(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110516880.8 (22)申请日 2021.05.12 (65)同一申请的已公布的文献号 申请公布号 CN 113297788 A (43)申请公布日 2021.08.24 (73)专利权人 广东奥博信息产业股份有限公司 地址 528000 广东省佛山市禅城区张槎街 道一路115号九座十层之一 (72)发明人 郭肇禄　黄文俊　谭力江　 (74)专利代理 机构 广州嘉权专利商标事务所有 限公司 4 4205 专利代理师 叶洁勇 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/00(2006.01)G06F 111/06(2020.01) G06F 113/08(2020.01) (56)对比文件 CN 110109904 A,2019.08.09 CN 110610261 A,2019.12.24 CN 106645620 A,2017.0 5.10 CN 1028542 96 A,2013.01.02 冉维丽等.基于PCA-GABP神经网络的BOD软 测量方法. 《控制工程》 .20 04,(第03期),第212 页-215页. 审查员 郭瑞 (54)发明名称 一种基于改进神经网络的水质软测量方法 及系统 (57)摘要 本发明涉及水质软测量技术领域， 具体涉及 一种基于改进神经网络的水质软测量方法及系 统， 所述方法包括： 首先采集水质数据， 确定神经 网络模型的输入变量值和对应的输出变量值， 并 利用适应性蝙蝠算法确定所述神经网络模型的 优化设计参数； 通过所述优化设计参数构建神经 网络模型， 得到水质软测量神经网络模型； 利用 得到的水质软测量神经网络模型进行水质软测 量， 本发明能够提高水质软测量的精度。 权利要求书2页 说明书6页 附图1页 CN 113297788 B 2022.08.23 CN 113297788 B 1.一种基于改进神经网络的水质软测量方法， 其特 征在于， 所述方法包括以下步骤： 步骤S100、 获取水质数据样本集， 所述水质数据样本集包括神经网络模型的输入变量 值和对应的输出变量 值； 步骤S200、 基于所述水质数据样本集， 利用适应性蝙蝠算法确定所述神经网络模型的 优化设计参数； 步骤S300、 通过所述优化设计参数构建神经网络模型， 得到水质软测量神经网络模型； 步骤S400、 利用得到的水质软测量神经网络模型进行 水质软测量； 其中， 所述 步骤S200包括： 步骤S201、 确定神经网络模型的结构； 步骤S202、 根据神经网络模型的结构， 确定神经网络模型的优化设计参数的个数DN； 步骤S203、 设置种群规模BSize， 最大 频率afr， 最小频率 ifr， 最大迭代次数m st； 步骤S204、 设置当前迭代次数t＝0； 步骤S205、 随机产生BSize个蝙蝠个体 的当前位置和当前速度， 然后将BSize个蝙蝠个 体组成种群； 其中， 每 个蝙蝠个 体的当前位置存 储了神经网络模型的DN个优化设计参数； 步骤S206、 根据所述水质数据样本集计算种群中BSize个蝙蝠个体的当前位置的适应 值； 步骤S207、 找出种群中当前位置的适应值 最小的蝙蝠个 体， 记为最优蝙蝠个 体MinDA； 步骤S208、 设置优选缩放因子AFRti＝rand(0,1)， 其中， 下标ti＝1,2,...,B size； rand (0,1)表示[0,1]之间的随机实数产生 函数； 步骤S209、 根据公式(1)计算启发式因子IRti： 其中， exp表示以自然常数 e为底的指数函数； l og表示以自然常数 e为底的对数函数； 步骤S210、 将种群中每个蝙蝠个体的当前位置的适应值按从小到大的顺序进行排序， 并设置Ran kti为种群中第ti个蝙蝠个 体的当前位置的适应值在排序后的序号； 步骤S211、 根据公式(2)计算定级扰动幅度DRti： 步骤S212、 根据公式(3)计算当前缩放因子 CFRti： 其中， rdp为在[0,1]之间随机产生的实数； 步骤S213、 根据公式(4)计算种群中每 个蝙蝠个 体的下一代速度和下一代位置： 其中， dfrti表示种群中第ti个蝙蝠个体的当前频率； 表示种群中第ti个蝙蝠个体权　利　要　求　书 1/2 页 2 CN 113297788 B 2的当前速度； 表示种群中第ti个蝙蝠个体的当前位置； 表示种群中第ti个蝙蝠个 体的下一代速度； 表示种群中第ti个蝙蝠个 体的下一代位置； 步骤S214、 计算种群中每 个蝙蝠个 体的下一代位置的适应值； 步骤S215、 如果种群中第ti个蝙蝠个体的下一代位置 的适应值小于当前位置 的适应值， 则设置优选缩放因子AFRti＝CFRti， 否则保持优选缩放因子AFRti不变； 步骤S216、 找出种群中下一代位置 的适应值最小的蝙蝠个体记为cmDA； 如果cmDA的下 一代位置的适应值小于最优蝙蝠个体MinDA的当前位置的适应值， 则转到步骤S217， 否则转 到步骤S218； 步骤S217、 设置最优蝙蝠个体MinDA的当前位置等于cmDA的下一代位置， 并且设置最优 蝙蝠个体MinDA的当前位置的适应值 等于cmDA的下一代位置的适应值； 步骤S218、 将当前迭代次数加1后， 确定当前迭代次数是否小于最大迭代次数mst， 若 是， 则转到步骤S209， 否则转到步骤S219； 步骤S219、 从最优蝙蝠个 体MinDA中提取 出神经网络模型的DN个优化设计参数。 2.根据权利要求1所述的一种基于改进神经网络的水质软测量方法， 其特征在于， 所述 神经网络模型为5 ‑6‑1结构的三层感知器。 3.根据权利要求2所述的一种基于改进神经网络的水质软测量方法， 其特征在于， 所述 适应值的计算方法为： 对于种群 中的第ti个蝙蝠个体， 首先从第ti个蝙蝠个体 中提取出所存储的神经网络模 型的DN个优化设计参数； 然后构建第ti个蝙蝠个体的神经网络模型WPMti， 计算第ti个蝙蝠 个体的神经网络模型WPMti在水质数据样本集上的均方误差MSEti； 将种群中第ti个蝙蝠个 体的当前位置的适应值设置为均方误差 MSEti， 其中， 下 标ti＝1,2,...,Bsize。 4.根据权利要求3所述的一种基于改进神经网络的水质软测量方法， 其特征在于， 所述 神经网络模型的DN个优化设计参数包括输入层的权值和阈值、 隐含层的权值和阈值、 以及 输出层的权值和阈值。 5.根据权利要求1所述的一种基于改进神经网络的水质软测量方法， 其特征在于， 所述 水质数据样本集包括： 化学需氧量、 悬浮物、 pH值、 氨氮总氮、 以及五日生化需氧量； 所述神 经网络模型的输入变量为需氧量、 悬浮物、 pH值以及氨氮总氮； 所述输出变量为 五日生化需 氧量。 6.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质上存储有计算机 程序， 所述计算机程序被处理器执行时实现如权利要求 1至5任一项 所述的基于改进神经网 络的水质软测量方法的步骤。 7.一种基于改进神经网络的水质软测量系统， 其特 征在于， 所述系统包括： 至少一个处 理器； 至少一个存 储器， 用于存 储至少一个程序； 当所述至少一个程序被所述至少一个处理器执行， 使得所述至少一个处理器实现如权 利要求1至 5任一项所述的基于改进神经网络的水质软测量方法。权　利　要　求　书 2/2 页 3 CN 113297788 B 3