买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉生态环境部华南环境科学研究所(生态环境部生态环境应急研究所)申请的专利一种感潮河网区溶解氧预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115456245B 。

龙图腾网通过国家知识产权局官网在2025-12-16发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210967488.X，技术领域涉及：G16C20/70；该发明授权一种感潮河网区溶解氧预测方法是由赵长进;叶颖欣;范中亚;杨汉杰;王文才;房怀阳;罗千里;曾凡棠;胡艳芳设计研发完成，并于2022-08-12向国家知识产权局提交的专利申请。

本一种感潮河网区溶解氧预测方法在说明书摘要公布了：本发明公开了一种感潮河网区溶解氧预测方法，包括以下步骤：S1、数据采集；S2、数据筛选：S2‑1、互信息定义；S2‑2、值域划分；S2‑3、求取最大值；S2‑4、关联性分析；S3、长短时记忆网络模型建立：S3‑1、框架构建；S3‑2、初始化；S3‑3、前向传播计算；S3‑4、更新权重；S3‑5、均方根误差评估；S4、k折交叉验证；S5、计算及预测。本发明充分考虑了感潮河网区受潮汐影响、溶解氧呈现周期性变化的特点，选取时间滞后的溶解氧数据作为输入变量，并通过最大互信息系数方法识别出影响溶解氧变化的关键因素作为输入变量，使用深度机器学习模型建立长短时记忆网络有效解决了传统循环网络中的梯度消失的问题。

本发明授权一种感潮河网区溶解氧预测方法在权利要求书中公布了：1.一种感潮河网区溶解氧预测方法，其特征在于，包括以下步骤： S1、数据采集：在需要进行溶解氧预测的感潮河网区建立水质自动站，通过水质自动站采集水质时间序列数据，并对采集到的水质时间序列数据进行预处理，水质时间序列数据包括溶解氧和其他环境变量； S2、数据筛选：计算步骤S1得到的水质时间序列数据中溶解氧和其他环境变量的最大互信息系数，筛选出与溶解氧相关性较大的其他环境变量，作为长短时记忆网络的输入变量； S2-1、互信息定义：互信息是衡量其他环境变量与溶解氧之间相关程度的指标，给定变量A＝{xi，i＝1，2，...，n}和B＝{yi，i＝1，2，...，n}，其中，n为样本数量，A和B的互信息IA；B定义公式为： 式中，px，y为A和B的联合概率密度，px为A的边缘概率密度，py为B的边缘概率密度； S2-2、值域划分：假设D＝{ai，b，i＝1，2，...，n}为一个有限集合，同时，将变量A和变量B的值域分别划分为x段和y段，得到x×y的网格G，再在得到的每一种网格划分的内部计算互信息MIA，B，得到互信息MIA，B的最大值G，则定义最大值G条件下有限集合D的最大归一化值公式为： MI*D,x,y＝maxMID│G 式中，D|G为有限集合D在使用网格G进行划分，MI*D,x,y为最大归一化值； S2-3、求取最大值：对每一种网格划分下得到的最大归一化值组成的特征矩阵求取最大值，即得最大信息系数的公式为： 式中，MICD为最大信息系数； S2-4、关联性分析：将溶解氧作为变量A，其他环境变量作为变量B，计算溶解氧与其他环境变量的最大信息系数MICD的值，得到的最大信息系数MICD的值在[0，1]区间内，最大信息系数MICD的值越大，则溶解氧与其他环境变量的关联性越大，最大信息系数MICD的值越小，则溶解氧与其他环境变量的关联性越小，选择与溶解氧关联性较大的其他环境变量作为预测模型的输入变量； S3、长短时记忆网络模型建立： S3-1、框架构建：所述长短时记忆网络模型包含1个输入层、1个输出层及多个隐藏层，每个隐藏层由多个记忆单元组成，所述记忆单元通过引入门控机制来控制历史信息的更新和利用，所述门控机制包括输入门it、遗忘门itft和输出门ot，输入门it、遗忘门ft和输出门ot的取值均在[0，1]区间内表示以一定的比例让信息通过，对细胞状态定期重置避免细胞状态不短累加，细胞状态包括候选状态内部状态Ct和外部状态ht，输入门it控制当前时刻的候选状态有多少信息需要保存，遗忘门ft控制上一个时刻的内部状态Ct需要遗忘多少信息，输出门ot控制当前时刻的内部状态Ct有多少信息需要输出给外部状态ht，同时激活函数sigmoidσ和双曲正切函数层tanh，如下式所示： S3-2、初始化：将记忆单元的矩阵和向量进行初始化，用于保存模型参数和保存中间计算结果，保存输入层和输出层神经元个数、隐含层细胞个数、网络状态； S3-3、前向传播计算：长短时记忆网络模型会决定从细胞状态中舍弃的信息，这个步骤由遗忘门完成，首先，针对当前时刻的输入信息xt和上一时刻的隐藏层外部状态ht-1的输出信息通过sigmoidσ函数层处理得到一个0到1之间的输出，作为上一时刻内部状态Ct-1的过滤值，即得遗忘门ft的公式为： ft＝σWxfxt+Whfht―1+bf 式中，W为权重矩阵，W的下标代表具体两个单元之间的连接权重，b代表偏置项； 其次，长短时记忆网络模型判定存储到细胞状态中的信息，首先将当前时刻的输入信息xt和上一时刻的隐藏层外部状态ht-1的输出信息经过sigmoid函数层计算得到输入门it取值，如下式所示： it＝σWxixt+Whiht―1+bi 然后通过双曲正切函数层tanh产生一个候选状态用于细胞状态的更新，如下式所示： 最后，长短时记忆网络模型决定细胞的输出信息，将当前时刻的输入信息xt和上一时刻的隐藏层外部状态ht-1的输出信息经过sigmoidσ函数层计算输出门ot，如下式所示： ot＝σWxoxt+Whoht―1+bo 然后将当前细胞的内部状态Ct通过tanh函数压缩至[-1，1]的区间，最后将压缩后的细胞的内部状态Ct与输出门ot相乘得到当前时刻的隐藏层外部状态ht输出信息，如下式所示： ht＝ottanhCt 记忆单元还会与长短时记忆网络模型中其他部分相连，当前时刻的隐藏层外部状态ht的输出信息一方面作为隐藏层外部状态ht的输入信息被传递到下个时刻，另一方面作为隐藏层外部状态ht的输出信息被传递到下一层长短时记忆网络，当下一层长短时记忆网络为全连接层时，会对隐藏层结果做一个变换得到最终输出信息，从而得到时间序列的预测值如下式所示： 式中，Vout为全连接层的权重矩阵，b代表偏置项； S3-4、更新权重：求解长短时记忆网络的每一个权重的梯度，通过使用训练数据进行随机梯度下降找到最优解，由输出层往输入层的权重开始求梯度，依次更新各个权重，重置内部状态，设计误差函数，计算并检查梯度； S3-5、均方根误差评估：通过长短时记忆网络模型对与溶解氧相关的其他环境变量的时序数据进行训练，将归一化及经过MIC筛选的其他环境变量的时序数据作为训练数据集对长短时记忆网络模型进行训练，为了缓解在多变量预测模型神经网络的训练过程中出现的过拟合问题，在隐藏层的训练机制中加入Dropout机制，训练完成后计算均方根误差来评估长短时记忆网络模型的预测结果，均方根误差如下式所示： 式中，为溶解氧的预测值，yi为溶解氧的实测值； S4、k折交叉验证：将步骤S2-4中得到的输入变量作为原始数据集分成k等份，每次选取k-1份作为训练集，剩下1份作为测试集，使用不同的超参数组合来训练k-1份和测试其余的1个部分，并计算测试集的RMSE值，重复上述步骤S3-2～S3-5中长短时记忆网络模型训练和测试的步骤，直到k份原始数据集中每个超参数组合都被测试完毕，并计算每个最终输出信息的RMSE平均值，RMSE平均值最小的参数组合为最优组合，如下式所示： S5、计算及预测：使用感潮河网区水质自动站的实时数据经预处理后输入到建立好的长短时记忆网络模型中，通过长短时记忆网络模型输出的结果通过放缩得到溶解氧的预测值，采用滚动预报的方法，绘制出溶解氧的走势图。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人生态环境部华南环境科学研究所(生态环境部生态环境应急研究所)，其通讯地址为：510535 广东省广州市黄埔区瑞和路18号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。