即到达目的地，根据蚂蚁选择的参数构建神经网络模型，输入训练数据，计算交叉熵值，作为每只蚂蚁走过的路径长度。交叉熵计算方法如下：
(4)
其中：为目标输出，/>为实际输出，/>为输出层节点数，即污水污染程度分类数。
（5）选择路径最短的只蚂蚁，原路返回巢穴进行信息素更新，蚂蚁所经历的时间为/>，则联立两式更新蚂蚁所选择的信息素浓度：
(5)
式中，为信息挥发因子；/>表示蚂蚁在/>时刻在/>中第/>个元素上留下的信息素；/>表示蚂蚁在/>时刻在/>中第/>个元素上留下的信息素；/>表示/>只蚂蚁在本轮中在/>中第/>个元素上留下的信息素；/>表示第/>只蚂蚁在本轮中在/>中第/>个元素上留下的信息素，如下式：
(6)
式中，为常数，用于控制信息素的增长速度，/>为交叉熵值，当交叉熵值越小时，路径越短，增长的信息素越多。
（6）重复步骤（3）-（5），直至算法中所有蚂蚁收敛到同一路径或者达到最大循环次数停止。
为了从蚁群算法中得到最优的网络结构，定义评价函数对网络结构进行评价。对神经网络结构的评价函数如下：
(7)
式中，为网络结构评价函数，函数值越大则模型越好；/>为模型的交叉熵；/>(3≤L≤5)是模型的层数；/>是避免分母为0而设置的常数；/>（i=1,2,3）是网络第/>个隐含层的评价值，当网络结构只有两个隐含层时，设置/>，当模型只有一个隐含层时，设置；/>为第/>个隐含层的节点数量，/>是第/>个隐含层的最大节点数量；/>是第/>个隐含层的影响系数。
为防止算法陷入局部最优或者算法迭代速度过慢，通过对实验数据的对比，综合考虑算法的全局搜素能力和收敛速度，发现选取蚂蚁数量=50，信息素挥发因子/>=0.5，信息启发式因子/>=1.0，期望启发式因子/>=2.0，最大迭代次数/>=50，初始信息素/>=1.0，信息素常量/>=10能使得算法得到较好的搜素结果和较少的迭代次数，可以将此作为算法初始系数选值的参考。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.一种基于蚁群-神经网络算法的公路工程污水水质预测方法，其特征在于：包括以下步骤：
S1，获取公路工程中的污水水质数据；
S2，选择污水水质评价指标，确定污水水质评价体系，并对污水水质评价指标数据进行预处理，分为训练用数据和测试用数据；
S3，利用蚁群算法确定BP神经网络结构、网络初始连接权值和阈值；根据定义的BP网络结构评价函数，选择神经网络模型的最佳结构、网络初始连接权值和阈值，构建公路工程污水水质预测模型；
S4，将训练用数据输入公路工程污水水质预测模型；通过BP算法训练公路工程污水水质预测模型，改进BP算法中的权值和阈值，使公路工程污水水质预测模型达到最佳状态，确定公路工程污水水质预测模型最终权值和阈值；
S5，将测试用数据输入公路工程污水水质预测模型；
S6，输出水质预测结果。
2.根据权利要求1所述的一种基于蚁群-神经网络算法的公路工程污水水质预测方法，其特征在于：S2中，污水水质评价指标至少包括：COD浓度、BOD浓度、SS浓度、NH3-N浓度和TP浓度。
3.根据权利要求2所述的一种基于蚁群-神经网络算法的公路工程污水水质预测方法，其特征在于：为便于BP神经网络训练中的快速收敛，对各污水水质评价指标数据进行归一化处理，考虑到神经网络算法对于特征值量化的需求，对实际数据采用Min-Max归一化处理：
(1)
其中，为原始水质数据，/>为处理后水质数据，/>为同类型指标数据中的最小值，为同类型指标数据中的最大值。
4.根据权利要求1所述的一种基于蚁群-神经网络算法的公路工程污水水质预测方法，其特征在于：S3中，在BP神经网络正向传播过程中，为了使得神经网络具备更好的拟合能力，在网络中加入Sigmoid函数作为激活函数：
(2)
式中，为前一层输出值，/>为后一层输入值。
5.根据权利要求1所述的一种基于蚁群-神经网络算法的公路工程污水水质预测方法，其特征在于：S3中，构建公路工程污水水质预测模型的具体过程如下：
S31，设BP神经网络层数最小值为3，最大值为5，BP神经网络的输入节点数为5，输出层节点数为4，第一隐藏层和第三隐藏层节点数在区间[2,4]内，第二隐藏层节点数在区间[4,8]内，权值和阈值的最大数量总和为120；此外，设置一个神经网络结构参数包含网络层数和每层网络节点信息；
S32，根据包含网络层数以及每层节点数量的神经网络结构参数构建结构参数集合/>，连接权值和阈值参数/>，分别设置w个范围在[-2,2]的随机非零值，形成集合；
S33，初始化蚁群参数，设置蚁群蚂蚁数量为，最大迭代次数为/>，所有集合中元素的初始信息素为/>；
S34，在每个轮次中，启动所有蚂蚁，对于某只蚂蚁，在/>时刻，从某个集合/>，中选择元素时，其中1≤i≤121，会根据集合中元素的信息素浓度进行选择；计算第/>个元素被选择的概率，采用比例选择方法进行概率随机选择；
S35，所有蚂蚁均在每个集合中选择了一个元素，即到达目的地，根据蚂蚁选择的参数构建神经网络模型，输入训练用数据，计算交叉熵值，作为每只蚂蚁走过的路径长度；
S36，选择路径最短的只蚂蚁，原路返回巢穴进行信息素更新；
S37，重复步骤S34- S36，直至算法中所有蚂蚁收敛到同一路径或者达到最大循环次数停止；
S38，为了从蚁群算法中得到最优的网络结构，定义评价函数对网络结构进行评价。
6.根据权利要求5所述的一种基于蚁群-神经网络算法的公路工程污水水质预测方法，其特征在于：S34中，概率计算方法如下：
(3)
式中，表示在集合/>中第/>个元素的信息素浓度；/>表示在集合/>中第/>个元素的可见度；/>表示在集合/>中第/>个元素的信息素浓度；/>表示在集合/>中第/>个元素的可见度；/>是信息启发式因子，/>是期望启发式因子，/>是集合/>中的元素数量。
