應用反向傳播神經網絡模型的游泳池水質評價裝置制造方法
【專利摘要】本實用新型涉及借助于測定材料的化學或物理性質來測試或分析材料的裝置領域，具體為一種應用反向傳播神經網絡模型的游泳池水質評價裝置。一種應用反向傳播神經網絡模型的游泳池水質評價裝置，包括取樣水管(1)、電磁閥(2)和水泵(3)，其特征是：還包括余氯測定儀(41)、高效液相色譜儀(42)、電子毫伏計(43)、堿度測定儀(44)、鈣硬度測定儀(45)、連續流動注射分析儀(46)、模/數轉換器(5)和控制器(6)，余氯測定儀(41)等都通過信號線經一個模/數轉換器(5)連接控制器(6)。本實用新型減少人工評價工作量，提高評價結果準確性和客觀性。
【專利說明】應用反向傳播神經網絡模型的游泳池水質評價裝置

【技術領域】
[0001]本實用新型涉及借助于測定材料的化學或物理性質來測試或分析材料的方法領域，具體為一種應用反向傳播神經網絡模型的游泳池水質評價裝置。

【背景技術】
[0002]水質評價是按照評價目標選擇相應的水質參數、水質標準和計算方法，對水的利用價值及水的處理要求做出評定的過程。長期以來，國內外研究人員對水質評價的方法進行了大量研究，提出了很多方法，如單項指標評價法、綜合污染指數評價法、灰色評價法、模糊評價法、物元分析法等。這些評價方法都需要通過檢測水中的各類指標，如游離性余氯、氰尿酸、氧化還原電位等，然后經一定換算后得出最終的水質評價結果。目前，這些檢測方法多依靠手工操作，效率低，精度差，而且，由于游泳池容積較大，為得到較為客觀的評價結果，通常需要選取多個點的水樣參與測定，這就進一步增加了工作量。
實用新型內容
[0003]為了克服現有技術的缺陷，提供一種減少人工評價工作量，提高評價結果準確性和客觀性的水質評價設備，本實用新型公開了一種應用反向傳播神經網絡模型的游泳池水質評價裝置。
[0004]本發明通過如下技術方案達到發明目的:
[0005]一種應用反向傳播神經網絡模型的游泳池水質評價裝置，包括取樣水管、電磁閥和水泵，取樣水管至少有5根，每根取樣水管上都串聯有電磁閥，取樣水管的一端設于游泳池的水面以下，取樣水管的另一端和水泵連接，其特征是:還包括余氯測定儀、高效液相色譜儀、電子毫伏計、堿度測定儀、鈣硬度測定儀、連續流動注射分析儀、模/數轉換器和控制器，
[0006]每根取樣水管的出水端都分別連接余氯測定儀、高效液相色譜儀、電子毫伏計、堿度測定儀、鈣硬度測定儀和連續流動注射分析儀的進水端，
[0007]余氯測定儀、高效液相色譜儀、電子毫伏計、堿度測定儀、鈣硬度測定儀和連續流動注射分析儀的信號輸出端都通過信號線連接一個模/數轉換器的模擬信號輸入端，模/數轉換器的數字信號輸出端都通過信號線連接控制器，控制器還通過信號線連接各個電磁閥和各個水泵的驅動馬達；
[0008]控制器由輸入設備、輸出設備、內存、夕卜存和中央處理器構成，輸入設備、輸出設備、內存和外存都通過信號線連接中央處理器。
[0009]所述的應用反向傳播神經網絡模型的游泳池水質評價裝置，其特征是:控制器選用微機或單片機。
[0010]本實用新型使用時，由控制器控制電磁閥開啟，隨后控制器控制水泵啟動，通過取樣水管從游泳池內抽取一定量的水樣分別輸送至余氯測定儀、高效液相色譜儀、電子毫伏計、堿度測定儀、鈣硬度測定儀和連續流動注射分析儀，其中余氯測定儀用于測定水樣中的余氯值、pH值和水溫，高效液相色譜儀用于測定水樣中的氰尿酸值，電子毫伏計和原電池配合用于測定水樣中的氧化還原電位值，堿度測定儀用于測定水樣中的總堿度值，鈣硬度測定儀用于測定水樣中的鈣硬度值，連續流動注射分析儀用于測定水樣中的尿素值。
[0011]各指標的分級標準如下表所示:
[0012]
^^ I^
,I',., / y > 標纖PRIE: M:■.級:二.級:四級:
、__水質優良水質一般釬度汚染 ',R度W染
?(uu.5] lotim
彡 150 [30,50] (50,100] (100.150] (150,300]
S-電三方E ? SSf IS
pH 僵[7’0,7.8] [7-2,7.63 (7,6J,8] (7,8,8.0] | (8.0,10.0]
總堿度^I1ZTI1
(mg/L) K U_ [80,120] (1風200] (2()0,250] [ (250,300]
+W妯吱個[200,300)或 n()o】)0.)或[ο，_)或
(mg/L)(400,450] (450,500] (500,600]
敗^.(mg/L)彡3.5 I [0,1.0](1.0,3.5] (3.5.10] (10,100]
O
[0013]控制器6內存儲有反向傳播神經網絡模型，在獲得了水樣的各個參數值后，按如下所述進行數據處理和水質評價:
[0014]模型擬合:
[0015]BP神經網絡在使用前經過8步的訓練過程，使網絡具有聯想記憶和預測能力。
[0016]1.訓練樣本的建立:將c步驟表所列的7個指標的分級標準中的數據進行歸一化處理，即按照y=(x-最小值)/(最大值-最小值)規則將具體數值轉化為[0，1]區間上的數據，從而使物理系統數值的絕對值變成某種相對值關系，把水質分級標準作為訓練樣本，將其輸入到網絡的輸入節點；
[0017]采用產生隨機數原理，在至少兩種水質的水樣中，在每種水樣中各抽取不低于100份的樣本，抽取的數量由控制器6控制，將全體樣本進行訓練和建模；
[0018]2.神經網絡初始化:設定輸入層、隱含層和輸出層的節點數，并初始化其神經元之間的連接權值《^和ωΛ、隱含層閥值a和輸出層閥值b，給定學習速率和神經元激勵函數，選取輸入輸出序列(X，Y)；
[0019]3.隱含層輸出計算:根據輸入向量X、輸入層和隱含層間的連接權值以及隱含層閥值a，計算隱含層輸出H，其計算式如式(I)所示:

n
[0020]Hj =—aj)，j=l，2.……in-(I)；


i=l
[0021]式(I)中f為激勵函數，激勵函數的表達形式為經典的Sigmoid函數，其計算式如式⑵所示:


]
[0022]f(x)=-—(2);

1 + c's
[0023]4.輸出層輸出計算:根據隱含層輸入H、隱含層和輸出層間的連接權值以及輸出層閥值b，計算預測輸出0，其計算式如式(3)所示:

m
[0024]Ofc =f(XHjCOjl -bk)f k=l,2，……I——(3);
[0025]5.誤差計算:根據預測輸出O和期望輸出Y獲得預測誤差e，其計算式如式
[0026](4)所示:ek=Yk-0k, k=l, 2......1-(4)；
[0027]6.權值更新:根據預測誤差e對連接權值ω u、ω Jk進行更新，其計算如式(5)和式(6)所示:式(5)和式(6)中的η為學習速率，



?
[0028]…Hj(1-Hj)Xi^cj)jkek， i=l，2……n; j=i，2……議一——(5}，
[0029]ω jk= ω jk+ rIHjek, j=l, 2......m ；k=l, 2......1-(6)；
[0030]7.閥值更新:根據預測誤差e對閥值a和b進行更新，其計算如式(7)和式⑶所示:


I
[0031]Ε|?Ε|+ηΗ|(1?Η^)^0),|；?|_ ?......m; k=ls2......1—(7)?


k=l
[0032]bk=bk+ek, k=l, 2......1-(8)；
[0033]8.判斷算法迭代是否結束:若迭代結束，表示訓練過程可以結束，模型建立完成；若迭代還沒有結束，則返回隱含層輸出計算步驟重新開始一個新的訓練調整過程，直至算法迭代得以結束。由于BP神經網絡模型的初始化權值不唯一，決定重復訓練奇數次后取出現最多的等級數為最終的預測結果。
[0034]通過MATLAB R2012b軟件神經網絡Nprtool工具箱，自動完成數據導入、數據預處理、建立并訓練神經網絡以及使用誤差均方與混淆矩陣等評價BP神經網絡建模效果。使用雙層前向神經網絡作為基礎，隱含層傳遞函數為Sigmoid，整個神經網絡的訓練函數為變梯度算法。BP神經網絡模型參數主要包括最大訓練步數、性能參數、確認失敗的最大次數、隱含層神經元節點數等參數，通過模型學習和訓練情況進行相應調整。為了防止過擬合，將最大訓練步數設置為1000次，最大驗證集失敗次數設置為6次，并將訓練目標誤差設置為O。
[0035]經過反復嘗試，在隱含層神經元節點數最終確定為10后，經過135次訓練，此時的誤差為0.021333，達到最佳效果后即停止訓練，此時將訓練數據回代入神經網絡模型得到的預測準確率已達到95%以上。
[0036]所述的應用反向傳播神經網絡模型評價游泳池水質的方法，其主要特征有:
[0037]1.作為BP神經網絡模型在游泳場所水質評價上的首次應用。神經網絡是基于模仿人類大腦的結構和功能而構成的一種信息處理系統，是一種由大量處理單元組成的非線性自適應的動力學系統，具有學習、聯想、容錯和抗干擾能力，具有客觀性。目前應用最多的是具有非線性傳遞函數神經元構成的前饋網絡中采用誤差反向傳播算法作為其學習算法的前饋網絡(簡稱BP網絡)。運用神經網絡理論和方法，建立水質與其影響因素間的非線性關系，可以較好地評價水體的綜合質量。基于水環境系統自身存在著模糊性和灰色性以及水質監測結果存在的隨機性等特點，神經網絡法是目前水質綜合評價中較為合理、可行的方法。
[0038]2.評價指標來源于行業標準——《游泳池水質標準》(CJ244-2007)和《游泳池給水排水工程技術規程》(CJJ122-2008)，而非國家標準一《游泳場所衛生標準》(GB9667-1996)。《游泳場所衛生標準》(GB9667-1996)在執行過程中普遍反映標準過低，但若完全執行國際游泳聯合會(FINA)水質要求，有些項目過高，又不符合國情。與GB9667-1996相比，《游泳池水質標準》(CJ244-2007)和《游泳池給水排水工程技術規程》(CJJ122-2008)是以世界衛生組織(WHO)《游泳池、按摩池和類似水環境安全指導準則》為主要依據，并參考先進國家和地區的游泳池水質標準，結合我國的情況綜合分析論證而制訂出的水質檢測指標及其限值，比較好的吻合了泳池的現狀。
[0039]3.評價指標的篩選考慮了多個方面，兼顧了指標的重要性和可操作性，如指標的衛生學意義和對水質平衡(即池水保持既不析出沉淀結垢，又不產生腐蝕性和溶解水垢的中間狀態)的影響、水處理工藝的調查、歷年指標合格情況、指標檢驗方法的簡便性等，將游離性余氯、氰尿酸和氧化還原電位作為消毒控制風險并兼顧微生物控制風險，將PH值、總堿度和鈣硬度作為水質平衡控制風險以及將尿素作為池水循環凈化控制風險而進入綜合評價體系是一種大膽嘗試。
[0040]4.在四種水質(水質優良、一般、輕度污染和重度污染)等級劃定上探索確定了各指標的分級標準。由于目前缺乏關于游泳場所水質綜合評價的分級標準，故邀請了上海市水處理和環境衛生學領域等專家，通過多次專家訪談對游泳場所水質指標的分級標準進行了大膽創新。
[0041]本實用新型通過各種在線的自動化測量儀器，在控制器的控制下實現抽取水樣、指標測定、數據處理和水質判定的連續自動作業，通過應用反向傳播神經網絡模型評價游泳池水質，具有自動化程度高、精度高、評價準的特點。

【專利附圖】

【附圖說明】
[0042]圖1是本實用新型的連接示意圖。

【具體實施方式】
[0043]以下通過具體實施例進一步說明本實用新型。
[0044]實施例1
[0045]一種應用反向傳播神經網絡模型的游泳池水質評價裝置，包括取樣水管1、電磁閥
2、水泵3、余氯測定儀41、高效液相色譜儀42、電子毫伏計43、堿度測定儀44、鈣硬度測定儀45、連續流動注射分析儀46、模/數轉換器5和控制器6，如圖1所示，具體結構是:
[0046]取樣水管I共有5根，每根取樣水管I上都串聯有電磁閥2，取樣水管I的一端設于游泳池的水面以下，5根取樣水管I分別設于游泳池的四個角及中央處，取樣水管I的另一端和水泵3連接；
[0047]每根取樣水管I的出水端都分別連接余氯測定儀41、高效液相色譜儀42、電子毫伏計43、堿度測定儀44、鈣硬度測定儀45和連續流動注射分析儀46的進水端，
[0048]余氯測定儀41、高效液相色譜儀42、電子毫伏計43、堿度測定儀44、鈣硬度測定儀45和連續流動注射分析儀46的信號輸出端都通過信號線連接一個模/數轉換器5的模擬信號輸入端，模/數轉換器5的數字信號輸出端都通過信號線連接控制器6，控制器6還通過信號線連接各個電磁閥2和各個水泵3的驅動馬達；
[0049]控制器6由輸入設備、輸出設備、內存、夕卜存和中央處理器構成,輸入設備、輸出設備、內存和外存都通過信號線連接中央處理器。
[0050]控制器6可以選用微機或單片機，本實施例選用微機。
[0051]本實施例使用時，由控制器6控制電磁閥2開啟，隨后控制器6控制水泵2啟動，通過取樣水管I從游泳池內抽取一定量的水樣分別輸送至余氯測定儀41、高效液相色譜儀42、電子毫伏計43、堿度測定儀44、鈣硬度測定儀45和連續流動注射分析儀46，其中余氯測定儀41用于測定水樣中的余氯值、pH值和水溫，高效液相色譜儀42用于測定水樣中的氰尿酸值，電子毫伏計43和原電池配合用于測定水樣中的氧化還原電位值，堿度測定儀44用于測定水樣中的總堿度值，鈣硬度測定儀45用于測定水樣中的鈣硬度值，連續流動注射分析儀46用于測定水樣中的尿素值。
[0052]各指標的分級標準如下表所示:
[0053]
I^ZZ^_緩水廣劃分[
標.隱値~—級:—^ 1-級:1 —^二級:I—^四級:1 1.一__水須優良水質---般輕度污染[璽度污染I
游離性余氯f10 I 51 【0.2?0.5)或I [O?0.2威 I
(mg/L)聞.0]隣1.0]卩1.0,1.5] (1.53.0] I (3.0J0.0] |
彡 150 [30,50] I (50,100] (100,150] (150,300]
(mg/L) τ_」__J
遍眺剛 |[650，750) I SSof ；I
[7取8]腳鐵 II gST I |o；iM][
[0054] 總賊度、側 '削削 [60.80)1$ I|30,60)?$ [(UO 威 I
(mg/L) [6a2°°3 [8°J20] (120,2001 (200,2? (250,300][
鈣硬度糊 ram 細η [200,300)*? [100,200)? [0,100}或 |
(mg/L) 1 * J 1 * J (400,450] (450,500] (500,600] |
尿素(mg/L)矣3.5[0,1.0](1.0,3.5] (3.5，10] I (10,100] |
__L_I_?_I
?
[0055]控制器6內存儲有反向傳播神經網絡模型，在獲得了水樣的各個參數值后，按如下所述進行數據處理和水質評價:
[0056]模型擬合:
[0057]BP神經網絡在使用前經過8步的訓練過程，使網絡具有聯想記憶和預測能力。
[0058]1.訓練樣本的建立:將c步驟表所列的7個指標的分級標準中的數據進行歸一化處理，即按照y=(x-最小值)/(最大值-最小值)規則將具體數值轉化為[0，1]區間上的數據，從而使物理系統數值的絕對值變成某種相對值關系，把水質分級標準作為訓練樣本，將其輸入到網絡的輸入節點；
[0059]采用產生隨機數原理，在至少兩種水質的水樣中，在每種水樣中各抽取不低于100份的樣本，抽取的數量由控制器6控制，將全體樣本進行訓練和建模；
[0060]2.神經網絡初始化:設定輸入層、隱含層和輸出層的節點數，并初始化其神經元之間的連接權值《^和、隱含層閥值a和輸出層閥值b，給定學習速率和神經元激勵函數，選取輸入輸出序列(X，Y)；
[0061]3.隱含層輸出計算:根據輸入向量X、輸入層和隱含層間的連接權值以及隱含層閥值a，計算隱含層輸出H，其計算式如式(I)所示:

η
「/Λ/Λ-- O ~\Ι~? — X I yγ _ Q \ t = 1 0.?.*?* ψη--? I \?
LUUbZJI.I ? — I ^lAJ|jΛ ? a j β f J I111^ I Jf,


i_?
[0063]式(I)中f為激勵函數，激勵函數的表達形式為經典的Sigmoid函數，其計算式如式⑵所示:
[0064]Γ(χ)=^^——⑶；
[0065]4.輸出層輸出計算:根據隱含層輸入H、隱含層和輸出層間的連接權值Qjk以及輸出層閥值b，計算預測輸出0，其計算式如式(3)所示:

m
[0066]Ok-bk)f Ι^1Α......1~^(3):


j=l
[0067]5.誤差計算:根據預測輸出O和期望輸出Y獲得預測誤差e，其計算式如式
[0068](4)所示:ek=Yk-0k, k=l, 2......1-(4)；
[0069]6.權值更新:根據預測誤差e對連接權值ω u、ω Jk進行更新，其計算如式(5)和式(6)所示:式(5)和式(6)中的η為學習速率，



I
[0070]coycoy ? ηΗ|(1-Hj)xj ^(OlkCk，i;l52......m j=452……m—(5),


k~I
[0071]ω jk= ω jk+ rIHjek, j=l, 2......m ；k=l, 2......1-(6)；
[0072]7.閥值更新:根據預測誤差e對閥值a和b進行更新，其計算如式(7)和式(8)所示:
[0073]aj=aj+nHj(l-Hj)^{o；kek.k=l,2"-***l--(7)，
[0074]bk=bk+ek, k=l, 2......1-(8)；
[0075]8.判斷算法迭代是否結束:若迭代結束，表示訓練過程可以結束，模型建立完成；若迭代還沒有結束，則返回隱含層輸出計算步驟重新開始一個新的訓練調整過程，直至算法迭代得以結束。由于BP神經網絡模型的初始化權值不唯一，決定重復訓練奇數次后取出現最多的等級數為最終的預測結果。
[0076]通過MATLAB R2012b軟件神經網絡Nprtool工具箱，自動完成數據導入、數據預處理、建立并訓練神經網絡以及使用誤差均方與混淆矩陣等評價BP神經網絡建模效果。使用雙層前向神經網絡作為基礎，隱含層傳遞函數為Sigmoid，整個神經網絡的訓練函數為變梯度算法。BP神經網絡模型參數主要包括最大訓練步數、性能參數、確認失敗的最大次數、隱含層神經元節點數等參數，通過模型學習和訓練情況進行相應調整。為了防止過擬合，將最大訓練步數設置為1000次，最大驗證集失敗次數設置為6次，并將訓練目標誤差設置為O。
[0077]經過反復嘗試，在隱含層神經元節點數最終確定為10后，經過135次訓練，此時的誤差為0.021333，達到最佳效果后即停止訓練，此時將訓練數據回代入神經網絡模型得到的預測準確率已達到95.%以上。
[0078]算法迭代結束后，根據輸出的數據和步驟c中確定的分級標準表最終確定水質級別。
[0079]預測結果如下表所述:
I水質劃定分漏*J結-果
[0080]ftfc/Jlλ-^λι/Γ,Γ^Ζ 7,""""""Γ?Ι 7,ΓΧΙ 7,~7,^
_I 規第?次第2次第3次第4次第5次
[0081]^%T^25oli^I IIIllI
22 2 2 2
第 501-750 ti333333
第 75卜-1000 姐[ 4_44444
【權利要求】
1.一種應用反向傳播神經網絡模型的游泳池水質評價裝置，包括取樣水管(I)、電磁閥⑵和水泵(3)，取樣水管⑴至少有5根，每根取樣水管⑴上都串聯有電磁閥(2)，取樣水管(I)的一端設于游泳池的水面以下，取樣水管(I)的另一端和水泵(3)連接，其特征是:還包括余氯測定儀(41)、高效液相色譜儀(42)、電子毫伏計(43)、堿度測定儀(44)、鈣硬度測定儀(45)、連續流動注射分析儀(46)、模/數轉換器(5)和控制器(6)，每根取樣水管(I)的出水端都分別連接余氯測定儀(41)、高效液相色譜儀(42)、電子毫伏計(43)、堿度測定儀(44)、鈣硬度測定儀(45)和連續流動注射分析儀(46)的進水端，余氯測定儀(41)、高效液相色譜儀(42)、電子毫伏計(43)、堿度測定儀(44)、鈣硬度測定儀(45)和連續流動注射分析儀(46)的信號輸出端都通過信號線連接一個模/數轉換器(5)的模擬信號輸入端，模/數轉換器(5)的數字信號輸出端都通過信號線連接控制器(6)，控制器(6)還通過信號線連接各個電磁閥(2)和各個水泵(3)的驅動馬達； 控制器(6)由輸入設備、輸出設備、內存、夕卜存和中央處理器構成，輸入設備、輸出設備、內存和外存都通過信號線連接中央處理器，控制器(6)選用微機或單片機。
【文檔編號】G01N33/18GK203929758SQ201420020060
【公開日】2014年11月5日 申請日期:2014年1月13日 優先權日:2014年1月13日
【發明者】黃麗紅 申請人:上海市長寧區衛生局衛生監督所