CN105930685B - 高斯人工蜂群优化的稀土矿区地下水氨氮浓度预测方法 - Google Patents
高斯人工蜂群优化的稀土矿区地下水氨氮浓度预测方法 Download PDFInfo
- Publication number
- CN105930685B CN105930685B CN201610486213.9A CN201610486213A CN105930685B CN 105930685 B CN105930685 B CN 105930685B CN 201610486213 A CN201610486213 A CN 201610486213A CN 105930685 B CN105930685 B CN 105930685B
- Authority
- CN
- China
- Prior art keywords
- individual
- population
- support vector
- vector machines
- rare
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Bioethics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种高斯人工蜂群优化的稀土矿区地下水氨氮浓度预测方法。本发明采用支持向量机作为稀土矿区地下水氨氮浓度的预测模型,利用高斯人工蜂群算法来优化设计支持向量机的惩罚因子C、径向基核参数g和不敏感损失函数中参数ε。在高斯人工蜂群算法中,将每个个体邻域中的优秀个体及其邻域中个体的平均值融合到高斯变异策略中产生新个体,并在侦察蜂过程中执行以最优个体为参考点的反向学习策略。本发明能够提高稀土矿区地下水氨氮浓度的预测精度。
Description
技术领域
本发明涉及地下水氨氮浓度预测领域,尤其是涉及一种高斯人工蜂群优化的稀土矿区地下水氨氮浓度预测方法。
背景技术
稀土在现代科技发展中具有举足轻重的作用。在我国稀土资源中,南方地区富含离子型稀土资源。离子型稀土在工业生产中占有不可替代的地位。但是离子型稀土的开采过程中需要把大量的硫铵和碳铵注入到土层内部,而这些硫铵和碳铵会逐渐渗透到地下深处,从而污染地下水。为了控制离子型稀土矿区地下水的污染,就需要掌握地下水各项指标的动态变化规律。
氨氮是反映离子型稀土矿区地下水质的一项重要指标之一。然而,氨氮浓度的变化是一种非常复杂的过程,传统的水质模型往往难以有效地刻画其动态变化规律。近年来,许多研究人员采用智能计算方法来预测氨氮浓度的变化规律,并取得了一定的效果。例如,高艳萍等利用BP神经网络来预测养殖水体氨氮的浓度(高艳萍,周敏,姜凤娇.基于BP网络养殖水体氨氮预测模型及实现[J].农机化研究,2008(7):48-50.)。余伟等提出了一种基于多神经网络的污水氨氮预测方法(余伟,罗飞,杨红,等.基于多神经网络的污水氨氮预测模型[J].华南理工大学学报:自然科学版,2010,38(12):79-83.)。崔雪梅等利用随机遗传算法来优化设计LM-BP神经网络,并利用优化设计的神经网络来预测氨氮的浓度(崔雪梅,汪殿蓓,熊思.基于随机遗传算法的LM-BP模型的氨氮预测氨氮浓度[J].水利水电技术,2013,44(11):26-28.)。
已有的研究成果表明智能计算是预测氨氮浓度的一种可行方法。人工蜂群算法是一种新近提出的智能计算方法,它是一种模拟自然界中蜜蜂采蜜群体行为的一种仿生算法,并在很多领域中取得了成功的应用。但传统人工蜂群算法在稀土矿区地下水氨氮浓度的预测过程中往往存在着容易陷入局部最优,预测精度不高的缺点。
发明内容
本发明针对传统人工蜂群算法在稀土矿区地下水氨氮浓度预测时容易陷入局部最优,预测精度不高的缺点,提出一种高斯人工蜂群优化的稀土矿区地下水氨氮浓度预测方法。本发明能够提高稀土矿区地下水氨氮浓度的预测精度。
本发明的技术方案:一种高斯人工蜂群优化的稀土矿区地下水氨氮浓度预测方法,包括以下步骤:
步骤1,在需要预测的稀土矿区内连续MD天采集地下水样,并检测采集到地下水样的水质指标:水温、pH值、亚硝酸盐氮、硝酸盐氮、总氮、溶解氧、五日生化需氧量、氨氮,将采集到的地下水质指标数据作为样本数据集;然后归一化处理所采集到的稀土矿区地下水质指标样本数据集,并将前70%设置为支持向量机的训练数据集,后30%设置为测试数据集;
步骤2,用户初始化参数,所述初始化参数包括预测跨度天数KD,种群大小Popsize,最大未更新次数Limit,邻域半径NK,最大评价次数MAX_FEs;
