技术特征：
1.一种基于bp神经网络的水质监测方法，其特征在于：包括如下步骤：s1.采集水质样本数据；s2.对水质样本数据进行特征标记，得到标记后的样本数据；s3.将标记后的样本数据输入到bp神经网络模型进行网络模型训练，得到训练好的神经网络模型；s4.采集水质实时数据，并将水质实时数据输入到训练好的神经网络模型，输出水质质量评估结果。2.根据权利要求1所述的基于bp神经网络的水质监测方法，其特征在于：所述步骤s2，具体包括：s21.对水质样本数据进行特征提取，得到水质的特征信息；其中，所述特征信息包括水色以及漂浮物密度；s22.将特征信息作为标记元素对水质样本数据进行特征标记，得到标记后的样本数据。3.根据权利要求2所述的基于bp神经网络的水质监测方法，其特征在于：对水质样本数据进行特征提取，具体包括：s211.对水质样本数据进行初步特征提取，得到初步提取后的样本数据；s212.对初步提取后的样本数据进行再次特征提取，得到再次提取后的样本数据。4.根据权利要求3所述的基于bp神经网络的水质监测方法，其特征在于：对水质样本数据进行初步特征提取，具体包括：基于多特征融合的图像检索方法对水质样本数据进行初步特征提取；其中，所述基于多特征融合的图像检索方法包括基于颜色特征的提取方法以及基于空间关系的特征提取方法。5.根据权利要求3所述的基于bp神经网络的水质监测方法，其特征在于：对初步提取后的样本数据进行再次特征提取，具体包括：s2121.将初步提取后的样本数据中特征点作为目标点，并对相邻的目标点进行连边，构建成目标图；s2122.确定目标点之间的权重；s2123.计算目标图的拉普拉斯矩阵的特征向量与特征值，并使用m个非零特征值对应的特征向量作为降维后的结果；其中，m个非零特征值为非零特征值按照从小到大排列的前m个值。6.根据权利要求1所述的基于bp神经网络的水质监测方法，其特征在于：将标记后的样本数据输入到bp神经网络模型进行网络模型训练，具体包括：s31.初始化bp神经网络模型；s32.将标记后的样本数据按照设定比例划分为样本训练集以及样本验证集；s33.将样本训练集输入到bp神经网络模型进行网络模型训练，得到训练后的神经网络模型；s34.将样本验证集输入到训练后的神经网络模型，输出样本预测值；s35.判断样本预测值与样本真实值之间的误差是否在预设范围内，若是，则停止神经网络模型的训练；若否，则将样本预测值与样本真实值之间的误差作为反馈结果，并依据反
馈结果对训练后的神经网络模型进行参数调整，得到调整后的神经网络模型，返回执行步骤s33，对调整后的神经网络模型进行网络模型训练。7.根据权利要求6所述的基于bp神经网络的水质监测方法，其特征在于：所述步骤s35，还包括：先判断网络模型的训练次数是否超过预设值，若是，则停止神经网络模型的训练；若否，则再判断样本预测值与样本真实值之间的误差是否在预设范围内。8.根据权利要求6所述的基于bp神经网络的水质监测方法，其特征在于：所述参数包括权重矩阵以及偏置系数。9.根据权利要求6所述的基于bp神经网络的水质监测方法，其特征在于：所述步骤s31，具体包括：确定初始参数，并对初始参数进行赋值，得到初始化参数；根据初始化参数，构建bp神经网络模型。10.根据权利要求9所述的基于bp神经网络的水质监测方法，其特征在于：所述初始参数包括隐含层层数、每个隐含层的神经元个数、激活函数、学习率以及损失函数。
技术总结
本发明公开了一种基于BP神经网络的水质监测方法，包括：S1.采集水质样本数据；S2.对水质样本数据进行特征标记，得到标记后的样本数据；S3.将标记后的样本数据输入到BP神经网络模型进行网络模型训练，得到训练好的神经网络模型；S4.采集水质实时数据，并将水质实时数据输入到训练好的神经网络模型，输出水质质量评估结果。本发明能够实现水质的智能化实时监测，抗干扰能力强、监测效果好。监测效果好。
技术研发人员：周立明 陈浩 李政
受保护的技术使用者：重庆亿森动力环境科技有限公司
技术研发日：2022.07.08
技术公布日：2022/10/13