CN107016453A - 一种水产养殖溶解氧预测方法及装置 - Google Patents
一种水产养殖溶解氧预测方法及装置 Download PDFInfo
- Publication number
- CN107016453A CN107016453A CN201611124640.9A CN201611124640A CN107016453A CN 107016453 A CN107016453 A CN 107016453A CN 201611124640 A CN201611124640 A CN 201611124640A CN 107016453 A CN107016453 A CN 107016453A
- Authority
- CN
- China
- Prior art keywords
- dissolved oxygen
- prediction
- intrinsic mode
- mode function
- residual components
- 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.)
- Pending
Links
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 title claims abstract description 140
- 239000001301 oxygen Substances 0.000 title claims abstract description 136
- 229910052760 oxygen Inorganic materials 0.000 title claims abstract description 136
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000009360 aquaculture Methods 0.000 title claims abstract description 41
- 244000144974 aquaculture Species 0.000 title claims abstract description 41
- 239000013598 vector Substances 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 26
- 230000002123 temporal effect Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 18
- 239000000203 mixture Substances 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 13
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 235000013399 edible fruits Nutrition 0.000 claims 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 16
- 230000008859 change Effects 0.000 abstract description 5
- 238000013459 approach Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000000714 time series forecasting Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 229910002651 NO3 Inorganic materials 0.000 description 1
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Farming Of Fish And Shellfish (AREA)
Abstract
本发明提供了一种水产养殖溶解氧预测方法及装置，包括：采集水产养殖池塘的溶解氧数据；对溶解氧数据进行集合经验模态分解得到高频项、中频项、低频项和剩余分量；通过最小二乘支持向量机对高频项和中频项进行建模并进行溶解氧预测；通过思维进化算法优化BP神经网络对低频项进行建模并进行溶解氧预测；通过灰色预测模型对剩余分量进行建模并进行溶解氧预测；将最小二乘支持向量机、思维进化算法优化BP神经网络和灰色预测模型三者的预测结果叠加获取水产养殖的溶解氧的预测值。本发明实现了准确把握水质溶解氧的变化情况；采用不同的溶解氧预测方式对分成的高频项、中频项、低频项和剩余分量分别进行预测，提高对水质溶解氧数据的精准预测。
Description
技术领域
本发明涉及检测技术领域，具体涉及一种水产养殖溶解氧预测方法及装置。
背景技术
中国是水产养殖大国，水产品产量和质量的保证取决于养殖水质是否适合水生生物生存。影响水质的因素有很多，包括溶解氧、氨氮含量、pH值、硝酸盐、人工喂食、施药、降雨量以及太阳辐射等。溶解氧是水生生物生存必不可少的条件，溶解氧浓度低于3mg/L时，就会引起鱼类死亡。因此，研究养殖水质溶解氧预测方法具有重要意义。
现有的预测方法有很多，主要分为两种类型：第一类是传统的预测方法，把经典数学作为理论基础，包括时间序列预测法、回归分析法、马尔科夫模型、水质模拟预测法等；第二类是基于人工智能的预测方法，包括灰色模型、人工神经网络预测法、支持向量机回归预测法等。但是现有的预测方法均存在计算量大误差累积率高，不满足水产养殖企业对水质短期预测的需求。
发明内容
为解决上述技术问题，本发明提供一种水产养殖溶解氧预测方法及装置，实现对水质溶解氧数据的精准预测。
为实现上述目的，本发明提供以下技术方案：
一方面，本发明提供了一种水产养殖溶解氧预测方法，所述方法包括如下步骤：
采集水产养殖池塘的按时间序列排序的溶解氧数据；
对溶解氧数据进行集合经验模态分解得到本征模态函数和剩余分量；
根据本征模态函数的波动频率将本征模态函数分为高频项、中频项和低频项；
通过最小二乘支持向量机对高频项和中频项进行建模并进行溶解氧预测；
通过思维进化算法优化BP神经网络对低频项进行建模并进行溶解氧预测；
通过灰色预测模型对剩余分量进行建模并进行溶解氧预测；
将最小二乘支持向量机、思维进化算法优化BP神经网络和灰色预测模型三者的预测结果叠加获取水产养殖的溶解氧的预测值。
进一步的，所述对溶解氧数据进行集合经验模态分解得到本征模态函数和剩余分量，具体包括如下步骤：
S1：将含有按时间序列排序的溶解氧数据的信号加入白噪声信号，构成信噪混合体；
S2：将信噪混合体进行经验模态分解，得到本征模态函数的分量和剩余分量的支量；
S3：重复N次步骤S1和步骤S2，且步骤S1中每次加入不同的白噪声，获取N个本征模态函数的分量和N个剩余分量的支量；
S4：N个本征模态函数的分量的平均值为本征模态函数，N个剩余分量的支量的平均值为剩余分量。
进一步的，所述将信噪混合体进行经验模态分解，得到本征模态函数的分量和剩余分量的支量，包括：
S21：获取含有按时间序列排序的溶解氧数据的信号的局部极大值点和局部极小值点；根据三次样条线分别将局部极大值点连接起来形成上包络线，局部极小值点连接起来形成下包络线；
S22：根据局部极大值包络线和局部极小值包络线计算平均包络线值；
S23：获取含有按时间序列排序的溶解氧数据信号的幅值与平均包络线值的差值；
S24：若差值符合本征模态函数条件，则差值为第一个本征模态函数的分量；若差值不符合本征模态函数条件，则对差值执行步骤S21、步骤S22和步骤S23并获得二次差值，判断二次差值是否符合本征模态函数条件；直至第k次的k次差值符合本征模态函数条件；
S25：将含有按时间序列排序的溶解氧数据信号的幅值与k次差值的差数设为原始序列，重复步骤S21、步骤S22、步骤S23和步骤S24，直至差数为常数或单调函数，分解结束。
进一步的，所述通过最小二乘支持向量机对高频项和中频项进行建模并进行溶解氧预测，包括：
根据最小二乘支持向量机的输入参数维数，建立预测模型；
根据溶解氧数据的训练样本获取预测模型的组合参数；
根据组合参数构建高频项和中频项的预测模型对高频项和中频项的溶解氧进行预测。
进一步的，所述通过思维进化算法优化BP神经网络对低频项进行建模并进行溶解氧预测，包括：
采用思维进化算法对BP神经网络的初始权值和初始阈值进行优化处理，根据优化后的初始权值和初始阈值建立初始预测模型；
根据初始预测模型的输入信号及输出信号计算预测误差；
根据预测误差重新配置权值和阈值；
根据重新配置的权值和阈值建立的预测模型对低频项进行溶解氧预测。
进一步的，通过灰色预测模型对剩余分量进行建模并进行溶解氧预测，包括：
根据溶解氧数据的观察值叠加生成新序列；
根据新序列建立微分方程模型；其中，采用最小二乘法计算微分方程模型中的待识别参数；
根据微分方程模型建立的灰色预测模型对剩余分量进行溶解氧预测。
另一方面，本发明提供一种水产养殖溶解氧预测装置，所述装置包括：
采集模块，用于采集水产养殖池塘的按时间序列排序的溶解氧数据；
分解模块，用于对溶解氧数据进行集合经验模态分解得到本征模态函数和剩余分量；
分频模块，用于根据本征模态函数的波动频率将本征模态函数分为高频项、中频项和低频项；
第一预测模块，用于通过最小二乘支持向量机对高频项和中频项进行建模并进行溶解氧预测；
第二预测模块，用于通过思维进化算法优化BP神经网络对低频项进行建模并进行溶解氧预测；
第三预测模块，用于通过灰色预测模型对剩余分量进行建模并进行溶解氧预测；
输出模块，用于将最小二乘支持向量机、思维进化算法优化BP神经网络和灰色预测模型三者的预测结果叠加获取水产养殖的溶解氧的预测值。
进一步的，所述分解模块具体包括：
信号生成单元，用于将含有按时间序列排序的溶解氧数据的信号加入白噪声信号，构成信噪混合体；
经验模态单元，用于将信噪混合体进行经验模态分解，得到本证模态函数的分量和剩余分量的支量；
计算单元，用于计算N次信号生成单元和经验模态单元输出信号，且步骤信号生成单元中每次加入不同的白噪声，获取N个本征模态函数的分量和N个剩余分量的支量；
输出单元，用于N个本征模态函数的分量的平均值为本征模态函数，N个剩余分量的支量的平均值为剩余分量。
进一步的，所述第一预测模块，包括：
第一建模单元，用于根据最小二乘支持向量机的输入参数维数，建立预测模型；
第一训练单元，用于根据溶解氧数据的训练样本获取预测模型的组合参数；
第一预测单元，用于根据组合参数构建高频项和中频项的预测模型对高频项和中频项的溶解氧进行预测。
进一步的，所述第二预测模块，包括：
第二建模单元，用于采用思维进化算法对BP神经网络的初始权值和初始阈值进行优化处理，根据优化后的初始权值和初始阈值建立初始预测模型；
第二训练单元，用于根据初始预测模型的输入信号及输出信号计算预测误差；
配置单元，用于根据预测误差重新配置权值和阈值；
第二预测单元，用于根据重新配置的权值和阈值建立的预测模型对低频项进行溶解氧预测。
由上述技术方案可知，本发明提供的一种水产养殖溶解氧预测方法及装置，通过集合经验模态分解将溶解氧数据分为高频项、中频项、低频项和剩余分量，实现准确把握水质溶解氧的变化情况；采用不同的溶解氧预测方式对分成的高频项、中频项、低频项和剩余分量分别进行预测，实现对水质溶解氧数据的精准预测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的一种水产养殖溶解氧预测方法的流程示意图；
图2是本发明的一种水产养殖溶解氧预测方法中步骤S201的流程示意图；
图3是本发明的一种水产养殖溶解氧预测方法中步骤S2的流程示意图；
图4是本发明的一种水产养殖溶解氧预测方法中步骤S104的流程示意图；
图5是本发明的一种水产养殖溶解氧预测方法中步骤S105的流程示意图；
图6是本发明的一种水产养殖溶解氧预测方法中步骤S106的流程示意图；
图7是本发明的一种水产养殖溶解氧预测装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
现有的预测方法有很多，主要分为两种类型：第一类是传统的预测方法，把经典数学作为理论基础，包括时间序列预测法、回归分析法、马尔科夫模型、水质模拟预测法等；第二类是基于人工智能的预测方法，包括灰色模型、人工神经网络预测法、支持向量机回归预测法等。但是现有的预测方法均存在计算量大误差累积率高，不满足水产养殖企业对水质短期预测的需求。为解决上述技术问题，本发明实施例提供一种水产养殖溶解氧预测方法及装置。
本发明实施例一提供一种水产养殖溶解氧预测方法，参见图1，该预测方法具体包括：
S101：采集水产养殖池塘的按时间序列排序的溶解氧数据；
在本步骤中，获取水产养殖池塘的水质数据，按照时间顺序排列成溶解氧数据。
S102：对溶解氧数据进行集合经验模态分解得到本征模态函数和剩余分量；
在本步骤中，对上述步骤S101获取的溶解氧数据使用集合经验模态分解获取不同尺度下的溶解氧数据的n个本征模态函数和1个剩余分量。
S103：根据本征模态函数的波动频率将本征模态函数分为高频项、中频项和低频项；
在本步骤中，对上述步骤S102中获取的n个本征模态函数按照波动频率的大小分为三类，分别为高频项、中频项和低频项。
S104：通过最小二乘支持向量机对高频项和中频项进行建模并进行溶解氧预测；
在本步骤中，针对高频项和中频项波动剧烈的特点，选取最小二乘支持向量机进行建模，通过建立模型的训练使模型的预测输出值不断逼近期望值，完成训练的目的，通过训练后的模型对高频项和中频项的溶解氧进行预测。
S105：通过思维进化算法优化BP神经网络对低频项进行建模并进行溶解氧预测；
在本步骤中，针对低频项波动平缓的特点，选取思维进化算法优化BP神经网络(MEC-BP)进行建模，通过建立模型的训练使模型的预测输出值不断逼近期望值，完成训练的目的，通过训练后的模型对低频项的溶解氧进行预测。
S106：通过灰色预测模型对剩余分量进行建模并进行溶解氧预测；
在本步骤中，针对趋势项近线性的特点，选用灰色预测模型对其建模预，建立一阶微分方程模型，利用最小二乘法求解一阶微分方程模型中的待辨识参数，根据一阶微分方程模型建立的灰色预测模型对剩余分量进行溶解氧预测。
S107：将最小二乘支持向量机、思维进化算法优化BP神经网络和灰色预测模型三者的预测结果叠加获取水产养殖的溶解氧的预测值。
在本步骤中，将步骤S104、步骤S105和步骤S106中的预测值进行叠加得到水产养殖池塘的溶解氧的预测值。
从上述描述可知，本发明通过集合经验模态方法对原始溶解氧序列进行分解，分解成不同尺度特征的各分量，将其分为高频项、中频项、低频项和趋势项共四部分，实现准确把握水质溶解氧的变化情况；针对各分量的特点，分别采用最小二乘支持向量机、思维进化算法优化BP神经网络和灰色预测模型进行预测，预测结果叠加生成水产养殖池塘的溶解氧的预测值，实现对水质溶解氧数据的精准预测。
在一种可选实施方式中，提供了上述步骤S201的一种具体实施方式。参见图2，上述步骤S201具体包括如下步骤：
S1：将含有按时间序列排序的溶解氧数据的信号加入白噪声信号，构成信噪混合体；
在本步骤中，将溶解氧原始数据看作一个时间序列信号x(t)，加入白噪声信号n(t)，构成下列信噪混合体X(t)；
X(t)＝x(t)+k·n(t)
其中，k为比例系数，是白噪声标准差与信号标准差的比值。
S2：将信噪混合体进行经验模态分解，得到本征模态函数的分量和剩余分量的支量；
在本步骤中，将信号混合体进行经验模态分解，得到下式；
其中，cj为本征模态函数，rm为剩余分量。
S3：重复N次步骤S1和步骤S2，且步骤S1中每次加入不同的白噪声，获取N个本征模态函数的分量和N个剩余分量的支量；
在本步骤中，每次加入不同的白噪声ni(t)，生成不同的信噪混合体Xi(t)；
Xi(t)＝x(t)+k·ni(t)；
将信噪混合体Xi(t)分解成各个分量：
S4：N个本征模态函数的分量的平均值为本征模态函数，N个剩余分量的支量的平均值为剩余分量。
在本步骤中，重复N次，对各分量求平均：
最后的分解结果为：
从上述描述可知，本实施例通过将信噪混合体信号进行集合经验模态分解得到本征模态函数和剩余分量，降低了对溶解氧原始数据分解的计算量。
在一种可选实施方式中，提供了上述步骤S2的一种具体实施方式。参见图3，上述步骤S2具体包括如下步骤：
S21：获取含有按时间序列排序的溶解氧数据的信号的局部极大值点和局部极小值点；根据三次样条线分别将局部极大值点连接起来形成上包络线，局部极小值点连接起来形成下包络线；
在本步骤中，计算时间序列信号x(t)的所有局部极大值点和局部极小值点。利用三次样条线将所有局部极大值点连接起来形成上包络线emax(t)，将所有局部极小值点连接起来形成下包络线emin(t)。
S22：根据局部极大值包络线和局部极小值包络线计算平均包络线值；
在本步骤中，计算极大值包络线和极小值包络线的平均包络线值，记作m1(t)，其中，m1(t)＝(emax(t)+emin(t))/2。
S23：获取含有按时间序列排序的溶解氧数据信号的幅值与平均包络线值的差值；
在本步骤中，计算平均包络线值m1(t)和时间序列信号x(t)的差值，其中，h1(t)＝x(t)-m1(t)。
S24：若差值符合本征模态函数条件，则差值为第一个本征模态函数的分量；若差值不符合本征模态函数条件，则对差值执行步骤S21、步骤S22和步骤S23并获得二次差值，判断二次差值是否符合本征模态函数条件；直至第k次的k次差值符合本征模态函数条件；
在本步骤中，判断h1(t)是否满足本征模态函数条件，如果满足，则h1(t)是第一个本征模态函数分量；若不满足，将h1(t)看作原始序列，计算极大值与极小值包络线的均值，判断其差值是否满足本征模态函数条件，若不满足重复k次，使h1k(t)满足本征模态函数条件。记c1(t)＝h1k(t)，则c1(t)为第一个本征模态函数。
上述本征模态函数条件包括：1、极值点的个数和过零点的个数必须相等或最多相差一个；2、在任意时刻，有局部极大值点构成的上包络线和局部极小值点构成的下包络线的平均值为零。
S25：将含有按时间序列排序的溶解氧数据信号的幅值与k次差值的差数设为原始序列，重复步骤S21、步骤S22、步骤S23和步骤S24，直至差数为常数或单调函数，分解结束。
在本步骤中，将c1(t)从x(t)中分离出来，把余数r1(t)＝x(t)-c1(t)当做原始序列，重复步骤S21～S24，得到n个本征模态函数，当剩余分量r(t)变为常数或单调函数，分解过程结束。原始溶解氧序列x(t)可以表示为各本征模态函数分量和剩余分量的和。
式中，ci(t)表示第i个本征模态函数分量，代表原始信号的不同尺度特征，r(t)为剩余分量，反映信号的变化趋势。
从上述描述可知，本实施例通过将原始溶解氧序列进行经验模态分解，获取本征模态函数的分量以及剩余分量，降低了求取本征模态函数的分量以及剩余分量的计算量。
在一种可选实施方式中，提供了上述步骤S104的一种具体实施方式。参见图4，上述步骤S104具体包括如下步骤：
S1041：根据最小二乘支持向量机的输入参数维数，建立预测模型；
S1042：根据溶解氧数据的训练样本获取预测模型的组合参数；
S1043：根据组合参数构建高频项和中频项的预测模型对高频项和中频项的溶解氧进行预测。
从上述描述可知，最小二乘支持向量机把求解二次规划问题转化成求解线性方程组的问题，用等式约束替换不等式约束，与支持向量机相比，具有计算速度快、精度高的特点，适用于小样本预测。
在一种可选实施方式中，提供了上述步骤S105的一种具体实施方式。参见图5，上述步骤S105具体包括如下步骤：
S1051：采用思维进化算法对BP神经网络的初始权值和初始阈值进行优化处理，根据优化后的初始权值和初始阈值建立初始预测模型；
S1052：根据初始预测模型的输入信号及输出信号计算预测误差；
S1053：根据预测误差重新配置权值和阈值；
S1054：根据重新配置的权值和阈值建立的预测模型对低频项进行溶解氧预测。
从上述描述可知，BP神经网络是一种多层前馈神经网络，输入信号向前传递，从输入层经隐含层逐层处理，直至输出层。若输出层得不到期望输出，则根据预测误差反向传播，调整神经网络权值和阈值，从而使预测输出不断逼近期望输出。但是初始权值和阈值随机，神经网络初始权值的设置影响网络预测的效率和准确度，有可能会需要多次调整才能达到最优权值和阈值，因此，为了尽可能减少调整次数，本发明采用思维进化算法优化BP神经网络的初始权值和阈值。思维进化算法是一种通过迭代进行优化的算法，采用思维进化算法对初始权值阈值进行优化，使其尽可能地接近最优权值和阈值，即可使神经网络模型建立比较快，比较精确。
在一种可选实施方式中，提供了上述步骤S106的一种具体实施方式。参见图6，上述步骤S106具体包括如下步骤：
S1061：根据溶解氧数据的观察值叠加生成新序列；
S1062：根据新序列建立微分方程模型；其中，采用最小二乘法计算微分方程模型中的待识别参数；
S1063：根据微分方程模型建立的灰色预测模型对剩余分量进行溶解氧预测。
从上述描述可知，灰色预测模型是一个单个变量预测的一阶微分方程模型。灰色预测模型主要为GM(1,1)模型。
本发明提供一种水产养殖溶解氧预测方法，其中：
最小二乘支持向量机的优化问题如下：
式中，J为损失函数，ω为权重向量，C是正则化参数，ξi为经验误差，xi和yi分别是系统的输入输出向量，为输入空间到特征空间的非线性映射，b为偏置量。为求解上述约束优化问题，其对偶问题的拉格朗日多项式函数为：
式中，αi为拉格朗日乘子，分别对ω,ξi,b,αi求偏导并令其等于0，消去ω,ξi，得到如下线性方程组：
式中，I＝[1,1,...,1]T，E是l×l的单位矩阵，α＝[α1,α2,...,αl]T，y＝[y1,y2,...,yl]T，为核函数，本发明中采用RBF核函数作为最小二乘支持向量机的核函数，求解线性方程组得到最小二乘支持向量机的回归函数：
式中，xi问输入样本向量，xj为高斯核函数的中心，σ为RBF核函数的宽度参数。
灰色预测模型，GM(1,1)模型是灰色预测的核心，是一个单个变量预测的一阶微分方程模型。建立GM(1,1)模型的方法是：
设时间序列X(0)有n个观察值，X(0)＝{X(0)(1),X(0)(2),...,X(0)(n)}，通过累加生成新序列X(1)＝{X(1)(1),X(1)(2),...,X(1)(n)}，则GM(1,1)模型相应的微分方程为：
其中：α称为待辨识参数，亦称为发展系数；μ为待辨识内生变量，亦称为灰作用。
设为待估参数向量，可利用最小二乘法求解，解得：
其中，
于是可得到灰色预测的离散事件响应函数：
X(1)(t+1)为所得的累加的预测值，将预测值还原即为：
通过上述描述可知，本发明通过集合经验模态方法对原始溶解氧序列进行分解，分解成不同尺度特征的各分量，分析各分量的相关性，将其分为高频项、中频项、低频项和趋势项共四部分，针对各分量的特点，分别采用最小二乘支持向量机、思维进化算法优化BP神经网络和灰色预测模型进行预测，预测结果叠加的最终预测结果，具有较高精度。
本发明实施例二提供一种水产养殖溶解氧预测装置，参见图7，该预测装置具体包括：
采集模块，用于采集水产养殖池塘的按时间序列排序的溶解氧数据；
分解模块，用于对溶解氧数据进行集合经验模态分解得到本征模态函数和剩余分量；
分频模块，用于根据本征模态函数的波动频率将本征模态函数分为高频项、中频项和低频项；
第一预测模块，用于通过最小二乘支持向量机对高频项和中频项进行建模并进行溶解氧预测；
第二预测模块，用于通过思维进化算法优化BP神经网络对低频项进行建模并进行溶解氧预测；
第三预测模块，用于通过灰色预测模型对剩余分量进行建模并进行溶解氧预测；
输出模块，用于将最小二乘支持向量机、思维进化算法优化BP神经网络和灰色预测模型三者的预测结果叠加获取水产养殖的溶解氧的预测值。
所述分解模块具体包括：
信号生成单元，用于将含有按时间序列排序的溶解氧数据的信号加入白噪声信号，构成信噪混合体；
经验模态单元，用于将信噪混合体进行经验模态分解，得到本征模态函数的分量和剩余分量的支量；
计算单元，用于计算N次信号生成单元和经验模态单元输出信号，且步骤信号生成单元中每次加入不同的白噪声，获取N个本征模态函数的分量和N个剩余分量的支量；
输出单元，用于N个本征模态函数的分量的平均值为本征模态函数，N个剩余分量的支量的平均值为剩余分量。
所述第一预测模块，包括：
第一建模单元，用于根据最小二乘支持向量机的输入参数维数，建立预测模型；
第一训练单元，用于根据溶解氧数据的训练样本获取预测模型的组合参数；
第一预测单元，用于根据组合参数构建高频项和中频项的预测模型对高频项和中频项的溶解氧进行预测。
所述第二预测模块，包括：
第二建模单元，用于采用思维进化算法对BP神经网络的初始权值和初始阈值进行优化处理，根据优化后的初始权值和初始阈值建立初始预测模型；
第二训练单元，用于根据初始预测模型的输入信号及输出信号计算预测误差；
配置单元，用于根据预测误差重新配置权值和阈值；
第二预测单元，用于根据重新配置的权值和阈值建立的预测模型对低频项进行溶解氧预测。
从上述描述可知，本发明提供的一种水产养殖溶解氧预测装置，具有结构简单，使用方便；采用不同的模块对分成的高频项、中频项、低频项和剩余分量分别进行预测，实现对水质溶解氧数据的精准预测。
以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种水产养殖溶解氧预测方法，其特征在于，所述方法包括如下步骤：
采集水产养殖池塘的按时间序列排序的溶解氧数据；
对溶解氧数据进行集合经验模态分解得到本征模态函数和剩余分量；
根据本征模态函数的波动频率将本征模态函数分为高频项、中频项和低频项；
通过最小二乘支持向量机对高频项和中频项进行建模并进行溶解氧预测；
通过思维进化算法优化BP神经网络对低频项进行建模并进行溶解氧预测；
通过灰色预测模型对剩余分量进行建模并进行溶解氧预测；
将最小二乘支持向量机、思维进化算法优化BP神经网络和灰色预测模型三者的预测结果叠加获取水产养殖的溶解氧的预测值。
2.根据权利要求1所述的方法，其特征在于，所述对溶解氧数据进行集合经验模态分解得到本征模态函数和剩余分量，具体包括如下步骤：
S1：将含有按时间序列排序的溶解氧数据的信号加入白噪声信号，构成信噪混合体；
S2：将信噪混合体进行经验模态分解，得到本征模态函数的分量和剩余分量的支量；
S3：重复N次步骤S1和步骤S2，且步骤S1中每次加入不同的白噪声，获取N个本征模态函数的分量和N个剩余分量的支量；
S4：N个本征模态函数的分量的平均值为本征模态函数，N个剩余分量的支量的平均值为剩余分量。
3.根据权利要求2所述的方法，其特征在于，所述将信噪混合体进行经验模态分解，得到本征模态函数的分量和剩余分量的支量，包括：
S21：获取含有按时间序列排序的溶解氧数据的信号的局部极大值点和局部极小值点；根据三次样条线分别将局部极大值点连接起来形成上包络线，局部极小值点连接起来形成下包络线；
S22：根据局部极大值包络线和局部极小值包络线计算平均包络线值；
S23：获取含有按时间序列排序的溶解氧数据信号的幅值与平均包络线值的差值；
S24：若差值符合本征模态函数条件，则差值为第一个本征模态函数的分量；若差值不符合本征模态函数条件，则对差值执行步骤S21、步骤S22和步骤S23并获得二次差值，判断二次差值是否符合本征模态函数条件；直至第k次的k次差值符合本征模态函数条件；
S25：将含有按时间序列排序的溶解氧数据信号的幅值与k次差值的差数设为原始序列，重复步骤S21、步骤S22、步骤S23和步骤S24，直至差数为常数或单调函数，分解结束。
4.根据权利要求1所述的方法，其特征在于，所述通过最小二乘支持向量机对高频项和中频项进行建模并进行溶解氧预测，包括：
根据最小二乘支持向量机的输入参数维数，建立预测模型；
根据溶解氧数据的训练样本获取预测模型的组合参数；
根据组合参数构建高频项和中频项的预测模型对高频项和中频项的溶解氧进行预测。
5.根据权利要求1所述的方法，其特征在于，所述通过思维进化算法优化BP神经网络对低频项进行建模并进行溶解氧预测，包括：
采用思维进化算法对BP神经网络的初始权值和初始阈值进行优化处理，根据优化后的初始权值和初始阈值建立初始预测模型；
根据初始预测模型的输入信号及输出信号计算预测误差；
根据预测误差重新配置权值和阈值；
根据重新配置的权值和阈值建立的预测模型对低频项进行溶解氧预测。
6.根据权利要求1所述的方法，其特征在于，通过灰色预测模型对剩余分量进行建模并进行溶解氧预测，包括：
根据溶解氧数据的观察值叠加生成新序列；
根据新序列建立微分方程模型；其中，采用最小二乘法计算微分方程模型中的待识别参数；
根据微分方程模型建立的灰色预测模型对剩余分量进行溶解氧预测。
7.一种水产养殖溶解氧预测装置，其特征在于，所述装置包括：
采集模块，用于采集水产养殖池塘的按时间序列排序的溶解氧数据；
分解模块，用于对溶解氧数据进行集合经验模态分解得到本征模态函数和剩余分量；
分频模块，用于根据本征模态函数的波动频率将本征模态函数分为高频项、中频项和低频项；
第一预测模块，用于通过最小二乘支持向量机对高频项和中频项进行建模并进行溶解氧预测；
第二预测模块，用于通过思维进化算法优化BP神经网络对低频项进行建模并进行溶解氧预测；
第三预测模块，用于通过灰色预测模型对剩余分量进行建模并进行溶解氧预测；
输出模块，用于将最小二乘支持向量机、思维进化算法优化BP神经网络和灰色预测模型三者的预测结果叠加获取水产养殖的溶解氧的预测值。
8.根据权利要求7所述的装置，其特征在于，所述分解模块具体包括：
信号生成单元，用于将含有按时间序列排序的溶解氧数据的信号加入白噪声信号，构成信噪混合体；
经验模态单元，用于将信噪混合体进行经验模态分解，得到本征模态函数的分量和剩余分量的支量；
计算单元，用于计算N次信号生成单元和经验模态单元输出信号，且步骤信号生成单元中每次加入不同的白噪声，获取N个本征模态函数的分量和N个剩余分量的支量；
输出单元，用于N个本征模态函数的分量的平均值为本征模态函数，N个剩余分量的支量的平均值为剩余分量。
9.根据权利要求7所述的装置，其特征在于，所述第一预测模块，包括：
第一建模单元，用于根据最小二乘支持向量机的输入参数维数，建立预测模型；
第一训练单元，用于根据溶解氧数据的训练样本获取预测模型的组合参数；
第一预测单元，用于根据组合参数构建高频项和中频项的预测模型对高频项和中频项的溶解氧进行预测。
10.根据权利要求7所述的装置，其特征在于，所述第二预测模块，包括：
第二建模单元，用于采用思维进化算法对BP神经网络的初始权值和初始阈值进行优化处理，根据优化后的初始权值和初始阈值建立初始预测模型；
第二训练单元，用于根据初始预测模型的输入信号及输出信号计算预测误差；
配置单元，用于根据预测误差重新配置权值和阈值；
第二预测单元，用于根据重新配置的权值和阈值建立的预测模型对低频项进行溶解氧预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611124640.9A CN107016453A (zh) | 2016-12-08 | 2016-12-08 | 一种水产养殖溶解氧预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611124640.9A CN107016453A (zh) | 2016-12-08 | 2016-12-08 | 一种水产养殖溶解氧预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107016453A true CN107016453A (zh) | 2017-08-04 |
Family
ID=59439567
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611124640.9A Pending CN107016453A (zh) | 2016-12-08 | 2016-12-08 | 一种水产养殖溶解氧预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107016453A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107480775A (zh) * | 2017-08-14 | 2017-12-15 | 中国水产科学研究院淡水渔业研究中心 | 一种基于数据修复的池塘溶解氧预测方法 |
| CN107679657A (zh) * | 2017-09-28 | 2018-02-09 | 黑龙江省科学院火山与矿泉研究所 | 一种用于矿泉的水质预测方法 |
| CN108038565A (zh) * | 2017-11-30 | 2018-05-15 | 常州大学 | 一种游程检测法重构eemd的养殖水质溶解氧预测方法 |
| CN108038571A (zh) * | 2017-12-08 | 2018-05-15 | 仲恺农业工程学院 | 一种养殖水质的非线性组合预测方法及系统 |
| CN109583566A (zh) * | 2018-11-20 | 2019-04-05 | 东北农业大学 | 一种基于经验模态分解与Elman神经网络的寒地猪舍内氨气浓度预测方法 |
| CN110083190A (zh) * | 2019-04-19 | 2019-08-02 | 淮阴工学院 | 一种基于减法聚类分类器的青椒温室环境智能监测系统 |
| CN110763830A (zh) * | 2019-12-04 | 2020-02-07 | 济南大学 | 一种水泥熟料游离氧化钙含量预测方法 |
| CN111931983A (zh) * | 2020-07-07 | 2020-11-13 | 湖南大学 | 一种降水量预测方法及系统 |
| CN113281465A (zh) * | 2021-05-07 | 2021-08-20 | 淮阴工学院 | 一种畜禽舍养殖环境有害气体检测系统 |
| CN113762078A (zh) * | 2021-08-03 | 2021-12-07 | 南昌工程学院 | 基于vmd-cssa-lstm-mlr组合模型的湖泊tn预测方法 |
| CN115166176A (zh) * | 2022-06-24 | 2022-10-11 | 山东科技大学 | 一种基于tcn模型的池塘溶解氧浓度预测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102183621A (zh) * | 2011-02-28 | 2011-09-14 | 中国农业大学 | 水产养殖溶解氧浓度在线预测方法及系统 |
| CN103049798A (zh) * | 2012-12-05 | 2013-04-17 | 浙江大学城市学院 | 一种应用于光伏发电系统的短期发电功率预测方法 |
| CN103400210A (zh) * | 2013-08-13 | 2013-11-20 | 广西电网公司电力科学研究院 | 一种短期风速组合预测方法 |
| CN103577694A (zh) * | 2013-11-07 | 2014-02-12 | 广东海洋大学 | 一种基于多尺度分析的水产养殖水质短期组合预测方法 |
| CN103778482A (zh) * | 2014-02-12 | 2014-05-07 | 中国农业大学 | 基于多尺度分析的水产养殖溶解氧短期预测方法 |
| CN105184679A (zh) * | 2015-09-22 | 2015-12-23 | 国网山东省电力公司电力科学研究院 | 一种风电场功率多时间尺度联合预测方法 |
| CN105956702A (zh) * | 2016-04-29 | 2016-09-21 | 中国农业大学 | 一种基于数据融合的水产养殖水质溶解氧预测方法 |
-
2016
- 2016-12-08 CN CN201611124640.9A patent/CN107016453A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102183621A (zh) * | 2011-02-28 | 2011-09-14 | 中国农业大学 | 水产养殖溶解氧浓度在线预测方法及系统 |
| CN103049798A (zh) * | 2012-12-05 | 2013-04-17 | 浙江大学城市学院 | 一种应用于光伏发电系统的短期发电功率预测方法 |
| CN103400210A (zh) * | 2013-08-13 | 2013-11-20 | 广西电网公司电力科学研究院 | 一种短期风速组合预测方法 |
| CN103577694A (zh) * | 2013-11-07 | 2014-02-12 | 广东海洋大学 | 一种基于多尺度分析的水产养殖水质短期组合预测方法 |
| CN103778482A (zh) * | 2014-02-12 | 2014-05-07 | 中国农业大学 | 基于多尺度分析的水产养殖溶解氧短期预测方法 |
| CN105184679A (zh) * | 2015-09-22 | 2015-12-23 | 国网山东省电力公司电力科学研究院 | 一种风电场功率多时间尺度联合预测方法 |
| CN105956702A (zh) * | 2016-04-29 | 2016-09-21 | 中国农业大学 | 一种基于数据融合的水产养殖水质溶解氧预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张浒: "时间序列短期预测模型研究与应用", 《中国博士学位论文全文数据库 工程科技II辑》 * |
| 杨争光 等: "基于MEC-BP 神经网络在水产养殖水质预测中的应用", 《计算机与现代化》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107480775B (zh) * | 2017-08-14 | 2020-06-16 | 中国水产科学研究院淡水渔业研究中心 | 一种基于数据修复的池塘溶解氧预测方法 |
| CN107480775A (zh) * | 2017-08-14 | 2017-12-15 | 中国水产科学研究院淡水渔业研究中心 | 一种基于数据修复的池塘溶解氧预测方法 |
| CN107679657A (zh) * | 2017-09-28 | 2018-02-09 | 黑龙江省科学院火山与矿泉研究所 | 一种用于矿泉的水质预测方法 |
| CN108038565A (zh) * | 2017-11-30 | 2018-05-15 | 常州大学 | 一种游程检测法重构eemd的养殖水质溶解氧预测方法 |
| CN108038571A (zh) * | 2017-12-08 | 2018-05-15 | 仲恺农业工程学院 | 一种养殖水质的非线性组合预测方法及系统 |
| CN109583566A (zh) * | 2018-11-20 | 2019-04-05 | 东北农业大学 | 一种基于经验模态分解与Elman神经网络的寒地猪舍内氨气浓度预测方法 |
| CN110083190A (zh) * | 2019-04-19 | 2019-08-02 | 淮阴工学院 | 一种基于减法聚类分类器的青椒温室环境智能监测系统 |
| CN110763830A (zh) * | 2019-12-04 | 2020-02-07 | 济南大学 | 一种水泥熟料游离氧化钙含量预测方法 |
| CN110763830B (zh) * | 2019-12-04 | 2022-04-05 | 济南大学 | 一种水泥熟料游离氧化钙含量预测方法 |
| CN111931983A (zh) * | 2020-07-07 | 2020-11-13 | 湖南大学 | 一种降水量预测方法及系统 |
| CN111931983B (zh) * | 2020-07-07 | 2023-09-19 | 湖南大学 | 一种降水量预测方法及系统 |
| CN113281465A (zh) * | 2021-05-07 | 2021-08-20 | 淮阴工学院 | 一种畜禽舍养殖环境有害气体检测系统 |
| CN113762078A (zh) * | 2021-08-03 | 2021-12-07 | 南昌工程学院 | 基于vmd-cssa-lstm-mlr组合模型的湖泊tn预测方法 |
| CN115166176A (zh) * | 2022-06-24 | 2022-10-11 | 山东科技大学 | 一种基于tcn模型的池塘溶解氧浓度预测方法 |
| CN115166176B (zh) * | 2022-06-24 | 2024-03-26 | 山东科技大学 | 一种基于tcn模型的池塘溶解氧浓度预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107016453A (zh) | 一种水产养殖溶解氧预测方法及装置 | |
| CN103577694B (zh) | 一种基于多尺度分析的水产养殖水质短期组合预测方法 | |
| CN101315557B (zh) | 基于遗传算法优化bp神经网络的丙烯聚合生产过程最优软测量仪表及方法 | |
| CN106022521B (zh) | 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法 | |
| CN107220734A (zh) | 基于决策树的数控车床车削过程能耗预测系统 | |
| CN102183621B (zh) | 水产养殖溶解氧浓度在线预测方法及系统 | |
| CN106529818B (zh) | 基于模糊小波神经网络的水质评价预测方法 | |
| CN103745273B (zh) | 一种半导体制造过程的多性能预测方法 | |
| US20160203419A1 (en) | Metaheuristic-guided trust-tech methods for global unconstrained optimization | |
| CN107220764A (zh) | 一种基于前导分析和因素补偿的售电量预测方法及装置 | |
| CN101782743A (zh) | 神经网络建模方法及系统 | |
| CN109871977A (zh) | 基于离散小波变换和优化最小支持向量机的负荷预测方法 | |
| CN105913151A (zh) | 基于自适应变异粒子群与bp网络光伏电站发电量预测方法 | |
| CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
| CN107169610A (zh) | 水产养殖溶解氧预测方法及装置 | |
| CN109214579B (zh) | 基于bp神经网络的盐碱地稳定性预测方法及系统 | |
| CN111127246A (zh) | 一种输电线路工程造价的智能预测方法 | |
| CN108280998A (zh) | 基于历史数据动态选择的短时交通流预测方法 | |
| CN106920014A (zh) | 一种短时负荷预测方法及装置 | |
| CN106991493A (zh) | 基于灰色神经网络组合模型的污水处理出水参数预测方法 | |
| CN107248013A (zh) | 一种综合考虑多种经济因素的月度用电量预测方法 | |
| CN105512832A (zh) | 基于时变权最小方差的城市需水量组合预测方法 | |
| CN107909221A (zh) | 基于组合神经网络的电力系统短期负荷预测方法 | |
| CN113592144A (zh) | 一种中长期径流概率预报方法及系统 | |
| CN104656620A (zh) | 重型机床再制造综合评价系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170804 |