共享直饮水水质自适应动态自学习在线监测系统

摘要

本发明公开了一种共享直饮水水质自适应动态自学习在线监测方法，包括：S110建立神经网络输入样本集；S120建立神经网络输出样本集；S130获得归一化样本集；S140根据所述归一化样本集构建三层的BP神经网络模型；S150根据所述三层BP神经网络，运用UKF算法进行网络权值阈值动态调整；S160对云端服务器上积累的海量数据，利用UKFNN算法进行建模，获取神经网络参数；S170对实时变化的恒定水箱内水质的影响因素实现实时预测；根据恒定水箱水质实时预测，实现共享直饮水水质自适应动态自学习在线监测。本发明提供共享直饮水水质动态自学习在线监测方法及系统，具有的技术效果或优点是：改变传统饮水方式，为用户提供一种快捷、健康、方便的饮水方式，满足人民快节奏生活水平和高质量生活水平要求。

说明书

技术领域

本发明涉及移动互联网服务领域，特别涉及一种共享直饮水水质自适应动态自学习在线监测方法及系统。

背景技术

随着生活水平的提高，经济飞速发展，高品质健康的生活理念越来越得到人们的青睐。特别针对日常饮用水的健康性、方便性要求越来越高，市场上目前饮用水方式包括直饮水和桶装矿泉水，其中桶装矿泉水质量、容量、价格参差不齐，在现有的经济体系下，桶装水的质量无法得到安全健康保证，市场上存在大量桶装矿泉水“以次充好”的现象，不仅存在“暴利”且不合格的桶装矿泉水会对人民的身体健康带来潜在威胁。于此同时，在快节奏的都市生活中，高效的时间利用使得人们对服务产品的便利性要求越来越高。

发明内容

有鉴于此，本发明的目的在于提供一种共享直饮水水质自适应动态自学习在线监测方法及系统。以解决方便、健康、快捷的共享直饮水饮用问题，保证饮用水的水质健康，实现共享直饮水水质实时监测与实时更换，实现共享直饮水智能管理。

本发明的目的之一是通过以下技术方案来实现的，共享直饮水水质自适应动态自学习在线监测方法，包括以下步骤：S110根据恒定水箱内水质的影响的控制参数，建立神经网络输入样本集；S120根据实时测量的恒定水箱内水质指标，建立神经网络输出样本集；S130将输入样本集和输出样本集进行归一化处理，获得归一化样本集；S140根据所述归一化样本集构建三层的BP神经网络模型；S150根据所述三层BP神经网络，运用UKF算法进行网络权值阈值动态调整；S160对云端服务器上积累的海量数据，利用UKFNN算法进行建模，获取神经网络参数；S170对实时变化的恒定水箱内水质的影响因素实现实时预测；根据恒定水箱水质实时预测，实现共享直饮水水质自适应动态自学习在线监测。

进一步，所述步骤S120后还包括预处理步骤，所述预处理步骤具体为：将构建的建模输入样本集进行主元提取，并获得新样本集。

进一步，所述恒定水箱内影响水质的控制参数包括，确定影响水箱内水质的影响因素，该影响因素包括：直饮水机滤芯性能、地区ID号码、直饮水机累计用水量、水箱内水温历史温度实时数据、实时水箱出水口处开关状态。

进一步，根据实时测量的恒定水箱内水质指标，建立神经网络输出样本集，包括：通过定期质检员巡检，抽取水箱内饮用水水样进行水质指标检测并实时传输到云端服务器，即获得神经网络输出样本集。

进一步，利用主元分析算法对状态变量X进行主元提取，构建新的状态变量X′＝{x_z1,x_z2,L,x_zm}，X′为m个状态主元分量，每个状态主元分量的维度与输入中的训练样本的数量相同。

进一步，在所述步骤S150，三层BP神经网络包括(M-s₁-l)的拓扑结构，隐含层激发函数为s型函数，输出层为线性函数；

输入层神经元数为M个，隐含层节点数由经验公式所得，m,h,o分别表示表输入层、隐含层、输出层的神经元个数，α为1-10的常数，输出层节点数为4个，则建立初始模型为：

其中，w1_ik,w2_kj,b1_i,b2_j分别代表输入层与隐含层的连接权值、隐含层和输出层的连接权值、隐含层阈值，输出层阈值；表示归一化的样本，i,j均为变量下标。

进一步，利用UKFNN算法对云端服务器存储的海量数据进行建模，获取神经网络参数具体包括以下子步骤：

第一步：设BP神经网络，记M为输入层神经元数，s₁为隐层神经元数，l为输出层神经元个数；输入层至隐含层神经元的连接权值阈值为隐含层至输出层的连接权值阈值为则UKF神经网络中所有权值和阈值组成的状态矩阵I为：

设I中的个数为n个值；设定非线性方程：

I_k表示k时刻状态变量，I_k+1表示(k+1)时刻状态变量，ω_k,v_k,分别表示观测噪声，量测非线性方程，量测噪声；

其中，X_k为K时刻的神经网络输入样本；令ω_k＝0，v_k＝0，Y_k为神经网络输出样本；第二步：设定UKF计算过程中控制采样点的分布状态参数a、待选参数κ；

第三步：计算2n+1个σ点以及σ点的相应权重，其中，n为状态矩阵I的维度，λ＝a²(n+κ)-n；σ表示sigma采样点，λ为缩放比例参数；

第四步：计算σ点的一步状态预测及状态变量协方差P_k+1|k；

第五步：计算输出的一步提前预测以及协方差

第六步：进行滤波更新获取新的状态矩阵、协方差矩阵、增益矩阵；

第七步：对获取的新样本数据重新进行第二步至第六步步，直至所有样本对状态矩阵、协方差矩阵、增益矩阵进行了更新；

第八步：对最后一组样本得到状态矩阵I作为前馈神经网络训练得到的权值和阈值；

第九步：根据获得网络参数各层权值、阈值，利用UKF神经网络构建的函数模型。

进一步，所述步骤S160中，动态调整权值阈值算法流程如下：

1)对所述状态矩阵I进行Sigma采样，获得2n+1个采样点，初始化控制2n+1个采样点的分布状态参数α、待选参数κ，以及非负权系数β，对状态矩阵I的Sigma采样如下：

其中，为(k-1)时刻的最优状态变量估计的第i列，n为状态矩阵维度，p_k-1为(k-1)时刻的最优状态变量的协方差,I_k-1为(K-1)时刻的状态变量，λ为缩放比例参数；

2)计算每个采样点的权重，每个采样点的权重如下：

其中，W_c为计算状态变量的协方差的权重，W_m为计算状态估计和观测预测时的权重，是的第一列，是的第一列；

3)通过离散时间非线性系统的状态方程将每个采样点的(k-1)时刻的最优状态变量的状态估计变换为k时刻的状态变量的状态估计并通过合并k时刻的状态估计的向量，获得k时刻的状态变量的状态先验估计和协方差P_k|k-1；其中，

所述状态估计为：

F()表示状态方程

其中，w_k的协方差矩阵Q_k为cov(ω_k,ω_j)＝Q_kδ_kj，w_j表示状态噪声，cov(ω_k,ω_j)表示状态噪声协方差；

所述状态先验估计为：

所述状态变量的协方差P_k|k-1为：

4)通过离散时间非线性系统的观测方程建立k时刻的状态变量的状态估计和k时刻的观测预测估计之间的联系以完成观测预测，并估计k时刻的观测预测的协方差

所述k时刻的观测预测估计为：

最终状态变量估计为：

其中，ν_k的协方差矩阵R_k为cov(v_k,v_j)＝R_kδ_kj，v_j表示测量噪声；g(),f()分别表示神经网络输出层激发函数，隐含层激发函数；

所述k时刻的观测预测的协方差为：

5)计算k时刻的状态变量和观测预测之间的协方差P_xy,k：

6)通过建立协方差P_xy,k和协方差的关系，更新k时刻的状态变量的状态估计和协方差，获得k时刻的最优状态变量；

7)将获得的k时刻的最优状态变量代入步骤1)重新进行sigma采样，循环步骤1)-6)，获得所述神经网络模型的最优状态变量；

其中，步骤6)中的通过建立协方差P_xy,k和协方差的关系，更新k时刻的状态变量的状态估计和协方差，获得k时刻的最优状态变量，

其中，K_k为增益矩阵，以此实现更新k时刻的最优状态变量的状态估计和更新k时刻的状态变量的协方差P_k；

更新后的k时刻的最优状态变量的状态估计I_k|k为：

更新后的k时刻的状态变量的协方差P_k为：

将更新后的k时刻的状态变量的状态估计I_k和协方差P_k作为k时刻的最优状态变量。

本发明的目的之二是通过以下技术方案来实现的，共享直饮水水质自适应动态自学习在线监测系统，包括根据恒定水箱内水质的影响的控制参数选择单元、建模样本主元提取单元、归一化样本采集获取单元、UKFNN模型构建单元和恒定水箱水质检测；具体地，根据恒定水箱内水质的影响的控制参数选择单元，选择影响恒定水箱内水质的影响的控制参数；

建模样本主元提取单元，用PCA主元提取；

归一化样本采集获取单元，将PCA主元提取后的参数进行归一化处理，；

UKFNN模型构建单元，运用云端服务器上存储的海量数据进行模型建模；

恒定水箱水质检测，运用已经建立的模型对云端服务器上产生的新数据进行恒定水箱水质指标预测。

有益技术效果：

本发明为用户提供一种快速、健康、便捷的共享直饮水装置及系统，不但可以保证方便喝到饮用水，且真正做到健康、快捷方便饮水，最终实现共享直饮水自适应动态学习在线检测系统。

附图说明

图1共享直饮水水质自适应学习在线监测方法流程示意图；

图2共享直饮水水质自适应学习在线监测系统的逻辑结构示意图。

具体实施方式

以下将结合附图，对本发明的优选实施例进行详细的描述；应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。

本发明提供的共享直饮水水质动态自学习在线监测方法，包括以下步骤：

S110：根据恒定水箱内水质的影响的控制参数，建立神经网络输入样本集；

S120：根据实时测量的恒定水箱内水质指标，建立神经网络输出样本集；

S130：将构建的建模输入样本集进行主元提取，降低样本冗余度，获得新样本集；

S140：将新样本进行归一化处理，获得归一化样本集；

S150：根据所述归一化样本集构建三层的BP神经网络模型；

S160：根据所述三层BP神经网络，运用UKF算法进行网络权值阈值动态调整；

对通过云端服务器上积累的海量数据，利用UKFNN算法进行建模，获取神经网络参数；

S170：在已知模型的基础上，对于实时变化的恒定水箱内水质的影响因素实现恒定水箱水质实时预测；

S180：根据恒定水箱水质实时预测，实现共享直饮水水质自适应动态自学习在线监测；

上述为本发明提供的共享直饮水水质动态自学习在线监测系统及装置，在步骤S110和步骤S120中，直饮水机滤芯性能、地区ID号码、直饮水机累计用水量、水箱内水温历史温度实时数据、实时水箱出水口处开关状态，即获得建立模型输入样本；通过定期质检员巡检，抽取水箱内饮用水水样进行水质指标检测(微生物指标、毒理指标、化学指标、放射性指标)，并实时传输到云端服务器，即获得模型输出样本；

其中，影响恒定水箱内水质的控制参数如表1和表2所示：

表2参数及符号表

表2参数及符号表

其中，共享直饮水中过滤器到恒定水箱内排除水量的累计用水量为累计用水时间

在步骤S130中，PCA主元提取；其中，主元分析算法对状态变量X进行主元提取，构建新的状态变量X'＝{x_z1,x_z2,L,x_zm}为m个状态主元分量，每个状态主元分量的维度与所述样本的数量相同；

在步骤S140中，数据预处理。利用神经网络建模过程中，其隐含层节点函数为S型函数，其值域为[-1,1]；为提高建模过程精度，故而将所有的采集的样本进行归一化处理。即：将样本集的参量值利用线性归一化方法映射到[-1,1]范围内，得到归一化的样本集。

在步骤S150中，根据所述归一化样本集构建三层的BP神经网络模型；

三层神经网络包括(M-s₁-l)的拓扑结构，隐含层激发函数为s型函数，输出层为线性函数；

输入层节点数为M个，即输入样本数，隐含层节点数由经验公式所得，α为1-10的常数，输出层节点数为4个，则建立初始模型为：

其中，函数f()为S型函数，为隐含层激发函数；w1_ik,w2_kj,b1_k,b2_j分别代表输入层与隐含层的连接权值，隐含层和输出层的连接权值，隐含层阈值，输出层阈值；表示归一化的样本。

在步骤S160中，采用所述UKFNN算法对通过云端服务器上积累的海量数据，获取神经网络参数；云端服务器上积累的海量数据包括，直饮水机滤芯性能、地区ID号码、直饮水机累计用水量、水箱内水温历史温度实时数据、实时水箱出水口处开关状态，即获得建立模型输入样本；通过定期质检员巡检，抽取水箱内饮用水水样进行水质指标检测(微生物指标、毒理指标、化学指标、放射性指标)，并实时传输到云端服务器，即获得模型输出样本；

利用UKFNN算法对云端服务器存储的海量数据进行建模，获取神经网络参数过程中，

第一步：设BP神经网络，记M为输入层神经元数，s₁为隐层神经元数，l为输出层神经元数；输入层至隐含层神经元的连接权值阈值为隐含层至输出层的连接权值阈值为则UKF神经网络中所有权值和阈值组成的状态矩阵I为：

设I中的个数为n个值；设定非线性方程：

I_k表示k时刻状态变量，I_k+1表示(k+1)时刻状态变量，ω_k,v_k,分别表示观测噪声，量测非线性方程，量测噪声；

其中，X_k为K时刻的神经网络输入样本；令ω_k＝0，v_k＝0，Y_k为神经网络输出样本；

第二步：设定UKF计算过程中控制采样点的分布状态参数a、待选参数κ，以及非负权系数β；

第三步：计算2n+1个σ点以及σ点的相应权重，其中，n为状态矩阵的I维度，λ＝a²(n+κ)-n，其中，κ为待选参数，a为分布状态参数；

第四步：计算σ点的一步状态预测及状态变量协方差P_k+1|k；

第五步：计算输出的一步提前预测以及协方差

第六步：进行滤波更新获取新的状态矩阵、协方差矩阵、增益矩阵；

第七步：对获取的新样本数据重新进行第二步至第六步步，直至所有样本对状态矩阵、协方差矩阵、增益矩阵进行了更新；

第八步：对最后一组样本得到状态矩阵X作为前馈神经网络训练得到的权值和阈值；

第九步：根据获得网络参数各层权值、阈值，利用UKF神经网络构建的函数模型。

所述步骤S160中，动态调整权值阈值算法流程如下：

1)对所述状态矩阵I进行Sigma采样，获得2n+1个采样点，初始化控制2n+1个采样点的分布状态参数α、待选参数κ，以及非负权系数β，对状态矩阵I的Sigma采样如下：

其中，为(k-1)时刻的最优状态变量估计的第i列，n为状态矩阵维度，p_k-1为(k-1)时刻的最优状态变量的协方差,I_k-1为(K-1)时刻的状态变量，λ为缩放比例参数；

2)计算每个采样点的权重，每个采样点的权重如下：

其中，W_c为计算状态变量的协方差的权重，W_m为计算状态估计和观测预测时的权重，是的第一列，是的第一列；

3)通过离散时间非线性系统的状态方程将每个采样点的(k-1)时刻的最优状态变量的状态估计变换为k时刻的状态变量的状态估计并通过合并k时刻的状态估计的向量，获得k时刻的状态变量的状态先验估计和协方差P_k|k-1；其中，

所述状态估计为：

F()表示状态方程

其中，w_k的协方差矩阵Q_k为cov(ω_k,ω_j)＝Q_kδ_kj，w_j表示状态噪声，cov(ω_k,ω_j)表示状态噪声协方差；

所述状态先验估计为：

所述状态变量的协方差P_k|k-1为：

4)通过离散时间非线性系统的观测方程建立k时刻的状态变量的状态估计和k时刻的观测预测估计之间的联系以完成观测预测，并估计k时刻的观测预测的协方差

所述k时刻的观测预测估计为：

最终状态变量估计为：

其中，ν_k的协方差矩阵R_k为cov(v_k,v_j)＝R_kδ_kj，v_j表示测量噪声；g(),f()分别表示神经网络输出层激发函数，隐含层激发函数；

所述k时刻的观测预测的协方差为：

5)计算k时刻的状态变量和观测预测之间的协方差P_xy,k：

6)通过建立协方差P_xy,k和协方差的关系，更新k时刻的状态变量的状态估计和协方差，获得k时刻的最优状态变量；

7)将获得的k时刻的最优状态变量代入步骤1)重新进行sigma采样，循环步骤1)-6)，获得所述神经网络模型的最优状态变量；

其中，步骤6)中的通过建立协方差P_xy,k和协方差的关系，更新k时刻的状态变量的状态估计和协方差，获得k时刻的最优状态变量，

其中，K_k为增益矩阵，以此实现更新k时刻的最优状态变量的状态估计和更新k时刻的状态变量的协方差P_k；

更新后的k时刻的最优状态变量的状态估计I_k|k为：

更新后的k时刻的状态变量的协方差P_k为：

将更新后的k时刻的状态变量的状态估计I_k和协方差P_k作为k时刻的最优状态变量。

在步骤S170中，在已知模型的基础上，对于实时变化的恒定水箱内水质的影响因素实现恒定水箱水质实时预测；

与上述方法相对应，本发明共享直饮水水质动态自学习在线监测系统及装置，图2示出了根据本发明实施例共享直饮水水质动态自学习在线监测系统及装置逻辑结构。

如图2所示，共享直饮水水质动态自学习在线监测系统及装置包括根据恒定水箱内水质的影响的控制参数选择单元210、建模样本主元提取单元220、归一化样本采集获取单元230、UKFNN模型构建单元240、恒定水箱水质检测250。

具体地，根据恒定水箱内水质的影响的控制参数选择单元210，选择影响恒定水箱内水质的影响的控制参数；

建模样本主元提取单元220，用PCA主元提取，降低数据冗余性，提高模型精度；

归一化样本采集获取单元230，将PCA主元提取后的参数进行归一化处理，实现该精度建模；

UKFNN模型构建单元240，运用云端服务器上存储的海量数据进行模型建模；

恒定水箱水质检测250，运用已经建立的模型对云端服务器上产生的新数据进行恒定水箱水质指标预测；

其中根据恒定水箱内水质的影响的控制参数选择单元210，参数包括：直饮水机滤芯性能、地区ID号码、直饮水机累计用水量、水箱内水温历史温度实时数据、实时水箱出水口处开关状态，即获得建立模型输入样本；通过定期质检员巡检，抽取水箱内饮用水水样进行水质指标检测(微生物指标、毒理指标、化学指标、放射性指标)，并实时传输到云端服务器，即获得模型输出样本；

其中，在本发明的实施例中，UKFNN模型构建单元240，

三层神经网络包括(M-s₁-l)的拓扑结构，隐含层激发函数为s型函数，输出层为线性函数；

输入层节点数为M个，即输入样本数，隐含层节点数由经验公式所得，α为1-10的常数，输出层节点数为4个，则建立初始模型为：

其中，函数F(X)为S型函数，为隐含层激发函数；w1_ik,w2_kj,b1_k,b2_j分别代表输入层与隐含层的连接权值，隐含层和输出层的连接权值，隐含层阈值，输出层阈值；表示归一化的样本。

利用UKFNN算法对云端服务器存储的海量数据进行建模，获取神经网络参数过程中，

第一步：设BP神经网络，记M为输入层神经元数，s₁为隐层神经元数，l为输出层神经元数；输入层至隐含层神经元的连接权值阈值为隐含层至输出层的连接权值阈值为则UKF神经网络中所有权值和阈值组成的状态变量I为：

设I中的个数为n个值；设定非线性方程：

其中，X_k为K时刻的神经网络输入样本；令ω_k＝0，v_k＝0，Y_k为神经网络输出样本；

第二步：设定UKF计算过程中控制采样点的分布状态参数a、待选参数κ，以及非负权系数β；

第三步：计算2n+1个σ点以及σ点的相应权重，其中，n为状态矩阵的I维度，λ＝a²(n+κ)-n，其中，κ为待选参数，a为分布状态参数；

第四步：计算σ点的一步状态预测及状态变量协方差P_k+1|k；

第五步：计算输出的一步提前预测以及协方差

第六步：进行滤波更新获取新的状态矩阵、协方差矩阵、增益矩阵；

第七步：对获取的新样本数据重新进行第二步至第六步步，直至所有样本对状态矩阵、协方差矩阵、增益矩阵进行了更新；

第八步：对最后一组样本得到状态矩阵X作为前馈神经网络训练得到的权值和阈值；

第九步：根据获得网络参数各层权值、阈值，利用UKF神经网络构建的函数模型。

其中，UKF动态调整权值阈值算法流程如下：

1)对所述初始状态变量X进行Sigma采样，获得2n+1个采样点，初始化控制2n+1个采样点的分布状态参数α、待选参数κ，以及非负权系数β，对所述初始状态变量X的Sigma采样如下：

其中，为(k-1)时刻的最优状态变量估计的第i列，n为状态矩阵维度，p_k-1为(k-1)时刻的最优状态变量的协方差；

2)计算每个采样点的权重，每个采样点的权重如下：

其中，W_c为计算状态变量的协方差的权重，W_m为计算状态估计和观测预测时的权重，是的第一列，是的第一列；

3)通过离散时间非线性系统的状态方程将每个采样点的(k-1)时刻的最优状态变量的状态估计变换为k时刻的状态变量的状态估计并通过合并k时刻的状态估计的向量，获得k时刻的状态变量的状态先验估计和协方差P_k|k-1；其中，

所述状态估计为：

其中，w_k为过程噪声，其协方差矩阵Q_k为cov(w_k,w_j)＝Q_kδ_kj，

所述状态先验估计为：

所述状态变量的协方差P_k|k-1为：

4)通过离散时间非线性系统的观测方程建立k时刻的状态变量的状态估计和k时刻的观测预测估计之间的联系以完成观测预测，并估计k时刻的观测预测的协方差

所述k时刻的观测预测的均值为：

其中，ν_k为观测噪声，其协方差矩阵R_k为cov(v_k,v_j)＝R_kδ_kj，

所述k时刻的观测预测的协方差为：

5)计算k时刻的状态变量和观测预测之间的协方差P_xy,k：

6)通过建立协方差P_xy,k和协方差的关系，更新k时刻的状态变量的状态估计和协方差，获得k时刻的最优状态变量；

7)将获得的k时刻的最优状态变量代入步骤1)重新进行sigma采样，循环步骤1)-6)，获得所述神经网络模型的最优状态变量。

其中，步骤6)中的通过建立协方差P_xy,k和协方差的关系，更新k时刻的状态变量的状态估计和协方差，获得k时刻的最优状态变量，

其中，K_k为增益矩阵，以此实现更新k时刻的最优状态变量的状态估计和更新k时刻的状态变量的协方差P_k；以及，

更新后的k时刻的最优状态变量的状态估计X_k|k为：

更新后的k时刻的状态变量的协方差P_k为：

将更新后的k时刻的状态变量的状态估计X_k和协方差P_k作为k时刻的最优状态变量。

以上所述仅为本发明的优选实施例，并不用于限制本发明，显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。