7.根据权利要求5所述的一种基于蚁群-神经网络算法的公路工程污水水质预测方法，其特征在于：S35中，交叉熵值计算方法如下：
(4)
式中，为目标输出，/>为实际输出，/>为输出层节点数，即污水污染程度分类数。
8.根据权利要求5所述的一种基于蚁群-神经网络算法的公路工程污水水质预测方法，其特征在于：S36中，信息素更新计算方法如下：
选择路径最短的只蚂蚁，原路返回巢穴进行信息素更新，蚂蚁所经历的时间为/>，则联立两式更新蚂蚁所选择的信息素浓度：
(5)
式中，为信息挥发因子；/>表示蚂蚁在/>时刻在/>中第/>个元素上留下的信息素；表示蚂蚁在/>时刻在/>中第/>个元素上留下的信息素；/>表示/>只蚂蚁在本轮中在/>中第/>个元素上留下的信息素；/>表示第/>只蚂蚁在本轮中在/>中第/>个元素上留下的信息素，如下式：
(6)
式中，为常数，用于控制信息素的增长速度，/>为交叉熵值，当交叉熵值越小时，路径越短，增长的信息素越多。
9.根据权利要求5所述的一种基于蚁群-神经网络算法的公路工程污水水质预测方法，其特征在于：S38中，对神经网络结构的评价函数如下：
(7)
式中，为网络结构评价函数，函数值越大则模型越好；/>为模型的交叉熵；/>是模型的层数，且3≤L≤5；/>是避免分母为0而设置的常数；/>是网络第/>个隐含层的评价值，/>=1,2,3，当网络结构只有两个隐含层时，设置/>，当模型只有一个隐含层时，设置/>；为第/>个隐含层的节点数量，/>是第/>个隐含层的最大节点数量；/>是第/>个隐含层的影响系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310968657.6A CN116701884B (zh) | 2023-08-03 | 2023-08-03 | 基于蚁群-神经网络算法的公路工程污水水质预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310968657.6A CN116701884B (zh) | 2023-08-03 | 2023-08-03 | 基于蚁群-神经网络算法的公路工程污水水质预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116701884A true CN116701884A (zh) | 2023-09-05 |
| CN116701884B CN116701884B (zh) | 2023-10-27 |
Family
ID=87829651
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310968657.6A Active CN116701884B (zh) | 2023-08-03 | 2023-08-03 | 基于蚁群-神经网络算法的公路工程污水水质预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116701884B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107403188A (zh) * | 2017-06-28 | 2017-11-28 | 中国农业大学 | 一种水质评价方法及装置 |
| CN109120610A (zh) * | 2018-08-03 | 2019-01-01 | 上海海事大学 | 一种融合改进智能蜂群算法和bp神经网络的入侵检测方法 |
| CN110765700A (zh) * | 2019-10-21 | 2020-02-07 | 国家电网公司华中分部 | 基于量子蚁群优化rbf网络的特高压输电线损预测方法 |
| CN112597392A (zh) * | 2020-12-25 | 2021-04-02 | 厦门大学 | 一种基于动态注意力和分层强化学习的推荐*** |
| CN113591716A (zh) * | 2021-07-29 | 2021-11-02 | 四川大学 | 基于分数阶蚁群算法优化神经网络的法庭监控人脸识别方法 |
| CN113971517A (zh) * | 2021-10-25 | 2022-01-25 | 中国计量大学 | 一种基于ga-lm-bp神经网络的水质评价方法 |
| CN115577171A (zh) * | 2022-09-23 | 2023-01-06 | 北京爱奇艺科技有限公司 | 信息推送方法、装置、电子设备及存储介质 |
-
2023
- 2023-08-03 CN CN202310968657.6A patent/CN116701884B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107403188A (zh) * | 2017-06-28 | 2017-11-28 | 中国农业大学 | 一种水质评价方法及装置 |
| CN109120610A (zh) * | 2018-08-03 | 2019-01-01 | 上海海事大学 | 一种融合改进智能蜂群算法和bp神经网络的入侵检测方法 |
| CN110765700A (zh) * | 2019-10-21 | 2020-02-07 | 国家电网公司华中分部 | 基于量子蚁群优化rbf网络的特高压输电线损预测方法 |
| CN112597392A (zh) * | 2020-12-25 | 2021-04-02 | 厦门大学 | 一种基于动态注意力和分层强化学习的推荐*** |
