【CN109580519A】一种基于ELM算法的地表水COD在线监测系统及方法【专利】

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号(43)申请公布日(21)申请号201910088540.2(22)申请日2019.01.29(71)申请人杭州电子科技大学地址310018浙江省杭州市下沙高教园区2号大街(72)发明人赵巨峰　毛海锋　崔光茫　张钰　公晓丽　林君　辛青　(74)专利代理机构杭州浙科专利事务所(普通合伙)33213代理人吴秉中(51)Int.Cl.G01N21/33(2006.01)G01N33/18(2006.01)G06N3/08(2006.01)(54)发明名称一种基于ELM算法的地表水COD在线监测系统及方法(57)摘要本发明公开了一种基于ELM算法的地表水COD在线监测系统，通过构建极限学习机模型能有效提高地表水COD在线监测系统的精度。本发明通过对影响地表水COD的相关变量的数据采集，利用ELM算法实现对地表水COD浓度的预测输出，通过预测值来修正实际采集值，使得系统对COD的采集精度得到了提高，解决了由传感器本身造成的或监测环境造成的一些难以测量的误差，为数据处理提供了一个新的方法。同时在一定程度上解决了传统实验室监测中实验步骤繁琐，实验材料浪费，分析仪器价格昂贵等特点。权利要求书3页说明书4页附图2页CN109580519A2019.04.05CN109580519A1.一种基于改进ELM算法的地表水COD在线测量方法，包括如下步骤：步骤一、搭建基于宽光谱探头的硬件框架；步骤二、建立样本数据库；步骤三、构建基于ELM算法的COD预测输出模型；步骤四、COD实际输出值的处理。2.如权利要求1所述的基于改进ELM算法的地表水COD在线测量方法，其特征在于：步骤1中所述硬件框架包括宽光谱水质探头，辅助传感器，嵌入式芯片，电源模块，显示模块，电源模块为整个系统供电，宽光谱水质探头和辅助传感器集合在一起，浸没在待测地表水水样中，宽光谱水质探头和辅助传感器将采集的数据传输给嵌入式芯片，嵌入式芯片分别处理宽光谱水质探头和辅助传感器采集的水样数据，输出结果通过显示模块进行显示。3.如权利要求2所述的基于改进ELM算法的地表水COD在线测量方法，其特征在于：步骤2具体如下：利用宽光谱探头和辅助传感器采集N组水样参数，每组水样进行多次采集，每次采集的时间间隔为10秒，每组的采集结果加上时间点标注；其中辅助传感器采集与COD密切相关的水质参数：温度，PH，氯离子浓度，TSS(悬浮物)，DO(溶解氧)，宽光谱水质探头采集COD参数；将上述水质数据进行异常值的剔除和归一化处理，将处理后的水质数据分别整理成辅助变量数据库和COD样本数据库即预测变量数据库，其中辅助变量数据库包括温度，PH，氯离子浓度，TSS(悬浮物)，DO(溶解氧)和前一时刻(t-1)COD浓度，将辅助变量数据库和对应的预测变量数据库组成数据集，再将数据集进行分类，分成训练样本数据集和测试样本数据集。4.如权利要求3所述的基于改进ELM算法的地表水COD在线测量方法，其特征在于：步骤3具体如下：从上述构建完成的训练样本数据集中选取N个训练样本(xi,ti)∈Rn×Rm,xi为输入目标即辅助变量数据库，ti为输出目标即预测变量数据库，隐含层节点数为L，激活函数为g(x)，其ELM模型表示为其中ai为输入层到第i个隐含层节点的输入权值，ai＝[ai1,ai2,…,ain]T；bi为第i个隐含层节点的偏置；βi为连接第i个隐含层节点的输出权值,βi＝[βi1,βi2,…,βin]T；矩阵表示为Hβ＝T               (2)H是隐含层输出矩阵，β为输出权值，T为期望输出。其中权　利　要　求　书1/3页2CN109580519A2求解其最小二乘问题可以得到隐含层输出权值β＝H+T＝(HTH)-1HTT                        (4)其中，H+为隐含层输出矩阵的Moore-Penrose广义逆矩阵；输入层到隐含层的连接权值通过下式确定：QW＝TY                        (5)式子中Y为随机确定的,Q和W的定义如下：将每次训练误差定义为δ，c为δ的权值，将训练误差引入到神经网络中，Q和W的定义如下：寻找满足最优的权值W＝(Q,T,Y)使得代价函数E(W)最小。其数学模型可以表示为：其中误差的平方和||W||2代表经验风险；||D(QW-TY)||2代表结构风险；而γ则是两种风险的比例参数，通过交叉验证的方式来调节γ来调节经验风险和结构风险的比例，D＝diag(v1,v2,…,vN)表示误差的权值对角阵；求出最优的W：根据式子(9)计算网络学习参数，输入权值ai，隐含层偏置bi，训练误差值ci将所求得的学习参数ai,bi,ci代入式子(10)中，可以得到隐含层输出矩阵H；再根据式子(4)计算隐含层输出权值β；即COD预测输出模型为：T预测COD＝Hβ利用训练样本数据对模型进行不断的训练，直到满足训练条件训练停止；再从测试样本数据集中选取多组测试样本作为检测数据集，通过检测数据检验COD预测输出模型的正确性。权　利　要　求　书2/3页3CN109580519A35.如权利要求4所述的基于改进ELM算法的地表水COD在线测量方法，其特征在于：步骤4具体如下将预测输出模型移植到嵌入式芯片中，每当对地表水进行监测时，该嵌入式芯片自动调用该预测输出模型产生一个预测值COD预测即T预测COD的输出数值，另外根据宽光谱探头的采集产生一个采集值COD采集；最终显示模块上显示的是COD实际输出：COD实际输出＝θCOD预测+ψCOD采集(0θ1,0＜ψ＜1,θ∈R,ψ∈R)。6.一种基于改进ELM算法的地表水COD在线测量系统，包括：宽光谱水质探头，辅助传感器，嵌入式芯片，电源模块，显示模块；其特征在于：所述电源模块为整个系统供电，宽光谱水质探头和辅助传感器集合在一起，浸没在待测地表水水样中；宽光谱水质探头和辅助传感器将采集的数据传输给嵌入式芯片，嵌入式芯片分别处理宽光谱水质探头和辅助传感器采集的水样数据，输出结果通过显示模块进行显示，其中辅助传感器包括PH传感器，TSS(悬浮物)传感器，DO(溶解氧)传感器，温度传感器，氯离子传感器，宽光谱水质探头采用两路光源，一路254nm紫外光，一路365nm紫外参比光，根据郎伯-比尔定律，通过测量有机物对254nm波长紫外光的吸收程度，计算水中COD的总量。权　利　要　求　书3/3页4CN109580519A4一种基于ELM算法的地表水COD在线监测系统及方法技术领域[0001]本发明涉及水质监测技术领域，具体涉及一种基于ELM算法的地表水COD在线监测系统。背景技术[0002]水是地球上最珍贵的资源，是人类赖以生存和发展的重要物质。但由于人类忽略环境而大力发展工业经济，导致了现在的水污染问题日益严重。到了21世纪，水资源的危机正逐步的显现出来。地表水作为地球上最重要的水资源之一，有关于地表水监测系统的研发受到越来越多的重视。[0003]COD作为测定地表水中有机物相对含量的重要指标，却易受地表水中其他相关参数的干扰产生变化。传统的实验室监测仪器分析周期长，一般耗时几个小时以上，导致监测到的COD参数已经发生了改变，影响了对该地表水水源污染程度的判断。虽然国内外引入了光谱法，利用宽光谱探头测定水中的COD参数，大幅度缩短了分析周期。但是宽光谱探头无法做到传统实验室中可以利用化学法事先去除其他水质参数对COD参数的影响。[0004]在这样的背景下，引入ELM算法，采用不同于实验室监测仪器的方式，通过对其他影响地表水COD指标的间接监测，根据数据的驱动原理，构建预测输出模型，实现对地表水COD的监测。相对于单一的提高传感器的精度，该算法能够为地表水COD的监测提供一种低成本的方法。因此，研制一种基于ELM算法的地表水COD在线测量系统具有重要意义。[0005]COD：即化学需氧量(Chemical Oxygen Demand)。