步骤3,当前演化代数t=0,当前评价次数FEs=0,并令支持向量机的优化设计参数个数D=3;
步骤4,随机初始化种群其中:个体下标i=1,2,...,Popsize,并且表示种群Pt中的第i个个体,其随机产生公式为:
其中维数下标j=1,2,3;表示了支持向量机的3个优化设计参数的值,即为支持向量机的惩罚因子C,为支持向量机的径向基核参数g,为支持向量机的不敏感损失函数中参数ε;rand(0,1)表示在[0,1]之间产生随机实数的函数,LBj和UBj分别表示支持向量机的第j个优化设计参数的搜索下界和上界;
步骤5,计算种群Pt中每个个体的适应值其中个体下标i=1,2,...,Popsize,个体的适应值的计算方法为:以个体作为支持向量机的训练参数,并利用训练数据集对支持向量机进行训练,其中支持向量机的输入变量为归一化的一天的稀土矿区地下水质指标数据:水温、pH值、亚硝酸盐氮、硝酸盐氮、总氮、溶解氧、五日生化需氧量、氨氮;支持向量机的输出为归一化的KD天后的稀土矿区地下水氨氮浓度值;然后计算训练好的支持向量机在测试数据集上的均方误差MEi,并令个体的适应值
步骤6,令种群Pt中所有个体的未更新次数其中个体下标i=1,2,...,Popsize;
步骤7,令当前评价次数FEs=FEs+Popsize;
步骤8,保存种群Pt中的最优个体Bestt;
步骤9,雇佣蜂执行其搜索操作;
步骤10,根据种群Pt中个体的适应值计算所有个体的选择概率;
步骤11,观察蜂根据种群Pt中每个个体的选择概率选择出个体执行高斯变异操作生成新个体,然后选择优秀个体进入下一代种群并计算个体的未更新次数,具体步骤如下:
步骤11.1,令计数器i=1;
步骤11.2,根据种群Pt中每个个体的选择概率采用轮盘赌策略选择出个体并令新个体
步骤11.3,令邻域下标RNI=(SI-NK+Popsize)%Popsize,其中SI表示轮盘赌策略选择出个体的下标,%表示取余运算符;
步骤11.4,令邻域最优个体邻域均值个体并令计数器mt=1;
步骤11.5,令邻域下标RNI=(RNI+1)%Popsize;
步骤11.6,如果个体比RBestt更优,则令否则保持RBestt不变;
步骤11.7,令邻域均值个体然后令计数器mt=mt+1;
步骤11.8,如果mt小于或等于NK×2,则转到步骤11.5,否则转到步骤11.9;
步骤11.9,令邻域均值个体RMeant=RMeant/(NK×2+1),然后在[1,D]之间随机产生一个正整数RDI;
步骤11.10,令随机权值RW=rand(0,1);
步骤11.11,令均值
步骤11.12,令标准差
步骤11.13,以GMean为均值,GSD为标准差产生一个高斯随机实数Val,如果Val的值超出了[LBRDI,UBRDI]之间的范围,则采用同样的方法重新产生高斯随机实数Val,直到Val的值不超出[LBRDI,UBRDI]之间的范围,然后令
步骤11.14,计算新个体Ut的适应值Fit(Ut),然后在个体与新个体Ut之间选择优秀个体进入下一代种群,并计算个体的未更新次数
步骤11.15,令计数器i=i+1;
步骤11.16,如果计数器i小于或等于Popsize,则转到步骤11.2,否则转到步骤12;
步骤12,令当前评价次数FEs=FEs+Popsize×2;
步骤13,侦察蜂找出种群Pt中未更新次数最大的个体,并标记该个体为如果个体的未更新次数小于Limit,则转到步骤14,否则对个体执行以最优个体为参考点的反向学习策略,其中以最优个体为参考点的反向学习策略的具体步骤如下:
步骤13.1,令计数器j=1;
步骤13.2,令反向个体
步骤13.3,令随机重建个体
步骤13.4,令其中Bestt为种群Pt中的最优个体;
步骤13.5,令RNBj=LBj+rand(0,1)×(UBj-LBj);
步骤13.6,令j=j+1;
步骤13.7,如果j大于D则转到步骤13.8,否则转到步骤13.4;
步骤13.8,计算个体BRB和个体RNB的适应值,并令当前评价次数FEs=FEs+2;
步骤13.9,令个体EXB为个体BRB和个体RNB两者之间的更优秀者;
步骤13.10,用个体EXB替换种群P中的个体然后转到步骤14;
步骤14,保存种群Pt中最优个体Bestt;
步骤15,令当前演化代数t=t+1;
步骤16,重复步骤9至步骤15直至当前评价次数FEs达到MAX_FEs后结束,将执行过程中得到的最优个体Bestt作为支持向量机的训练参数,并用训练数据集来训练支持向量机,将归一化的一天的稀土矿区溪水指标数据:水温、pH、亚硝酸盐氮、硝酸盐氮、总氮、溶解氧、五日生化需氧量、氨氮输入到训练好的支持向量机,计算支持向量机的输出即可预测稀土矿区地下水KD天后的氨氮浓度值。
