本发明专利技术公开了一种多环芳烃预测方法、装置、介质及设备，多环芳烃预测方法包括步骤：S1、获取基础数据，并对基础数据进行预处理；S2、对经过预处理后的基础数据进行第一次分解，得到内涵模态分量和剩余分量；S3、对内涵模态分量进行第二次分解；S4、对第一次分解、第二次分解得到的内涵模态分量实施归一化；S5、在matlab中搭建长短期记忆网络，并对每一个归一化内涵模态分量构建相应的预测网络；S6、将所有长短期记忆网络的预测结果进行合并，得到多环芳烃预测结果。采用本发明专利技术的多环芳烃预测方法，可实现多环芳烃的准确预测。可实现多环芳烃的准确预测。可实现多环芳烃的准确预测。
【技术实现步骤摘要】
一种多环芳烃预测方法、装置、介质及设备
[0001]本专利技术属于多环芳烃测量
，具体涉及一种多环芳烃预测方法、装置、介质及设备。
技术介绍
[0002]地表水在人类日常生活中具有十分重要的意义。然而，随着经济的发展，地表水质量继续受到损害和恶化，对人类健康构成威胁。多环芳烃(PAHs)是有毒的有机污染物，大多数研究均揭示其致癌性，致畸性和致突变性。从城市来源释放的PAHs可以通过大气干/湿沉积和地表径流运送到城市溪流、河流和湖泊，导致中国水生环境的PAHs污染日益加剧，并成为人们非常关注的话题。水质预测是廉价有效的水质管理手段，但目前研究均集中于常规水质指标(pH、DO、COD等)，对PAHs预测模型研究缺乏。
[0003]水质模型是常用的水质预测手段。水质模型通过一组数学方程量化了生态学、生物化学和物理学的已知原理、理论和经验知识。理想的水质模型可以准确的预测任何指定的一组污染物在任意地点和任意的时间的浓度情况，还可以分析污染的来源情况。物化过程之间的相互作用、动率参数值的不确定性以及三维水动力学模拟的复杂性阻碍了水质模型的有效应用。因此利用水质模型进行预测分析是比较复杂和耗时的，同时预测值与观察值之间误差较大。
[0004]故现出现了采用传统神经网络对多环芳烃进行预测，但大多数传统神经网络不是专门为时间系列模型设计的。它们大多忽略了污染物存在的复杂时间相关性，无法充分利用输入时间步骤提供的信息，从而妨碍了它对时间系列问题的进一步更好的预测性能。因此面对动态和非线性时间系列数据，准确性仍不尽如人意。循环神经网络可以递归构建每个输入步骤之间的依赖关系，从而存储以前隐藏状态的信息，并将其与当前输入一起应用到输出中。然而，传统的循环神经网络存在梯度消失和爆炸的问题，因此难以捕获污染物时间系列的长期依赖性。
[0005]同时由于PAHs的成因有人类活动排放，还受到地理位置，季节变换，政治经济等诸多复杂因素的影响，PAHs数据在不同地区具有不同的多尺度周期性和随机性。事实上，污染物多尺度周期的相互作用使得其动态时间特征复杂性增加，影响模型对污染物时间序列特性的捕捉及仿真，使得模型的预测精度降低。同时，研究表明单一模型能力有限，并不能完全捕捉污染物序列中多尺度特征。但以往对污染物预测的研究很少把污染物的多尺度周期作为考虑对象，研究人员往往忽视了时间系列预测中尺度周期混合的影响。
技术实现思路
[0006]为了克服上述技术缺陷，本专利技术第一个方面提供了一种多环芳烃预测方法，包括步骤：
[0007]S1、获取基础数据，并对基础数据进行预处理；
[0008]S2、对经过预处理后的基础数据进行第一次分解，得到内涵模态分量和剩余分量；
[0009]S3、对内涵模态分量进行第二次分解；
[0010]S4、对第一次分解、第二次分解得到的内涵模态分量实施归一化；
[0011]S5、在matlab中搭建长短期记忆网络，并对每一个归一化内涵模态分量构建相应的预测网络；
[0012]S6、将所有长短期记忆网络的预测结果进行合并，得到多环芳烃预测结果。
[0013]作为本专利技术的进一步改进，所述步骤S1包括如下步骤：
[0014]S11、将当地多环芳烃时间序列进行缺失值识别并均值替补。
[0015]作为本专利技术的进一步改进，所述步骤S2包括如下步骤：
[0016]S21、在当地多环芳烃时间序列中加入白噪声，生成一组加噪序列；
[0017]S22、对每个噪声信号进行经验模态分解并平均，得到第一个内涵模态分量；
[0018]S23、根据第一个内涵模态分量计算第一阶残余信号；
[0019]S24、第一阶残余信号加上第一阶分量，组成新的待分解信号，获得第二个内涵模态分量；
[0020]S25、计算第j个剩余分量的残余信号；
[0021]S26、对第j个剩余分量进行分解得到(j+1)阶内涵模态分量；
[0022]S27、重复所述步骤S25和所述步骤S26，直到残差信号的极值点个数不超过两个。
[0023]作为本专利技术的进一步改进，所述对内涵模态分量进行第二次分解为：采用变分模态分解，对第一个内涵模态分量进行二次分解。
[0024]作为本专利技术的进一步改进，所述采用变分模态分解，对第一个内涵模态分量进行二次分解的步骤，包括如下步骤：
[0025]S31、构建约束变分模型；
[0026]S32、引入二次罚项和拉格朗日乘子，将约束变分模型转化为无约束变分模型；
[0027]S33、根据所述无约束变分模型得到K个变分模态和对应的中心频率。
[0028]作为本专利技术的进一步改进，所述长短期记忆网络的数学模型为：
[0029]f
t
＝σ(W
f
x
t
+U
f
h
t
‑1+b
f
)
[0030]i
t
＝σ(W
i
x
t
+U
i
h
t
‑1+b
i
)
[0031][0032]o
t
＝σ(W
o
x
t
+U
o
h
t
‑1+b
o
)
[0033][0034]其中，x
t
是t时刻的输入，c
t
是t时刻的单元状态，h
t
是t时刻长短期记忆网络的输出， f
t
,i
t
和o
t
表示t时刻的遗忘门、输入门和输出门，W是每个门的权重矩阵，b是偏置向量。
[0035]本专利技术的第二个方面，提供了一种多环芳烃预测装置，包括：
[0036]数据处理单元，用于获取基础数据，并对基础数据进行预处理；
[0037]第一分解单元，用于对经过预处理后的基础数据进行第一次分解，得到内涵模态分量和剩余分量；
[0038]第二分解单元，用于对内涵模态分量进行第二次分解；
[0039]归一化处理单元，用于对第一次分解、第二次分解得到的内涵模态分量实施归一化；
[0040]预测网络构建单元，用于在matlab中搭建长短期记忆网络，并对每一个归一化内涵模态分量构建相应的预测网络；
[0041]结果预测单元，用于将所有长短期记忆网络的预测结果进行合并，得到多环芳烃预测结果。
[0042]本专利技术的第三个方面，提供了一种计算机可读存储介质，所述可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上所述的多环芳烃预测方法。
[0043]本专利技术的第四个方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种多环芳烃预测方法，其特征在于，包括步骤：S1、获取基础数据，并对基础数据进行预处理；S2、对经过预处理后的基础数据进行第一次分解，得到内涵模态分量和剩余分量；S3、对内涵模态分量进行第二次分解；S4、对第一次分解、第二次分解得到的内涵模态分量实施归一化；S5、在matlab中搭建长短期记忆网络，并对每一个归一化内涵模态分量构建相应的预测网络；S6、将所有长短期记忆网络的预测结果进行合并，得到多环芳烃预测结果。2.根据权利要求1所述的多环芳烃预测方法，其特征在于，所述步骤S1包括如下步骤：S11、将当地多环芳烃时间序列进行缺失值识别并均值替补。3.根据权利要求2所述的多环芳烃预测方法，其特征在于，所述步骤S2包括如下步骤：S21、在当地多环芳烃时间序列中加入白噪声，生成一组加噪序列；S22、对每个噪声信号进行经验模态分解并平均，得到第一个内涵模态分量；S23、根据第一个内涵模态分量计算第一阶残余信号；S24、第一阶残余信号加上第一阶分量，组成新的待分解信号，获得第二个内涵模态分量；S25、计算第j个剩余分量的残余信号；S26、对第j个剩余分量进行分解得到(j+1)阶内涵模态分量；S27、重复所述步骤S25和所述步骤S26，直到残差信号的极值点个数不超过两个。4.根据权利要求3所述的多环芳烃预测方法，其特征在于，所述对内涵模态分量进行第二次分解为：采用变分模态分解，对第一个内涵模态分量进行二次分解。5.根据权利要求4所述的多环芳烃预测方法，其特征在于，所述采用变分模态分解，对第一个内涵模态分量进行二次分解的步骤，包括如下步骤：S31、构建约束变分模型；S32、引入二次罚项和拉格朗日乘子，将约束变分模型转化为无约束变分模型；S33、根据所述无约束变分模型得到K个变分模态和对应的中心频率。6.根据权利要求21所述的多环芳烃预测方法，其特征在于，所述长短期记忆网络的数学模型为：f
t
＝σ(W
f
x
t
+U
f
h
t
‑1+b...
【专利技术属性】
技术研发人员：梅沈斌，董良，张晋，李雪，
申请(专利权)人：暨南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。