本發(fā)明涉及一種水污染事件智能決策方法，具體涉及一種結合神經網絡模式識別方法和證據理論的水污染事件預測和決策方法，屬于人工智能技術領域。

背景技術：

隨著城市化的推進和經濟的逐步發(fā)展，水資源的需求也隨之日益增大，而伴隨而來的由于工業(yè)三廢和居民生活垃廢棄物帶來的水污染現象，也成為一個越來越值得重視的問題。尤其是在居民用水，農業(yè)灌溉和養(yǎng)殖，精細化化工業(yè)的用水的領域對水質要求質量日益提升的情況下，實現對水源區(qū)水質的檢測和對水污染事件的及時預測和決策成為一個新興產業(yè)。

目前的水污染檢測預測方案主要有兩種，第一種就是人工對水質進行采樣，再對采樣進行繁雜的化學分析和檢驗，從而得到詳細的水質情況報告，這種方案雖然可以很精準的得到水污染的詳細情況，但是耗時很長，無法得到實時更新的水質數據，而且檢驗成本高，經濟效益低；第二種就是采用單一的水質監(jiān)測傳感器，對待檢測水域的水污染情況進行實時監(jiān)測，將傳感器得到的屬于實時傳輸到中心計算機上，再進行詳細的甄別和預測。這種方案的成本低，可以實現實時監(jiān)測，但是水域環(huán)境本身就是一個復雜的多變的待檢測環(huán)境，單一傳感器的監(jiān)測往往存在信息模糊，容錯能力差，檢測效率差，監(jiān)測范圍小等弱點。

所以，使用多個不同類型的傳感器，對待檢測水域展開多維立體化的探測感知，并將多種觀測數據進行優(yōu)化綜合處理，實時獲得待檢測水域的水污染程度是應該進一步展開的工作。多傳感器信息融合技術是針對多傳感器系統的信息表現形式多樣性，信息量的巨大性，信息關系的復雜性以及要求信息處理的及時性所提出的解決方案。其作用在于將多個傳感器系統傳出的信息進行綜合處理，從而得到可靠的結論。

技術實現要素：

本發(fā)明的目的在于克服現有技術中的不足，提供了一種基于神經網絡和證據理論的水污染事件智能決策方法，實現多特征參數和具體的水污染事件之間建立非線性映射關系，根據D-S證據理論對之前建立的映射關系進行加權處理運算，最終做出對水污染類型的預測和決策，有效的實時監(jiān)測目標水域，保證水質的穩(wěn)定正常。

為解決上述技術問題，本發(fā)明提供了基于神經網絡和證據理論的水污染事件智能決策方法，包括以下步驟：

步驟S1，采集待檢測水域的水體表面圖像，從中提取圖像特征參數，并對各類圖像特征參數進行歸一化；

步驟S2，基于各類圖像特征參數進行模糊推理，得到水污染事件類型的初步判斷；

步驟S3，根據水污染事件類型的初步判斷，調用相應的水質傳感器提取水質特征參數，并對各水質特征參數數值進行歸一化；

步驟S4，以圖像特征參數和水質特征參數作為輸入層，以水污染事件類型作為輸出層，建立徑向基函數神經網絡模型，并利用歷史數據樣本對神經網絡進行訓練和學習；

步驟S5，將提取的圖像特征參數以及水質特征參數輸入訓練好的神經網絡，并進行識別，計算各特征參數對應的BPA；

步驟S6，運用D-S證據理論合成規(guī)則將各特征參數的BPA進行融合，并據此融合BPA得到最終的水污染類型判斷結果；

步驟S7，將水污染類型與對應的水污染事件處理機制進行模糊匹配，獲得處理預案。

進一步的，設各類數據的采集范圍是x_i～y_i(i＝1,2……N)，則對于數據的值z_i，做如下處理，使其歸一化的統一量綱的特征參數A_i為：

A_i＝1000z_i/(y_i-x_i)

進一步的，模糊推理采用Mamdani模糊推理法。

進一步的，設各水質傳感器儀表測量范圍是a_i～b_i(i為傳感器的編號i＝1,2……K)，則對于該傳感器的測量值c_i，做如下處理，使其歸一化的統一量綱的特征參數C_i：

C_i＝1000c_i/(a_i-b_i)

進一步的，計算每個特征參數對應BPA_n的算法是：

其中，n指第n個特征參數，1<n<K+N；W_jn為特征參數對應水污染事件類型的連接權值。

進一步的，步驟S5中，得到最終的水污染類型判斷結果的具體過程為：選擇最終所有BPA中的最大值：

若BPA_MAX大于等于設定值，則判斷出水污染的類型為該BPA所對應的類型。

與現有技術相比，本發(fā)明所達到的有益效果是：

(1)本發(fā)明將多傳感器的融合技術應用到水污染事件決策系統中，對待檢測水域的水質進行水質傳感器和圖像采集的立體化多維化的監(jiān)測，增加了采樣信息的多樣化和復雜度，使系統的數據可信度，容錯能力，檢測性能都有所增強。

(2)本發(fā)明將模糊推理理論應用到水污染事件決策系統中，對帶檢測水域的高清圖像信息進行預處理后與對應的水污染事件實行模糊匹配，避免了直接使用水質傳感器檢測，提高了水污染事件預測的準確性，提高了整個水污染預測決策系統的工作效率并降低了成本。

(3)本發(fā)明運用徑向基函數神經網絡(RBFN)的學習訓練機制來獲取從傳感器檢測出的參數到水污染類型之間的模糊映射關系，使得RBFN的自組織，自學習的特點，強泛化性，魯棒性等優(yōu)點充分發(fā)揮，提高了預測的準確性。

(4)本發(fā)明運用D-S證據理論，將各傳感器采集到的信息經預處理后得到的特征向量，經神經網絡處理后得到的基本概率分配(BPA)進行融合從而得到最終的基本概率分配(BPA)，較好的克服了信息模糊，不精確的條件限制，得到較為科學的預測結果。

(5)本發(fā)明實時性強，生存能力強，分辨力強。本發(fā)明從傳感器檢測水域水質的信息處理層面出發(fā)，將人工智能領域的神經網絡和證據融合技術結合，建立了一個較智能的預測決策系統。和傳統的水污染預測決策系統相比，基于神經網絡改進證據理論的水污染事件智能決策系統實現了信息的實時處理和科學處理，大大提升了系統的生存能力和可靠性，具有更重要的理論意義和實際應用價值。

附圖說明

圖1是本發(fā)明方法的流程示意圖。

具體實施方式

下面結合附圖對本發(fā)明作進一步描述。以下實施例僅用于更加清楚地說明本發(fā)明的技術方案，而不能以此來限制本發(fā)明的保護范圍。

如圖1所示，本發(fā)明的基于神經網絡和證據理論的水污染事件智能決策方法，包括以下步驟：

步驟S1，采集待檢測水域的水體表面圖像，從中提取圖像特征參數，并對各類圖像特征參數進行歸一化。

采集水體表面圖像可以采用現有技術中的高清攝像頭，將高清攝像頭部署在待檢測水域中，采集到水體表面高清數字圖像信息后，對此圖像進行預處理，提取圖像特征參數，并對各類圖像特征參數進行歸一化。

預處理的具體過程為，利用現有技術中的圖像增強技術，對采集到的數字圖像進行邊緣識別、灰度增強、局部銳化處理，讓圖像中異物和雜質的輪廓更加清晰易于識別。對預處理后的圖象進行特征提取，從中提取出水域的顏色，灰度值，同種顏色的面積大小和異常斑點陰影信息數據作為圖像特征參數z₁,z₂,z₃,z₄，此處提取的數據類別并不局限于此四種，還可加入圖像亮度，顆粒度等特征。記提取的圖像特征參數類別數為N，在本發(fā)明中N的取值大于等于4。由于各類數據的量綱不同，因此本實施例中對各類數據進行歸一化處理，設各類數據的采集范圍是x_i～y_i(i為不同類數據的編號i＝1,2……N)，則對于數據的值z_i，做如下處理，使其歸一化的統一量綱的特征參數A_i為：

A_i＝1000z_i/(y_i-x_i)

步驟S2，基于各類圖像特征參數進行模糊推理，得到水污染事件類型的初步判斷。

此處模糊推理采用現有技術中的Mamdani模糊推理法，將上一步獲得的圖像特征參數{A₁,A₂,.....,A_N}作為一個論域水污染事件類型作為一個論域此水污染事件類型采用國家《地下水質量標準》中規(guī)定的水污染事件類型：病原體污染，需氧性污染物污染，植物營養(yǎng)污染物，石油污染物，劇毒污染物和其他污染類型等；分別抽象為參數D₁,D₂,D₃,D₄,D₅，將其水污染事件類型{D₁,D₂,.......,D_M}作為一個論域(M的取值應大于等于5)，然后根據隸屬度(0＜i＜n)，可以通過模糊集合和的笛卡爾積(取小)求得其模糊蘊涵關系即：

而后根據求出的模糊蘊含關系，就可以建立圖像特征參數到水污染事件的映射關系，得到對水污染事件類型的初步判斷。即根據此蘊含關系得到圖像信息數據所對應的水污染事件類型。

步驟S3，根據水污染事件類型的初步判斷，調用相應的水質傳感器提取水質特征參數，并對各水質特征參數進行歸一化。

根據水污染事件類型，調用相應的不同水質傳感器(水質傳感器包含現有技術中的PH傳感器，溶解氧傳感器，氨氮傳感器，鹽度傳感器，亞硝酸鹽傳感器，苯檢測器，燃料油傳感器，生物酶傳感器和有機碳傳感器等)從水域采集數據，如在上步驟中初步判定為化學污染，則調用PH傳感器，氨氮傳感器，亞硝酸鹽傳感器，苯檢測器等傳感器進行檢測，若如在上步驟中初步判定為石油污染，則調用燃料油傳感器等傳感器進行檢測，若如在上步驟中初步判定為生物污染，則調用氨氮傳感器，溶解氧傳感器，有機碳傳感器，生物酶傳感器等傳感器進行檢測。需要說明的是，傳感器的數量應不局限于以上提及的所有類型，還可以根據需要進行添加。提取的水質特征參數主要包括：PH值，重金屬離子含量，有害氣體溶解含量，微生物含量等數據。

設各水質傳感器儀表測量范圍是a_i～b_i(i為傳感器的編號i＝1,2……K)，則對于該傳感器的測量值c_i，做如下處理，使其歸一化的統一量綱的特征參數C_i：

C_i＝1000c_i/(a_i-b_i)

步驟S4，以圖像特征參數和水質特征參數作為輸入層，以水污染事件類型作為輸出層，建立徑向基函數神經網絡模型，并利用歷史數據樣本對神經網絡進行訓練和學習。

以從圖像中提取的圖像特征參數和水質傳感器提取的水質特征參數作為輸入層，以水污染事件類型抽象出的特征參數{D₁,D₂,.......,D_M}作為輸出層，對水污染事件類型的特征參數提取過程可以簡化處理，{D₁,D₂,.......,D_k}可分別對應{1,2,.....,k}。于是便建立起徑向基函數神經網絡(RBFN)模型，利用數據庫中已有的歷史樣本對RBFN進行訓練和學習，其具體訓練過程參考現有的徑向基函數神經網絡學習過程(李國勇，神經模糊控制理論及應用[M]，北京，電子工業(yè)出版社，2009)，即對所有樣本的輸入進行聚類，求得各隱含層節(jié)點的RBF的中心向量，通過無監(jiān)督學習過程建立隱含層和輸出層各神經元之間的非線性映射關系。

步驟S5，將提取的圖像特征參數以及水質特征參數輸入訓練好的神經網絡，并進行識別，計算各特征參數對應的基本概率分配(BPA)。

由于已經根據歷史數據庫中的數據訓練得到了所有圖像特征參數和水質特征參數對應水污染事件類型的連接權值W_jn(隱含層的第j個神經元至輸出層的第n個神經元的連接系數)，假設第n次的檢測使用了一個從水質傳感器提取的水質特征參數或一個從圖像提取的圖像特征參數(F₁,,F₂,......,F_n)(1<n<K+N，K+N為可以調用的傳感器數目K和圖像可采集特征參數的數目N的和)，則計算每個采集到特征參數對應BPA_n的算法是：

其中，n指第n個特征參數，1<n<K+N。

步驟S6，運用D-S證據理論合成規(guī)則將各特征參數的BPA進行融合，并據此融合BPA得到最終的水污染類型判斷結果。

依據現有技術D-S證據理論的融合規(guī)則(吳曉平，葉清，劉玲艷《基于改進的BP網絡的D-S證據理論及其應用》，武漢理工大學學報，2007,29(8):158-161)，每進行一次測量就進行一次融合，融合算法是：對于第(n-1)條證據，運用證據合成規(guī)則進行融合后得到各命題的BPA為未知命題的BPA為b_U(k-1)。則在第n條證據獲得以后，經RBF神經網絡計算后各命題的BPA為b_K(A_j)(j＝1,2,...,m)，未知命題的BPA為m_k(U)。則多概率分配函數的正交和依據如下公式獲得：

式中，

根據上式，融合后的BPA為

未知命題的BPA為：

其中，當下一次測量而產生新的證據后，就可根據上式進行融合推斷，得到最終的各水污染事件類型對應的BPA。最終即可按照給定的類型判斷決策規(guī)則，判斷規(guī)則為，選擇最終所有BPA中的最大值即：

并判斷該BPA的值：BPA_MAX是否大于α(α為人為設定值，可根據需要進行具體賦值)。若大于等于α，則判斷出水污染的類型為該BPA所對應的類型。

步驟S7，將水污染類型與對應的水污染事件處理機制進行模糊匹配，獲得處理預案。

將水污染類型結果與知識庫中對應的水污染事件處理機制進行模糊匹配，給出處理預案，需要說明的是，這里的水污染事件處理機制應參考現有的處理機制。

如果在證據理論判斷以后，若BPA_MAX≥α，(α為人為設定值，可根據需要進行具體賦值，本實施例中設定為50％)則啟動應急處理過程，將判斷出的水污染類型和對應的處理機制進行匹配，給出處理預案，同時將新的預測數據和決策數據送回到神經網絡中進行重新訓練。

如果在證據理論判斷之后，若融合選擇出的BPA_MAX<α，則認為這是一種新的水域水質情況類型，并將其上報至管理員，管理員則利用本次采集到的原始樣本對這種情況進行進一步的化驗檢測，然后對原有的數據庫進行更新操作。

以上所述僅是本發(fā)明的優(yōu)選實施方式，應當指出，對于本技術領域的普通技術人員來說，在不脫離本發(fā)明技術原理的前提下，還可以做出若干改進和變型，這些改進和變型也應視為本發(fā)明的保護范圍。