[go: up one dir, main page]

CN102737288A - 一种基于rbf神经网络参数自优化的水质多步预测方法 - Google Patents

一种基于rbf神经网络参数自优化的水质多步预测方法 Download PDF

Info

Publication number
CN102737288A
CN102737288A CN2012102048383A CN201210204838A CN102737288A CN 102737288 A CN102737288 A CN 102737288A CN 2012102048383 A CN2012102048383 A CN 2012102048383A CN 201210204838 A CN201210204838 A CN 201210204838A CN 102737288 A CN102737288 A CN 102737288A
Authority
CN
China
Prior art keywords
water quality
neural network
rbf neural
prediction
data
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.)
Pending
Application number
CN2012102048383A
Other languages
English (en)
Inventor
侯迪波
陈玥
黄平捷
张光新
何慧梅
刘洋
包莹
赵海峰
郭诚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN2012102048383A priority Critical patent/CN102737288A/zh
Publication of CN102737288A publication Critical patent/CN102737288A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于RBF神经网络参数自优化的水质多步预测方法，首先通过在线水质监测仪器的远程传输，将各个监测站的数据存到本地服务器的数据库中，然后对水质样本序列进行归一化处理，计算自相关系数确定RBF神经网络的输入变量，将样本数据转化为RBF神经网络训练预测的标准动态序列数据格式，再以误差标准差

