本發(fā)明涉及水體硝酸鹽氮測量領域，尤其是涉及一種和聲搜索優(yōu)化的稀土礦區(qū)農(nóng)田水體硝酸鹽氮軟測量方法。

背景技術：

稀土廣泛應用于現(xiàn)代工業(yè)生產(chǎn)中，被譽為“工業(yè)維生素”。在我國稀土資源中，離子型稀土是非常珍貴的稀土資源，它主要集中在我國的南方地區(qū)。我國的離子型稀土以重稀土為主。我國是世界上重稀土儲量最大的國家，而重稀土是制造各種尖端武器必不可少的原材料。因此我國離子型稀土在世界工業(yè)中具有舉足輕重的作用。

目前，離子型稀土的開采主要是利用原地浸礦的工藝。在開采離子型稀土礦時，首先在山體上挖掘大量的豎井，然后通過豎井把大量的酸性化學溶液灌注到礦山山體。然而這些灌注的酸性化學溶液容易滲透到稀土礦區(qū)的小溪河流，從而污染稀土礦區(qū)的小溪河流，而稀土礦區(qū)農(nóng)田灌溉的水源往往都是來自于稀土礦區(qū)的小溪河流。由此可見，離子型稀土的開采容易造成稀土礦區(qū)農(nóng)田水體的污染。為了有效地治理稀土礦區(qū)農(nóng)田的水體污染，很有必要科學地把握稀土礦區(qū)農(nóng)田水體的水質(zhì)狀況。

硝酸鹽氮是反映稀土礦區(qū)農(nóng)田水體水質(zhì)的重要指標之一。而傳統(tǒng)檢測水體硝酸鹽氮的方法需要耗費大量的人力。為此，人們嘗試利用軟測量的方法來把握水體中硝酸鹽氮的含量。神經(jīng)網(wǎng)絡是水質(zhì)軟測量時的常用軟測量模型，但傳統(tǒng)神經(jīng)網(wǎng)絡用于稀土礦區(qū)農(nóng)田水體硝酸鹽氮軟測量時容易出現(xiàn)陷入局部最優(yōu)的缺點。因此，傳統(tǒng)神經(jīng)網(wǎng)絡在稀土礦區(qū)農(nóng)田水體硝酸鹽氮軟測量中的測量精度還有待于進一步提高。

技術實現(xiàn)要素：

本發(fā)明的目的是提供一種和聲搜索優(yōu)化的稀土礦區(qū)農(nóng)田水體硝酸鹽氮軟測量方法。它在很大程度上克服了傳統(tǒng)神經(jīng)網(wǎng)絡用于稀土礦區(qū)農(nóng)田水體硝酸鹽氮軟測量時容易出現(xiàn)陷入局部最優(yōu)的缺點，本發(fā)明能夠提高稀土礦區(qū)農(nóng)田水體硝酸鹽氮的軟測量精度。

本發(fā)明的技術方案：一種和聲搜索優(yōu)化的稀土礦區(qū)農(nóng)田水體硝酸鹽氮軟測量方法，包括以下步驟：

步驟1，在需要軟測量的稀土礦區(qū)農(nóng)田內(nèi)連續(xù)num天采集水體樣本，并對水體樣本進行檢測，測量出與農(nóng)田水質(zhì)相關的指標：氨氮、總氮、硫化物、溶解氧、ph值、水溫、水深度、農(nóng)田面積、硝酸鹽氮，將測量出來的數(shù)據(jù)作為樣本數(shù)據(jù)集；然后對采集到的樣本數(shù)據(jù)集進行歸一化處理；

步驟2，用戶初始化參數(shù)，所述初始化參數(shù)包括軟測量跨度天數(shù)xd，三層感知器神經(jīng)網(wǎng)絡中隱含層神經(jīng)元的個數(shù)pn，和聲庫大小hms，和聲庫的選取概率hmcr，擾動概率par，最大評價次數(shù)max_fes；

步驟3，令當前演化代數(shù)t＝0，并令當前評價次數(shù)fes＝0；

步驟4，令三層感知器神經(jīng)網(wǎng)絡的輸入變量為歸一化的一天的稀土礦區(qū)農(nóng)田水體水質(zhì)指標：氨氮、總氮、硫化物、溶解氧、ph值、水溫、水深度、農(nóng)田面積、硝酸鹽氮，輸出為歸一化的xd天后的稀土礦區(qū)農(nóng)田水體的硝酸鹽氮值，然后確定三層感知器神經(jīng)網(wǎng)絡的隱含層和輸出層的傳遞函數(shù)，并計算三層感知器神經(jīng)網(wǎng)絡的優(yōu)化設計參數(shù)個數(shù)d＝pn×11+1；

步驟5，隨機初始化和聲庫其中個體下標i＝1,2,...,hms，并且為和聲庫bpt中的第i個個體；個體存儲了三層感知器神經(jīng)網(wǎng)絡的d個優(yōu)化設計參數(shù)值，并且為個體中的第j個優(yōu)化參數(shù)值，其中維度下標j＝1,2,...,d；

步驟6，計算和聲庫bpt中每個個體的適應值；

步驟7，令當前評價次數(shù)fes＝fes+hms；

步驟8，保存和聲庫bpt中的最優(yōu)個體best^t；

步驟9，執(zhí)行基于精英區(qū)域反向策略的搜索操作產(chǎn)生新個體bv^t，具體步驟如下：

步驟9.1，令計數(shù)器nj＝1；

步驟9.2，如果計數(shù)器nj小于或等于d，則轉(zhuǎn)到步驟9.3，否則轉(zhuǎn)到步驟10；

步驟9.3，在[1,hms]之間隨機產(chǎn)生三個互不相等的正整數(shù)rn1，rn2和rn3；

步驟9.4，在[0,1]之間產(chǎn)生一個隨機數(shù)crp；

步驟9.5，如果crp小于hmcr，則轉(zhuǎn)到步驟9.6，否則轉(zhuǎn)到步驟9.15；

步驟9.6，令

步驟9.7，在[0,1]之間產(chǎn)生兩個隨機實數(shù)pr1和pr2；

步驟9.8，如果pr1小于par，則轉(zhuǎn)到步驟9.9，否則轉(zhuǎn)到步驟9.16；

步驟9.9，如果pr2小于0.5，則轉(zhuǎn)到步驟9.10，否則轉(zhuǎn)到步驟9.11；

步驟9.10，令然后轉(zhuǎn)到步驟9.16；

步驟9.11，計算精英個體數(shù)量其中為向下取整運算符號；

步驟9.12，在和聲庫中選擇出前pbn個優(yōu)秀個體組成精英庫其中為精英庫pbestt中的第ki個精英個體，且精英個體下標ki＝1,2,...,pbn；

步驟9.13，計算精英庫pbestt中第nj維上的最小值elbnj與最大值eubnj，計算公式如下：

其中ki＝1,2,....,pbn；min為取最小值函數(shù)；max為取最大值函數(shù)；

步驟9.14，在[0,1]之間產(chǎn)生兩個服從均勻分布的隨機實數(shù)eo和ew，并令然后轉(zhuǎn)到步驟9.16；

步驟9.15，令其中rr和sf為[0,1]之間的隨機實數(shù)；

步驟9.16，令計數(shù)器nj＝nj+1，然后轉(zhuǎn)到步驟9.2；

步驟10，計算個體bv^t的適應值；

步驟11，在和聲庫中找出適應值最差的個體記為worst^t，如果個體bv^t優(yōu)于個體worst^t，則用個體bv^t替換個體worst^t，否則保持個體worst^t不變；

步驟12，令當前評價次數(shù)fes＝fes+1，并令當前演化代數(shù)t＝t+1；

步驟13，保存和聲庫bpt中的最優(yōu)個體best^t；

步驟14，重復步驟9至步驟13，直至當前評價次數(shù)fes達到max_fes后結(jié)束，將執(zhí)行過程中得到的最優(yōu)個體best^t解碼為三層感知器神經(jīng)網(wǎng)絡的連接權值和偏置值，利用得到的三層感知器神經(jīng)網(wǎng)絡作為軟測量模型，即可實現(xiàn)稀土礦區(qū)農(nóng)田水體硝酸鹽氮的軟測量。

本發(fā)明采用三層感知器神經(jīng)網(wǎng)絡作為稀土礦區(qū)農(nóng)田水體硝酸鹽氮的軟測量模型，并利用改進的和聲搜索來優(yōu)化設計軟測量模型。在改進的和聲搜索中，首先執(zhí)行基于精英區(qū)域反向策略的搜索操作產(chǎn)生個體，然后選擇出優(yōu)秀個體進入下一代和聲庫，反復循環(huán)該搜索過程直至滿足終止條件，最后將得到的最優(yōu)個體解碼為軟測量模型，即可實現(xiàn)稀土礦區(qū)農(nóng)田水體硝酸鹽氮的軟測量。本發(fā)明能夠提高稀土礦區(qū)農(nóng)田水體硝酸鹽氮的軟測量精度。

附圖說明

圖1為本發(fā)明的流程圖。

具體實施方式

下面通過實施例，并結(jié)合附圖，對本發(fā)明的技術方案作進一步具體的說明。

實施例：

步驟1，在需要軟測量的稀土礦區(qū)農(nóng)田內(nèi)連續(xù)num＝58天采集水體樣本，并對水體樣本進行檢測，測量出與農(nóng)田水質(zhì)相關的指標：氨氮、總氮、硫化物、溶解氧、ph值、水溫、水深度、農(nóng)田面積、硝酸鹽氮，將測量出來的數(shù)據(jù)作為樣本數(shù)據(jù)集；然后對采集到的樣本數(shù)據(jù)集進行歸一化處理；

步驟2，用戶初始化參數(shù)，所述初始化參數(shù)包括軟測量跨度天數(shù)xd＝2，三層感知器神經(jīng)網(wǎng)絡中隱含層神經(jīng)元的個數(shù)pn＝5，和聲庫大小hms＝50，和聲庫的選取概率hmcr＝0.95，擾動概率par＝0.6，最大評價次數(shù)max_fes＝300000；

步驟3，令當前演化代數(shù)t＝0，并令當前評價次數(shù)fes＝0；

步驟4，令三層感知器神經(jīng)網(wǎng)絡的輸入變量為歸一化的一天的稀土礦區(qū)農(nóng)田水體水質(zhì)指標：氨氮、總氮、硫化物、溶解氧、ph值、水溫、水深度、農(nóng)田面積、硝酸鹽氮，輸出為歸一化的xd天后的稀土礦區(qū)農(nóng)田水體的硝酸鹽氮值，然后確定三層感知器神經(jīng)網(wǎng)絡的隱含層和輸出層的傳遞函數(shù)，并計算三層感知器神經(jīng)網(wǎng)絡的優(yōu)化設計參數(shù)個數(shù)d＝pn×11+1；

步驟5，隨機初始化和聲庫其中個體下標i＝1,2,...,hms，并且為和聲庫bpt中的第i個個體；個體存儲了三層感知器神經(jīng)網(wǎng)絡的d個優(yōu)化設計參數(shù)值，并且為個體中的第j個優(yōu)化參數(shù)值，其中維度下標j＝1,2,...,d；

步驟6，計算和聲庫bpt中每個個體的適應值；

步驟7，令當前評價次數(shù)fes＝fes+hms；

步驟8，保存和聲庫bpt中的最優(yōu)個體best^t；

步驟9，執(zhí)行基于精英區(qū)域反向策略的搜索操作產(chǎn)生新個體bv^t，具體步驟如下：

步驟9.1，令計數(shù)器nj＝1；

步驟9.2，如果計數(shù)器nj小于或等于d，則轉(zhuǎn)到步驟9.3，否則轉(zhuǎn)到步驟10；

步驟9.3，在[1,hms]之間隨機產(chǎn)生三個互不相等的正整數(shù)rn1，rn2和rn3；

步驟9.4，在[0,1]之間產(chǎn)生一個隨機數(shù)crp；

步驟9.5，如果crp小于hmcr，則轉(zhuǎn)到步驟9.6，否則轉(zhuǎn)到步驟9.15；

步驟9.6，令

步驟9.7，在[0,1]之間產(chǎn)生兩個隨機實數(shù)pr1和pr2；

步驟9.8，如果pr1小于par，則轉(zhuǎn)到步驟9.9，否則轉(zhuǎn)到步驟9.16；

步驟9.9，如果pr2小于0.5，則轉(zhuǎn)到步驟9.10，否則轉(zhuǎn)到步驟9.11；

步驟9.10，令然后轉(zhuǎn)到步驟9.16；

步驟9.11，計算精英個體數(shù)量其中為向下取整運算符號；

步驟9.12，在和聲庫中選擇出前pbn個優(yōu)秀個體組成精英庫其中為精英庫pbestt中的第ki個精英個體，且精英個體下標ki＝1,2,...,pbn；

步驟9.13，計算精英庫pbestt中第nj維上的最小值elbnj與最大值eubnj，計算公式如下：

其中ki＝1,2,....,pbn；min為取最小值函數(shù)；max為取最大值函數(shù)；

步驟9.14，在[0,1]之間產(chǎn)生兩個服從均勻分布的隨機實數(shù)eo和ew，并令然后轉(zhuǎn)到步驟9.16；

步驟9.15，令其中rr和sf為[0,1]之間的隨機實數(shù)；

步驟9.16，令計數(shù)器nj＝nj+1，然后轉(zhuǎn)到步驟9.2；

步驟10，計算個體bv^t的適應值；

步驟11，在和聲庫中找出適應值最差的個體記為worst^t，如果個體bv^t優(yōu)于個體worst^t，則用個體bv^t替換個體worst^t，否則保持個體worst^t不變；

步驟12，令當前評價次數(shù)fes＝fes+1，并令當前演化代數(shù)t＝t+1；

步驟13，保存和聲庫bpt中的最優(yōu)個體best^t；

步驟14，重復步驟9至步驟13，直至當前評價次數(shù)fes達到max_fes后結(jié)束，將執(zhí)行過程中得到的最優(yōu)個體best^t解碼為三層感知器神經(jīng)網(wǎng)絡的連接權值和偏置值，利用得到的三層感知器神經(jīng)網(wǎng)絡作為軟測量模型，即可實現(xiàn)稀土礦區(qū)農(nóng)田水體硝酸鹽氮的軟測量。

本文中所描述的具體實施例僅僅是對本發(fā)明精神作舉例說明。本發(fā)明所屬技術領域的技術人員可以對所描述的具體實施例做各種各樣的修改或補充或采用類似的方式替代，但并不會偏離本發(fā)明的精神或者超越所附權利要求書所定義的范圍。