5.一種用于水質(zhì)參數(shù)預(yù)測的基于RNN的聯(lián)合神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練方法，其特征在于，用于權(quán)利要求1至4任一項(xiàng)所述的聯(lián)合神經(jīng)網(wǎng)絡(luò)模型，包括以下步驟：

步驟1，將所有需要訓(xùn)練的參量隨機(jī)初始化；

步驟2，將所有歷史數(shù)據(jù)送入所述聯(lián)合神經(jīng)網(wǎng)絡(luò)模型；

步驟3，通過損失函數(shù)計(jì)算總的網(wǎng)絡(luò)損失，所述損失函數(shù)的數(shù)學(xué)表達(dá)式為：該式中，為第i個(gè)RNN類神經(jīng)網(wǎng)絡(luò)在t時(shí)刻的預(yù)測輸出；為第i個(gè)RNN類神經(jīng)網(wǎng)絡(luò)在t時(shí)刻的真實(shí)輸出；T為訓(xùn)練集數(shù)據(jù)時(shí)間長度；N為RNN類神經(jīng)網(wǎng)絡(luò)的數(shù)量；

步驟4，計(jì)算所有需要訓(xùn)練的參量相對于總網(wǎng)絡(luò)損失的梯度值，所有參量的梯度值計(jì)算公式為：

其中，T為訓(xùn)練集數(shù)據(jù)時(shí)間長度，t為時(shí)間序號(hào)，N為RNN子模塊的數(shù)量，i和j為子模塊的序號(hào)，L為訓(xùn)練集總誤差，L^(t)為對應(yīng)第t時(shí)刻的訓(xùn)練集總誤差，L^(t)_i/j為對應(yīng)第t時(shí)刻和第i/j個(gè)子模塊的訓(xùn)練集總誤差，U_i、W_i、P^R_i-1、P^L_i+1、V_i、b_i和c_i為對應(yīng)第i個(gè)子模塊的權(quán)重參數(shù)，均為可訓(xùn)練參數(shù)，為對應(yīng)第t時(shí)刻和第j個(gè)子模塊的中間層輸出值；

步驟5，利用所述步驟4計(jì)算得到的梯度值更新所有參量；

步驟6，判斷所有參量的值是否發(fā)生改變或者達(dá)到最大迭代次數(shù)，若否，則重復(fù)進(jìn)行所述步驟2至所述5步驟，若是，則結(jié)束訓(xùn)練。