基于AdaBoost改进的神经网络水质参数预测建模方法技术

本发明专利技术涉及一种水质参数建模方法，具体涉及一种基于AdaBoost改进的神经网络水质参数预测建模方法，解决现有水质参数建模用BPNN神经网络存在“过拟合”现象及容易陷入局部极值而导致网络训练失败的技术问题。该基于AdaBoost改进的神经网络水质参数预测建模方法，包括以下步骤：1)对测得的水质样本数据进行预处理；将预处理后的样本集划分为训练集和测试集；2)初始化训练集的样本权重后，得到水质参数浓度强预测器；3)使用测试集数据对强预测器的预测效果进行评价，得到水质参数浓度预测模型，能够按比例组合多个BPNN模型的预测结果，取长补短，从而降低误差、提高模型的稳定性。性。性。

【技术实现步骤摘要】
基于AdaBoost改进的神经网络水质参数预测建模方法


[0001]本专利技术涉及一种水质参数建模方法，具体涉及一种基于AdaBoost改进的神经网络水质参数预测建模方法。

技术介绍

[0002]针对水质参数的监测，大多数传统的化学方法普遍存在价格昂贵、操作复杂且分析时间长，还需要消耗试剂，容易造成对水体的二次污染等问题。在实际应用中，水体类型复杂多变，衡量水质的参数也多种多样。水环境的污染因素具有复杂性、随机性和综合性，不同水质的污染源和影响因素不同，导致光谱数据也千变万化。
[0003]如图1所示，现有用于水质参数建模的反向传播神经网络(backpropagationneuralnetwork，BPNN)，具有较强的非线性拟合能力，可以将学习成果运用于新知识的能力。但用于水质参数建模的反向传播神经网络存在“过拟合”现象、容易陷入局部极值，导致反向传播神经网络训练失败的缺点。

