申请日2018.08.13
公开(公告)日2018.12.07
IPC分类号G06Q10/04; G06N3/08
摘要
本发明公开了一种基于卷积极限学习机预测食品废水进水水质的方法，包括以下步骤：S1、特征学习部分：构建3层结构的卷积神经网络，S2、参数转换部分：将卷积神经网络的输出参数输入到极限学习机中;S3、分类学习部分：训练极限学习机的参数，根据极限学习机训练公式计算其参数，形成食品加工废水进水水质预测网络。本发明采用将卷积神经网络和极限学习机结合，利用卷积神经网络进行特征提取和极限学习机进行分类，从而达到对食品加工废水水质进行预测的目的，效果特别好，十分值得推广。
权利要求书
1.一种基于卷积极限学习机预测食品废水进水水质的方法，其特征在于，包括以下步骤：
S1、特征学习部分：
构建3层结构的卷积神经网络，包括输入层、卷积层和采样层，利用梯度下降法训练卷积神经网络的参数，利用卷积神经网络对食品加工废水进水水质进行特征提取;
S2、参数转换部分：
将卷积神经网络的输出参数输入到极限学习机中;
输入：食品加工废水的训练样本和对应的期望输出，(xi，yi)，其中i=1，2...N;其中，xi表示食品加工废水的进水水质监测指标，yi表示食品加工废水的进水水质，N表示样本数量;
S3、分类学习部分：
训练极限学习机的参数，根据极限学习机训练公式计算其参数，形成食品加工废水进水水质预测网络;
输出：训练好的水质预测模型，
(1)初始化卷积神经网络参数，目标精度ε和最大迭代数n;
(2)当不满足目标精度并且没有达到最大迭代次数时，进行如下步骤：
根据公式xl=f((xl-1*wl-1)(t))，学习参数W;
其中，f为sigmoid函数;
(3)根据公式Hβ=Y计算出H和β;
最后，利用训练好的水质预测模型对食品加工废水进水水质进行预测。
2.根据权利要求1所述的一种基于卷积极限学习机预测食品废水进水水质的方法，其特征在于：食品加工废水的进水水质监测指标包括化学需氧量、生化需氧量、溶解氧、悬浮物、氨氮、酸碱度、温度、氟化物以及氰化物。
说明书
一种基于卷积极限学习机预测食品废水进水水质的方法
技术领域
本发明涉及计算机预测环境技术领域，具体为一种基于卷积极限学习机预测食品废水进水水质的方法。
背景技术
食品工业的内容极其复杂，包括制糖、酿造、肉类、乳品加工等生产过程，所排出的废水都含有机物，具有强的耗氧性，且有大量悬浮物随废水排出，动物性食品加工排出的废水中还含有动物排泄物、血液、皮毛、油脂等，并可能含有病菌，因此耗氧量很高，比植物性食品加工排放的废水的污染性高得多。
目前的废水处理系统都难以实现真正的稳态运行，通常存在出水水质不稳定、故障频发等问题,而且废水处理过程具有复杂性、非线性、时变性、不确定性等特点，因此，为了提高处理系统的可靠性和稳定性，而食品加工废水水质预测是一个典型的分类问题，卷积神经网络的优势是特征提取，但分类能力弱;而极限学习机的分类能力较强，因此，迫切需要开发出一种智能且能够精确预测食品加工废水进水水质的方法。
发明内容
本发明的目的在于提供一种基于卷积极限学习机预测食品废水进水水质的方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于卷积极限学习机预测食品废水进水水质的方法，包括以下步骤：
S1、特征学习部分：
构建3层结构的卷积神经网络，包括输入层、卷积层和采样层，利用梯度下降法训练卷积神经网络的参数，利用卷积神经网络对食品加工废水进水水质进行特征提取;
S2、参数转换部分：
将卷积神经网络的输出参数输入到极限学习机中;
输入：食品加工废水的训练样本和对应的期望输出，(xi，yi)，其中i=1，2...N;其中，xi表示食品加工废水的进水水质监测指标，yi表示食品加工废水的进水水质，N表示样本数量;
S3、分类学习部分：
训练极限学习机的参数，根据极限学习机训练公式计算其参数，形成食品加工废水进水水质预测网络;
输出：训练好的水质预测模型，
(1)初始化卷积神经网络参数，目标精度ε和最大迭代数n;
(2)当不满足目标精度并且没有达到最大迭代次数时，进行如下步骤：
根据公式xl=f((xl-1*wl-1)(t))，学习参数W;
其中，f为sigmoid函数;
(3)根据公式Hβ=Y计算出H和β;
最后，利用训练好的水质预测模型对食品加工废水进水水质进行预测。
优选的，食品加工废水的进水水质监测指标包括化学需氧量、生化需氧量、溶解氧、悬浮物、氨氮、酸碱度、温度、氟化物以及氰化物。
与现有技术相比，本发明的有益效果是：
本发明采用将卷积神经网络和极限学习机结合，利用卷积神经网络进行特征提取和极限学习机进行分类，从而达到对食品加工废水水质进行预测的目的，效果特别好，十分值得推广。