本发明采用支持向量机作为稀土矿区地下水氨氮浓度的预测模型,利用高斯人工蜂群算法来优化设计支持向量机的惩罚因子C、径向基核参数g和不敏感损失函数中参数ε。在高斯人工蜂群算法中,将每个个体邻域中的优秀个体及其邻域中个体的平均值融合到高斯变异策略中产生新个体,并在侦察蜂过程中执行以最优个体为参考点的反向学习策略。本发明能够提高稀土矿区地下水氨氮浓度的预测精度。
附图说明
图1为本发明的流程图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:
步骤1,确定需要预测的稀土矿区,并连续MD=65天采集所确定的稀土矿区地下水样,并检测采集到地下水样的水质指标:水温、pH值、亚硝酸盐氮、硝酸盐氮、总氮、溶解氧、五日生化需氧量、氨氮,将采集到的地下水质指标数据作为样本数据集;然后归一化处理所采集到的稀土矿区地下水质指标样本数据集,并将前70%设置为支持向量机的训练数据集,后30%设置为测试数据集;
步骤2,用户初始化参数,所述初始化参数包括预测跨度天数KD=3,种群大小Popsize=50,最大未更新次数Limit=100,邻域半径NK=5,最大评价次数MAX_FEs=3000000;
步骤3,当前演化代数t=0,当前评价次数FEs=0,并令支持向量机的优化设计参数个数D=3;
步骤4,随机初始化种群其中:个体下标i=1,2,...,Popsize,并且表示种群Pt中的第i个个体,其随机产生公式为:
其中维数下标j=1,2,3;表示了支持向量机的3个优化设计参数的值,即为支持向量机的惩罚因子C,为支持向量机的径向基核参数g,为支持向量机的不敏感损失函数中参数ε;rand(0,1)表示在[0,1]之间产生随机实数的函数,其中LB=[0 0 0],UB=[5000 1 1],LBj和UBj分别表示支持向量机的第j个优化设计参数的搜索下界和上界;
步骤5,计算种群Pt中每个个体的适应值其中个体下标i=1,2,...,Popsize,个体的适应值的计算方法为:以个体作为支持向量机的训练参数,并利用训练数据集对支持向量机进行训练,其中支持向量机的输入变量为归一化的一天的稀土矿区地下水质指标数据:水温、pH值、亚硝酸盐氮、硝酸盐氮、总氮、溶解氧、五日生化需氧量、氨氮;支持向量机的输出为归一化的3天后的稀土矿区地下水氨氮浓度值;然后计算训练好的支持向量机在测试数据集上的均方误差MEi,并令个体的适应值
步骤6,令种群Pt中所有个体的未更新次数其中个体下标i=1,2,...,Popsize;
步骤7,令当前评价次数FEs=FEs+Popsize;
步骤8,保存种群Pt中的最优个体Bestt;
步骤9,雇佣蜂执行其搜索操作;
步骤10,根据种群Pt中个体的适应值计算所有个体的选择概率;
步骤11,观察蜂根据种群Pt中每个个体的选择概率选择出个体执行高斯变异操作生成新个体,然后选择优秀个体进入下一代种群并计算个体的未更新次数,具体步骤如下:
步骤11.1,令计数器i=1;
步骤11.2,根据种群Pt中每个个体的选择概率采用轮盘赌策略选择出个体并令新个体
步骤11.3,令邻域下标RNI=(SI-NK+Popsize)%Popsize,其中SI表示轮盘赌策略选择出个体的下标,%表示取余运算符;
步骤11.4,令邻域最优个体邻域均值个体并令计数器mt=1;
步骤11.5,令邻域下标RNI=(RNI+1)%Popsize;
步骤11.6,如果个体比RBestt更优,则令否则保持RBestt不变;
步骤11.7,令邻域均值个体然后令计数器mt=mt+1;
步骤11.8,如果mt小于或等于NK×2,则转到步骤11.5,否则转到步骤11.9;
步骤11.9,令邻域均值个体RMeant=RMeant/(NK×2+1),然后在[1,D]之间随机产生一个正整数RDI;
步骤11.10,令随机权值RW=rand(0,1);
步骤11.11,令均值
步骤11.12,令标准差
步骤11.13,以GMean为均值,GSD为标准差产生一个高斯随机实数Val,如果Val的值超出了[LBRDI,UBRDI]之间的范围,则采用同样的方法重新产生高斯随机实数Val,直到Val的值不超出[LBRDI,UBRDI]之间的范围,然后令
步骤11.14,计算新个体Ut的适应值Fit(Ut),然后在个体与新个体Ut之间选择优秀个体进入下一代种群,并计算个体的未更新次数
步骤11.15,令计数器i=i+1;
步骤11.16,如果计数器i小于或等于Popsize,则转到步骤11.2,否则转到步骤12;
步骤12,令当前评价次数FEs=FEs+Popsize×2;
步骤13,侦察蜂找出种群Pt中未更新次数最大的个体,并标记该个体为如果个体的未更新次数小于Limit,则转到步骤14,否则对个体执行以最优个体为参考点的反向学习策略,其中以最优个体为参考点的反向学习策略的具体步骤如下:
步骤13.1,令计数器j=1;
步骤13.2,令反向个体
步骤13.3,令随机重建个体
步骤13.4,令其中Bestt为种群Pt中的最优个体;
步骤13.5,令RNBj=LBj+rand(0,1)×(UBj-LBj);
步骤13.6,令j=j+1;
步骤13.7,如果j大于D则转到步骤13.8,否则转到步骤13.4;
步骤13.8,计算个体BRB和个体RNB的适应值,并令当前评价次数FEs=FEs+2;
步骤13.9,令个体EXB为个体BRB和个体RNB两者之间的更优秀者;
步骤13.10,用个体EXB替换种群Pt中的个体然后转到步骤14;
步骤14,保存种群Pt中最优个体Bestt;
步骤15,令当前演化代数t=t+1;
步骤16,重复步骤9至步骤15直至当前评价次数FEs达到MAX_FEs后结束,将执行过程中得到的最优个体Bestt作为支持向量机的训练参数,并用训练数据集来训练支持向量机,将归一化的一天的稀土矿区溪水指标数据:水温、pH、亚硝酸盐氮、硝酸盐氮、总氮、溶解氧、五日生化需氧量、氨氮输入到训练好的支持向量机,计算支持向量机的输出即可预测稀土矿区地下水3天后的氨氮浓度值。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (1)
1.一种高斯人工蜂群优化的稀土矿区地下水氨氮浓度预测方法,其特征在于:包括以下步骤:
步骤1,在需要预测的稀土矿区内连续MD天采集地下水样,并检测采集到地下水样的水质指标:水温、pH值、亚硝酸盐氮、硝酸盐氮、总氮、溶解氧、五日生化需氧量、氨氮,将采集到的地下水质指标数据作为样本数据集;然后归一化处理所采集到的稀土矿区地下水质指标样本数据集,并将前70%设置为支持向量机的训练数据集,后30%设置为测试数据集;
步骤2,用户初始化参数,所述初始化参数包括预测跨度天数KD,种群大小Popsize,最大未更新次数Limit,邻域半径NK,最大评价次数MAX_FEs;
步骤3,当前演化代数t=0,当前评价次数FEs=0,并令支持向量机的优化设计参数个数D=3;
步骤4,随机初始化种群其中:个体下标i=1,2,...,Popsize,并且表示种群Pt中的第i个个体,其随机产生公式为:
<mrow>
<msubsup>
<mi>B</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>=</mo>
<msub>
<mi>LB</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>UB</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msub>
<mi>LB</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中维数下标j=1,2,3;表示了支持向量机的3个优化设计参数的值,即为支持向量机的惩罚因子C,为支持向量机的径向基核参数g,为支持向量机的不敏感损失函数中参数ε;rand(0,1)表示在[0,1]之间产生随机实数的函数,LBj和UBj分别表示支持向量机的第j个优化设计参数的搜索下界和上界;
步骤5,计算种群Pt中每个个体的适应值其中个体下标i=1,2,...,Popsize,个体的适应值的计算方法为:以个体作为支持向量机的训练参数,并利用训练数据集对支持向量机进行训练,其中支持向量机的输入变量为归一化的一天的稀土矿区地下水质指标数据:水温、pH值、亚硝酸盐氮、硝酸盐氮、总氮、溶解氧、五日生化需氧量、氨氮;支持向量机的输出为归一化的KD天后的稀土矿区地下水氨氮浓度值;然后计算训练好的支持向量机在测试数据集上的均方误差MEi,并令个体的适应值
步骤6,令种群Pt中所有个体的未更新次数其中个体下标i=1,2,...,Popsize;
步骤7,令当前评价次数FEs=FEs+Popsize;
步骤8,保存种群Pt中的最优个体Bestt;
步骤9,雇佣蜂执行其搜索操作;
步骤10,根据种群Pt中个体的适应值计算所有个体的选择概率;
步骤11,观察蜂根据种群Pt中每个个体的选择概率选择出个体执行高斯变异操作生成新个体,然后选择优秀个体进入下一代种群并计算个体的未更新次数,具体步骤如下:
步骤11.1,令计数器i=1;
步骤11.2,根据种群Pt中每个个体的选择概率采用轮盘赌策略选择出个体并令新个体
步骤11.3,令邻域下标RNI=(SI-NK+Popsize)%Popsize,其中SI表示轮盘赌策略选择出个体的下标,%表示取余运算符;
步骤11.4,令邻域最优个体邻域均值个体并令计数器mt=1;
步骤11.5,令邻域下标RNI=(RNI+1)%Popsize;
步骤11.6,如果个体比RBest t更优,则令否则保持RBestt不变;
步骤11.7,令邻域均值个体然后令计数器mt=mt+1;
步骤11.8,如果mt小于或等于NK×2,则转到步骤11.5,否则转到步骤11.9;
步骤11.9,令邻域均值个体RMeant=RMeant/(NK×2+1),然后在[1,D]之间随机产生一个正整数RDI;
步骤11.10,令随机权值RW=rand(0,1);
步骤11.11,令均值
步骤11.12,令标准差
步骤11.13,以GMean为均值,GSD为标准差产生一个高斯随机实数Val,如果Val的值超出了[LBRDI,UBRDI]之间的范围,则采用同样的方法重新产生高斯随机实数Val,直到Val的值不超出[LBRDI,UBRDI]之间的范围,然后令
步骤11.14,计算新个体Ut的适应值Fit(Ut),然后在个体与新个体Ut之间选择优秀个体进入下一代种群,并计算个体的未更新次数
步骤11.15,令计数器i=i+1;
步骤11.16,如果计数器i小于或等于Popsize,则转到步骤11.2,否则转到步骤12;
步骤12,令当前评价次数FEs=FEs+Popsize×2;
步骤13,侦察蜂找出种群Pt中未更新次数最大的个体,并标记该个体为如果个体的未更新次数小于Limit,则转到步骤14,否则对个体执行以最优个体为参考点的反向学习策略,其中以最优个体为参考点的反向学习策略的具体步骤如下:
步骤13.1,令计数器j=1;
步骤13.2,令反向个体
步骤13.3,令随机重建个体
步骤13.4,令其中Best t为种群Pt中的最优个体;
步骤13.5,令RNBj=LBj+rand(0,1)×(UBj-LBj);
步骤13.6,令j=j+1;
步骤13.7,如果j大于D则转到步骤13.8,否则转到步骤13.4;
步骤13.8,计算个体BRB和个体RNB的适应值,并令当前评价次数FEs=FEs+2;
步骤13.9,令个体EXB为个体BRB和个体RNB两者之间的更优秀者;
步骤13.10,用个体EXB替换种群Pt中的个体然后转到步骤14;
步骤14,保存种群Pt中最优个体Bestt;
步骤15,令当前演化代数t=t+1;
步骤16,重复步骤9至步骤15直至当前评价次数FEs达到MAX_FEs后结束,将执行过程中得到的最优个体Bestt作为支持向量机的训练参数,并用训练数据集来训练支持向量机,将归一化的一天的稀土矿区溪水指标数据:水温、pH、亚硝酸盐氮、硝酸盐氮、总氮、溶解氧、五日生化需氧量、氨氮输入到训练好的支持向量机,计算支持向量机的输出即可预测稀土矿区地下水KD天后的氨氮浓度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610486213.9A CN105930685B (zh) | 2016-06-27 | 2016-06-27 | 高斯人工蜂群优化的稀土矿区地下水氨氮浓度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610486213.9A CN105930685B (zh) | 2016-06-27 | 2016-06-27 | 高斯人工蜂群优化的稀土矿区地下水氨氮浓度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105930685A CN105930685A (zh) | 2016-09-07 |
CN105930685B true CN105930685B (zh) | 2018-05-15 |
Family
ID=56829807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610486213.9A Active CN105930685B (zh) | 2016-06-27 | 2016-06-27 | 高斯人工蜂群优化的稀土矿区地下水氨氮浓度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105930685B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107644127A (zh) * | 2017-09-08 | 2018-01-30 | 西安工程大学 | 基于imabc优化支持向量机的变压器故障诊断方法 |