[0006]ELM：即极限学习机(Extreme Learning Machine)。发明内容[0007]为了解决现有技术中存在的上述技术问题，本发明提出了一种基于ELM算法的地表水COD在线监测系统，通过构建极限学习机模型能有效提高地表水COD在线监测系统的精度。其技术方案如下：[0008]本发明的基于改进ELM算法的地表水COD在线测量系统，主要思路体现为：一是基于宽光谱探头的硬件框架实现；二是样本数据库的建立；三是构建基于ELM算法的COD预测输出模型；四是COD实际输出值的处理。[0009]基于宽光谱探头的硬件框架实现[0010]本发明的系统的硬件框架包括：宽光谱水质探头，辅助传感器，嵌入式芯片，电源模块，显示模块。电源模块为整个系统供电，宽光谱水质探头和辅助传感器集合在一起，浸没在待测地表水水样中。宽光谱水质探头和辅助传感器将采集的数据传输给嵌入式系统，嵌入式系统分别处理宽光谱水质探头和辅助传感器采集的水样数据，输出结果通过显示屏进行显示。其中辅助传感器包括PH传感器，TSS(悬浮物)传感器，DO(溶解氧)传感器，温度传感器，氯离子传感器。其中宽光谱水质探头采用两路光源，一路254nm紫外光，一路365nm紫外参比光，根据郎伯-比尔定律，通过测量有机物对254nm波长紫外光的吸收程度，计算水中说　明　书1/4页5CN109580519A5COD的总量。[0011]样本数据库的建立[0012]利用宽光谱探头和辅助传感器采集N组水样参数，每组水样进行多次采集，每次采集的时间间隔为10秒，每组的采集结果加上时间点标注。[0013]其中辅助传感器采集与COD密切相关的水质参数：温度，PH，氯离子浓度，TSS(悬浮物)，DO(溶解氧)。其中宽光谱水质探头采集COD参数。[0014]将上述水质数据进行异常值的剔除和归一化处理，将处理后的水质数据分别整理成辅助变量数据库和COD样本数据库即预测变量数据库。其中辅助变量数据库包括温度，PH，氯离子浓度，TSS(悬浮物)，DO(溶解氧)和前一时刻(t-1)COD浓度。将辅助变量数据库和对应的预测变量数据库组成数据集，再将数据集进行分类，分成训练样本数据集和测试样本数据集。[0015]构建基于ELM算法的预测输出模型[0016]从上述构建完成的训练样本数据集中选取N个训练样本(xi,ti)∈Rn×Rm,xi为输入目标即辅助变量数据库，ti为输出目标即预测变量数据库。隐含层节点数为L，激活函数为g(x)，其ELM模型表示为[0017][0018]其中ai为输入层到第i个隐含层节点的输入权值，ai＝[ai1,ai2,…,ain]T；bi为第i个隐含层节点的偏置；βi为连接第i个隐含层节点的输出权值,βi＝[βi1,βi2,…,βin]T。[0019]矩阵表示为Hβ＝T   (2)[0020]H是隐含层输出矩阵，β为输出权值，T为期望输出。[0021]其中[0022][0023]求解其最小二乘问题可以得到隐含层输出权值[0024]β＝H+T＝(HTH)-1HTT   (4)[0025]其中，H+为隐含层输出矩阵的Moore-Penrose广义逆矩阵。[0026]本发明将加权最小二乘法和训练误差引入到网络中，生成带反馈的输入神经网络，以使得神经网络保持较少隐含层节点数，以便嵌入式系统在调用该预测模型时减少计算资源消耗，提高计算速度。[0027]输入层到隐含层的连接权值通过下式确定：[0028]QW＝TY   (5)[0029]式子中Y为随机确定的,Q和W的定义如下：说　明　书2/4页6CN109580519A6[0030][0031]将每次训练误差定义为δ，c为δ的权值，将训练误差引入到神经网络中，于是Q和W的定义如下：[0032][0033]于是问题的求解方法就是寻找满足最优的权值W＝(Q,T,Y)使得代价函数E(W)最小。其数学模型可以表示为：[0034][0035]其中误差的平方和||W||2代表经验风险；||D(QW-TY)||2代表结构风险；而γ则是两种风险的比例参数，