(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210866450.3 (22)申请日 2022.07.22 (71)申请人 常州大学 地址 213164 江苏省常州市武进区滆湖中 路21号 (72)发明人 宦娟　杨贝尔　李明宝　徐宪根　 张浩　孙文迪　 (74)专利代理 机构 常州市英 诺创信专利代理事 务所(普通 合伙) 32258 专利代理师 张秋月 (51)Int.Cl. G06K 9/00(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/04(2012.01)G06Q 50/26(2012.01) (54)发明名称 一种基于WT-A M-GRU模型的蓝藻生长预测方 法 (57)摘要 本发明涉及蓝藻生长预测技术领域， 尤其涉 及一种基于WT ‑AM‑GRU模型的蓝藻生长预测方 法， 包括： 设计实验并搭建实验装置对铜绿微囊 藻生长进行监测； 对监测数据使用小波函数进行 降噪处理， 并对数据进行归一化处理； 利用滑动 窗口将数据维度构造成三维向量， 不断建立新的 模型输入数据集； 将训练集输入至GRU模型中， 并 利用注意力机制优化GRU模型的输出； 预测不同 时间步的铜绿微囊藻生长趋势。 本发 明设计淡水 湖泊中常见铜绿微囊藻的高频监测室内培养实 验， 实时跟踪铜绿微囊藻的生长动态， 利用小波 变换解决数据中的非线性问题， 注 意力机制强化 对重要特征数据的关注， GRU解决时序之间的依 赖关系， 实现铜绿微囊藻生长的精确预测。 权利要求书1页 说明书6页 附图5页 CN 115186716 A 2022.10.14 CN 115186716 A 1.一种基于WT ‑AM‑GRU模型的蓝藻生长预测方法， 其特 征在于， 包括以下步骤： S1、 设计实验并搭建实验 装置对铜绿微囊藻生长进行监测， 并采集 监测数据； S2、 对监测数据使用小 波函数进行降噪处 理， 并对数据进行归一 化处理； S3、 利用滑动窗口将数据维度构造成三维向量， 不断建立 新的模型输入数据集； S4、 将数据 集按8:2划分为训练集和测试集， 将训练集输入至GRU模型中， 并利用注意力 机制优化GRU模型的输出； S5、 预测不同时间步的铜绿微囊藻生长 趋势。 2.根据权利要求1所述的基于WT ‑AM‑GRU模型的蓝藻生长预测方法， 其特征在于， 监测 数据包括： 叶绿素a、 电导 率、 温度、 溶解氧和pH 。 3.根据权利要求1所述的基于WT ‑AM‑GRU模型的蓝藻生长预测方法， 其特征在于， 对监 测数据使用小波函数进行降噪处理包括： 温度利用haar小波函数进 行降噪； 溶解氧利用db8 小波函数进行降噪； 电导 率、 pH和叶绿素a利用co if10小波函数进行降噪。 4.根据权利要求1所述的基于WT ‑AM‑GRU模型的蓝藻生长预测方法， 其特征在于， 利用 注意力机制优化GRU模型的输出包括： 将GRU模型对特征Xi提取出的特征向量hi输入注意力层， 利用多层感知作为评分函数来 计算每个隐藏状态的权 重si， 计算方式如下： si＝w(2)(w(1)H+b(1))+b(2)    (1) 其中， H是GRU 网络的输出， w是注意力层的权重， b是注意力层的偏置， αi是使用softmax 函数将得到的权 重标准化处理到0‑1之间的注意力权 重向量， 计算方式如下： 其中， Si、 Sj表示第i、 j个输入向量通过评分函数得到的隐藏状态权重大小， Ct为矩阵αi 与GRU网络的输出相乘进 行加权求和得到的上下文向量， 是整个网络的最 终输出结果， 计算 方式如下： 权　利　要　求　书 1/1 页 2 CN 115186716 A 2一种基于WT ‑AM‑GRU模型的蓝藻生长预测方 法 技术领域 [0001]本发明涉及蓝藻生长预测技术领域， 尤其涉及一种基于WT ‑AM‑GRU模型的蓝藻生 长预测方法。 背景技术 [0002]水华是由于水体的富营养化程度加重而导致的一种生态现象， 造成水体溶解氧浓 度降低， 致使河流、 湖泊以及水库中出现水体黑臭化。 近些年， 我国湖泊蓝 藻水华频发， 湖泊 中蓝藻爆发性繁殖和聚集， 对附近居民生活和社会生产产生了严重影响。 铜 绿微囊藻是太 湖蓝藻水华发生时的主要蓝藻物种， 因此， 建立精准的铜 绿微囊藻生长预测模型对预防有 害藻华具有重要意 义。 [0003]目前， 对铜绿微囊藻的研究大多数是通过室内试验箱培育后进行研究的， 叶绿素a 是水体铜绿微囊藻的主要光合色素， 叶绿素a的测定能示踪湖泊的富营养化程度。 在叶绿素 a浓度预测方面， 近年来， 以支持向量机(Support  vector machine,SVM)、 误差反 向传播算 法(Error Back Propagation  Training， BP)、 自回归滑动平均模型(Autoregressive   moving average model， ARMA)等机器学习方法取得较大进展； 但上述模型传统模型无法学 习到历史时间内的数据联系， 对复杂问题处理较差， 有很大的局限性； 而循环神经网络可以 将重要特征保留下来， 解决历史数据之间的长依赖 问题， 但是传统的循环神经网络容易忽 略重要的时序特 征。 发明内容 [0004]针对现有算法的不足， 本发明目的在 于提供了基于WT(wavelet  transform小波变 换)‑AM(attention  mechanism注意力机制) ‑GRU(循环神经网络)模型的铜绿微囊藻生长预 测方法， 设计淡水湖泊中常见铜 绿微囊藻的高频监测室内培养实验， 实时跟踪铜绿微囊藻 的生长动态， 利用小波变换解决数据中的非线性问题， 注意力机制强化对重要特征数据的 关注， GRU解决时序之间的依赖关系， 实现铜绿微囊藻生长的精确预测。 [0005]本发明所采用的技术方案是： 一种基于WT ‑AM‑GRU模型的蓝藻生长预测 方法包括 以下步骤： [0006]S1、 设计实验并搭建实验 装置对铜绿微囊藻生长进行监测， 并采集 监测数据； [0007]监测数据包括： 叶绿素a、 电导 率、 温度、 溶解氧和pH； [0008]S2、 对监测数据使用小波函数进行降噪处理， 并对数据进行归一化 处理， 将数据归 一化到[0,1]间； [0009]进一步的， 温度利用haar小波函数进行降噪； 溶解氧利用db8小波函数进行降噪； 电导率、 pH和叶绿素a利用coif10小波函数进行降噪， 使用信噪比(SNR)和互相关系数( ρ )指 标评价函数的降噪效果； [0010]S3、 利用滑动窗口将数据维度构造成三维向量， 不断建立 新的模型输入数据集； [0011]利用滑动窗口将数据维度构造成GRU输入所需要的三维向量； 通过滑动窗口， 将预说　明　书 1/6 页 3 CN 115186716 A 3