Description

一种基于RBF神经网络参数自优化的水质多步预测方法
技术领域
本发明涉及一种水质预测方法，尤其涉及一种基于RBF神经网络参数自优化的水质多步预测方法。
背景技术
饮用水安全事关国计民生，对水质进行实时预测分析，可以有效控制和减少水质恶化造成的危害，达到对水质恶化的有效认知、控制的目标。另外，及时有效的水质多步预测可以为水厂赢得更多的应急响应时间。
目前国内外主要研究单步水质预测方法，单步水质预测包括基于机理的建模、基于智能的建模两个方面，由于水环境系统复杂多变，其细节机理并不能完全了解，而后者对机理不明确的高维非线性系统具有良好的信息处理能力，近年在水质预测中得到了广泛的应用。神经网络具有强大的自组织、自学习、并行处理信息和非线性容错能力，是国内外研究的热点，但仅知道下一个时间点的预测值，并不能为水质预警系统提供足够长的应急处理时间，所以有必要引入多步预测的方法。
发明内容
本发明的目的在于提出了一种基于RBF神经网络参数自优化的水质多步预测方法，不仅满足多步预测精度的要求，还很好地实现了智能化的水质预警。
本发明的目的是通过以下技术方案来实现的：一种基于RBF神经网络参数自优化的水质多步预测方法，包括如下步骤：
（1）通过在线水质监测仪器的远程传输，将各个监测站的数据存到本地服务器的数据库中，形成水质样本序列，便于对水质参数进行分析；所述用来评价水质优劣的水质参数包括：pH、电导率、浊度、溶解氧、温度、氨氮、余氯和高锰酸钾指数等；
（2）对水质样本序列进行归一化处理，通过计算自相关系数确定RBF神经网络的输入变量，将样本数据转化为RBF神经网络训练预测的标准动态序列数据格式：水质样本序列为                                               
Figure 2012102048383100002DEST_PATH_IMAGE002
，按照
Figure 2012102048383100002DEST_PATH_IMAGE004
对数据进行归一化处理，其中，
Figure 2012102048383100002DEST_PATH_IMAGE006
和
Figure 2012102048383100002DEST_PATH_IMAGE008
分别是
Figure 667668DEST_PATH_IMAGE002
中的最大值和最小值；自相关系数的计算如下式所示：
Figure 2012102048383100002DEST_PATH_IMAGE010
 ，               
式中，
Figure 2012102048383100002DEST_PATH_IMAGE012
为自相关函数，
Figure 2012102048383100002DEST_PATH_IMAGE014
为待求的自相关系数，
Figure 2012102048383100002DEST_PATH_IMAGE016
为水质时间序列
Figure 83737DEST_PATH_IMAGE002
的长度，n为水质样本序数，
Figure 2012102048383100002DEST_PATH_IMAGE018
为水质样本。
自相关系数的范围为
Figure 2012102048383100002DEST_PATH_IMAGE020
，设定相关系数阈值
Figure 2012102048383100002DEST_PATH_IMAGE022
，当
Figure 2012102048383100002DEST_PATH_IMAGE024
时，，故RBF神经网络的输入向量
Figure 2012102048383100002DEST_PATH_IMAGE028
构造为
Figure 2012102048383100002DEST_PATH_IMAGE030
。根据预测问题实际需求及样本数据特点确定训练样本的长度
Figure 2012102048383100002DEST_PATH_IMAGE032
，得到网络的输入输出对
Figure 2012102048383100002DEST_PATH_IMAGE034
，将样本数据转化为RBF神经网络训练预测的标准动态序列数据格式；
（3）以误差标准差作为目标函数，利用微分进化算法搜索确定RBF神经网络扩展系数spread的最优值，得到最优的预测模型：利用newrbe函数建立RBF神经网络，利用微分进化算法搜索确定RBF神经网络扩展系数spread的最优值；微分进化算法是一种浮点编码的基于种群进化的全局优化方法，即求解
Figure 2012102048383100002DEST_PATH_IMAGE038
最小的问题，其中
Figure 914159DEST_PATH_IMAGE018
为spread，目标函数
Figure 2012102048383100002DEST_PATH_IMAGE040
为误差标准差表示如下式：
Figure 2012102048383100002DEST_PATH_IMAGE042
  ，
其中
Figure 355078DEST_PATH_IMAGE018
为原始的水质序列，
Figure 2012102048383100002DEST_PATH_IMAGE044
为预测的水质序列，为训练样本长度；
（4）实时采样水质数据，用步骤3得到的最优预测模型，采用单点迭代的方法实现多步预测，并评价水质预测结果，实现预警的作用；如果超出正常范围则立即报警。
本发明的有益效果是，本发明提出通过自相关系数确定RBF神经网络输入变量的单点迭代法，改善了多步预测的效果，同时利用微分进化算法搜索扩展系数spread的最优值，实现了高效的智能化自动化预警。
附图说明
图1是利用自相关系数确定RBF神经网络输入的方法图；
图2是水质参数（以pH为例）的序列自相关系数图；
图3是利用微分进化算法进行spread参数选择的原理图；
图4是spread的微分进化算法搜索结果图；
图5是水质参数（以pH为例）的4步预测结果图；
图6是水质参数（以pH为例）的4步预测误差曲线图。
具体实施方式
本发明基于RBF神经网络参数自优化的水质多步预测方法的步骤如下：
1、通过在线水质监测仪器的远程传输，将各个监测站的数据存到本地服务器的数据库中，形成水质样本序列，便于对水质参数进行分析。
用来评价水质优劣的水质参数主要有常规五参数（pH、电导率、浊度、溶解氧、温度）、氨氮、余氯、高锰酸钾指数等，各地监测站点的不同水质参数传感器每隔15分钟测一次，每测一次数据就将数据存入到数据库服务器中，根据不同的站点和不同水质参数建立数据库中的表，该数据库用来保存从各监测站点监测的所有原始数据，便于对水质参数进行分析处理。
2、对水质样本序列进行归一化处理，通过计算自相关系数确定RBF神经网络的输入变量，将样本数据转化为RBF神经网络训练预测的标准动态序列数据格式。
设水质样本序列为
Figure 869553DEST_PATH_IMAGE002
，为了保证所建的神经网络对于样本有足够的输入灵敏性和良好的拟合性，按照
Figure 375621DEST_PATH_IMAGE004
对数据进行归一化处理，其中
Figure 529522DEST_PATH_IMAGE006
和
Figure 412027DEST_PATH_IMAGE008
分别中的最大值和最小值。由于自相关系数能衡量时间序列不同时间点上数据之间的相关程度，故采用自相关分析法分析与预测值最密切相关的时间序列历史数据，确定RBF神经网络的输入向量。由于实际中序列的长度是有限的，故自相关系数的计算如式（1）所示：
Figure 143277DEST_PATH_IMAGE010
                （1）
式（1）中，
Figure 518895DEST_PATH_IMAGE012
为自相关函数，
Figure 939512DEST_PATH_IMAGE014
为待求的自相关系数，为水质时间序列
Figure 197635DEST_PATH_IMAGE002
的长度，n为水质样本序数，为水质样本。
自相关系数的范围为
Figure 284857DEST_PATH_IMAGE020
，设定相关系数阈值
Figure 611933DEST_PATH_IMAGE022
，当时，
Figure 747958DEST_PATH_IMAGE026
，故RBF神经网络的输入向量
Figure 448061DEST_PATH_IMAGE028
构造为
Figure 567327DEST_PATH_IMAGE030
。根据预测问题实际需求及样本数据特点确定训练样本的长度
Figure 22579DEST_PATH_IMAGE032
，得到网络的输入输出对，将样本数据转化为RBF神经网络训练预测的标准动态序列数据格式。
3、以误差标准差
Figure 862414DEST_PATH_IMAGE036
作为目标函数，利用微分进化算法搜索确定RBF神经网络扩展系数spread的最优值，得到最优的预测模型。
利用newrbe函数建立RBF神经网络，该函数具有自动调整隐含层单元数使误差为0的功能，但是在RBF网络运算过程中，需要手动改变其扩展系数spread值调整整个网络的拟合度，手动调整往往比较盲目，不仅效率低下，而且不一定能找到最优解，故利用微分进化算法搜索确定RBF神经网络扩展系数spread的最优值。微分进化算法是一种浮点编码的基于种群进化的全局优化方法，即求解
Figure 898503DEST_PATH_IMAGE038
最小的问题，其中
Figure 462340DEST_PATH_IMAGE018
为spread，目标函数
Figure 849459DEST_PATH_IMAGE040
为误差标准差
Figure 953681DEST_PATH_IMAGE036
表示如式（2）：
                 （2）
其中
Figure 844593DEST_PATH_IMAGE018
为原始的水质序列，
Figure 391112DEST_PATH_IMAGE044
为预测的水质序列，
Figure 564605DEST_PATH_IMAGE032
为训练样本长度。
假设微分进化算法中每一代
Figure 2012102048383100002DEST_PATH_IMAGE046
中有个个体，第代表示为，其中
Figure 2012102048383100002DEST_PATH_IMAGE052
为第
Figure 795439DEST_PATH_IMAGE046
代的第
Figure 2012102048383100002DEST_PATH_IMAGE054
个个体。
基于微分进化算法的spread参数选择的具体步骤如下： 
1）在参数空间内为
Figure 891571DEST_PATH_IMAGE048
个个体随机产生初值，然后用各组参数训练RBF神经网络，得到相应的误差标准差
Figure 773814DEST_PATH_IMAGE036
；
2）设；
3）利用式
Figure 2012102048383100002DEST_PATH_IMAGE058
对于当前个体
Figure 842265DEST_PATH_IMAGE052
进行变异，产生中间个体，式中
Figure 2012102048383100002DEST_PATH_IMAGE062
；
4）将变异得到的中间个体
Figure 918805DEST_PATH_IMAGE060
和当前个体进行杂交，得到当前个体的候选个体
Figure 2012102048383100002DEST_PATH_IMAGE064
，若满足上均匀分布的随机数不大于杂交因子，则
Figure 2012102048383100002DEST_PATH_IMAGE068
，否则
Figure 2012102048383100002DEST_PATH_IMAGE070
；
5）利用新参数
Figure 78182DEST_PATH_IMAGE064
训练RBF神经网络得到其误差标准差，若
Figure 2012102048383100002DEST_PATH_IMAGE072
，则
Figure 2012102048383100002DEST_PATH_IMAGE074
，否则；
6）
Figure 2012102048383100002DEST_PATH_IMAGE078
，若
Figure 2012102048383100002DEST_PATH_IMAGE080
，则返回至步骤3），否则跳转至步骤7）；
7）找出最小的误差标准差，并记录下对应的个体即spread值；
8）若进化次数大于100，则输出最优spread值，否则返回至步骤3）。
4、实时采样水质数据，用步骤（3）得到的最优预测模型，采用单点迭代的方法实现多步预测，并评价水质预测结果，实现预警的作用。
传感器实时采样水质数据。在水质预警中，为了提前处理警情及确定应急预案，需要提前得到未来水质参数的预测值，采用单点迭代的方法实现多步预测，能够提前更长时间预知警情的发生。单点迭代的方法具体实现为，采用前面所建的最优RBF神经网络通过
Figure 2012102048383100002DEST_PATH_IMAGE082
得到
Figure 2012102048383100002DEST_PATH_IMAGE084
时刻的水质参数预测值
Figure 2012102048383100002DEST_PATH_IMAGE086
，用预测值代替真实值作为预测输入向量的元素获得下一点的预测值，采用这种迭代方法可以获得未来多个时刻的预测值，随着预测步数的增加会使得预测精度降低，但是通过自相关系数法分析隐含有一定周期性的管网水质参数，能够把相隔特定时间（周期长度）的数值也作为输入变量，避免样本由过多预测值代替真实值所导致的预测精度下降，改善多步预测的效果。参照GB5749-2006《生活饮用水卫生标准》规定，对水质预测参数实时进行评价，如果超出正常范围则立即报警，以便相关部门及时采取相应的措施，避免警情的恶化。
实施例：
如图1所示，取某地管网水2011年11月10日到11月19日在线监测的水质参数（以pH为例），实时监测设备15分钟监测一次，共有960个数据，取前8天的768个数据作为预测训练集，后2天的192个数据作为测试集。设时间序列为
Figure 312723DEST_PATH_IMAGE002
，为了保证所建的神经网络对于样本有足够的输入灵敏性和和良好的拟合性，按照
Figure 622481DEST_PATH_IMAGE004
对训练集进行归一化处理，其中
Figure 630889DEST_PATH_IMAGE006
和
Figure 684295DEST_PATH_IMAGE008
分别为训练集的最大值和最小值。然后计算pH值训练集序列的自相关系数
Figure 461759DEST_PATH_IMAGE014
，设定相关系数的阈值
Figure 942418DEST_PATH_IMAGE022
为0.9，如图2所示，当
Figure 2012102048383100002DEST_PATH_IMAGE088
时自相关系数
Figure 674007DEST_PATH_IMAGE026
，因此RBF神经网络的输入变量可以构造为，训练集网络的输入输出对为
Figure 2012102048383100002DEST_PATH_IMAGE092
 ，如此便将样本数据转化为RBF神经网络训练预测的标准动态序列数据格式。
如图3所示，微分进化算法的
Figure 468788DEST_PATH_IMAGE048
个个体在参数空间内变异、杂交、进化，每进化一代就用新产生的spread值训练RBF神经网络，并计算每个参数所对应的误差标准差，然后判断是否满足停止条件，若进化次数大于100，则输出最优spread值，否则继续进化产生新的参数。如图4所示，微分进化算法可以快速锁定搜索域内的有限个局部最优解，并最终确定全局最优解，在进化4次后就搜索到了最优解，搜索到的spread最优值为192 ，最小的误差标准差为0.0079。
采用前面所建的最优RBF神经网络通过
Figure 2012102048383100002DEST_PATH_IMAGE094
得到时刻的水质参数预测值
Figure 2012102048383100002DEST_PATH_IMAGE096
，用预测值代替真实值作为预测输入向量的元素获得
Figure 2012102048383100002DEST_PATH_IMAGE098
时刻的预测值，如此反复迭代可以获得
Figure DEST_PATH_IMAGE100
时刻的预测值，其中
Figure 63903DEST_PATH_IMAGE016
为预测步长。这里选取
Figure DEST_PATH_IMAGE102
，即预测1小时后的pH值，最终多步预测结果和误差曲线分别如图5和图6所示，由测试结果可知，本发明的基于RBF神经网络参数自优化的水质多步预测方法可以很好地实现预测，在4步预测中82%的数据的预测误差小于0.03，通过此方法能提前得到未来时刻水质参数的预测值，参照GB5749-2006《生活饮用水卫生标准》规定，pH的限值是不小于6.5且不大于8.5，对水质预测参数实时进行评价，如果不在正常范围则立即报警，以便相关部门及时采取相应的措施，避免警情的恶化能提前处理警情及确定应急预案，实现水质预警的作用。

Claims (1)

1.一种基于RBF神经网络参数自优化的水质多步预测方法，其特征在于，包括如下步骤：
（1）通过在线水质监测仪器的远程传输，将各个监测站的数据存到本地服务器的数据库中，形成水质样本序列，便于对水质参数进行分析；所述用来评价水质优劣的水质参数包括：pH、电导率、浊度、溶解氧、温度、氨氮、余氯和高锰酸钾指数等；
（2）对水质样本序列进行归一化处理，通过计算自相关系数确定RBF神经网络的输入变量，将样本数据转化为RBF神经网络训练预测的标准动态序列数据格式：水质样本序列为                                               
Figure 515972DEST_PATH_IMAGE002
，按照
Figure 165260DEST_PATH_IMAGE004
对数据进行归一化处理，其中，
Figure 30447DEST_PATH_IMAGE006
和
Figure 169305DEST_PATH_IMAGE008
分别是
Figure 690416DEST_PATH_IMAGE002
中的最大值和最小值；自相关系数的计算如下式所示：
Figure 940132DEST_PATH_IMAGE010
 ，               
式中，
Figure 364553DEST_PATH_IMAGE012
为自相关函数，
Figure 674312DEST_PATH_IMAGE014
为待求的自相关系数，
Figure 682719DEST_PATH_IMAGE016
为水质时间序列
Figure 736126DEST_PATH_IMAGE002
的长度，n为水质样本序数，
Figure 575906DEST_PATH_IMAGE018
为水质样本；
自相关系数的范围为，设定相关系数阈值，当时，，故RBF神经网络的输入向量
Figure 863536DEST_PATH_IMAGE028
构造为
Figure 908853DEST_PATH_IMAGE030
；根据预测问题实际需求及样本数据特点确定训练样本的长度
Figure 304062DEST_PATH_IMAGE032
，得到网络的输入输出对，将样本数据转化为RBF神经网络训练预测的标准动态序列数据格式；
（3）以误差标准差
Figure 878580DEST_PATH_IMAGE036
作为目标函数，利用微分进化算法搜索确定RBF神经网络扩展系数spread的最优值，得到最优的预测模型：利用newrbe函数建立RBF神经网络，利用微分进化算法搜索确定RBF神经网络扩展系数spread的最优值；微分进化算法是一种浮点编码的基于种群进化的全局优化方法，即求解
Figure 83296DEST_PATH_IMAGE038
最小的问题，其中为spread，目标函数
Figure 623179DEST_PATH_IMAGE040
为误差标准差
Figure 882122DEST_PATH_IMAGE036
表示如下式：
Figure 636452DEST_PATH_IMAGE042
  ；
其中
Figure 800893DEST_PATH_IMAGE018
为原始的水质序列，
Figure 324278DEST_PATH_IMAGE044
为预测的水质序列，
Figure 691805DEST_PATH_IMAGE032
为训练样本长度；
（4）实时采样水质数据，用步骤3得到的最优预测模型，采用单点迭代的方法实现多步预测，并评价水质预测结果，实现预警的作用；如果超出正常范围则立即报警。
CN2012102048383A 2012-06-20 2012-06-20 一种基于rbf神经网络参数自优化的水质多步预测方法 Pending CN102737288A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2012102048383A CN102737288A (zh) 2012-06-20 2012-06-20 一种基于rbf神经网络参数自优化的水质多步预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2012102048383A CN102737288A (zh) 2012-06-20 2012-06-20 一种基于rbf神经网络参数自优化的水质多步预测方法

Publications (1)

Publication Number Publication Date
CN102737288A true CN102737288A (zh) 2012-10-17

Family

ID=46992744

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2012102048383A Pending CN102737288A (zh) 2012-06-20 2012-06-20 一种基于rbf神经网络参数自优化的水质多步预测方法

Country Status (1)

Country Link
CN (1) CN102737288A (zh)

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103018181A (zh) * 2012-12-14 2013-04-03 江苏大学 基于相关性分析和elm神经网络的软测量方法
CN103136601A (zh) * 2013-03-14 2013-06-05 天津大学 再生水厂出水余氯风险预测方法
CN103279671A (zh) * 2013-06-03 2013-09-04 南京大学 基于rbf神经网络-云模型的城市水灾害风险预测方法
CN103605909A (zh) * 2013-12-09 2014-02-26 重庆绿色智能技术研究院 一种基于灰色理论及支持向量机的水质预测方法
CN104007243A (zh) * 2014-01-13 2014-08-27 上海市长宁区卫生局卫生监督所 应用反向传播神经网络模型评价游泳池水质的方法
CN103136601B (zh) * 2013-03-14 2016-11-30 天津大学 再生水厂出水余氯风险预测方法
CN106407691A (zh) * 2016-09-28 2017-02-15 中国地质大学（武汉） 一种赤潮生物量预测方法及装置
CN106645620A (zh) * 2016-12-23 2017-05-10 江西理工大学 应用混合差分演化的稀土矿区农田水体bod软测量方法
CN106991491A (zh) * 2017-02-21 2017-07-28 南京邮电大学 一种基于遗传算法优化的rbf神经网络的环境污染监测系统
CN107300855A (zh) * 2017-06-27 2017-10-27 重庆科技学院 一种共享直饮水机水质保障管理控制方法及系统
CN107643335A (zh) * 2016-07-20 2018-01-30 复凌科技（上海）有限公司 一种检测水环境的方法
CN107688871A (zh) * 2017-08-18 2018-02-13 中国农业大学 一种水质预测方法和装置
CN108009636A (zh) * 2017-11-16 2018-05-08 华南师范大学 深度学习神经网络进化方法、装置、介质和计算机设备
CN108027885A (zh) * 2015-06-05 2018-05-11 渊慧科技有限公司 空间变换器模块
CN107229970B (zh) * 2017-06-27 2018-08-17 重庆科技学院 共享直饮水水质自适应动态自学习在线监测系统
CN108665100A (zh) * 2018-05-09 2018-10-16 中国农业大学 一种水体水质预测方法、系统及装置
CN108764520A (zh) * 2018-04-11 2018-11-06 杭州电子科技大学 一种基于多层循环神经网络和d-s证据理论的水质参数预测方法
CN108846423A (zh) * 2018-05-29 2018-11-20 中国农业大学 水质预测方法和系统
CN109032047A (zh) * 2018-10-12 2018-12-18 四川省建筑设计研究院 一种综合管廊安全监测的仪表系统
CN109901542A (zh) * 2019-04-10 2019-06-18 上海上实龙创智慧能源科技股份有限公司 一种基于物联网的污水处理方法、云平台及系统
CN110852515A (zh) * 2019-11-15 2020-02-28 北京工业大学 基于混合长短时记忆神经网络的水质指标预测方法
CN111340176A (zh) * 2018-12-19 2020-06-26 富泰华工业（深圳）有限公司 神经网络的训练方法、装置及计算机存储介质
CN114660248A (zh) * 2020-12-22 2022-06-24 中国石油化工股份有限公司 基于多步预测策略的cod预警方法和装置
CN115272032A (zh) * 2022-07-28 2022-11-01 上宸工程设计集团有限公司 一种城市污水收集排放系统
CN115983506A (zh) * 2023-03-20 2023-04-18 华东交通大学 一种水质预警方法、系统及可读存储介质
CN116842856A (zh) * 2023-09-04 2023-10-03 长春工业大学 一种基于深度强化学习的工业过程优化方法
CN117309067A (zh) * 2023-11-30 2023-12-29 长春职业技术学院 水资源实时监控方法、系统和电子设备
CN117524372A (zh) * 2023-11-16 2024-02-06 浙江大学 基于遗传算法的微流道超材料设计方法、电子设备、介质
CN117720177A (zh) * 2023-12-29 2024-03-19 深圳大学 从含镍废水浓缩液中电沉积回收金属镍的调控方法及系统
CN118426302A (zh) * 2023-06-29 2024-08-02 奥流(深圳)科技有限公司 基于紫外双氧水催化氧化嗅味物质机理模型的自动控制方法
CN119089157A (zh) * 2024-11-08 2024-12-06 北京理工大学 一种基于改进粒子群的rbf网络非线性温度误差补偿方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070215556A1 (en) * 2006-03-20 2007-09-20 Sensis Corporation System for detection and prediction of water nitrification

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070215556A1 (en) * 2006-03-20 2007-09-20 Sensis Corporation System for detection and prediction of water nitrification

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
路剑飞、陈子燊: "珠江口磨刀门水道盐度多步预测研究", 《水文》, vol. 30, no. 5, 25 October 2010 (2010-10-25), pages 69 - 74 *
黄浙丰: "基于时序神经网络的藻类水华预测模型研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, 15 July 2011 (2011-07-15) *

Cited By (46)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103018181A (zh) * 2012-12-14 2013-04-03 江苏大学 基于相关性分析和elm神经网络的软测量方法
CN103136601A (zh) * 2013-03-14 2013-06-05 天津大学 再生水厂出水余氯风险预测方法
CN103136601B (zh) * 2013-03-14 2016-11-30 天津大学 再生水厂出水余氯风险预测方法
CN103279671A (zh) * 2013-06-03 2013-09-04 南京大学 基于rbf神经网络-云模型的城市水灾害风险预测方法
CN103279671B (zh) * 2013-06-03 2016-08-17 南京大学 基于rbf神经网络-云模型的城市水灾害风险预测方法
CN103605909A (zh) * 2013-12-09 2014-02-26 重庆绿色智能技术研究院 一种基于灰色理论及支持向量机的水质预测方法
CN104007243A (zh) * 2014-01-13 2014-08-27 上海市长宁区卫生局卫生监督所 应用反向传播神经网络模型评价游泳池水质的方法
CN104007243B (zh) * 2014-01-13 2016-01-06 上海市长宁区卫生局卫生监督所 应用反向传播神经网络模型评价游泳池水质的方法
CN108027885A (zh) * 2015-06-05 2018-05-11 渊慧科技有限公司 空间变换器模块
CN108027885B (zh) * 2015-06-05 2022-07-01 渊慧科技有限公司 空间变换器模块
CN107643335A (zh) * 2016-07-20 2018-01-30 复凌科技（上海）有限公司 一种检测水环境的方法
CN106407691A (zh) * 2016-09-28 2017-02-15 中国地质大学（武汉） 一种赤潮生物量预测方法及装置
CN106407691B (zh) * 2016-09-28 2019-11-22 中国地质大学（武汉） 一种赤潮生物量预测方法及装置
CN106645620B (zh) * 2016-12-23 2018-09-28 江西理工大学 应用混合差分演化的稀土矿区农田水体bod软测量方法
CN106645620A (zh) * 2016-12-23 2017-05-10 江西理工大学 应用混合差分演化的稀土矿区农田水体bod软测量方法
CN106991491A (zh) * 2017-02-21 2017-07-28 南京邮电大学 一种基于遗传算法优化的rbf神经网络的环境污染监测系统
CN106991491B (zh) * 2017-02-21 2020-11-13 南京邮电大学 一种基于遗传算法优化的rbf神经网络的环境污染监测系统
CN107300855A (zh) * 2017-06-27 2017-10-27 重庆科技学院 一种共享直饮水机水质保障管理控制方法及系统
CN107229970B (zh) * 2017-06-27 2018-08-17 重庆科技学院 共享直饮水水质自适应动态自学习在线监测系统
CN107688871B (zh) * 2017-08-18 2020-08-21 中国农业大学 一种水质预测方法和装置
CN107688871A (zh) * 2017-08-18 2018-02-13 中国农业大学 一种水质预测方法和装置
CN108009636B (zh) * 2017-11-16 2021-12-07 华南师范大学 深度学习神经网络进化方法、装置、介质和计算机设备
CN108009636A (zh) * 2017-11-16 2018-05-08 华南师范大学 深度学习神经网络进化方法、装置、介质和计算机设备
CN108764520A (zh) * 2018-04-11 2018-11-06 杭州电子科技大学 一种基于多层循环神经网络和d-s证据理论的水质参数预测方法
CN108764520B (zh) * 2018-04-11 2021-11-16 杭州电子科技大学 一种基于多层循环神经网络和d-s证据理论的水质参数预测方法
CN108665100A (zh) * 2018-05-09 2018-10-16 中国农业大学 一种水体水质预测方法、系统及装置
CN108846423A (zh) * 2018-05-29 2018-11-20 中国农业大学 水质预测方法和系统
CN109032047A (zh) * 2018-10-12 2018-12-18 四川省建筑设计研究院 一种综合管廊安全监测的仪表系统
CN111340176A (zh) * 2018-12-19 2020-06-26 富泰华工业（深圳）有限公司 神经网络的训练方法、装置及计算机存储介质
CN109901542B (zh) * 2019-04-10 2020-08-07 上海上实龙创智能科技股份有限公司 一种基于物联网的污水处理方法、云平台及系统
CN109901542A (zh) * 2019-04-10 2019-06-18 上海上实龙创智慧能源科技股份有限公司 一种基于物联网的污水处理方法、云平台及系统
CN110852515A (zh) * 2019-11-15 2020-02-28 北京工业大学 基于混合长短时记忆神经网络的水质指标预测方法
CN110852515B (zh) * 2019-11-15 2022-05-06 北京工业大学 基于混合长短时记忆神经网络的水质指标预测方法
CN114660248A (zh) * 2020-12-22 2022-06-24 中国石油化工股份有限公司 基于多步预测策略的cod预警方法和装置
CN114660248B (zh) * 2020-12-22 2024-08-09 中国石油化工股份有限公司 基于多步预测策略的cod预警方法和装置
CN115272032A (zh) * 2022-07-28 2022-11-01 上宸工程设计集团有限公司 一种城市污水收集排放系统
CN115983506A (zh) * 2023-03-20 2023-04-18 华东交通大学 一种水质预警方法、系统及可读存储介质
CN118426302A (zh) * 2023-06-29 2024-08-02 奥流(深圳)科技有限公司 基于紫外双氧水催化氧化嗅味物质机理模型的自动控制方法
CN116842856A (zh) * 2023-09-04 2023-10-03 长春工业大学 一种基于深度强化学习的工业过程优化方法
CN116842856B (zh) * 2023-09-04 2023-11-14 长春工业大学 一种基于深度强化学习的工业过程优化方法
CN117524372A (zh) * 2023-11-16 2024-02-06 浙江大学 基于遗传算法的微流道超材料设计方法、电子设备、介质
CN117524372B (zh) * 2023-11-16 2024-05-17 浙江大学 基于遗传算法的微流道超材料设计方法、电子设备、介质
CN117309067A (zh) * 2023-11-30 2023-12-29 长春职业技术学院 水资源实时监控方法、系统和电子设备
CN117309067B (zh) * 2023-11-30 2024-02-09 长春职业技术学院 水资源实时监控方法、系统和电子设备
CN117720177A (zh) * 2023-12-29 2024-03-19 深圳大学 从含镍废水浓缩液中电沉积回收金属镍的调控方法及系统
CN119089157A (zh) * 2024-11-08 2024-12-06 北京理工大学 一种基于改进粒子群的rbf网络非线性温度误差补偿方法

