基于灰色BP神经网络的土壤氡表面通量预测方法与系统

本发明涉及土壤氡表面通量测量，尤其指一种基于灰色bp神经网络的土壤氡表面通量预测方法与系统。

背景技术：

1、土壤氡表面通量作为环境监测和建筑安全评估的重要指标，其测量和预测对于评估环境健康和建筑安全具有重要意义。然而，传统的土壤氡浓度测量方法存在诸多限制，如实地测量成本高昂、耗时且受多种复杂因素影响，导致其变化规律难以准确把握。此外，土壤氡浓度的实地测量往往难以满足大规模、高频率监测的需求。

2、bp神经网络作为一种人工智能技术，在处理小样本数据和非正态分布数据方面展现出了其独特的优势，已被广泛应用于土壤氡浓度的检测分析中。bp神经网络通过前向传播和反向传播算法，能够根据输入数据计算误差并调整网络权值和阈值，从而提高预测的准确性。然而，由于误差因素的存在，bp神经网络在处理样本数量匮乏且噪声程度较高的情况下，其预测性能可能受限，输出结果的波动性较大，影响了预测的稳定性和可靠性。

技术实现思路

1、本发明的目的之一是提供一种基于灰色bp神经网络的土壤氡表面通量预测方法，以改善现有预测手段性能不足的问题。

2、为了实现上述目的，本发明采用如下技术方案：基于灰色bp神经网络的土壤氡表面通量预测方法，包括以下步骤：

3、(1)构建串联型的灰色bp神经网络预测模型；

4、(2)将氡表面通量和土壤氡表面通量的影响因素输入灰色bp神经网络预测模型中进行处理，得出预测结果。

5、进一步地，步骤(2)中，所述氡表面通量通过下述公式计算得到：

6、

7、其中，j为氡表面通量，单位为mbq m-2s-1；c为集氡罩内累积的氡浓度，单位为bq m-3；c0为空气中初始的氡浓度值，单位为bq m-3；λ为氡的衰变常数，单位为s-1；v为集氡罩的体积，单位为m3；s为集氡罩与地面接触的表面积，单位为m2；t为收集氡浓度的累计时间，单位为s；e为自然常数。

8、进一步地，在将所述集氡罩内累积的氡浓度输入公式中计算之前，先对其进行下述处理：

9、基于中值滤波方法对数据进行处理，生成单调上升的数据序列。

10、进一步地，步骤(1)中，构建的灰色bp神经网络预测模型包括串行连接的灰色预测模型和bp神经网络；

11、所述灰色预测模型的公式如下：

12、

13、其中，x1(0)＝(x1(0)(1)，x1(0)(2)，…x1(0)(n))，为特征数据序列；xi(1)是xi(0)的累加序列(i＝1,2,…,n)，zi(1)是相邻两个xi(1)的均值；k＝1，2，…，k；a为发展系数，bi为驱动系数。

14、进一步地，所述灰色bp神经网络预测模型结构包括输入层、隐含层和输出层；

15、所述输入层包括n个输入节点h1,h2,…,hn，其中前n-1个输入节点为土壤氡表面通量的影响因素，第n个输入节点为灰色预测模型的输出结果；

16、所述隐含层包括n个节点，第i个节点的参数向量为[wi1,wi2,…,win,θi]；

17、所述输出层包括一个输出节点。

18、进一步地，所述隐含层的参数wi1,wi2,…,win用于影射灰色预测模型中微分方程的解；

19、所述隐含层的参数θi用于学习影响土壤表面氡表面通量的影响因素对氡表面通量的非线性作用。

20、进一步地，步骤(2)中，所述氡表面通量和土壤氡表面通量的影响因素均输入灰色预测模型中进行计算，并将计算结果输入bp神经网络中，得出最终的预测结果。

21、进一步地，所述隐含层的节点数通过下述方式计算得到：

22、

23、其中，m和n表示输入层和输出层的节点数，a为1-10之间的调节常数。

24、进一步地，所述输入层包括11个输入节点，分别为土壤含水率、土壤温度、盐度、电导率、气压、海拔、ndvi、ndbi、土壤ph值、土壤有机碳含量以及灰色预测模型得出的土壤表面氡表面通量；所述输出层的输出节点为氡表面通量。

25、本发明的另一目的在于提供一种基于灰色bp神经网络的土壤氡表面通量预测系统，其包括：

26、模型构建单元，用于构建串联型的灰色bp神经网络预测模型；

27、预测单元，用于将氡表面通量和土壤氡表面通量的影响因素输入灰色bp神经网络预测模型中进行处理，得出预测结果。

28、相较于传统的串联型灰色bp神经网络模型，本发明不再采用仅将灰色预测模型的输出结果作为bp神经网络的输入的传统做法，而是通过将灰色预测模型的预测结果与土壤氡表面通量的影响因素相结合，作为bp神经网络的输入，这样不仅增强了模型对多元影响因素的综合考量，而且显著提升了预测的精度和可靠性。此外，本发明的灰色bp神经网络组合模型，通过利用灰色预测模型的误差对bp神经网络的权重进行动态校正，优化了网络训练过程，使得预测结果能够更准确地反映土壤氡浓度的实际变化。同时，该模型充分发挥了灰色预测在处理不确定性和随机性问题上的优势，尤其在短期预测中，能够以较小的误差实现高效的预测效果。由于灰色预测模型对大规模样本数据的需求较低，本发明还降低了对数据采集和处理的依赖，简化了预测流程，提高了操作的便捷性。总体而言，本发明在确保预测精度的同时，也提高了预测效率和实用性，对于环境监测和建筑安全评估等领域具有重要的应用价值。

技术特征：

1.基于灰色bp神经网络的土壤氡表面通量预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于灰色bp神经网络的土壤氡表面通量预测方法，其特征在于，步骤(2)中，所述氡表面通量通过下述公式计算得到：

3.根据权利要求1所述的基于灰色bp神经网络的土壤氡表面通量预测方法，其特征在于：步骤(1)中，构建的灰色bp神经网络预测模型包括串行连接的灰色预测模型和bp神经网络；

4.根据权利要求3所述的基于灰色bp神经网络的土壤氡表面通量预测方法，其特征在于：所述灰色bp神经网络预测模型的结构包括输入层、隐含层和输出层；

5.根据权利要求4所述的基于灰色bp神经网络的土壤氡表面通量预测方法，其特征在于：

6.根据权利要求3所述的基于灰色bp神经网络的土壤氡表面通量预测方法，其特征在于：步骤(2)中，先将氡表面通量和土壤氡表面通量的影响因素均输入灰色预测模型中进行计算，再将计算结果输入bp神经网络中，得出预测结果。

7.根据权利要求4所述的基于灰色bp神经网络的土壤氡表面通量预测方法，其特征在于，所述隐含层的节点数通过下述方式计算得到：

8.根据权利要求4所述的基于灰色bp神经网络的土壤氡表面通量预测方法，其特征在于：所述输入层包括11个输入节点，分别为土壤含水率、土壤温度、盐度、电导率、气压、海拔、ndvi、ndbi、土壤ph值、土壤有机碳含量以及灰色预测模型得出的土壤表面氡表面通量；所述输出层的输出节点为氡表面通量。

9.根据权利要求2所述的基于灰色bp神经网络的土壤氡表面通量预测方法，其特征在于，在将所述集氡罩内累积的氡浓度输入公式中计算之前，先对其进行下述处理：

10.基于灰色bp神经网络的土壤氡表面通量预测系统，其特征在于，包括：

技术总结
基于灰色BP神经网络的土壤氡表面通量预测方法与系统，涉及土壤氡表面通量测量技术领域。前述方法包括以下步骤：（1）构建串联型的灰色BP神经网络预测模型；（2）将氡表面通量和土壤氡表面通量的影响因素输入灰色BP神经网络预测模型中进行处理，得出预测结果。本发明不仅能够利用灰色预测模型预测误差对神经网络训练阶段的权重进行动态校正，还能够充分展现各影响因素对土壤氡浓度非线性效应的叠加作用，从而确保预测结果与实际情况达到最优化的拟合程度。

技术研发人员：周萧萧,雷波,赵玲娟,徐雪丽,余圣锭
受保护的技术使用者：南华大学
技术研发日：
技术公布日：2024/8/13