基于悬浮颗粒物密度的水质评估机器学习贝叶斯模型

本发明属于水质评估领域，具体为一种基于悬浮颗粒物密度的水质评估机器学习贝叶斯模型。

背景技术：

1、传统水质评估方法包含单因子评价法、综合指数评价法等。贝叶斯模型能定量反映其它因素对水质的影响程度和置信度，所以在水质评估方法中有着多种运用，如现有技术1：唐金平等.基于贝叶斯理论的地下水水质评价模型及应用[j],节水灌溉,2018年第4期,88-91，该方法计算步骤第(2)步中采用基于几何概率的距离值法，以水质指标检测值与标准值之间的距离绝对值的倒数进行计算，现有技术1将任一水质等级仅作为一个值，高于或低于该值都认为离该等级还有一定距离，实际上，任一水质等级是一个范围，在此范围内认为属于该等级的概率是100％。

技术实现思路

1、本发明的目的是改进传统的后验概率计算距离公式，使得计算结果更加精确。

2、为了实现上述目的，本发明采用如下技术方案：

3、一种基于悬浮颗粒物密度的水质评估机器学习贝叶斯模型，包括以下步骤：

4、s1.采集并测试若干例水质样品，采用室内检测测得悬浮颗粒物密度指标，采用室外检测得到每一个样品的多项水质指标；

5、s2.建立水质评价的熵权贝叶斯模型；

6、s3.基于上述水质检测获得的五项指标数据，根据数据体系混乱程度计算熵权值；

7、s4.采用赋权的距离公式计算样品处于ⅰ至ⅴ类水的后验概率p；

8、s5.将ⅰ至ⅴ类水质等级之间的相邻等级划分十等份，根据上述后验概率p中概率最高值pik和概率次高值p(i±1)k的差值c来判断水质等级l：

9、

10、其中，d没有具体含义，仅用于对c的范围进行界定，d＝1,2,3,4,5；i为水质等级；

11、s6.基于s5计算得到的每个样品的水质等级，将每个样品的水质等级与该样品的悬浮颗粒物密度匹配，选用大量样本作为训练集，利用计算机软件matlab r2022a中fitcnb函数生成基于悬浮颗粒物的水质评估贝叶斯分类器；

12、s7.选择测试集样本的悬浮颗粒物密度，基于贝叶斯分类器predict函数预测样点水质等级。

13、具体地，步骤s1中悬浮颗粒物密度指标包括碎屑状悬浮颗粒物密度和纤维状悬浮颗粒物密度。

14、具体地，步骤s1中悬浮颗粒物密度指标获取方法包括：采用25#生物网过滤获得悬浮颗粒物样品，联用zooscan图像自动扫描分析系统仪器，将采集的悬浮颗粒物样品稀释一定量，通过仪器采用300dp分辨率预览以及2400dp分辨率进行扫描来采集悬浮颗粒物的图像和形态数据；利用filezilla软件将悬浮颗粒物图像和形态数据上传数据库，在www.ecotaxa.cn网页中进行分类训练、人工验证以及数据导出，得到碎屑状悬浮颗粒物密度和纤维状悬浮颗粒物密度。

15、具体地，步骤s3中计算熵权值具体包括：

16、s31.数据预处理，将原始数据整理为原始矩阵x并标准化

17、

18、式中，k是站点，j是指标，x是原始数据构成的矩阵，x是原始矩阵中的某一项，z是标准化后的矩阵，z是标准化后的矩阵中的某一项，n是站点总数；

19、s32.计算概率矩阵p

20、

21、其中，p是概率矩阵，p是概率矩阵中的某一项；

22、s33.计算熵权值w

23、

24、其中，ej是中间变量，wj是j指标的权重，m是指标总数。

25、具体地，步骤s4中计算后验概率p，具体包括：

26、s41.极大型指标数据站点项目检测值与项目标准值间的绝对距离d可采用下式计算：

27、①i＝1时：

28、

29、②i≠1时：

30、

31、极小型指标数据站点项目检测值与项目标准值间的绝对距离d可采用下式计算：

32、①i＝1时：

33、

34、②i≠1时：

35、

36、s42.计算相对距离

37、

38、其中，d(xjk|yji)为相对距离，值越小，即则代表站点k的指标水质级别属于i的可能性就越小；反之越大；

39、s43.对k样点，针对j指标，将属于i等级水质的d(xjk|yji)进行竖向归一化

40、

41、式中，pijk表示第k个检测点位j指标属于第i水质等级的概率，pik表示第k个检测点位属于第i水质等级的概率。

42、具体地，步骤s1中采用室外检测得到每一个样品的5项水质指标包括溶氧量do、高猛酸盐指数cod_mn、总氮tn、总磷tp和氨氮nh3-n数值。

43、本发明的有益效果：

44、本发明简化了已有的水质快速评估方法，并通过改进现有技术中的计算公式，提高了评价的精确性，同时实现了基于悬浮颗粒物密度的水质等级快速评估。

技术特征：

1.一种基于悬浮颗粒物密度的水质评估机器学习贝叶斯模型，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于悬浮颗粒物密度的水质评估机器学习贝叶斯模型，其特征在于，步骤s1中悬浮颗粒物密度指标包括碎屑状悬浮颗粒物密度和纤维状悬浮颗粒物密度。

3.根据权利要求1所述的基于悬浮颗粒物密度的水质评估机器学习贝叶斯模型，其特征在于，步骤s1中悬浮颗粒物密度指标获取方法包括：采用25#生物网过滤获得悬浮颗粒物样品，联用zooscan图像自动扫描分析系统仪器，将采集的悬浮颗粒物样品稀释一定量，通过仪器采用300dp分辨率预览以及2400dp分辨率进行扫描来采集悬浮颗粒物的图像和形态数据；利用filezilla软件将悬浮颗粒物图像和形态数据上传数据库，在www.ecotaxa.cn网页中进行分类训练、人工验证以及数据导出，得到碎屑状悬浮颗粒物密度和纤维状悬浮颗粒物密度。

4.根据权利要求1所述的基于悬浮颗粒物密度的水质评估机器学习贝叶斯模型，其特征在于，步骤s3中计算熵权值具体包括：

5.根据权利要求1所述的基于悬浮颗粒物密度的水质评估机器学习贝叶斯模型，其特征在于，步骤s4中计算后验概率p，具体包括：

6.根据权利要求1所述的基于悬浮颗粒物密度的水质评估机器学习贝叶斯模型，其特征在于，步骤s1中采用室外检测得到每一个样品的5项水质指标包括溶氧量do、高猛酸盐指数cod_mn、总氮tn、总磷tp和氨氮nh3-n数值。

技术总结本发明公开了一种基于悬浮颗粒物密度的水质评估机器学习贝叶斯模型，包括：采集并测试若干例水质样品的悬浮颗粒物密度指标和其他多项水质指标；建立水质评价的熵权贝叶斯模型；计算熵权值；采用赋权的距离公式计算样品处于Ⅰ至Ⅴ类水的后验概率P；将Ⅰ至Ⅴ类水质等级之间的相邻等级划分十等份，根据上述后验概率P中概率最高值和概率次高值的差值来判断水质等级；将每个样品的水质等级与该样品的悬浮颗粒物密度匹配，选用大量样本作为训练集，生成基于悬浮颗粒物的水质评估贝叶斯分类器；本发明简化了已有的水质快速评估方法，并通过改进现有技术中的计算公式，提高了评价的精确性，同时实现了基于悬浮颗粒物密度的水质等级快速评估。技术研发人员：李梦石,蔡旺炜,刘江民,杨子秦,陈泽凤,任玺庆受保护的技术使用者：河海大学技术研发日：技术公布日：2024/9/2