技术实现思路

[0004]本专利技术的目的是解决现有水质参数建模用BPNN神经网络存在“过拟合”现象及容易陷入局部极值而导致网络训练失败的技术问题，而提供一种基于AdaBoost改进的神经网络水质参数预测建模方法，能够按比例组合多个BPNN模型的预测结果，取长补短，从而降低误差、提高模型的稳定性。
[0005]为解决上述技术问题，本专利技术所采用的技术方案为：
[0006]基于AdaBoost改进的神经网络水质参数预测建模方法，其特殊之处在于，包括以下步骤：
[0007]1)对测得的水质样本数据进行预处理；将预处理后的样本集划分为训练集和测试集；其中训练集为训练轮数为J，x
i
表示第i个样本的光谱，y
i
表示第i个样本的浓度，m表示样本个数，m为大于等于1的整数，i＝1,2,
…
,m；
[0008]2)初始化步骤1)中所得的训练集中m个的样本权重，使用AdaBoost算法训练J个弱预测器后，得到水质参数浓度强预测器；所述AdaBoost算法中的弱预测器采用BPNN水质参数浓度预测模型；
[0009]3)使用测试集数据对强预测器进行测试，得到水质参数浓度预测模型。
[0010]进一步地，步骤2)具体为：
[0011]2.1)初始化步骤1)中所得的训练集中m个样本权重
[0012]2.2)采用BPNN水质参数浓度预测模型，对步骤2.1)初始化后的m个训练集进行预测，计算弱预测器的预测误差率
[0013][0014]其中，err
ij
为使用第j个弱预测器的第i个样本的预测误差率，为使用第j个弱预测器的第i个样本水质参数浓度的预测值，j＝1,2,
…
,J；
[0015]2.3)设置误差阈值t，权重因子s，J个弱预测器的误差因子，并将第j个误差因子E
j
初始化为0；
[0016]2.4)根据步骤2.2)中所得的err
ij
与步骤2.3)中的误差阈值t，通过下式更新步骤2.1)中的m个样本权重：
[0017]W
ij+1
＝W
ij
×
s
[0018]当err
ij
≥t时，s＝1.1,E
j
＝E
j
+W
ij
；
[0019]当err
ij
＜t时，s＝1；
[0020]其中，W
ij
表示使用第j个弱预测器时，训练集第i个样本的样本权重；
[0021]2.5)归一化步骤2.4)所得的样本权重：
[0022][0023]2.6)计算第j个弱预测器权重
[0024][0025]2.7)根据步骤2.6)中所得的第j个弱预测器权重对各个弱预测器进行线性组合，获得强预测器Y：
[0026][0027]进一步地，步骤3)具体为：
[0028]将步骤1)中得到的测试集代入步骤2.7)所得的强预测器中，输出预测结果，得到水质参数浓度预测模型。
[0029]进一步地，还包括步骤4)：评估水质参数浓度预测模型；
[0030]使用RMSEP和R2评价指标对步骤3)建立的水质参数浓度预测模型的预测性能进行评估。
[0031]与现有技术相比，本专利技术技术方案的有益效果是：
[0032]1、本专利技术基于AdaBoost改进的神经网络水质参数预测建模方法，采用AdaBoost算法对传统BPNN建模进行改进后，针对各类水体中水质参数建模，使使得水质参数浓度预测模型具备良好的非线性拟合能力及预测稳定性，还可以更好的适用于各类水体、各类水质参数预测中，还解决了使用BPNN建模时容易陷入局部极值导致网络训练失败的技术问题的问题。
[0033]2、本专利技术基于AdaBoost改进的神经网络水质参数预测建模方法，结合BPNN较强的非线性拟合能力，改善了BPNN建模泛化能力弱的问题，AdaBoost能够按比例组合多个BPNN模型的预测结果以降低误差，增强了水质参数模型预测的稳定性，提升了水质参数浓度预测精度。
[0034]3、本专利技术基于AdaBoost改进的神经网络水质参数预测建模方法，具有测量方便快捷、无需引入其他试剂等优点，不会对水体产生二次污染，因此可以用于水质参数浓度的测量。该方法利用测量物质吸收紫外可见光谱辐射的原理，将光谱数据代入预测模型对新样本的浓度进行预测，灵敏度高、准确度好。
[0035]4、本专利技术基于AdaBoost改进的神经网络水质参数预测建模方法，能够将混合溶液样本中TOC浓度的预测结果由R2＝0.9110,RMSEP＝0.0962提升至R2＝0.9676,RMSEP＝0.0521。
附图说明
[0036]图1为现有AdaBoost算法示意图。
[0037]图2为本专利技术基于AdaBoost改进的神经网络水质参数预测建模方法中，BPNN
‑
AdaBoost浓度预测模型建模流程图。
[0038]图3为本专利技术基于AdaBoost改进的神经网络水质参数预测建模方法实施例中，50个TOC浊度混合溶液原始光谱曲线图。
[0039]图4为本专利技术基于AdaBoost改进的神经网络水质参数预测建模方法实施例中，经光谱信息提取后的部分TOC浊度混合溶液光谱曲线图。
[0040]图5为使用传统的BPNN建模后，预测样本中TOC浓度的预测结果示意图。
[0041]图6为本专利技术基于AdaBoost改进的神经网络水质参数预测建模方法实施例中，预测样本中TOC浓度的预测结果示意图。
具体实施方式
[0042]如图1所示，现有的AdaBoost算法原理是通过调整训练集m个样本的权重和弱预测器权值，组合弱预测器形成一个强预测器。基于m个样本的训练集训练弱预测器，每次下一个弱预测器都是在上一个样本的不同权值集上训练获得的。每个样本的权重由其学习效果决定，而学习效果是经本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于AdaBoost改进的神经网络水质参数预测建模方法，其特征在于，包括以下步骤：1)对测得的水质样本数据进行预处理；将预处理后的样本集划分为训练集和测试集；其中训练集为x
i
表示第i个样本的光谱，y
i
表示第i个样本的浓度，m表示样本个数，m为大于等于1的整数，i＝1,2,
…
,m；2)初始化步骤1)中所得的训练集中m个样本权重后，使用AdaBoost算法训练J个弱预测器后，得到水质参数浓度强预测器；所述AdaBoost算法中的弱预测器采用BPNN水质参数浓度预测模型；3)使用测试集数据对强预测器进行测试，得到水质参数浓度预测模型。2.根据权利要求1所述的基于AdaBoost改进的神经网络水质参数预测建模方法，其特征在于，步骤2)具体为：2.1)初始化步骤1)中所得的训练集中m个样本权重2.2)采用BPNN水质参数浓度预测模型，对步骤2.1)初始化后的m个训练集进行预测，计算弱预测器的预测误差率：其中，err
ij
为使用第j个弱预测器的第i个样本的预测误差率，为使用第j个弱预测器的第i个样本水质参数浓度的预测值，j＝1,2,
…
,J；2.3)设置误差阈值t，权重因子s，J个弱预测器的误差因子，并将第j个误差因子E
j
初始化...

【专利技术属性】
技术研发人员：王雪霁，于涛，刘嘉诚，刘骁，刘宏，刘宇阳，赵宇博，
申请(专利权)人：中国科学院西安光学精密机械研究所，
类型：发明
国别省市：