本發(fā)明涉及do濃度預(yù)測，具體為基于改進(jìn)fho的雙循環(huán)神經(jīng)網(wǎng)絡(luò)的do濃度預(yù)測方法。

背景技術(shù)：

1、溶解氧濃度是評價水質(zhì)健康的重要指標(biāo)之一，它直接影響水生生物的生存和水體的自凈能力。溶解氧是水體中生物活動的關(guān)鍵指標(biāo)，尤其在水產(chǎn)養(yǎng)殖、河流、湖泊以及地下水中，溶解氧濃度影響水中生物的生存與繁衍。準(zhǔn)確預(yù)測溶解氧濃度有助于及時發(fā)現(xiàn)水質(zhì)變化，采取相應(yīng)的管理措施，保證生態(tài)系統(tǒng)的健康。在污水處理廠或其他工業(yè)過程中，溶解氧是決定污水處理效率的重要因素。通過預(yù)測溶解氧濃度，可以實時調(diào)控曝氣設(shè)備的運(yùn)行，提高處理效率，降低能源消耗。

2、傳統(tǒng)的do濃度預(yù)測方法主要依賴于基于經(jīng)驗公式的模型、統(tǒng)計回歸分析或物理化學(xué)反應(yīng)模型。這些方法在復(fù)雜環(huán)境條件下預(yù)測精度較低，且通常需要大量的歷史數(shù)據(jù)進(jìn)行建模和驗證。

3、近年來，隨著深度學(xué)習(xí)技術(shù)的發(fā)展，研究者逐漸將其應(yīng)用于環(huán)境數(shù)據(jù)分析中，但大多數(shù)現(xiàn)有的深度學(xué)習(xí)模型對于水質(zhì)變化的復(fù)雜性缺乏有效的捕捉，且對多變量時間序列數(shù)據(jù)的處理不夠高效。例如eemd-lstm預(yù)測模型，eemd在噪聲引入時可能會引入額外的不確定性，尤其是在低信噪比的情況下，容易產(chǎn)生冗余性過擬合等問題。而像混合mic-bp神經(jīng)網(wǎng)絡(luò)模型計算過程涉及大量的數(shù)據(jù)分析和矩陣運(yùn)算。當(dāng)輸入數(shù)據(jù)維度很高時，mic計算的復(fù)雜度和時間成本會顯著增加，mic的計算方法依賴于數(shù)據(jù)之間的關(guān)系，且bp神經(jīng)網(wǎng)絡(luò)在復(fù)雜任務(wù)中容易發(fā)生過擬合。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)的不足，本發(fā)明提供了基于改進(jìn)fho的雙循環(huán)神經(jīng)網(wǎng)絡(luò)的do濃度預(yù)測方法，其目的在于解決背景技術(shù)中的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：基于改進(jìn)fho的雙循環(huán)神經(jīng)網(wǎng)絡(luò)的do濃度預(yù)測方法，包括如下步驟：

3、步驟s1：收集污水處理廠的水體多維度數(shù)據(jù)并進(jìn)行預(yù)處理；

4、步驟s2：采用改進(jìn)變分模態(tài)分解將預(yù)處理后的水體多維度數(shù)據(jù)分解為本征模態(tài)函數(shù)；

5、改進(jìn)變分模態(tài)分解是采用交替方向乘子法admm對變分模態(tài)分解進(jìn)行優(yōu)化；

6、步驟s3：構(gòu)建雙循環(huán)神經(jīng)網(wǎng)絡(luò)；

7、雙循環(huán)神經(jīng)網(wǎng)絡(luò)的具體結(jié)構(gòu)為：卷積層、批量歸一化層、最大池化層、丟棄層、聯(lián)合門、長短期記憶網(wǎng)絡(luò)lstm、門控循環(huán)單元gru、注意力機(jī)制層、全連接層、輸出層；

8、步驟s4：通過優(yōu)化算法對雙循環(huán)神經(jīng)網(wǎng)絡(luò)的超參數(shù)尋優(yōu)，得到最優(yōu)雙循環(huán)神經(jīng)網(wǎng)絡(luò)，將分解后的本征模態(tài)函數(shù)輸入最優(yōu)雙循環(huán)神經(jīng)網(wǎng)絡(luò)，本征模態(tài)函數(shù)依次經(jīng)過最優(yōu)雙循環(huán)神經(jīng)網(wǎng)絡(luò)中的卷積層、批量歸一化層、最大池化層、丟棄層、聯(lián)合門、長短期記憶網(wǎng)絡(luò)lstm、門控循環(huán)單元gru、注意力機(jī)制層、全連接層、輸出層，輸出do濃度預(yù)測結(jié)果；

9、步驟s3中，將長短期記憶網(wǎng)絡(luò)lstm的遺忘門與門控循環(huán)單元gru的更新門的控制邏輯融合為一個聯(lián)合門fugate，同時管理長短期記憶網(wǎng)絡(luò)lstm的遺忘門與門控循環(huán)單元gru的更新門。

10、進(jìn)一步的，聯(lián)合門fugate同時控制長短期記憶網(wǎng)絡(luò)lstm的遺忘門和門控循環(huán)單元gru的更新門，表示為：

11、；

12、式中，表示時刻聯(lián)合門的輸出；表示sigmoid激活函數(shù)；和分別表示聯(lián)合門共享的權(quán)重矩陣和偏置參數(shù)，維度為，用于生成長短期記憶網(wǎng)絡(luò)lstm的遺忘門和門控循環(huán)單元gru的更新門，維度為，表示輸入維度，表示隱藏狀態(tài)維度；表示時刻的輸入；表示前一時刻隱藏狀態(tài)；為二維向量，表示為：，表示長短期記憶網(wǎng)絡(luò)lstm的遺忘門，表示門控循環(huán)單元gru的更新門；

13、重置門計算：

14、；

15、式中，表示門時刻控循環(huán)單元gru的重置門的輸出；和分別表示重置門的權(quán)重矩陣和偏置項；

16、生成候選記憶：

17、；

18、式中，表示時刻候選記憶的內(nèi)容；表示逐元素乘法；和分別表示的權(quán)重矩陣和偏置項；

19、長短期記憶網(wǎng)絡(luò)lstm的細(xì)胞狀態(tài)更新：

20、；

21、式中，表示時刻的細(xì)胞狀態(tài)；表示時刻的細(xì)胞狀態(tài)；

22、門控循環(huán)單元gru的隱藏狀態(tài)更新：

23、；

24、式中，表示時刻的隱藏狀態(tài)；表示雙曲正切函數(shù)。

25、進(jìn)一步的，采用交替方向乘子法admm對變分模態(tài)分解進(jìn)行優(yōu)化的具體過程為：

26、構(gòu)造增廣拉格朗日函數(shù)；

27、目標(biāo)函數(shù)為：

28、；

29、式中，表示第個本征模態(tài)函數(shù)；表示第個本征模態(tài)函數(shù)相關(guān)的頻率參數(shù)；表示本征模態(tài)函數(shù)的總數(shù)；表示對時間的偏導(dǎo)數(shù)；表示狄拉克函數(shù)；表示虛數(shù)單位；表示自然常數(shù)；表示頻率參數(shù)；

30、約束條件為：

31、；

32、式中，表示原始輸入信號，即預(yù)處理后的水體多維度數(shù)據(jù)；

33、將約束條件通過拉格朗日乘子引入目標(biāo)函數(shù)，并加入二次懲罰項，得到增廣拉格朗日函數(shù)，表示為：

34、；

35、式中，為懲罰項；表示拉格朗日乘子；

36、交替方向更新；

37、更新：

38、；

39、式中，表示次迭代后第個本征模態(tài)函數(shù)在頻域中的更新值；表示在頻域中的表示；表示第個本征模態(tài)函數(shù)在頻域中的更新值；表示拉格朗日乘子在頻域中的表示；

40、更新：

41、；

42、式中，表示第個本征模態(tài)函數(shù)在第次迭代后的值；表示對積分操作；

43、更新：

44、；

45、式中，表示時刻第次迭代后的值；表示時刻第次迭代后第個本征模態(tài)函數(shù)；

46、交替更新、、，設(shè)定兩個停止條件，滿足任意一個停止條件停止交替更新；

47、停止條件為：

48、檢查所有的更新量是否小于預(yù)設(shè)閾值，計算相鄰兩次迭代中歐幾里德距離平方和，當(dāng)，表示次迭代后第個本征模態(tài)函數(shù)，則停止迭代；

49、當(dāng)?shù)螖?shù)超過預(yù)設(shè)的最大迭代次數(shù)，停止迭代。

50、進(jìn)一步的，雙循環(huán)神經(jīng)網(wǎng)絡(luò)的超參數(shù)包括：卷積層的過濾器數(shù)量、長短期記憶網(wǎng)絡(luò)lstm單元數(shù)、門控循環(huán)單元gru的單元數(shù)和丟棄層的丟棄率；

51、優(yōu)化算法采用改進(jìn)火鷹優(yōu)化算法，采用改進(jìn)火鷹優(yōu)化算法對雙循環(huán)神經(jīng)網(wǎng)絡(luò)的超參數(shù)尋優(yōu)的具體過程為：

52、將雙循環(huán)神經(jīng)網(wǎng)絡(luò)的超參數(shù)編碼為統(tǒng)一解向量：；

53、隨機(jī)生成初始火鷹種群，火鷹種群中每個火鷹個體表示一個解向量；

54、計算火鷹種群中每個火鷹個體的適應(yīng)度值，并根據(jù)適應(yīng)度值將火鷹種群中的火鷹個體重新劃分為火鷹個體和獵物；

55、模擬縱火、驅(qū)趕和捕捉策略，對火鷹個體以及獵物的位置進(jìn)行更新；

56、對當(dāng)前種群中的最優(yōu)火鷹個體進(jìn)行局部搜索；

57、當(dāng)局部搜索滿足：，或當(dāng)前迭代次數(shù)達(dá)到預(yù)設(shè)最大迭代次數(shù)，輸出當(dāng)前最優(yōu)解和對應(yīng)目標(biāo)函數(shù)值，將當(dāng)前最優(yōu)解作為最優(yōu)超參數(shù)；表示第個火鷹個體的位置，表示第個火鷹個體經(jīng)過局部搜索優(yōu)化后的位置；表示適應(yīng)度函數(shù)值。

58、進(jìn)一步的，模擬縱火策略：領(lǐng)導(dǎo)者火鷹個體即當(dāng)前火鷹集合中的最優(yōu)火鷹個體生成火源位置：

59、；

60、式中，表示第個火源的位置；表示第個領(lǐng)導(dǎo)者火鷹個體的位置；表示火源控制系數(shù)；表示第個隨機(jī)擾動向量；

61、模擬驅(qū)趕策略：獵物因火源逃離：

62、；

63、式中，表示第個獵物經(jīng)過驅(qū)趕策略更新后的位置；表示個獵物的當(dāng)前位置；表示逃離強(qiáng)度系數(shù)；表示隨機(jī)生成的安全位置；表示擾動幅度；表示隨機(jī)向量；

64、模擬捕捉策略：火鷹個體向獵物和火源移動：

65、；

66、式中，表示第個火鷹個體經(jīng)過模擬捕捉策略更新后的位置；表示第個火鷹個體的當(dāng)前位置；表示火鷹個體向當(dāng)前最優(yōu)獵物位置移動的權(quán)重系數(shù)；表示火鷹個體向火源位置移動的權(quán)重系數(shù)；表示當(dāng)前最優(yōu)獵物的位置。

67、進(jìn)一步的，在捕捉策略中，引入慣性權(quán)重控制搜索條件：

68、。

69、進(jìn)一步的，局部搜索的觸發(fā)條件包括：

70、周期性觸發(fā)：每次迭代觸發(fā)一次局部搜索：

71、；

72、式中，表示觸發(fā)信號，用于決定是否執(zhí)行局部搜索；表示當(dāng)前迭代次數(shù)；表示觸發(fā)局部搜索的周期間隔；

73、適應(yīng)度停滯觸發(fā)：最優(yōu)火鷹個體連續(xù)次未改進(jìn)觸發(fā)一次局部搜索：

74、；

75、式中，表示當(dāng)前迭代中最優(yōu)火鷹個體的適應(yīng)度函數(shù)值；表示上一次迭代中最優(yōu)火鷹個體的適應(yīng)度函數(shù)值；表示前次迭代中的最優(yōu)火鷹個體的適應(yīng)度函數(shù)值；

76、多樣性觸發(fā)：火鷹種群標(biāo)準(zhǔn)差低于設(shè)定閾值觸發(fā)一次局部搜索：

77、；

78、式中，表示火鷹種群在維的標(biāo)準(zhǔn)差；表示維度的總數(shù)；

79、當(dāng)觸發(fā)局部搜索后，選擇最優(yōu)火鷹個體執(zhí)行局部搜索優(yōu)化：

80、；

81、式中，表示局部學(xué)習(xí)率；

82、當(dāng)局部搜索優(yōu)化后的最優(yōu)解優(yōu)于當(dāng)前最優(yōu)解，則對當(dāng)前最優(yōu)解進(jìn)行替換。

83、進(jìn)一步的，水體多維度數(shù)據(jù)包括溫度、ph值、流量、混合液懸浮固體濃度mlss、出水總氮、出水氨氮、以及氧化溝的缺氧段do；

84、預(yù)處理過程包括：對收集的水體多維度數(shù)據(jù)進(jìn)行清洗，去除缺失值和異常值；對清洗后的水體多維度數(shù)據(jù)進(jìn)行歸一化處理。

85、進(jìn)一步的，對最優(yōu)雙循環(huán)神經(jīng)網(wǎng)絡(luò)的性能進(jìn)行評估，評估指標(biāo)包括均方誤差、均方根誤差以及平均絕對誤差。

86、與現(xiàn)有的技術(shù)相比，本發(fā)明具備以下有益效果：

87、（1）本發(fā)明提高了do濃度預(yù)測精度和效率，提升了對噪聲和異常值的魯棒性，適用于水質(zhì)監(jiān)測、生態(tài)保護(hù)和工業(yè)過程控制等多種場景，為智能水質(zhì)管理系統(tǒng)提供更加可靠的技術(shù)支持，能夠有效解決現(xiàn)有溶解氧濃度預(yù)測方法中信號分解、特征選擇、非線性建模、超參數(shù)優(yōu)化等方面的技術(shù)難題。

88、（2）本發(fā)明通過結(jié)合vmd-admm分解、lstm、gru、自注意力機(jī)制等技術(shù)構(gòu)建雙循環(huán)神經(jīng)網(wǎng)絡(luò)，顯著提高了對復(fù)雜時序數(shù)據(jù)的建模能力，尤其是在處理長時間依賴、局部特征提取、全局關(guān)系捕捉等方面表現(xiàn)出了優(yōu)越性。本發(fā)明通過門控協(xié)同共享門控參數(shù)，將長短期記憶網(wǎng)絡(luò)lstm的遺忘門與門控循環(huán)單元gru的更新門的控制邏輯融合為一個聯(lián)合門fugate，同時管理長短期記憶網(wǎng)絡(luò)lstm的遺忘門與門控循環(huán)單元gru的更新門，在前向傳播過程中，利用其更新隱藏狀態(tài)和細(xì)胞狀態(tài)，實現(xiàn)更高效的信息流控制；通過局部搜索火鷹優(yōu)化算法進(jìn)一步調(diào)節(jié)模型的超參數(shù)，優(yōu)化模型性能，提升了預(yù)測的準(zhǔn)確性和泛化能力。本發(fā)明能夠有效克服傳統(tǒng)技術(shù)的局限，尤其是在處理復(fù)雜的污水處理數(shù)據(jù)和其他環(huán)境監(jiān)測數(shù)據(jù)時，展現(xiàn)出強(qiáng)大的潛力和優(yōu)勢。