CN106959360A - 应用反向差分演化的稀土矿区农田水体pH值软测量方法 - Google Patents
应用反向差分演化的稀土矿区农田水体pH值软测量方法 Download PDFInfo
- Publication number
- CN106959360A CN106959360A CN201710162428.XA CN201710162428A CN106959360A CN 106959360 A CN106959360 A CN 106959360A CN 201710162428 A CN201710162428 A CN 201710162428A CN 106959360 A CN106959360 A CN 106959360A
- Authority
- CN
- China
- Prior art keywords
- population
- rare
- svms
- fes
- mining area
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
Abstract
本发明公开了一种应用反向差分演化的稀土矿区农田水体pH值软测量方法。本发明采用支持向量机作为稀土矿区农田水体pH值的软测量模型,并利用反向差分演化算法来优化支持向量机的训练参数。在优化过程中,反向差分演化算法在其搜索过程中执行差分演化的基本操作算子,并以一定的概率执行改进的反向学习策略产生一个反向种群,然后在当前种群和反向种群中选择出优秀个体进入下一代种群,以此提高算法的全局搜索能力。本发明能够提高稀土矿区农田水体pH值软测量的精度。
Description
技术领域
本发明涉及pH值测量领域,尤其是涉及一种应用反向差分演化的稀土矿区农田水体pH值软测量方法。
背景技术
稀土在世界工业生产中具有不可替代的核心作用。目前,稀土的开采方式主要采用原地浸矿工艺。这种采矿工艺会往矿山内部灌注大量的化学溶液。而灌注的化学溶液会逐渐渗透到地表水源,造成稀土矿区溪水污染,而溪水是稀土矿区农田灌溉用水的来源。因此,稀土矿区农田水体容易受到稀土开采的污染,造成农作物难以生长,并且农作物的果实也会因为受到污染而不能食用。由此可见,迅速掌握稀土矿区农田水体的水质具有非常重要的意义。
稀土矿区农田水体的水质受到各种因素的影响,其中pH值是一项直接反映农田水体水质的重要指标。传统采用人工测量水体pH值的方法往往需要耗费大量的人力和财力成本。因此人们提出了基于软测量的水体pH值的测量方法。例如,康莉莎提出了利用模糊神经网络来实现骨素pH值的方法(康莉莎.基于模糊神经网络骨素pH值软测量[J].自动化与仪器仪表,2015,(03):100-101);贾润达等提出了基于径向基函数网络与偏鲁棒M-回归相结合的非线性PRM的萃余液pH值软测量方法(贾润达,毛志忠,常玉清.基于非线性偏鲁棒M-回归的萃余液pH值软测量[J].自动化学报,2009,35(05):583-587.)。
差分演化是一种智能计算领域中的研究热点。由于差分演化具有寻优能力强,结构简单且易于实现和使用的优点,许多研究人员将其成功应用到了各种工业工程问题中。目前,差分演化在许多工业工程应用中获得了非常成功的结果,并且它在建立软测量模型中也表现出很大的潜力,但是传统差分演化算法在建立稀土矿区农田水体pH值的软测量模型时容易出现陷入局部最优,测量精度不高的缺点。
发明内容
本发明的目的是提出一种应用反向差分演化的稀土矿区农田水体pH值软测量方法,本发明能够提高稀土矿区农田水体pH值软测量的精度。
本发明的技术方案:一种应用反向差分演化的稀土矿区农田水体pH值软测量方法,包括以下步骤:
步骤1,在需要软测量的稀土矿区农田内连续HD天采集水体样本,并测量出水体样本的水质指标:氨氮、总氮、总磷、硫化物、水温、水深度、农田面积和pH值,将测量出来的水质指标数据作为样本数据集,并对样本数据集进行归一化处理;
步骤2,用户初始化软测量跨度天数HT,种群大小Popsize,反向学习率OP,缩放因子F,杂交率Cr和最大评价次数MAX_FEs;
步骤3,令当前演化代数t=0,当前评价次数FEs=0,支持向量机的优化设计参数个数D=3;
步骤4,设置支持向量机的输入变量为归一化的一天的稀土矿区农田水体水质指标:氨氮、总氮、总磷、硫化物、水温、水深度、农田面积和pH值,支持向量机的输出为归一化的HT天后的稀土矿区农田水体pH值,然后设置支持向量机D个优化设计参数的下界LBj和上界UBj,其中维度下标j=1,2,3;
步骤5,随机产生初始种群其中:个体下标i=1,2,...,Popsize,并且为种群Pt中的第i个个体,其随机初始化公式为:
其中j=1,2,3,存储了支持向量机D个需要优化设计的参数,即是支持向量机的惩罚因子C,是支持向量机的径向基核参数g,是支持向量机的不敏感损失函数中参数ε;rand(0,1)为在[0,1]之间的随机实数产生函数;
步骤6,计算种群Pt中所有个体的适应值;
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,在[0,1]之间随机产生一个实数rp;
步骤10,如果rp大于反向学习率OP则转到步骤11,否则转到步骤14;
步骤11,利用缩放因子F和杂交率Cr执行差分演化的操作算子;
步骤12,令当前评价次数FEs=FEs+Popsize;
步骤13,转到步骤15;
步骤14,执行改进的反向学习策略得到反向种群DPt,然后从种群Pt和反向种群DPt中选择出优秀个体进入下一代种群,具体步骤如下:
步骤14.1,按以下公式计算种群Pt的搜索下界DLBt和上界DUBt:
其中i=1,2,...,Popsize,j=1,2,3;min表示取最小值函数,max表示取最大值函数;
步骤14.2,按以下公式产生种群Pt的反向种群DPt:
DK=rand(0,1),GK=rand(0,1)
其中反向个体下标di=1,2,...,Popsize,维度下标dj=1,2,3;DK是组合因子,GK是反向因子,RD1是在[1,Popsize]之间随机产生的一个整数;是反向种群DPt中的第di个反向个体;
步骤14.3,计算反向种群DPt中所有反向个体的适应值;
步骤14.4,从种群Pt和反向种群DPt中选择出优秀个体进入下一代种群;
步骤14.5,令当前评价次数FEs=FEs+Popsize,然后转到步骤15;
步骤15,保存种群Pt中的最优个体Bestt,并令当前演化代数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,将训练好的支持向量机作为软测量模型,即可实现稀土矿区农田水体pH值的软测量。
本发明采用支持向量机作为稀土矿区农田水体pH值的软测量模型,并利用反向差分演化算法来优化支持向量机的训练参数。在优化过程中,反向差分演化算法在其搜索过程中执行差分演化的基本操作算子,并以一定的概率执行改进的反向学习策略产生一个反向种群,然后在当前种群和反向种群中选择出优秀个体进入下一代种群,以此提高算法的全局搜索能力。本发明能够提高稀土矿区农田水体pH值软测量的精度。
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,在需要软测量的稀土矿区农田内连续HD=68天采集水体样本,并测量出水体样本的水质指标:氨氮、总氮、总磷、硫化物、水温、水深度、农田面积和pH值,将测量出来的水质指标数据作为样本数据集,并对样本数据集进行归一化处理;
步骤2,用户初始化软测量跨度天数HT=2,种群大小Popsize=100,反向学习率OP=0.3,缩放因子F=0.5,杂交率Cr=0.9和最大评价次数MAX_FEs=10000;
步骤3,令当前演化代数t=0,当前评价次数FEs=0,支持向量机的优化设计参数个数D=3;
步骤4,设置支持向量机的输入变量为归一化的一天的稀土矿区农田水体水质指标:氨氮、总氮、总磷、硫化物、水温、水深度、农田面积和pH值,支持向量机的输出为归一化的HT天后的稀土矿区农田水体pH值,然后设置支持向量机D个优化设计参数的下界LBj和上界UBj,其中维度下标j=1,2,3;
步骤5,随机产生初始种群其中:个体下标i=1,2,...,Popsize,并且为种群Pt中的第i个个体,其随机初始化公式为:
其中j=1,2,3,存储了支持向量机D个需要优化设计的参数,即是支持向量机的惩罚因子C,是支持向量机的径向基核参数g,是支持向量机的不敏感损失函数中参数ε;rand(0,1)为在[0,1]之间的随机实数产生函数;
步骤6,计算种群Pt中所有个体的适应值;
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,在[0,1]之间随机产生一个实数rp;
步骤10,如果rp大于反向学习率OP则转到步骤11,否则转到步骤14;
步骤11,利用缩放因子F和杂交率Cr执行差分演化的操作算子;
步骤12,令当前评价次数FEs=FEs+Popsize;
步骤13,转到步骤15;
步骤14,执行改进的反向学习策略得到反向种群DPt,然后从种群Pt和反向种群DPt中选择出优秀个体进入下一代种群,具体步骤如下:
步骤14.1,按以下公式计算种群Pt的搜索下界DLBt和上界DUBt:
其中i=1,2,...,Popsize,j=1,2,3;min表示取最小值函数,max表示取最大值函数;
步骤14.2,按以下公式产生种群Pt的反向种群DPt:
DK=rand(0,1),GK=rand(0,1)
其中反向个体下标di=1,2,...,Popsize,维度下标dj=1,2,3;DK是组合因子,GK是反向因子,RD1是在[1,Popsize]之间随机产生的一个整数;是反向种群DPt中的第di个反向个体;
步骤14.3,计算反向种群DPt中所有反向个体的适应值;
步骤14.4,从种群Pt和反向种群DPt中选择出优秀个体进入下一代种群;
步骤14.5,令当前评价次数FEs=FEs+Popsize,然后转到步骤15;
步骤15,保存种群Pt中的最优个体Bestt,并令当前演化代数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,将训练好的支持向量机作为软测量模型,即可实现稀土矿区农田水体pH值的软测量。
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)
1.一种应用反向差分演化的稀土矿区农田水体pH值软测量方法,其特征在于,包括以下步骤:
步骤1,在需要软测量的稀土矿区农田内连续HD天采集水体样本,并测量出水体样本的水质指标:氨氮、总氮、总磷、硫化物、水温、水深度、农田面积和pH值,将测量出来的水质指标数据作为样本数据集,并对样本数据集进行归一化处理;
步骤2,用户初始化软测量跨度天数HT,种群大小Popsize,反向学习率OP,缩放因子F,杂交率Cr和最大评价次数MAX_FEs;
步骤3,令当前演化代数t=0,当前评价次数FEs=0,支持向量机的优化设计参数个数D=3;
步骤4,设置支持向量机的输入变量为归一化的一天的稀土矿区农田水体水质指标:氨氮、总氮、总磷、硫化物、水温、水深度、农田面积和pH值,支持向量机的输出为归一化的HT天后的稀土矿区农田水体pH值,然后设置支持向量机D个优化设计参数的下界LBj和上界UBj,其中维度下标j=1,2,3;
步骤5,随机产生初始种群其中:个体下标i=1,2,...,Popsize,并且为种群Pt中的第i个个体,其随机初始化公式为:
其中j=1,2,3,存储了支持向量机D个需要优化设计的参数,即是支持向量机的惩罚因子C,是支持向量机的径向基核参数g,是支持向量机的不敏感损失函数中参数ε;rand(0,1)为在[0,1]之间的随机实数产生函数;
步骤6,计算种群Pt中所有个体的适应值;
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,在[0,1]之间随机产生一个实数rp;
步骤10,如果rp大于反向学习率OP则转到步骤11,否则转到步骤14;
步骤11,利用缩放因子F和杂交率Cr执行差分演化的操作算子;
步骤12,令当前评价次数FEs=FEs+Popsize;
步骤13,转到步骤15;
步骤14,执行改进的反向学习策略得到反向种群DPt,然后从种群Pt和反向种群DPt中选择出优秀个体进入下一代种群,具体步骤如下:
步骤14.1,按以下公式计算种群Pt的搜索下界DLBt和上界DUBt:
其中i=1,2,...,Popsize,j=1,2,3;min表示取最小值函数,max表示取最大值函数;
步骤14.2,按以下公式产生种群Pt的反向种群DPt:
DK=rand(0,1),GK=rand(0,1)
其中反向个体下标di=1,2,...,Popsize,维度下标dj=1,2,3;DK是组合因子,GK是反向因子,RD1是在[1,Popsize]之间随机产生的一个整数;是反向种群DPt中的第di个反向个体;
步骤14.3,计算反向种群DPt中所有反向个体的适应值;
步骤14.4,从种群Pt和反向种群DPt中选择出优秀个体进入下一代种群;
步骤14.5,令当前评价次数FEs=FEs+Popsize,然后转到步骤15;
步骤15,保存种群Pt中的最优个体Bestt,并令当前演化代数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,将训练好的支持向量机作为软测量模型,即可实现稀土矿区农田水体pH值的软测量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710162428.XA CN106959360B (zh) | 2017-03-18 | 2017-03-18 | 应用反向差分演化的稀土矿区农田水体pH值软测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710162428.XA CN106959360B (zh) | 2017-03-18 | 2017-03-18 | 应用反向差分演化的稀土矿区农田水体pH值软测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106959360A true CN106959360A (zh) | 2017-07-18 |
CN106959360B CN106959360B (zh) | 2019-03-29 |
Family
ID=59470961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710162428.XA Active CN106959360B (zh) | 2017-03-18 | 2017-03-18 | 应用反向差分演化的稀土矿区农田水体pH值软测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106959360B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110672792A (zh) * | 2019-10-09 | 2020-01-10 | 中南大学 | 湿法炼锌中性浸出过程pH值软测量方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617147A (zh) * | 2013-11-27 | 2014-03-05 | 中国地质大学(武汉) | 一种矿井突水水源层识别方法 |
CN103914594A (zh) * | 2014-03-26 | 2014-07-09 | 河海大学 | 基于支持向量机的混凝土热力学参数智能识别方法 |
CN106124718A (zh) * | 2016-06-27 | 2016-11-16 | 江西理工大学 | 多策略人工蜂群优化的水体溶解氧浓度预测方法 |
-
2017
- 2017-03-18 CN CN201710162428.XA patent/CN106959360B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617147A (zh) * | 2013-11-27 | 2014-03-05 | 中国地质大学(武汉) | 一种矿井突水水源层识别方法 |
CN103914594A (zh) * | 2014-03-26 | 2014-07-09 | 河海大学 | 基于支持向量机的混凝土热力学参数智能识别方法 |
CN106124718A (zh) * | 2016-06-27 | 2016-11-16 | 江西理工大学 | 多策略人工蜂群优化的水体溶解氧浓度预测方法 |
Non-Patent Citations (5)
Title |
---|
JIANJUN WANG等: "An annual load forecasting model based on support vector regression with differential evolution algorithm", 《APPLIED ENGERGY》 * |
TAPAS BHADRA等: "Differential Evolution Based Optimization of SVM Parameters for Meta Classifier Design", 《PROCEDIA TECHNOLOGY》 * |
汪慎文等: "差分进化算法研究进展", 《武汉大学学报(理学版)》 * |
贾立敬等: "基于DGA 的差分进化支持向量机电力变压器故障诊断", 《高压电器》 * |
陈涛等: "基于差分进化算法的支持向量机参数选择", 《计算机工程与应用》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110672792A (zh) * | 2019-10-09 | 2020-01-10 | 中南大学 | 湿法炼锌中性浸出过程pH值软测量方法和系统 |
CN110672792B (zh) * | 2019-10-09 | 2020-08-28 | 中南大学 | 湿法炼锌中性浸出过程pH值软测量方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106959360B (zh) | 2019-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Evaporation modelling using different machine learning techniques | |
CN100561509C (zh) | 一种改进的混合遗传算法优化水质模型参数的设计方法 | |
Yan et al. | Water eutrophication evaluation based on rough set and petri nets: A case study in Xiangxi-River, Three Gorges Reservoir | |
CN107203810A (zh) | 一种基于深度网络的降水量预测方法 | |
CN104572993A (zh) | 一种基于遗传算法的分类算法参数优化方法 | |
CN108416460A (zh) | 基于多因素时序—随机深度置信网络模型的蓝藻水华预测方法 | |
CN103969412B (zh) | 一种基于群决策案例推理的溶解氧浓度软测量方法 | |
Aslam et al. | Water quality management using hybrid machine learning and data mining algorithms: An indexing approach | |
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 | |
Li et al. | CART and PSO+ KNN algorithms to estimate the impact of water level change on water quality in Poyang Lake, China | |
CN106959360A (zh) | 应用反向差分演化的稀土矿区农田水体pH值软测量方法 | |
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 | |
Gheytaspour et al. | Forecasting oxygen demand in treatment plant using artificial neural networks | |
Ghorbani et al. | Genetic programming for sea level predictions in an island environment | |
CN105701066A (zh) | 一种河口潮差快速预报方法 | |
CN109726857A (zh) | 基于GA-Elman网络的蓝藻水华预测方法 | |
CN103838205B (zh) | Bp全局最优丙烯聚合生产过程最优软测量仪表和方法 | |
CN114782740A (zh) | 结合遗传优化与极端梯度提升的遥感水质监测方法 | |
CN107292425A (zh) | 水产养殖溶解氧预测方法及装置 | |
CN113221446A (zh) | 盐渍土水肥策略的获取方法、系统、存储介质和电子设备 | |
CN107145942B (zh) | 和声搜索优化的稀土矿区农田水体硝酸盐氮软测量方法 | |
Chen et al. | A study of applying genetic algorithm to predict reservoir water quality | |
Yalin et al. | Dissolved oxygen prediction model which based on fuzzy neural network | |
Yang | Fuzzy evaluation of water quality based on micronucleus technology of vicia faba root tip | |
CN104036138A (zh) | 一种基于群体合作决策机制的数值优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |