(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211139494.2 (22)申请日 2022.09.19 (71)申请人 四川大学 地址 610044 四川省成 都市一环路南 一段 24号 (72)发明人 薛新华　陈楚强　 (74)专利代理 机构 昆明合盛知识产权代理事务 所(普通合伙) 53210 专利代理师 吴瑕 (51)Int.Cl. G06F 16/215(2019.01) G06F 17/14(2006.01) G06Q 10/06(2012.01) G06Q 50/06(2012.01) (54)发明名称 一种在水质评价中对缺失数据的预处理方 法 (57)摘要 本发明涉及水质评价技术领域， 具体地说是 一种在水质评价中对缺失数据的预处理方法， 采 用分段多重插补， 同时引入最大重叠离散小波变 换阈值收缩 方法对插补后的数据进行降噪处理， 将四种情形处理后的数据分别作为长短期记忆 LSTM神经网络模型的输入； 全局多重插补采用基 于链式方程的多重插补， 分段多重插补以缺失数 据为中心， 向前和向后延展取出子数据集， 再对 此数据集进行插补， 同现有技术相比， 本发明通 过分段多重插补， 同时引入最大重叠离散小波变 换阈值收缩 方法对插补后的数据进行降噪处理， 并利用长短期记忆LSTM神经网络模型对数据集 进行插补， 实现了对水质评价过程中数据缺失进 行预处理的作用， 为水质评价提供了良好的参考 价值。 权利要求书2页 说明书5页 附图1页 CN 115470204 A 2022.12.13 CN 115470204 A 1.一种在水质评价中对缺失数据的预处理方法， 其特征在于， 采用分段多重插补， 同时 引入最大重叠离散小波变换阈值收缩方法对插补后的数据进 行降噪处理， 并对比分析四种 情形， 所述四种情形包括： 全局多重插补： 无降噪处 理； 全局多重插补： 有降噪处 理； 分段多重插补： 无降噪处 理； 分段多重插补： 有降噪处 理； 将所述四种情形处 理后的数据分别作为长短期记 忆LSTM神经网络模型的输入； 所述全局多重插补采用基于链式方程的多重插补， 所述分段多重插补以缺失数据为中 心， 向前和向后延展取 出子数据集， 再对此 数据集进行插补。 2.根据权利要求1所述的一种在水质评价中对缺失数据的预处理方法， 其特征在于， 所 述多重插补的步骤为： S1， 输入要插补的数据集； S2， 选择插补方法； S3， 进行多重插补； S4， 分析插补后的数据集； S5， 导出插补后的完整数据集。 3.根据权利要求1所述的一种在水质评价中对缺失数据的预处理方法， 其特征在于， 所 述最大重叠离散小波变换阈值收缩方法是离散小波变换DWT的一种变体， 其定义由离散小 波的定义 直接得到： 所述hj,l为DWT的母小波， gj,l为DWT的父小波， 为MODWT的母小波， 为MODWT的父小 波； 给定一个序列X＝{X0,X1,X2,…,XN‑1}， 第j级的小 波系数由如下式子得到： 所述原始序列X可以由下式重新得到： 权　利　要　求　书 1/2 页 2 CN 115470204 A 2基于阈值收缩的降噪将较小的小波系数看作噪声， 通过软收缩函数或硬收缩函数对其 进行处理： 所述硬收缩函数为： W＝W*I{|W*|> λ } 所述软收缩函数为： W＝sgn(W*)(|W*|‑λ )I{|W*|> λ } 所述I为指示函数： 4.根据权利要求1所述的一种在水质评价中对缺失数据的预处理方法， 其特征在于， 所 述长短期记忆LSTM神经网络是一种特殊的循环神经网络， 循环单元由 “遗忘门”、“输入门” 以及“输出门”组成， 遗忘门用于控制要保留的上一时刻的细胞状态值， 由下式计算： ft＝σ(wf[ht‑1,xt]+bf) 所述输入门用于控制要更新的细胞状态值及其权 重， 按下式计算： it＝σ(wi[ht‑1,xt]+bi) 所述输出门用于控制当前时刻要输出的隐藏状态值， 按下式计算： ot＝σ(wo[ht‑1,xt]+bo) ht＝ot×tanh(Ct) 所述b为偏置项， w为权重矩阵， h为隐藏状态， C为细胞状态， tanh和σ 为激活函数， t表示 时刻。权　利　要　求　书 2/2 页 3 CN 115470204 A 3