CN108764589A (zh) * | 2018-08-10 | 2018-11-06 | 武汉工程大学 | 一种基于支持向量机的离子浓度预测方法 |
CN113268918B (zh) * | 2021-05-10 | 2023-04-07 | 云南省农业科学院农业环境资源研究所 | 一种预测浅层地下水中氮浓度的方法 |
CN115952728B (zh) * | 2022-11-29 | 2023-07-07 | 淮阴工学院 | 一种亚硝态氮浓度软测量预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1633239A1 (en) * | 2003-05-14 | 2006-03-15 | Clinigene International Private Limited | Disease predictions |
CN104715490A (zh) * | 2015-04-09 | 2015-06-17 | 江西理工大学 | 一种基于自适应步长和声搜索算法的脐橙图像分割方法 |
CN105069225A (zh) * | 2015-08-07 | 2015-11-18 | 江西理工大学 | 应用高斯和声搜索的振动筛优化设计方法 |
CN105426920A (zh) * | 2015-12-02 | 2016-03-23 | 江西理工大学 | 云模型人工蜂群优化的稀土矿区溪水pH值预测方法 |
CN105550493A (zh) * | 2015-12-02 | 2016-05-04 | 江西理工大学 | 基于云模型和声搜索的水体叶绿素a浓度预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130132331A1 (en) * | 2010-03-08 | 2013-05-23 | National Ict Australia Limited | Performance evaluation of a classifier |
-
2016
- 2016-06-27 CN CN201610486213.9A patent/CN105930685B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1633239A1 (en) * | 2003-05-14 | 2006-03-15 | Clinigene International Private Limited | Disease predictions |
CN104715490A (zh) * | 2015-04-09 | 2015-06-17 | 江西理工大学 | 一种基于自适应步长和声搜索算法的脐橙图像分割方法 |
CN105069225A (zh) * | 2015-08-07 | 2015-11-18 | 江西理工大学 | 应用高斯和声搜索的振动筛优化设计方法 |
CN105426920A (zh) * | 2015-12-02 | 2016-03-23 | 江西理工大学 | 云模型人工蜂群优化的稀土矿区溪水pH值预测方法 |
CN105550493A (zh) * | 2015-12-02 | 2016-05-04 | 江西理工大学 | 基于云模型和声搜索的水体叶绿素a浓度预测方法 |
Non-Patent Citations (1)
Title |
---|
"一种使用反向学习策略的改进花粉授粉算法";井福荣 等;《江西理工大学学报》;20150625;第36卷(第3期);第101-105页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105930685A (zh) | 2016-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105930685B (zh) | 高斯人工蜂群优化的稀土矿区地下水氨氮浓度预测方法 | |