Similar Documents

Publication Publication Date Title
CN102737288A (zh) 一种基于rbf神经网络参数自优化的水质多步预测方法
CN103730006B (zh) 一种短时交通流量的组合预测方法
CN119443922B (zh) 一种高效精准的污染源监测质量控制系统及方法
CN112381292B (zh) 一种顾及时空相关性和气象因素的河流水质预测方法
Coad et al. Proactive management of estuarine algal blooms using an automated monitoring buoy coupled with an artificial neural network
CN108053054B (zh) 一种河流水质预测方法
CN107153874B (zh) 水质预测方法及系统
CN104155423B (zh) 一种变权组合的景观水水质预警方法
CN108171259A (zh) 一种基于NB-IoT的智慧末梢水质监测系统及方法
CN106779129A (zh) 一种考虑气象因素的短期电力负荷预测方法
CN104732296A (zh) 一种分布式光伏输出功率短期预测模型建模方法
CN111191855B (zh) 一种基于管网多元水质时序数据的水质异常事件识别预警方法
CN115185937A (zh) 一种基于sa-gan架构的时间序列异常检测方法
CN103020728A (zh) 一种电力系统中变电站短期电能质量预测方法
CN115470850A (zh) 一种基于管网水质时空数据的水质异常事件识别预警方法
CN115905938B (zh) 基于物联网储罐安全监测方法及系统
Zhang et al. A hybrid model combining mode decomposition and deep learning algorithms for detecting TP in urban sewer networks
CN114418183B (zh) 畜禽健康体征大数据物联网检测系统
Guo et al. A combined model based on sparrow search optimized BP neural network and Markov chain for precipitation prediction in Zhengzhou City, China
CN116128039A (zh) 一种地表水体水质预测模型的构建方法和预测方法
CN118606680A (zh) 一种环境化学污染物的智能监测及评估方法
CN118016180A (zh) 基于arima-lstm混合模型对大气甲烷的时间序列预测分析系统及方法
CN118365165A (zh) 一种区域大气治理的碳排放测算方法及系统
CN104092503B (zh) 一种基于狼群优化的人工神经网络频谱感知方法
Dhanalakshmi et al. Novel Regression and Least Square Support Vector Machine Learning Technique for Air Pollution Forecasting

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20121017