CN110232461A - 基于量子遗传算法优化的多关联向量机水质预测方法 - Google Patents

基于量子遗传算法优化的多关联向量机水质预测方法 Download PDF

Info

Publication number
CN110232461A
CN110232461A CN201811229603.3A CN201811229603A CN110232461A CN 110232461 A CN110232461 A CN 110232461A CN 201811229603 A CN201811229603 A CN 201811229603A CN 110232461 A CN110232461 A CN 110232461A
Authority
CN
China
Prior art keywords
water quality
prediction
rvm
quality indicator
different
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
Application number
CN201811229603.3A
Other languages
English (en)
Inventor
岳峻
赵启正
贾世祥
李文升
宋爱环
常丽荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ludong University
Original Assignee
Ludong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ludong University filed Critical Ludong University
Priority to CN201811229603.3A priority Critical patent/CN110232461A/zh
Publication of CN110232461A publication Critical patent/CN110232461A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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"

Abstract

本发明提供一种基于量子遗传算法优化的多关联向量机水质预测方法及系统，该方法包括：依据监测的某一水质指标的历史数据时间序列建立关联向量机水质预测模型；建立不同关联向量机子模型，所建立的每个子模型从各个数据的不同特征出发对对象进行不同角度的描述；利用上述各子模型所得预测结果对BP网络进行学习训练得到非线性组合函数模型，进而完成对各子模型的有效融合；嵌入量子遗传优化算法，对BP网络初始参数进行优化选择，从而加快网络的收敛速度达到全局最优，最终实现基于量子遗传算法优化的多关联向量机水质预测。本发明的核函数的选取不受任何条件限制，在给出预测值时，还能同时给出预测结果的可信程度。

Description

基于量子遗传算法优化的多关联向量机水质预测方法
技术领域
本发明涉及水质预测领域，更具体地，涉及基于量子遗传算法优化的多关联向量机水质预测方法及系统。
背景技术
水质预测作为水环境污染控制的重要手段，能够预测水质的变化趋势，从而有效地控制水质恶化情况；同时在水产养殖领域针对各项水质参数的预测更是实现水产养殖的现代化、自动化的重要保证，有效的进行水质预测，为水产养殖企业和个人提供了增加产量、节省投资的有效指导和参考。为了掌握水质现状及其发展趋势，有效控制和改善水质恶化情况，推动水产养殖领域快速发展，需要改善现有的水质预测方法。
现有的技术，针对水质预测问题，基于关联向量机回归的水质参数时间序列预测方法（201410196457）通过将历史数据中缺失数据做补0处理，进一步运用最小二乘法进行拟合比较，带入补全值作为缺失数据值对历史数据进行预处理，再运用关联向量机回归模型进行水质预测。具体是直接选取训练样本集和测试样本集对RVM进行训练和测试得到水质预测结果。
现有技术中，单一的RVM模型不容易适应不同的水质指标的相应特点，针对多种水质指标进行预测时难免出现预测准确率下降的问题，泛化能力相对较弱。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的一种基于量子遗传算法优化的多关联向量机水质预测方法及系统。
根据本发明的一个方面，提供一种水质预测方法，包括：S1、依据监测的某一水质指标的历史数据时间序列建立关联向量机水质预测模型，依据关联向量机的核函数选择不受任何限制的特点，选择多个不同核函数建立不同关联向量机子模型，使所建立的每个子模型从各个数据的不同特征出发对对象进行不同角度的描述；S2、对BP神经网络嵌入量子遗传优化算法，对所述网络初始参数进行优化选择，以代替人为主观的对初始权值阈值的直接设定，从而加快网络的收敛速度达到全局最优；S3、根据所述优化的BP网络极强的非线性处理能力、所述各子模型所得预测结果，对BP网络进行学习训练得到非线性组合函数模型，进而完成对各子模型的有效融合，实现基于量子遗传算法优化的多关联向量机水质预测。
优选地，步骤S1之前包括：S01、获取所述每一需预测的水质指标的历史监测数据；S02、根据所述每一需预测的水质指标的历史监测数据，获得水质指标的历史数据时间序列。
优选地，步骤S1之前还包括：通过统计检验方法对所述每一需预测的水质指标的历史监测数据进行误差数据剔除和校正。
优选地，将关联向量机（RVM）应用至水质预测，首先需依据监测的某一水质指标的历史数据时间序列建立水质预测模型，然后以此模型预测该水质指标将来的变化；若水质指标的历史数据时间序列为，其中，为序列长度，为时刻的水质指标检测值；为所述之前个监测值组成的向量，是采样周期，则水质预测方法的关键在于确定映射关系：。
优选地，步骤S1具体包括：构建一训练样本集，其中为输入样本，为输出样本，并以该样本训练RVM，利用RVM回归极强的非线性映射能力，使RVM的输入与输出逼近所述映射关系，将后续水质指标的时间序列送入训练后的RVM预测模型输入端，即可在该预测模型输出端得到未来水质指标的预测值；根据所述RVM预测方法，利用所述RVM预测方法核函数的选择不受任何条件限制、无需满足Mercer 条件，选取多种不同的核函数构建多个不同RVM预测模型，所述多个不同RVM模型因为多种核函数分别各具不同的特点，使所建立的每个子模型从各个数据的不同特征出发对对象指标进行不同角度的描述。
根据本发明的另一个方面，提供一种水质预测系统，包括：
多关联向量机构建模块，依据监测的某一水质指标的历史数据时间序列建立关联向量机水质预测模型，依据关联向量机的核函数选择不受任何限制的特点，选择多个不同核函数建立不同关联向量机子模型，使所建立的每个子模型从各个数据的不同特征出发对对象进行不同角度的描述。
优选地，还包括：对BP神经网络嵌入量子遗传优化算法，对所述BP神经网络初始参数进行优化选择，以代替人为主观的对初始权值阈值的直接设定，从而加快网络的收敛速度达到全局最优。
优选地，还包括：多关联向量机融合模块，根据所述优化的BP网络极强的非线性处理能力、所述各子模型所得预测结果，对BP网络进行学习训练得到非线性组合函数模型，进而完成对各子模型的有效融合，实现基于量子遗传算法优化的多关联向量机水质预测。
优选地，所述多关联向量机构建模块具体包括：第一单元，用于将关联向量机应用至水质预测，首先需依据监测的某一水质指标的历史数据时间序列建立水质预测模型，然后以此模型预测该水质指标将来的变化；若水质指标的历史数据时间序列为，其中，为序列长度，为时刻的水质指标检测值；为所述之前个监测值组成的向量，是采样周期，则水质预测方法的关键在于确定映射关系：；第二单元，用于构建一训练样本集，其中为输入样本，为输出样本，并以该样本训练RVM，利用RVM回归极强的非线性映射能力，使RVM的输入与输出逼近所述映射关系，将后续水质指标的时间序列送入训练后的RVM预测模型输入端，即可在该预测模型输出端得到未来水质指标的预测值；第三单元，用于根据所述RVM预测方法，利用所述RVM预测方法核函数的选择不受任何条件限制、无需满足Mercer 条件，选取多种不同的核函数构建多个不同RVM预测模型，所述多个不同RVM模型因为多种核函数分别各具不同的特点，使所建立的每个子模型从各个数据的不同特征出发对对象指标进行不同角度的描述。
本发明提供一种基于量子遗传算法优化的多关联向量机水质预测方法及系统，核函数的选取不受任何条件限制，解的稀疏性也远高于支持向量机模型，且在给出预测值时，还能同时给出预测结果的可信程度，从而为水质监测与管理机构提供更多的参考信息，预测结果精度高，具有较好的泛化能力。采用基于量子遗传算法优化的多关联向量机水质预测方法，在量子遗传算法简化时间的基础上，更大大缩短了预测时间。
附图说明
图1为本发明实施例一种水质预测方法的流程图。
图2为本发明一优选实施例一种水质预测方法的流程图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本发明解决的是掌握水质现状及其发展趋势，实现快速精确预测的问题。根据关联向量机关联向量个数少、待优化参数少、核函数选择不受任何限制的特点，构建多关联向量机，可完成概率式预测，并且具有很强的学习能力；针对如今普遍存在的多模型线性融合的不足，采取BP神经网络对模型预测信息进行非线性有效融合处理，通过BP网络实现将不同预测模型所取得的预测结果进行非线性融合，以得到预测精度更佳的预测结果；针对BP网络存在学习效率低、收敛速度慢以及容易陷入局部最优等不足，采用量子遗传优化算法对BP网络初始权重和阈值进行优化选择，加快BP网络的收敛速度从而达到全局最优，以提高模型的非线性预测能力。
图1为本发明实施例一种水质预测方法的流程图，如图1所示，该方法包括：S1、依据监测的某一水质指标的历史数据时间序列建立关联向量机水质预测模型，依据关联向量机的核函数选择不受任何限制的特点，选择多个不同核函数建立不同关联向量机子模型，使所建立的每个子模型从各个数据的不同特征出发对对象进行不同角度的描述；S2、对BP神经网络嵌入量子遗传优化算法，对所述网络初始参数进行优化选择，以代替人为主观的对初始权值阈值的直接设定，从而加快网络的收敛速度达到全局最优；S3、根据所述优化的BP网络极强的非线性处理能力、所述各子模型所得预测结果，对BP网络进行学习训练得到非线性组合函数模型，进而完成对各子模型的有效融合，实现基于量子遗传算法优化的多关联向量机水质预测。
通过所参数水质传感器采集数据获取所述每一需预测的水质指标的历史监测数据，根据所获得的历史监测数据，获得水质指标的历史数据时间序列。
通过统计检验方法对所述每一需预测的水质指标的历史监测数据进行误差数据剔除和校正。
通过所述水质指标的历史时间监测数据、经预处理的历史监测数据，建立RVM水质预测模型，然后以此模型预测该水质指标将来的变化。在所述RVM回归模型的基础上，依据关联向量机的核函数选择不受任何限制的特点，选择多个不同核函数建立不同关联向量机子模型，使所建立的每个子模型从各个数据的不同特征出发对对象进行不同角度的描述。
通过量子遗传算法对BP网络进行初始权值和阈值的优化选择，加快BP网络的收敛速度从而达到全局最优。
通过优化的BP网络实现对所述各个RVM子模型的有效融合，得到非线性组合函数模型。
通过量子遗传算法对BP网络进行初始权值和阈值的优化选择，步骤如下：
设定初始种群，采用量子比特作为遗传信息的载体，由量子门算法来对信息进行基本操作。采用量子比特完成对种群的编码，根据量子计算具有并行特性，即使量子遗传算法的种群设置得很小，也将有很强的全局搜索能力。设置茎区池大小为N，种群规模的大小为M，其可以编码为：
其中，，为第代种群的第个个体，和分别为第个量子比特取0和取1的概率幅
由于上述种群采用量子比特编码，无法直接用来计算适应度，所以对种群中的每个个体的每个量子比特进行测量操作，将上述量子比特矩阵每个量子比特坍塌到一个确定的值，生成一个确定解0、1矩阵。具体测量方法为遍历种群中所有个体的每个量子比特，每次生成一个介于的随机小数，若生成的小数在范围内，则取测量结果状态为0；否则，得到状态1，由此获得初始种群；同样的，对于第代种群，利用相同的方法可以得到确定解；这样生成的确定解中的每个向量仍需进行组合修正和更新。
计算每个个体的适应度，并记录适应度最好的个体，记为，采用量子螺旋门对种群进行更新，对某个个体的第个量子比特的更新过程为：
其中：和分别为染色体第个量子比特旋转门更新前后的概率幅；为量子旋转角，用于确定收敛速度，其正负号决定算法收敛方向，其值决定算法收敛速度。旋转角所采用的策略为：
其中，为控制第个量子旋转角的方向，是量子比特处于状态0的概率幅，是处于状态1的概率幅，为初始旋转角，为当代染色体的最大适应度函数值，、分别为当前解和历史最优解的适应度函数值。调整的结果使得概率幅始终向着最优解的方向旋转。
收敛条件：一是达到设定的迭代次数；二是获得更高的适应度值。实际情况中，收敛条件中的迭代次数限制不宜过多，但是需要根据该水域具体水质状况和具体地理位置而优选。
先前已经构建了多关联向量机水质预测模型，BP网络的初始参数优化也根据量子遗传算法完成，将样本数据集划分成训练集和测试集，选择各子模型核函数；利用训练集，以量子遗传优化算法优化具有不同核函数RVM 建立各子模型；将各子模型的输出，作为BP网络的输入训练样本；确定BP网络拓扑结构，同时确定输入层神经元数R、输出层神经元数S1以及隐含层各层神经元S2，同时确定BP网络所需的各函数类型；设定量子遗传优化算法初始参数，利用量子遗传优化算法优化选取BP网络的最优初始权重和阈值；将最优初始权重和阈值代入网络，利用训练样本对网络进行反复训练找到一个拟合效果最好的BP网络，并保存该网络；利用测试集对非线性组合模型测试（其中是将测试样本输入上述建立的各子模型，再将各子模型的输出作为保存网络的输入），实现基于量子遗传算法优化的多关联向量机水质预测。
本发明提出提供一种基于量子遗传算法优化的多关联向量机机水质预测方法，核函数的选取不受任何条件限制，解的稀疏性也远高于SVM，且在给出预测值时，还能同时给出预测结果的可信程度，从而为水质监测与管理机构提供更多的参考信息，预测结果精度高，具有较好的泛化能力。采用基于量子遗传算法优化的多关联向量机水质预测方法，在量子遗传算法简化时间的基础上，更大大缩短了预测时间。
在上述实施例的基础上，优选地，步骤S1之前包括：S01、获取所述每一需预测的水质指标的历史监测数据；S02、根据所述每一需预测的水质指标的历史监测数据，获得水质指标的历史数据时间序列。
依据监测的某一水质指标的历史数据时间序列建立水质预测模型，然后以此模型预测该水质指标将来的变化；若水质指标的历史数据时间序列为，其中，为序列长度，为时刻的水质指标检测值；为所述之前个监测值组成的向量，是采样周期，则水质预测方法的关键在于确定映射关系：。
在上述实施例的基础上，具体地，步骤S1之前还包括：通过统计检验方法对所述每一需预测的水质指标的历史监测数据进行误差数据剔除和校正。
在上述实施例的基础上，具体地，步骤S3具体包括：构建一训练样本集，其中为输入样本，为输出样本，并以该样本训练RVM，利用RVM回归极强的非线性映射能力，使RVM的输入与输出逼近所述映射关系，将后续水质指标的时间序列送入训练后的RVM预测模型输入端，即可在该预测模型输出端得到未来水质指标的预测值；根据所述RVM预测方法，利用所述RVM预测方法核函数的选择不受任何条件限制、无需满足Mercer 条件，选取多种不同的核函数构建多个不同RVM预测模型，所述多个不同RVM模型因为多种核函数分别各具不同的特点，使所建立的每个子模型从各个数据的不同特征出发对对象指标进行不同角度的描述。
图2为本发明一优选实施例一种水质预测方法的流程图，如图2所示，采用量子遗传算法对BP网络初始参数进行优化选择，加快BP网络的收敛速度从而达到全局最优；然后采用优化后的BP网络来构建多个关联向量机子模型，进行非线性融合，以提高模型的非线性预测能力。采用上述方法，使模型具有良好的非线性预测能力，较单一模型具有更高的预测精度；该方法采用多个各具不同核函数的RVM模型从各维提取样本数据的多样特征信息，有效避免如今普遍存在的多模型线性融合的不足，采取BP神经网络对模型预测信息进行非线性有效融合处理，即通过BP网络实现将不同预测模型所取得的预测结果进行非线性融合以得到预测精度更佳的预测结果。
本发明实施例还提供一种水质预测系统，该系统包括：多关联向量机构建模块，依据监测的某一水质指标的历史数据时间序列建立关联向量机水质预测模型，依据关联向量机的核函数选择不受任何限制的特点，选择多个不同核函数建立不同关联向量机子模型，使所建立的每个子模型从各个数据的不同特征出发对对象进行不同角度的描述。该系统实施例的具体执行过程与对应的方法实施例的具体执行过程相同，详情请参考方法实施例的执行过程，此处不再赘述。
在上述实施例的基础上，优选地，还包括：量子遗传算法优化模块，对BP神经网络嵌入量子遗传优化算法，对所述网络初始参数进行优化选择，以代替人为主观的对初始权值阈值的直接设定，从而加快网络的收敛速度达到全局最优。该系统实施例的具体执行过程与对应的方法实施例的具体执行过程相同，详情请参考方法实施例的执行过程，此处不再赘述。
在上述实施例的基础上，优选地，还包括：多关联向量机融合模块，根据所述优化的BP网络极强的非线性处理能力、所述各子模型所得预测结果，对BP网络进行学习训练得到非线性组合函数模型，进而完成对各子模型的有效融合，实现基于量子遗传算法优化的多关联向量机水质预测。该系统实施例的具体执行过程与对应的方法实施例的具体执行过程相同，详情请参考方法实施例的执行过程，此处不再赘述。
在上述实施例的基础上，优选地，所述多关联向量机构建模块具体包括：第一单元，用于将关联向量机应用至水质预测，首先需依据监测的某一水质指标的历史数据时间序列建立水质预测模型，然后以此模型预测该水质指标将来的变化；若水质指标的历史数据时间序列为，其中，为序列长度，为时刻的水质指标检测值；为所述之前个监测值组成的向量，是采样周期，则水质预测方法的关键在于确定映射关系：；第二单元，用于构建一训练样本集，其中为输入样本，为输出样本，并以该样本训练RVM，利用RVM回归极强的非线性映射能力，使RVM的输入与输出逼近所述映射关系，将后续水质指标的时间序列送入训练后的RVM预测模型输入端，即可在该预测模型输出端得到未来水质指标的预测值；第三单元，用于根据所述RVM预测方法，利用所述RVM预测方法核函数的选择不受任何条件限制、无需满足Mercer 条件，选取多种不同的核函数构建多个不同RVM预测模型，所述多个不同RVM模型因为多种核函数分别各具不同的特点，使所建立的每个子模型从各个数据的不同特征出发对对象指标进行不同角度的描述。该系统实施例的具体执行过程与对应的方法实施例的具体执行过程相同，详情请参考方法实施例的执行过程，此处不再赘述。
最后，本发明的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.通一种水质预测方法，其特征在于，包括：
S1、依据监测的某一水质指标的历史数据时间序列建立关联向量机水质预测模型，依据关联向量机的核函数选择不受任何限制的特点，选择多个不同核函数建立不同关联向量机子模型，使所建立的每个子模型从各个数据的不同特征出发对对象进行不同角度的描述；
S2、对BP神经网络嵌入量子遗传优化算法，对所述网络初始参数进行优化选择，以代替人为主观的对初始权值阈值的直接设定，从而加快网络的收敛速度达到全局最优；
S3、根据所述优化的BP网络极强的非线性处理能力、所述各子模型所得预测结果，对BP网络进行学习训练得到非线性组合函数模型，进而完成对各子模型的有效融合，实现基于量子遗传算法优化的多关联向量机水质预测。
2.根据权利要求1所述方法，其特征在于，步骤S1之前包括：
S01、获取所述每一需预测的水质指标的历史监测数据；
S02、根据所述每一需预测的水质指标的历史监测数据，获得水质指标的历史数据时间序列。
3.根据权利要求1所述方法，其特征在于，步骤S1之前还包括：
通过统计检验方法对所述每一需预测的水质指标的历史监测数据进行误差数据剔除和校正。
4.根据权利要求2所述方法，其特征在于，将关联向量机（RVM）应用至水质预测，首先需依据监测的某一水质指标的历史数据时间序列建立水质预测模型，然后以此模型预测该水质指标将来的变化；若水质指标的历史数据时间序列为，其中，为序列长度，为时刻的水质指标检测值；为所述之前个监测值组成的向量，是采样周期，则水质预测方法的关键在于确定映射关系：。
5.根据权利要求4所述方法，其特征在于，步骤S1具体包括：
构建一训练样本集，其中为输入样本，为输出样本，并以该样本训练RVM，利用RVM回归极强的非线性映射能力，使RVM的输入与输出逼近所述映射关系，将后续水质指标的时间序列送入训练后的RVM预测模型输入端，即可在该预测模型输出端得到未来水质指标的预测值；
根据所述RVM预测方法，利用所述RVM预测方法核函数的选择不受任何条件限制、无需满足Mercer 条件，选取多种不同的核函数构建多个不同RVM预测模型，所述多个不同RVM模型因为多种核函数分别各具不同的特点，使所建立的每个子模型从各个数据的不同特征出发对对象指标进行不同角度的描述。
6.对一种水质预测系统，其特征在于，包括：
多关联向量机构建模块，依据监测的某一水质指标的历史数据时间序列建立关联向量机水质预测模型，依据关联向量机的核函数选择不受任何限制的特点，选择多个不同核函数建立不同关联向量机子模型，使所建立的每个子模型从各个数据的不同特征出发对对象进行不同角度的描述；
量子遗传算法优化模块，对BP神经网络嵌入量子遗传优化算法，对所述网络初始参数进行优化选择，以代替人为主观的对初始权值阈值的直接设定，从而加快网络的收敛速度达到全局最优；
多关联向量机融合模块，根据所述优化的BP网络极强的非线性处理能力、所述各子模型所得预测结果，对BP网络进行学习训练得到非线性组合函数模型，进而完成对各子模型的有效融合，实现基于量子遗传算法优化的多关联向量机水质预测。
7.根据权利要求6所述系统，其特征在于，还包括：
数据采集模块，获取所述每一需预测的水质指标的历史监测数据；
时间序列构建模块，根据所述每一需预测的水质指标的历史监测数据，获得水质指标的历史数据时间序列。
8.根据权利要求6所述系统，其特征在于，还包括：
数据预处理模块，通过统计检验方法对所述每一需预测的水质指标的历史监测数据进行误差数据剔除和校正。
9.根据权利要求6所述系统，其特征在于，所述多关联向量机构建模块具体包括：
第一单元，用于将关联向量机应用至水质预测，首先需依据监测的某一水质指标的历史数据时间序列建立水质预测模型，然后以此模型预测该水质指标将来的变化；若水质指标的历史数据时间序列为，其中，为序列长度，为时刻的水质指标检测值；为所述之前个监测值组成的向量，是采样周期，则水质预测方法的关键在于确定映射关系：；第二单元，用于构建一训练样本集，其中为输入样本，为输出样本，并以该样本训练RVM，利用RVM回归极强的非线性映射能力，使RVM的输入与输出逼近所述映射关系，将后续水质指标的时间序列送入训练后的RVM预测模型输入端，即可在该预测模型输出端得到未来水质指标的预测值；第三单元，用于根据所述RVM预测方法，利用所述RVM预测方法核函数的选择不受任何条件限制、无需满足Mercer 条件，选取多种不同的核函数构建多个不同RVM预测模型，所述多个不同RVM模型因为多种核函数分别各具不同的特点，使所建立的每个子模型从各个数据的不同特征出发对对象指标进行不同角度的描述。
CN201811229603.3A 2018-10-22 2018-10-22 基于量子遗传算法优化的多关联向量机水质预测方法 Pending CN110232461A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811229603.3A CN110232461A (zh) 2018-10-22 2018-10-22 基于量子遗传算法优化的多关联向量机水质预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811229603.3A CN110232461A (zh) 2018-10-22 2018-10-22 基于量子遗传算法优化的多关联向量机水质预测方法

Publications (1)

Publication Number Publication Date
CN110232461A true CN110232461A (zh) 2019-09-13

Family

ID=67861882

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811229603.3A Pending CN110232461A (zh) 2018-10-22 2018-10-22 基于量子遗传算法优化的多关联向量机水质预测方法

Country Status (1)

Country Link
CN (1) CN110232461A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111025899A (zh) * 2019-11-21 2020-04-17 复旦大学 一种非线性动态质量系统预测方法
CN111080009A (zh) * 2019-12-13 2020-04-28 北京瑞莱智慧科技有限公司 基于时间序列的数据预测及补全方法、装置、介质和设备
CN111104736A (zh) * 2019-12-13 2020-05-05 北京瑞莱智慧科技有限公司 基于时间序列的异常数据检测方法、装置、介质和设备
CN111475985A (zh) * 2020-03-03 2020-07-31 珠海中力新能源科技有限公司 集成模型尺寸控制方法、装置、终端设备及存储介质
CN112200353A (zh) * 2020-09-30 2021-01-08 重庆师范大学 基于改进量子优化算法的支持向量机天气预测方法
CN114881314A (zh) * 2022-04-27 2022-08-09 广西科学院 基于多方向逼近的配方优化方法
CN115980298A (zh) * 2023-03-20 2023-04-18 山东思睿环境设备科技有限公司 一种基于多参数适应性水质检测分析方法及装置
CN116933949A (zh) * 2023-09-18 2023-10-24 北京金水永利科技有限公司 一种融合水动力模型和数理模型的水质预测方法及系统
CN117555287A (zh) * 2024-01-12 2024-02-13 中国机械总院集团云南分院有限公司 一种基于cae的数控机床加工动态性能监控方法及系统

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111025899A (zh) * 2019-11-21 2020-04-17 复旦大学 一种非线性动态质量系统预测方法
CN111080009A (zh) * 2019-12-13 2020-04-28 北京瑞莱智慧科技有限公司 基于时间序列的数据预测及补全方法、装置、介质和设备
CN111104736A (zh) * 2019-12-13 2020-05-05 北京瑞莱智慧科技有限公司 基于时间序列的异常数据检测方法、装置、介质和设备
CN111080009B (zh) * 2019-12-13 2021-04-16 北京瑞莱智慧科技有限公司 基于时间序列的数据预测及补全方法、装置、介质和设备
CN111104736B (zh) * 2019-12-13 2021-07-13 北京瑞莱智慧科技有限公司 基于时间序列的异常数据检测方法、装置、介质和设备
CN111475985B (zh) * 2020-03-03 2023-04-28 珠海中力新能源科技有限公司 球磨机负荷参数集成模型尺寸控制方法、装置及设备
CN111475985A (zh) * 2020-03-03 2020-07-31 珠海中力新能源科技有限公司 集成模型尺寸控制方法、装置、终端设备及存储介质
CN112200353A (zh) * 2020-09-30 2021-01-08 重庆师范大学 基于改进量子优化算法的支持向量机天气预测方法
CN112200353B (zh) * 2020-09-30 2022-06-17 重庆师范大学 基于改进量子优化算法的支持向量机天气预测方法
CN114881314A (zh) * 2022-04-27 2022-08-09 广西科学院 基于多方向逼近的配方优化方法
CN114881314B (zh) * 2022-04-27 2023-04-07 广西科学院 基于多方向逼近的配方优化方法
CN115980298A (zh) * 2023-03-20 2023-04-18 山东思睿环境设备科技有限公司 一种基于多参数适应性水质检测分析方法及装置
CN116933949A (zh) * 2023-09-18 2023-10-24 北京金水永利科技有限公司 一种融合水动力模型和数理模型的水质预测方法及系统
CN116933949B (zh) * 2023-09-18 2023-12-19 北京金水永利科技有限公司 一种融合水动力模型和数理模型的水质预测方法及系统
CN117555287A (zh) * 2024-01-12 2024-02-13 中国机械总院集团云南分院有限公司 一种基于cae的数控机床加工动态性能监控方法及系统
CN117555287B (zh) * 2024-01-12 2024-04-09 中国机械总院集团云南分院有限公司 一种基于cae的数控机床加工动态性能监控方法及系统

Similar Documents

Publication Publication Date Title
CN110232461A (zh) 基于量子遗传算法优化的多关联向量机水质预测方法
CN109285346A (zh) 一种基于关键路段的城市路网交通状态预测方法
CN108009674A (zh) 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法
CN110470259A (zh) 基于lstm的滑坡位移动态预测方法
CN109919356B (zh) 一种基于bp神经网络区间需水预测方法
CN106529818A (zh) 基于模糊小波神经网络的水质评价预测方法
CN109214565A (zh) 一种适用于大电网分区调度的子区域系统负荷预测方法
CN115376317B (zh) 一种基于动态图卷积和时序卷积网络的交通流预测方法
CN116451556A (zh) 一种混凝土坝变形观测量统计模型构建方法
CN112036651A (zh) 基于量子免疫优化bp神经网络算法的电价预测方法
CN111222762A (zh) 太阳能电池板镀膜工艺状态监控及质量控制系统
CN114611757A (zh) 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法
CN109697531A (zh) 一种物流园区腹地物流需求预测方法
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统
Peng et al. Meteorological satellite operation prediction using a BiLSTM deep learning model
CN117498296A (zh) 基于注意力时空同步图卷积网络的多风电场功率预测方法
CN116911178A (zh) 一种基于气象预报的中小型水库容量预测方法及系统
CN117350146A (zh) 一种基于ga-bp神经网络的排水管网健康性评价方法
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN116523187A (zh) 一种基于bim的工程进度监控方法及其系统
CN114676887A (zh) 一种基于图卷积stg-lstm的河流水质预测方法
Shi et al. Research on long term load forecasting based on improved genetic neural network
Zhang et al. Electricity price forecasting method based on quantum immune optimization BP neural network algorithm
TWI773507B (zh) 預測系統可靠度之方法與裝置
CN117333587B (zh) 基于视频水位计的城市淹没图像数据的生成方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190913