Hu et al. | Multi-objective ecological reservoir operation based on water quality response models and improved genetic algorithm: A case study in Three Gorges Reservoir, China | |
CN107085372B (zh) | 一种基于改进萤火虫算法和最小二乘支持向量机的污水节能处理优化控制方法 | |
Zhang et al. | A genetic algorithm with jumping gene and heuristic operators for traveling salesman problem | |
CN105426920B (zh) | 云模型人工蜂群优化的稀土矿区溪水pH值预测方法 | |
CN106682355A (zh) | 一种基于pso‑ga混合算法的水文模型参数率定方法 | |
CN101714186B (zh) | 兼顾人类和生态需求的供水型水库调度图优化确定方法 | |
CN104462759B (zh) | 基于反向精简差分演化算法的水质模型参数识别方法 | |
Tung et al. | Application of the genetic algorithm for optimizing operation rules of the liyutan reservoir in taiwan 1 | |
CN105069220A (zh) | 基于bp神经网络免疫遗传算法的微生物发酵优化方法 | |
CN101714193B (zh) | 面向河流生态系统保护的发电型水库调度函数优化方法 | |
CN106645620B (zh) | 应用混合差分演化的稀土矿区农田水体bod软测量方法 | |
CN108665068A (zh) | 供水管网水力模型自动校核问题的改进遗传算法 | |
Yujun et al. | The impact of dams on the river connectivity of the two largest river basins in China | |
Bu et al. | An improved genetic algorithm for searching for pollution sources | |
CN102855404B (zh) | 湖库水华应急治理决策方案的筛选方法 | |
CN102789546B (zh) | 一种基于人类扰动强度的参照湖泊定量化确定方法 | |
CN106339573B (zh) | 人工蜂群优化的稀土矿区地下水总氮浓度软测量方法 | |
Kuo et al. | Multiobjective water resources systems analysis using genetic algorithms-application to Chou-Shui River Basin, Taiwan | |
CN106228241A (zh) | 适应性人工蜂群优化的矿岩强度软测量方法 | |
Enitan et al. | Multi-objective Optimization of Methane Producing UASB Reactor Using a Combined Pareto Multi–objective Differential Evolution Algorithm (CPMDE) | |
Parsa | Optimal reservoir operation of Karun 4 Reservoir by linear programming | |
Huang et al. | Optimal Allocation Model of Water Resources in Tidal Flat Development of Coastal Areas | |
Liu et al. | Spatiotemporal distribution and prediction of chlorophyll-a in Ulansuhai lake from an arid area of China | |
Zhang et al. | Linking water, society and ecology in a system dynamics framework: case study of Huainan city |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |