(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 202211015076.2 (22)申请日 2022.08.23 (71)申请人 合肥数模变通软件科技有限公司 地址 230088 安徽省合肥市高新区天智路 14号时代智谷创业园1 14室 (72)发明人 段超然　汪瑜　杨婷　 (74)专利代理 机构 合肥市浩智运专利代理事务 所(普通合伙) 34124 专利代理师 朱文振 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/26(2012.01) G06N 3/12(2006.01) (54)发明名称 基于遗传优化算法的双层BP神经网络水质 预测方法及系统 (57)摘要 本发明提供基于遗传优化算法的双层BP神 经网络水质方法及系统， 方法包括： 初始遗传种 群； 数据清洗； 主成分分析出主要污染条件； 实值 编码； 归一化处理； 计算适应度函数值； 交叉变异 操作； 判断是否满足优化准则； 若否， 则生产新的 种群； 若是， 则获取双层BP训练网络。 本发明解决 了污染治理效果差、 缺乏先验性、 水质预测过程 繁复以及适用性较低的技 术问题。 权利要求书4页 说明书12页 附图3页 CN 115358470 A 2022.11.18 CN 115358470 A 1.基于遗传优化 算法的双 层BP神经网络水质预测方法， 其特 征在于， 所述方法包括： S1、 从预置存储中获取历史水质监测数据， 据以作为训练集， 并从监测站中获取水质标 准数据以及监测点输入样本数据； S2、 初始遗传种群； S3、 对监测点输入样本数据进行数据清洗， 利用拉格朗日插值法对存在缺失的所述监 测点输入样本数据进行补充； S4、 利用主成分 分析法处 理所述水质标准数据， 以得到主 要污染条件； S5、 利用预置智能遗传算法， 对所述水质标准数据进行实数编码并进行归一 化处理； S6、 根据预置定义逻辑得到惩罚函数， 选择并复制优良个体参数作为父体参数进行繁 殖处理， 并适应调整 所述惩罚函数， 设定并采用特定基因位置作为交叉点， 以交叉处理所述 历史水质监测数据， 挑选预置比例的所述个体参数 的预置基因参数， 以利用预置变异算子 进行变异处 理， 以得到变异参数； S7、 在所述变异参数不满足预设优化准则时， 生产新种群， 并循环执行所述步骤S3至 S6； S8、 在所述变异参数满足预设优化准则时， 以双层BP神经网络根据所述训练集中的教 师信号进行前向操作， 以利用预置前向逻辑处理得到样本误差， 据以获取目标函数最小二 乘表示关系数据， 利用连续微分链规则， 以预置反向逻辑 获取隐含误差及 多层神经元误差， 以得到权重梯度， 据以更新权重数据， 根据所述权重数据及所述主要污染条件处理得到水 质预测结果。 2.根据权利要求1所述的基于遗传优化算法的双层BP神经网络水质预测方法， 其特征 在于， 所述 步骤S3包括： S31、 对于缺失维度为1的所述监测点输入样本数据， 利用拉格朗日插值算法， 以下述逻 辑进行数据补充： 其中， th,t,th+1为相邻的3天数值， xh,x,xh+1为相邻的3天的水质指标； S32、 淘汰处理所述缺失维度超过2个的所述监测点输入样本数据， 以得到适用监测点 数据； S33、 利用 最值归一法， 以下述逻辑归一化处理所述适用监测点数据， 所述步骤S33包 括： S331、 以下述逻辑预处 理所述适用监测点数据： S332、 以下述逻辑反预处 理所述适用监测点数据： 其中， x为水质的原 始数据， x ’为处理后的数据。 3.根据权利要求1所述的基于遗传优化算法的双层BP神经网络水质预测方法， 其特征 在于， 所述 步骤S4包括：权　利　要　求　书 1/4 页 2 CN 115358470 A 2S41、 根据所述 监测点输入样本数据获取协方差矩阵； S42、 利用所述主成分 分析法PCA从所述协方差矩阵中提取 特征值和相关数据； S43、 通过varimax旋转操作， 线性组合所述监测点输入样本数据， 据以生成新正交变 量， 据以获取 所述主要污染条件。 4.根据权利要求1所述的基于遗传优化算法的双层BP神经网络水质预测方法， 其特征 在于， 所述 步骤S5包括： S51、 获取并根据实际编码需求数据， 将所述水质标准数据实数编码为9位； S52、 给出实数编码范围: MIN＝{1,1,1,1,5,0,0,0,0,0},MAX＝{10,10,10,10,10,10,10,15,2,0.5}。 5.根据权利要求1所述的基于遗传优化算法的双层BP神经网络水质预测方法， 其特征 在于， 所述 步骤S6包括： S61、 利用下述逻辑定义所述惩罚函数的最大值集为所有的约束条件的最大值组成的 集合， 并定义所述 惩罚函数的最小值 集为所有的约束条件的最小值组成的集 合： 其中， Φ是惩罚函数， ri是惩罚因子， fi(x)为某种指标的数值， 如fN(x)为含氨氮量的指 标数值； S62、 获取并根据适应度值选择复制优良个 体， 以作为所述父体进行繁殖； S63、 利用单点交叉模式确定一个基因位置作为所述交叉点， 并进行归一化处理得到所 述交叉参数； S64、 利用变异算子Pm根据所述交叉参数， 随机挑选5％的个体的第7列基因进行变异， 并进行归一 化处理得到所述变异参数； S65、 在所述变异参数满足预置算法终止条件时， 结束执行所述只能遗传算法， 其中所 述算法终止条件 包括目标函数 稳定状态： |Ji‑Ji‑1|< ε 其中， ε为允许的误差范围。 6.根据权利要求5所述的基于遗传优化算法的双层BP神经网络水质预测方法， 其特征 在于， 所述 步骤S61中， 以下述逻辑表示氨 氮指数的约束： 其中， QNA是氨氮值的上限， QNB是氨氮值的下限， fN(x)为含氨氮量的指标数值对于差异 约束的惩罚函数放至10 0。 7.根据权利要求6所述的基于遗传优化算法的双层BP神经网络水质预测方法， 其特征 在于， 所述 步骤S8包括： S81、 对应M个样本， 选 定对应的所述教师信号{d1,d2,...,dp}； S82、 利用所述前向操作， 以下述激活函数为relu函数： f(x)＝max{0,x}权　利　要　求　书 2/4 页 3 CN 115358470 A 3