| CN113591716A (zh) * | 2021-07-29 | 2021-11-02 | 四川大学 | 基于分数阶蚁群算法优化神经网络的法庭监控人脸识别方法 |
| CN113971517A (zh) * | 2021-10-25 | 2022-01-25 | 中国计量大学 | 一种基于ga-lm-bp神经网络的水质评价方法 |
| CN115577171A (zh) * | 2022-09-23 | 2023-01-06 | 北京爱奇艺科技有限公司 | 信息推送方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116701884B (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Man et al. | Forecasting COD load in municipal sewage based on ARMA and VAR algorithms | |
| Zhou et al. | Validation of the hypothesis on carrying capacity limits using the water environment carrying capacity | |
| Ding et al. | Water ecological carrying capacity of urban lakes in the context of rapid urbanization: A case study of East Lake in Wuhan | |
| CN108717453B (zh) | 一种基于gis平台的平原河网区污染负荷计算方法 | |
| CN112906950B (zh) | 一种海绵城市规划设计*** | |
| CN109408774A (zh) | 基于随机森林和梯度提升树的预测污水出水指标的方法 | |
| Ostfeld et al. | A hybrid genetic—instance based learning algorithm for CE-QUAL-W2 calibration | |
| CN107657912A (zh) | 一种基于Mike11的河流水环境容量确定方法 | |
| CN109948876A (zh) | 一种北方缺水城市水生态文明建设成效评估方法 | |
| Chen et al. | Artificial neural network modelling of concentrations of nitrogen, phosphorus and dissolved oxygen in a non‐point source polluted river in Zhejiang Province, southeast China | |
| CN112907047A (zh) | 一种海绵城市绩效评估*** | |
| CN110032755A (zh) | 多工况下城市污水处理过程多目标优化方法 | |
| CN113850516A (zh) | 基于t-s模糊神经网络的水质评价方法 | |
| CN117195443A (zh) | 基于深度确定性策略梯度算法的雨水管网优化方法 | |
| CN115935615A (zh) | 场次降雨径流冲刷面源污染负荷估算方法及*** | |
| CN114818324A (zh) | 流域尺度的水量水质自动调控方法、装置、介质和设备 | |
| Eskandaripour et al. | Optimization of low-impact development facilities in urban areas using slime mould algorithm | |
| CN116701884B (zh) | 基于蚁群-神经网络算法的公路工程污水水质预测方法 | |
| CN114580266A (zh) | 一种陆源污染物智能综合评价方法及*** | |
| Mujumdar et al. | A stochastic dynamic programming model for stream water quality management | |
| Xie et al. | Surface water quality evaluation based on Bayesian network | |
| Rohani et al. | Layout and size optimization of sewer networks by hybridizing the GHCA model with heuristic algorithms | |
| Rohani et al. | Sewer networks optimization using Cellular Automata | |
| Kumar et al. | Infiltration Rate Assessment of Experimental Rain Garden Using Conventional Models and Machine Learning Algorithms | |
| Sasanya et al. | Modelling of runoff rates for a suburban area in Ibadan, Nigeria |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |