CN113358840A - 一种水质预警方法及系统 - Google Patents
一种水质预警方法及系统 Download PDFInfo
- Publication number
- CN113358840A CN113358840A CN202110629371.6A CN202110629371A CN113358840A CN 113358840 A CN113358840 A CN 113358840A CN 202110629371 A CN202110629371 A CN 202110629371A CN 113358840 A CN113358840 A CN 113358840A
- Authority
- CN
- China
- Prior art keywords
- wolf
- objective function
- function value
- individual
- population
- 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
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Analytical Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种水质预警方法及系统,方法包括:获取待测水域的当前生物运动特征数据;将待测水域的当前生物运动特征数据,输入水质预警模型,得到预警结果;所述水质预警模型是采用差分进化算法和灰狼优化算法对支持向量机模型进行训练得到的。本发明提供的方法及系统通过差分进化算法和灰狼优化算法对支持向量机模型进行训练得到水质预警模型,使用水质预警模型对待测水域进行水质预警,能够提高水质预警的准确性,具有全局搜索能力强的优点。
Description
技术领域
本发明涉及水质预警领域,特别是涉及一种水质预警方法及系统。
背景技术
水质是水体质量的简称,一般通过水体的物理(如色度、浊度、臭味等)、 化学(无机物和有机物的含量)和生物(细菌、微生物、浮游生物、底栖生物) 来衡量。目前,随着科技发展和人类生活水平的提高,人类对水质的关注度 越来越高。水质预警成为科研人员争相研究的话题。
目前水质预警取得了一定的成果,根据生物(主要是鱼群)轨迹特征参 数,采用参数加权求和或者机器学习算法进行生物水质预警。但是参数加权 求和的方法,需要进行大量的实验求得最优权值;而机器学习方法采用大部 分都基于SVM(支持向量机,SupportVector Machine)模型对生物特征数据 的进行二分类得到预警结果,但是,目前的SVM模型和SVM改进模型虽 然有不错的局部搜索能力,但是在全局搜索时存在稳定性差、准确率低的问 题。
因此,亟需一种水质预警技术,具有准确性高、全局搜索能力强的优点。
发明内容
本发明的目的是提供一种水质预警方法及系统,能够提高水质预警的准 确性,具有全局搜索能力强的优点。
为实现上述目的,本发明提供了如下方案:
一种水质预警方法,包括:
获取待测水域的当前生物运动特征数据;
将所述待测水域的当前生物运动特征数据,输入水质预警模型,得到所 述待测水域的预警结果;所述水质预警模型是利用差分进化算法和灰狼优化 算法对支持向量机模型进行训练得到的。
可选的,在所述将所述待测水域的当前生物运动特征数据,输入水质预 警模型,得到所述待测水域的预警结果之前,还包括:
建立支持向量机模型;
获取待测水域的生物运动特征历史数据;
将所述待测水域的生物运动特征历史数据作为训练集,利用差分进化算 法和灰狼优化算法对所述支持向量机模型进行训练,得到水质预警模型。
可选的,所述将所述待测水域的生物运动特征历史数据作为训练集,利 用差分进化算法和灰狼优化算法对所述支持向量机模型进行训练,得到水质 预警模型,具体包括:
构建初始狼群;
利用差分进化算法对所述初始狼群进行处理,得到优化后的初始狼群, 将优化后的初始狼群作为训练狼群并初始化最优狼群目标函数值;
将所述训练狼群和所述训练集均输入所述支持向量机模型,计算所述训 练狼群中每个个体的个体目标函数值;
根据所述个体目标函数值对所述训练狼群中的个体进行降序排序,并将 前3个个体分别作为α狼、β狼和δ狼;
根据所述α狼的个体目标函数值、所述β狼的个体目标函数值和所述δ 狼的个体目标函数值,更新所述最优狼群目标函数值;
更新所述训练狼群中每个个体的位置,令第一迭代次数的数值增加1, 并返回步骤“将所述训练狼群和所述训练集均输入所述支持向量机模型,计 算所述训练狼群中每个个体的个体目标函数值”,直至所述第一迭代次数达 到第一迭代次数阈值,并将与所述最优狼群目标函数值对应的个体的位置作 为所述支持向量机模型的参数,得到水质预警模型;所述支持向量机模型的 参数包括:惩罚因子和核函数系数。
可选的,所述利用差分进化算法对所述初始狼群进行处理,得到最优初 始狼群,具体包括:
根据所述初始狼群构建父代种群;
将所述父代种群和所述训练集均输入所述支持向量机模型,计算所述父 代种群的种群目标函数值;
采用差分进化算法,对所述父代种群进行交叉和变异处理,得到子代种 群;
将所述子代种群和所述训练集均输入所述支持向量机模型,计算所述子 代种群的种群目标函数值;
判断所述子代种群的种群目标函数值是否大于所述父代种群的种群目 标函数值,得到第一判断结果;
若第一判断结果为是,则将所述父代种群更新为所述子代种群;
若第一判断结果为否,则保留所述父代种群;
令第二迭代次数的数值增加1,并返回步骤“采用差分进化算法,对所 述父代种群进行交叉和变异处理,得到子代种群”直至所述第二迭代次数达 到第二迭代次数阈值,并将所述父代种群确定为优化后的初始狼群。
可选的,所述根据所述α狼的个体目标函数值、所述β狼的个体目标函 数值和所述δ狼的个体目标函数值,更新所述最优狼群目标函数值,具体包 括:
判断所述最优狼群目标函数值是否小于α狼的个体目标函数值,得到第 二判断结果;
若第二判断结果为是,则将所述最优狼群目标函数值更新为α狼的个体 目标函数值;
若第二判断结果为否,则判断所述最优狼群目标函数值是否小于β狼的 个体目标函数值,得到第三判断结果;
若第三判断结果为是,则将所述最优狼群目标函数值更新为β狼的个体 目标函数值;
若第三判断结果为否,则将所述最优狼群目标函数值更新为δ狼的个体 目标函数值;
可选的,所述更新所述训练狼群中每个个体的位置,具体包括:
根据所述训练狼群中每个个体的位置,利用公式Xp(t+1)=Xp(t)-A.D对所 述训练狼群中每个个体进行更新,得到所述训练狼群中每个个体的一次更新 位置;并将所述训练狼群中除α狼以外每个个体的一次更新位置作为下一次 迭代时除α狼以外每个个体的的位置;
式中,Xp(t+1)为第t+1次迭代时个体p的位置;Xp(t)为第t次迭代时个 体p的位置;A为收敛因子;D为个体到猎物的距离,D=|CXp(t)-X(t)|,X(t) 为第t次迭代时猎物位置,C=2r1,C为系数常量,r1为[0,1]间的随机数; Xα(t+1)为第t+1次迭代时α狼的位置;X1、X2和X3分别为第t次迭代时α 狼、β狼和δ狼的一次更新位置。
一种水质预警系统,包括:
当前数据获取模块,用于获取待测水域的当前生物运动特征数据;
水质预警模块,用于将所述待测水域的当前生物运动特征数据,输入水 质预警模型,得到所述待测水域的预警结果;所述水质预警模型是利用差分 进化算法和灰狼优化算法对支持向量机模型进行训练得到的。
可选的,所述系统,还包括:
支持向量机模型建立模块,用于建立支持向量机模型;
历史数据获取模块,用于获取待测水域的生物运动特征历史数据;
水质预警模型确定模块,用于将所述待测水域的生物运动特征历史数据 作为训练集,利用差分进化算法和灰狼优化算法对所述支持向量机模型进行 训练,得到水质预警模型。
可选的,所述水质预警模型确定模块,具体包括:
初始狼群构建单元,用于构建初始狼群;
最优初始狼群确定单元,用于利用差分进化算法对所述初始狼群进行处 理,得到优化后的初始狼群,将优化后的初始狼群作为训练狼群并初始化最 优狼群目标函数值;
个体目标函数值计算单元,用于将所述训练狼群和所述训练集均输入所 述支持向量机模型,计算所述训练狼群中每个个体的个体目标函数值;
排序单元,用于根据所述个体目标函数值对所述训练狼群中的个体进行 降序排序,并将前3个个体分别作为α狼、β狼和δ狼;
最优狼群目标函数值更新单元,用于根据所述α狼的个体目标函数值、 所述β狼的个体目标函数值和所述δ狼的个体目标函数值,更新所述最优狼 群目标函数值;
水质预警模型确定单元,用于更新所述训练狼群中每个个体的位置,令 第一迭代次数的数值增加1,并返回步骤“将所述训练狼群和所述训练集均 输入所述支持向量机模型,计算所述训练狼群中每个个体的个体目标函数 值”,直至所述第一迭代次数达到第一迭代次数阈值,并将与所述最优狼群 目标函数值对应的个体的位置作为所述支持向量机模型的参数,得到水质预 警模型;所述支持向量机模型的参数包括:惩罚因子和核函数系数。
可选的,所述最优初始狼群确定单元,具体包括:
父代种群构建子单元,用于根据所述初始狼群构建父代种群;
第一种群目标函数值计算子单元,用于将所述父代种群和所述训练集均 输入所述支持向量机模型,计算所述父代种群的种群目标函数值;
子代种群构建子单元,用于采用差分进化算法,对所述父代种群进行交 叉和变异处理,得到子代种群;
第二种群目标函数值计算子单元,用于将所述子代种群和所述训练集均 输入所述支持向量机模型,计算所述子代种群的种群目标函数值;
第一判断子单元,用于判断所述子代种群的种群目标函数值是否大于所 述父代种群的种群目标函数值,得到第一判断结果;若第一判断结果为是, 则执行第一父代种群更新子单元;若第一判断结果为否,则执行第二父代种 群更新子单元;
第一父代种群更新子单元,用于将所述父代种群更新为所述子代种群;
第二父代种群更新子单元,用于保留所述父代种群;
最优初始狼群确定子单元,用于令第二迭代次数的数值增加1,并返回 步骤“采用差分进化算法,对所述父代种群进行交叉和变异处理,得到子代 种群”直至所述第二迭代次数达到第二迭代次数阈值,并将所述父代种群确 定为优化后的初始狼群。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种水质预警方法及系统,方法包括:获取待测水域的当 前生物运动特征数据;将待测水域的当前生物运动特征数据,输入水质预警 模型,得到预警结果;所述水质预警模型是采用差分进化算法和灰狼优化算 法对支持向量机模型进行训练得到的。本发明通过差分进化算法和灰狼优化 算法对支持向量机模型进行训练得到水质预警模型,使用水质预警模型对待 测水域进行水质预警,能够提高水质预警的准确性,具有全局搜索能力强的 优点。
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,下面描述中的附图仅 仅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 劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例所提供的水质预警方法流程图;
图2为本发明实施例所提供的水质预警模型训练方法流程图;
图3为本发明实施例所提供的狼群等级划分图;
图4为本发明实施例所提供的狼群猎捕过程示意图;
图5为本发明实施例所提供的GA-SVM模型适应度曲线图;
图6为本发明实施例所提供的GWO-SVM模型适应度曲线图;
图7为本发明实施例所提供的DEGWO-SVM模型适应度曲线图;
图8为本发明实施例所提供的水质预警系统结构示意图。
具体实施方式
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、完整地描述,显然,所描述的实施例仅仅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做 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。
本发明的目的是提供一种水质预警方法及系统,能够提高水质预警的准 确性,具有全局搜索能力强的优点。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图 和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例所提供的水质预警方法流程图,如图1所示,本发 明提供了一种水质预警方法,包括:
步骤101:获取待测水域的当前生物运动特征数据;
步骤102:将待测水域的当前生物运动特征数据,输入水质预警模型, 得到待测水域的预警结果;水质预警模型是利用差分进化算法和灰狼优化算 法对支持向量机模型进行训练得到的。
本发明提供的的水质预警方法,在步骤102之前,还包括:
建立支持向量机模型;
获取待测水域的生物运动特征历史数据;
将待测水域的生物运动特征历史数据作为训练集,利用差分进化算法和 灰狼优化算法对支持向量机模型进行训练,得到水质预警模型。
具体的,将待测水域的生物运动特征历史数据作为训练集,利用差分进 化算法和灰狼优化算法对支持向量机模型进行训练,得到水质预警模型,具 体包括:
构建初始狼群;
利用差分进化算法对初始狼群进行处理,得到优化后的初始狼群,将优 化后的初始狼群作为训练狼群并初始化最优狼群目标函数值;
将训练狼群和训练集均输入支持向量机模型,计算训练狼群中每个个体 的个体目标函数值;个体目标函数值为以训练狼群中个体位置为支持向量机 模型参数对训练集进行训练得到的适应度函数。
根据个体目标函数值对训练狼群中的个体进行降序排序,并将前3个个 体分别作为α狼、β狼和δ狼;
根据α狼的个体目标函数值、β狼的个体目标函数值和δ狼的个体目标 函数值,更新最优狼群目标函数值;
更新训练狼群中每个个体的位置,令第一迭代次数的数值增加1,并返 回步骤“将训练狼群和训练集均输入支持向量机模型,计算训练狼群中每个 个体的个体目标函数值”,直至第一迭代次数达到第一迭代次数阈值,并将 与最优狼群目标函数值对应的个体的位置作为支持向量机模型的参数,得到 水质预警模型;支持向量机模型的参数包括:惩罚因子和核函数系数。
其中,利用差分进化算法对初始狼群进行处理,得到优化后的初始狼群, 具体包括:
根据初始狼群构建父代种群;
将父代种群和训练集均输入支持向量机模型,计算父代种群的种群目标 函数值;种群目标函数值为以种群参数为支持向量机模型参数对训练集进行 训练得到的适应度函数。
采用差分进化算法,对父代种群进行交叉和变异处理,得到子代种群;
将子代种群和训练集均输入支持向量机模型,计算子代种群的种群目标 函数值;
判断子代种群的种群目标函数值是否大于父代种群的种群目标函数值, 得到第一判断结果;
若第一判断结果为是,则将父代种群更新为子代种群;
若第一判断结果为否,则保留父代种群;
令第二迭代次数的数值增加1,并返回步骤“采用差分进化算法,对父 代种群进行交叉和变异处理,得到子代种群”直至第二迭代次数达到第二迭 代次数阈值,并将父代种群确定为优化后的初始狼群。
本发明提供的水质预警方法,根据α狼的个体目标函数值、β狼的个体 目标函数值和δ狼的个体目标函数值,更新最优狼群目标函数值,具体包括:
判断最优狼群目标函数值是否小于α狼的个体目标函数值,得到第二判 断结果;
若第二判断结果为是,则将最优狼群目标函数值更新为α狼的个体目标 函数值;
若第二判断结果为否,则判断最优狼群目标函数值是否小于β狼的个体 目标函数值,得到第三判断结果;
若第三判断结果为是,则将最优狼群目标函数值更新为β狼的个体目标 函数值;
若第三判断结果为否,则将最优狼群目标函数值更新为δ狼的个体目标 函数值;
更新训练狼群中每个个体的位置,具体包括:
根据训练狼群中每个个体的位置,利用公式Xp(t+1)=Xp(t)-A.D对训练狼 群中每个个体进行更新,得到训练狼群中每个个体的一次更新位置;并将训 练狼群中除α狼以外每个个体的一次更新位置作为下一次迭代时除α狼以 外每个个体的的位置;
式中,Xp(t+1)为第t+1次迭代时个体p的位置;Xp(t)为第t次迭代时个 体p的位置;A为收敛因子;D为个体到猎物的距离,D=|CXp(t)-X(t)|,X(t) 为第t次迭代时猎物位置,C=2r1,C为系数常量,r1为[0,1]间的随机数; Xα(t+1)为第t+1次迭代时α狼的位置;X1、X2和X3分别为第t次迭代时α 狼、β狼和δ狼的一次更新位置。
图2为本发明实施例所提供的水质预警模型训练方法流程图,如图2所 示本发明中的水质预警模型训练方法如下所示:
步骤(1):初始化相关参数
将得到的鱼群的运动特征行为参数进行数据归一标准化处理,并构建训 练集和测试集。SVM模型中的核函数选用高斯径向基核函数 其中,xi与xj为空间中的任一点,γ为核函数的宽度参数, 控制了函数的径向作用范围。SVM模型的参数(惩罚因子C、核函数的参数 γ)初始值为灰狼优化算法中α狼的坐标,每只灰狼的初始适应度函数值设为 无穷大量(inf),对灰狼优化算法中的空间维数Dn、狼群数量N、最大迭代 次数Tmax、系数常量C、收敛因子A,差分进化算法中的交叉概率CR、上 下搜索界限、最大迭代次数T′max和比例因子F(其值范围在[0,2]之间)都进 行初始化,假设参数櫀=2,r1、r2是0~1间的随机数。
步骤(2):使用DE算法(差分进化算法)初始化灰狼种群
差分进化算法的进化过程主要有3个操作,即变异、交叉和选择。
变异:变异操作是指在原向量的基础上加上一个与原向量不同的向量。 即随机选取初始灰狼种群中两个不同的灰狼个体的位置向量,将其向量调整 比例后与待变异个体向量进行合成,具体公式如下
Di(T+1)=Xr1(T)+F*(Xr2(T)-Xr3(T))
其中:T为迭代次数,F为缩放因子,Xn为变异前种群个体,Di(T+1) 为变异后的种群个体。
交叉:变异完成后,对第T代种群个体Xi,j(T)及其变异的个体Di,j(T+1) 进行交叉操作,数学模型公式如下:
其中:j为维度,i为该维的第i个个体,CR为交叉概率,r为[0,1]间的 随机概率,Dn为空间维度。
选择:为了保证种群的优良性,使用贪心算法来选择进入下一代的个体。 当新一代比父代优时(新一代适应度值比父代适应度值低),新一代被保留, 否则父代被保留,选择公式如下:
Xi(T+1)为第T+1次迭代的父代种群,Xi(T)为第T次迭代的父代种群, Ui(T+1)为第T次迭代的子代种群,f(Ui(r+1))为第T次迭代的子代种群的 适应度值,f(Xi(T))为第T次迭代的父代种群的适应度值。
步骤(3):判断是否达到最大迭代次数Tmax;若达到,执行步骤4;若 未达到,令T=T+1,并执行步骤(2)。
步骤(4):构建灰狼社会等级层次模型,计算适应度函数值并分别选 取α狼、β狼、δ狼;
图3为本发明实施例所提供的狼群等级划分图,如图3所示,α狼被定 义为第一等级,是狼群中的头狼,主要负责对捕食活动做出决策,是狼群中 管理能力最好的狼;β狼被定义为第二等级,服从于α狼,并协助α狼做出决 策;δ狼被定义为第三等级,服从α狼、β狼;其余的狼设置为ω狼,这个是 最低等级,服从前三等级的狼。狼群在狩猎严格遵守着这个等级制度和自己 的职责。
每只灰狼的初始适应度函数值设为无穷大量(inf),将排名前三的3个 个体的目标函数值分别设置为Xα、Xβ和Xδ。
步骤(5):更新狼群位置,训练SVM模型并预测;
图4为本发明实施例所提供的狼群猎捕过程示意图,如图4所示,α狼、 β狼、δ狼不断靠近包围猎物,然后指挥候选狼ω狼抓捕猎物,灰狼的狩猎行 为包括搜索、接近、包围、狩猎、攻击等步骤,具体如下:
对于优化问题,猎物的最终位置是其全局最优解,所以灰狼个体和猎物 的距离十分重要,两者间的距离公式如下:
D=|C.Xp(t)-X(t)|
t为迭代次数,Xp(t)为灰狼个体在第t次迭代时的位置,X(t)为猎物在 第t次迭代时的位置,C为系数常量,C=2r1,r1是[0,1]间的随机数。
α狼、β狼、δ狼和猎物的距离,分别用Dα、Dβ、Dδ表示,公式如下所示:
Dα=|C1.Xα(t)-X(t)|
Dβ=|C2.Xβ(t)-X(t)|
Dδ=|C3.Xδ(t)-X(t)|
Xα(t),Xβ(t)和Xδ(t)分别为α狼、β狼、δ狼在第t次迭代时的位置,那 么灰狼个体位置更新的数学模型如下:
X(t+1)=Xp(t)-A.D
其中:Xp(t+1)为第t+1次迭代时个体p的位置;Xp(t)为第t次迭代时个 体p的位置;t为第一迭代次数,D为个体到猎物的距离A是收敛因子,由 式A=2ar2-a可得到A的初始值,r2为[0,1]之间的随机数,a=2,随 着迭代次数的增加线性递减到0。对于收敛因子A而言,A越大,全局搜索 能力越强,局部搜索能力越弱;A越小,全局搜索能力越弱,局部搜索能力越强。α狼、β狼、δ狼具体位置由如下公式所示:
X1=Xα(t)一A1.Dα
X2=Xβ(t)一A2.Dβ
X3=Xδ(t)一A3.Dδ
A1,A2和A3分别为α狼、β狼、δ狼在迭代时收敛因子的值,这三个值会 随着迭代次数的变化而变化,Xα(t+1)为第t+1次的最优解向量,公式为:
将这次迭代最优解向量作为SVM预测模型的参数组合,代入SVM模 型进行训练。
步骤(6):重新计算适应度函数,更新α狼、β狼、δ狼的位置;并判断 是否达到最大迭代次数T′max;每只狼都由X(t+1)=Xp(t)-A.D更新,但 是α狼位置每次迭代后会被公式替代,在该次迭代中, SVM模型的预测精度会作为一个新的适应度函数值,以错误率最小化为目 标,最终适应度函数值与100做差取绝对值。如果该适应度函数值小于α狼 的适应度函数值,则将α狼的适应度函数值更新为该适应度函数值,如果该 适应度函数值介于α狼和β狼的适应度函数值之间,则将β狼的适应度函数值 更新为该适应度函数值,如果该适应度函数值介于β狼和δ狼的适应度函数值 之间,则将δ狼的适应度函数值更新为该适应度函数值。更新狼群位置,判 断是否达到最大迭代次数T′max,若达到,α狼最终的位置就是支持向量机中 参数组合(惩罚因子C,核函数参数γ)的值。如果没有达到,T=T+1, 并行步骤(4)。
步骤(8):将最后得出结果作为SVM预测模型的参数组合。
将最后得出α狼的位置作为SVM模型参数组合(C,γ)的值,将测试 数据集代入训练后的SVM模型进行预测。因为用灰狼优化算法优化的就是 参数组合(C,γ)的值,灰狼初始种群中α狼的坐标是随机的,将这个坐标 作为(C,γ)的值,将SVM训练后的准确率作为每只狼的适应度函数后,α 狼的坐标就越来越接近较优的(C,γ)值,α狼的最终位置就是灰狼优化算 法得出来的最优值。
本发明提出的水质预警方法,利用DE算法和灰狼优化算法改进SVM 模型的参数组合值,提升SVM算法在生物水质预警中的预测性能,它改善 了过早成熟和局部最优的缺陷,且具有全局搜索能力。针对经典灰狼算法前 期寻优速度较慢的缺陷,通过在引入DE差分进化算法,用于生成灰狼寻优 算法初始种群的最优值,初始种群是影响不断迭代时收敛速度的重要因素, 且初始种群的质量也影响着预测模型的最优值。所以,直接优化初始种群能够提高灰狼优化算法寻找最优值的能力,克服灰狼优化算法的初始种群随机 生成的局限性,使灰狼优化算法具有更加良好的寻优能力,提高了SVM生 物水质预警模型的分类准确率。为了验证本发明的效果,技术人员作了如下 工作:
(1)提高准确率
进行仿真实验,在前期跟踪到正常水质和异常水质情况下的鱼体轨迹后, 获取鱼群的五个运动特征行为参数(速度、加速度、平均游动速度、平均游 动距离及鱼群离散度),对这1000个样本点的数据进行标记,其中水质正 常样本点500个,水质异常样本点500个。从这1000个样本点中选择800 个样本数据点作为训练集,其余200个样本数据点作为测试集。初始的灰狼 种群数目N定为30,搜索空间维度Dn定为2,比例因子范围为[0.01,100],交叉概率CR为0.2,最大迭代次数T为1000。
由于选择训练集和测试集时,是随机选择的,在相同环境下进行10次 实验,实验结果如表1所示,表中记录模型参数γ和C的值以及测试误差。
表1 DEGWO-SVM算法测试准确率
由表1能够看出,采用DEGWO-SVM算法(即本发明利用差分进化算 法和灰狼优化算法对支持向量机模型进行训练,得到水质预警模型)得到的 水质预警模型具有较好的分类准确性,测试集分类准确率平均值为94.4%, 模型泛化性能好,因此该模型适用于生物水质预警系统。此外,可以看出, 每次运算后模型参数γ的变化较大,这就说明固定的模型参数并不适合所有 的分类情况。模型参数的取值也保留到了小数点后6位,说明模型参数的取 值范围比较宽也更加精确,引入差分进化算法和灰狼优化算法能够在更大的 范围内寻找模型的最佳参数组合,找到模型参数的全局最优解。
为验证DEGWO-SVM算法的水质预警模型的准确率和收敛性,使用另 外两种改进SVM模型的优化算法与发明改进优化的SVM模型进行对比。 表2为遗传算法改进支持向量机模型(Genetic Algorithm-Support Vector Machines,GA-SVM)、灰狼优化算法改进支持向量机模型(Grey Wolf Optimization-Support Vector Machines,GWO-SVM)与于本发明中的 DEGWO-SVM算法模型各运行100次算法后,将预测结果的平均准确率进 行对比,对比结果如表2所示。
表2平均准确率对比表
从表2可知,DEGWO-SVM的平均准确率比其他两种分类算法平均准 确率高。实验采用平均绝对误差(MAE)、均方误差(MSE)、平均绝对百 分比误差(MAPE)作为预测方法的评价标准,三种评价标准定义如下:
式中,n为输出样本的个数,fi、yi分别为预测输出值和实际值。将每 个算法运行10次取均值作为模型的预测结果。GA-SVM、GWO-SVM和 DEGWO-SVM三种算法的预测结果误差对比结果如表3所示。
表3预测结果误差对比表
根据表3可知,DEGWO-SVM与其它两种算法相比,三种评价标准都 有较高的优势,表明DEGWO-SVM算法的测试误差最小,预测准确性最高。
(2)改善过早收敛,加快收敛速度
GA-SVM、GWO-SVM、DEGWO-SVM的适应度曲线,即平均适应度 与迭代次数间的关系如图5-7所示。随着迭代次数的增加,DEGWO-SVM的 最佳适应度值小于GA-SVM和GWO-SVM算法,GA-SVM算法的最佳适应 度值在第50次迭代时猛然下降,然后在第100次迭代时基本保持稳定,与 其他两种算法相比过早熟,容易陷入局部最优。GWO-SVM算法随着迭代次 数的增加剧烈波动,表明该算法具有不稳定。而DEGWO-SVM算法曲线在 200次迭代之前呈下降的趋势,在这之后变化较小、趋于稳定。通过实验对 比及分析,本发明改进算法具有较高的分类准确率,三种误差评价准则最低, 且性能较为稳定,有较高的全局搜索能力,对生物水质预警具有重大意义。
图8为本发明实施例所提供的水质预警系统结构示意图,如图8所示, 本发明提供了一种水质预警系统,包括:
当前数据获取模块901,用于获取待测水域的当前生物运动特征数据;
水质预警模块902,用于将待测水域的当前生物运动特征数据,输入水 质预警模型,得到待测水域的预警结果;水质预警模型是利用差分进化算法 和灰狼优化算法对支持向量机模型进行训练得到的。
本发明提供的水质预警系统,还包括:
支持向量机模型建立模块,用于建立支持向量机模型;
历史数据获取模块,用于获取待测水域的生物运动特征历史数据;
水质预警模型确定模块,用于将待测水域的生物运动特征历史数据作为 训练集,利用差分进化算法和灰狼优化算法对支持向量机模型进行训练,得 到水质预警模型。
水质预警模型确定模块,具体包括:
初始狼群构建单元,用于构建初始狼群;
最优初始狼群确定单元,用于利用差分进化算法对初始狼群进行处理, 得到优化后的初始狼群,将优化后的初始狼群作为训练狼群并初始化最优狼 群目标函数值;
个体目标函数值计算单元,用于将训练狼群和训练集均输入支持向量机 模型,计算训练狼群中每个个体的个体目标函数值;
排序单元,用于根据个体目标函数值对训练狼群中的个体进行降序排序, 并将前3个个体分别作为α狼、β狼和δ狼;
最优狼群目标函数值更新单元,用于根据α狼的个体目标函数值、β狼 的个体目标函数值和δ狼的个体目标函数值,更新最优狼群目标函数值;
水质预警模型确定单元,用于更新训练狼群中每个个体的位置,令第一 迭代次数的数值增加1,并返回步骤“将训练狼群和训练集均输入支持向量 机模型,计算训练狼群中每个个体的个体目标函数值”,直至第一迭代次数 达到第一迭代次数阈值,并将与最优狼群目标函数值对应的个体的位置作为 支持向量机模型的参数,得到水质预警模型;支持向量机模型的参数包括: 惩罚因子和核函数系数。
最优初始狼群确定单元,具体包括:
父代种群构建子单元,用于根据初始狼群构建父代种群;
第一种群目标函数值计算子单元,用于将父代种群和训练集均输入支持 向量机模型,计算父代种群的种群目标函数值;
子代种群构建子单元,用于采用差分进化算法,对父代种群进行交叉和 变异处理,得到子代种群;
第二种群目标函数值计算子单元,用于将子代种群和训练集均输入支持 向量机模型,计算子代种群的种群目标函数值;
第一判断子单元,用于判断子代种群的种群目标函数值是否大于父代种 群的种群目标函数值,得到第一判断结果;若第一判断结果为是,则执行第 一父代种群更新子单元;若第一判断结果为否,则执行第二父代种群更新子 单元;
第一父代种群更新子单元,用于将父代种群更新为子代种群;
第二父代种群更新子单元,用于保留父代种群;
最优初始狼群确定子单元,用于令第二迭代次数的数值增加1,并返回 步骤“采用差分进化算法,对父代种群进行交叉和变异处理,得到子代种群” 直至第二迭代次数达到第二迭代次数阈值,并将父代种群确定为优化后的初 始狼群。
最优狼群目标函数值更新单元,具体包括:
第二判断子单元,用于判断最优狼群目标函数值是否小于α狼的个体目 标函数值,得到第二判断结果;若第二判断结果为是,则执行第一最优狼群 目标函数值更新子单元;若第二判断结果为否,则执行第三判断子单元;
第一最优狼群目标函数值更新子单元,用于将最优狼群目标函数值更新 为α狼的个体目标函数值;
第三判断子单元,用于判断最优狼群目标函数值是否小于β狼的个体目 标函数值,得到第三判断结果;若第三判断结果为是,则执行第二最优狼群 目标函数值更新子单元;若第三判断结果为否,则执行第三最优狼群目标函 数值更新子单元;;
第二最优狼群目标函数值更新子单元,用于将最优狼群目标函数值更新 为β狼的个体目标函数值;
第三最优狼群目标函数值更新子单元,用于将最优狼群目标函数值更新 为δ狼的个体目标函数值;
水质预警模型确定单元,具体包括:
第一位置更新子单元,用于根据训练狼群中每个个体的位置,利用公式 Xp(t+1)=Xp(t)-A.D对训练狼群中每个个体进行更新,得到训练狼群中每个个 体的一次更新位置;并将训练狼群中除α狼以外每个个体的一次更新位置作 为下一次迭代时除α狼以外每个个体的的位置;
式中,Xp(t+1)为第t+1次迭代时个体p的位置;Xp(t)为第t次迭代时个 体p的位置;A为收敛因子;D为个体到猎物的距离,D=|CXp(t)-X(t)|,X(t) 为第t次迭代时猎物位置,C=2r1,C为系数常量,r1为[0,1]间的随机数; Xα(t+1)为第t+1次迭代时α狼的位置;X1、X2和X3分别为第t次迭代时α 狼、β狼和δ狼的一次更新位置。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都 是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。 对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述 的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实 施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领 域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会 有改变之处。综上,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种水质预警方法,其特征在于,所述方法,包括:
获取待测水域的当前生物运动特征数据;
将所述待测水域的当前生物运动特征数据,输入水质预警模型,得到所述待测水域的预警结果;所述水质预警模型是利用差分进化算法和灰狼优化算法对支持向量机模型进行训练得到的。
2.根据权利要求1所述的水质预警方法,其特征在于,在所述将所述待测水域的当前生物运动特征数据,输入水质预警模型,得到所述待测水域的预警结果之前,还包括:
建立支持向量机模型;
获取待测水域的生物运动特征历史数据;
将所述待测水域的生物运动特征历史数据作为训练集,利用差分进化算法和灰狼优化算法对所述支持向量机模型进行训练,得到水质预警模型。
3.根据权利要求2所述的水质预警方法,其特征在于,所述将所述待测水域的生物运动特征历史数据作为训练集,利用差分进化算法和灰狼优化算法对所述支持向量机模型进行训练,得到水质预警模型,具体包括:
构建初始狼群;
利用差分进化算法对所述初始狼群进行处理,得到优化后的初始狼群,将优化后的初始狼群作为训练狼群并初始化最优狼群目标函数值;
将所述训练狼群和所述训练集均输入所述支持向量机模型,计算所述训练狼群中每个个体的个体目标函数值;
根据所述个体目标函数值对所述训练狼群中的个体进行降序排序,并将前3个个体分别作为α狼、β狼和δ狼;
根据所述α狼的个体目标函数值、所述β狼的个体目标函数值和所述δ狼的个体目标函数值,更新所述最优狼群目标函数值;
更新所述训练狼群中每个个体的位置,令第一迭代次数的数值增加1,并返回步骤“将所述训练狼群和所述训练集均输入所述支持向量机模型,计算所述训练狼群中每个个体的个体目标函数值”,直至所述第一迭代次数达到第一迭代次数阈值,并将与所述最优狼群目标函数值对应的个体的位置作为所述支持向量机模型的参数,得到水质预警模型;所述支持向量机模型的参数包括:惩罚因子和核函数系数。
4.根据权利要求3所述的水质预警方法,其特征在于,所述利用差分进化算法对所述初始狼群进行处理,得到优化后的初始狼群,具体包括:
根据所述初始狼群构建父代种群;
将所述父代种群和所述训练集均输入所述支持向量机模型,计算所述父代种群的种群目标函数值;
采用差分进化算法,对所述父代种群进行交叉和变异处理,得到子代种群;
将所述子代种群和所述训练集均输入所述支持向量机模型,计算所述子代种群的种群目标函数值;
判断所述子代种群的种群目标函数值是否大于所述父代种群的种群目标函数值,得到第一判断结果;
若第一判断结果为是,则将所述父代种群更新为所述子代种群;
若第一判断结果为否,则保留所述父代种群;
令第二迭代次数的数值增加1,并返回步骤“采用差分进化算法,对所述父代种群进行交叉和变异处理,得到子代种群”直至所述第二迭代次数达到第二迭代次数阈值,并将所述父代种群确定为优化后的初始狼群。
5.根据权利要求3所述的水质预警方法,其特征在于,所述根据所述α狼的个体目标函数值、所述β狼的个体目标函数值和所述δ狼的个体目标函数值,更新所述最优狼群目标函数值,具体包括:
判断所述最优狼群目标函数值是否小于α狼的个体目标函数值,得到第二判断结果;
若第二判断结果为是,则将所述最优狼群目标函数值更新为α狼的个体目标函数值;
若第二判断结果为否,则判断所述最优狼群目标函数值是否小于β狼的个体目标函数值,得到第三判断结果;
若第三判断结果为是,则将所述最优狼群目标函数值更新为β狼的个体目标函数值;
若第三判断结果为否,则将所述最优狼群目标函数值更新为δ狼的个体目标函数值。
6.根据权利要求3所述的水质预警方法,其特征在于,所述更新所述训练狼群中每个个体的位置,具体包括:
根据所述训练狼群中每个个体的位置,利用公式Xp(t+1)=Xp(t)-A.D对所述训练狼群中每个个体进行更新,得到所述训练狼群中每个个体的一次更新位置;并将所述训练狼群中除α狼以外每个个体的一次更新位置作为下一次迭代时除α狼以外每个个体的的位置;
式中,Xp(t+1)为第t+1次迭代时个体p的位置;Xp(t)为第t次迭代时个体p的位置;A为收敛因子;D为个体到猎物的距离,D=|CXp(t)-X(t)|,X(t)为第t次迭代时猎物位置,C=2r1,C为系数常量,r1为[0,1]间的随机数;Xα(t+1)为第t+1次迭代时α狼的位置;X1、X2和X3分别为第t次迭代时α狼、β狼和δ狼的一次更新位置。
7.一种水质预警系统,其特征在于,所述系统,包括:
当前数据获取模块,用于获取待测水域的当前生物运动特征数据;
水质预警模块,用于将所述待测水域的当前生物运动特征数据,输入水质预警模型,得到所述待测水域的预警结果;所述水质预警模型是利用差分进化算法和灰狼优化算法对支持向量机模型进行训练得到的。
8.根据权利要求7所述的水质预警系统,其特征在于,所述系统,还包括:
支持向量机模型建立模块,用于建立支持向量机模型;
历史数据获取模块,用于获取待测水域的生物运动特征历史数据;
水质预警模型确定模块,用于将所述待测水域的生物运动特征历史数据作为训练集,利用差分进化算法和灰狼优化算法对所述支持向量机模型进行训练,得到水质预警模型。
9.根据权利要求8所述的水质预警系统,其特征在于,所述水质预警模型确定模块,具体包括:
初始狼群构建单元,用于构建初始狼群;
最优初始狼群确定单元,用于利用差分进化算法对所述初始狼群进行处理,得到优化后的初始狼群,将优化后的初始狼群作为训练狼群并初始化最优狼群目标函数值;
个体目标函数值计算单元,用于将所述训练狼群和所述训练集均输入所述支持向量机模型,计算所述训练狼群中每个个体的个体目标函数值;
排序单元,用于根据所述个体目标函数值对所述训练狼群中的个体进行降序排序,并将前3个个体分别作为α狼、β狼和δ狼;
最优狼群目标函数值更新单元,用于根据所述α狼的个体目标函数值、所述β狼的个体目标函数值和所述δ狼的个体目标函数值,更新所述最优狼群目标函数值;
水质预警模型确定单元,用于更新所述训练狼群中每个个体的位置,令第一迭代次数的数值增加1,并返回步骤“将所述训练狼群和所述训练集均输入所述支持向量机模型,计算所述训练狼群中每个个体的个体目标函数值”,直至所述第一迭代次数达到第一迭代次数阈值,并将与所述最优狼群目标函数值对应的个体的位置作为所述支持向量机模型的参数,得到水质预警模型;所述支持向量机模型的参数包括:惩罚因子和核函数系数。
10.根据权利要求9所述的水质预警系统,其特征在于,所述最优初始狼群确定单元,具体包括:
父代种群构建子单元,用于根据所述初始狼群构建父代种群;
第一种群目标函数值计算子单元,用于将所述父代种群和所述训练集均输入所述支持向量机模型,计算所述父代种群的种群目标函数值;
子代种群构建子单元,用于采用差分进化算法,对所述父代种群进行交叉和变异处理,得到子代种群;
第二种群目标函数值计算子单元,用于将所述子代种群和所述训练集均输入所述支持向量机模型,计算所述子代种群的种群目标函数值;
第一判断子单元,用于判断所述子代种群的种群目标函数值是否大于所述父代种群的种群目标函数值,得到第一判断结果;若第一判断结果为是,则执行第一父代种群更新子单元;若第一判断结果为否,则执行第二父代种群更新子单元;
第一父代种群更新子单元,用于将所述父代种群更新为所述子代种群;
第二父代种群更新子单元,用于保留所述父代种群;
最优初始狼群确定子单元,用于令第二迭代次数的数值增加1,并返回步骤“采用差分进化算法,对所述父代种群进行交叉和变异处理,得到子代种群”直至所述第二迭代次数达到第二迭代次数阈值,并将所述父代种群确定为优化后的初始狼群。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110629371.6A CN113358840A (zh) | 2021-06-07 | 2021-06-07 | 一种水质预警方法及系统 |
PCT/CN2021/108170 WO2022257243A1 (zh) | 2021-06-07 | 2021-07-23 | 一种水质预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110629371.6A CN113358840A (zh) | 2021-06-07 | 2021-06-07 | 一种水质预警方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113358840A true CN113358840A (zh) | 2021-09-07 |
Family
ID=77532551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110629371.6A Pending CN113358840A (zh) | 2021-06-07 | 2021-06-07 | 一种水质预警方法及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113358840A (zh) |
WO (1) | WO2022257243A1 (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116155747B (zh) * | 2023-02-06 | 2024-10-01 | 广州广哈通信股份有限公司 | 一种网络监测节点部署方法及设备 |
CN116300430B (zh) * | 2023-02-14 | 2023-11-14 | 成都创科升电子科技有限责任公司 | Mpc控制参数寻优方法及其在并联平台的应用 |
CN116644575B (zh) * | 2023-05-25 | 2024-03-26 | 淮阴工学院 | 一种湿地盐碱度智能设计调节设备 |
CN116684960A (zh) * | 2023-06-15 | 2023-09-01 | 哈尔滨工程大学 | 一种基于改进灰狼优化算法的锚节点优选方法 |
CN116563311B (zh) * | 2023-07-04 | 2023-09-08 | 新乡市食品药品检验所 | 一种基于图像分割的肉制品检测方法及装置 |
CN116610911B (zh) * | 2023-07-19 | 2023-09-19 | 南昌工程学院 | 基于贝叶斯高斯张量分解模型的用电数据修复方法及系统 |
CN116992779B (zh) * | 2023-09-22 | 2024-01-05 | 北京国科恒通数字能源技术有限公司 | 基于数字孪生模型的光伏储能系统仿真方法及系统 |
CN117236184B (zh) * | 2023-09-27 | 2024-02-20 | 中铁十九局集团矿业投资有限公司 | 一种基于Elman神经网络的爆破数据分析处理方法及系统 |
CN117095820B (zh) * | 2023-10-18 | 2024-01-23 | 查理高特(青岛)健康科技有限公司 | 一种家族痛风的风险预警方法及设备 |
CN117094064B (zh) * | 2023-10-19 | 2024-03-01 | 西南交通大学 | 一种构件的布置参数计算方法、装置、设备及存储介质 |
CN117494570B (zh) * | 2023-11-15 | 2024-08-16 | 中南大学 | 基于集成线性森林和随钻参数的岩体抗剪强度测定方法 |
CN117252114B (zh) * | 2023-11-17 | 2024-02-13 | 湖南华菱线缆股份有限公司 | 一种基于遗传算法的电缆耐扭转实验方法 |
CN117809300B (zh) * | 2023-12-29 | 2024-10-08 | 中国人民解放军陆军军医大学第二附属医院 | 基于机器视觉的免疫电泳分型检测方法及系统 |
CN118094716B (zh) * | 2024-03-04 | 2024-08-13 | 太原科技大学 | 一种焊接梁设计的智能优化算法 |
CN118133712A (zh) * | 2024-03-05 | 2024-06-04 | 淄博市农业科学研究院 | 基于ro逆渗透水处理的植物水培方法 |
CN118445708B (zh) * | 2024-07-08 | 2024-09-20 | 江西润林工程技术有限公司 | 一种基于物联网的工程安全预测方法与系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111024433A (zh) * | 2019-12-30 | 2020-04-17 | 辽宁大学 | 一种改进灰狼算法优化支持向量机的工业装备健康状态检测方法 |
CN111581829A (zh) * | 2020-05-11 | 2020-08-25 | 辽宁大学 | 一种改进差分灰狼算法优化支持向量回归的带钢厚度预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11715001B2 (en) * | 2018-04-02 | 2023-08-01 | International Business Machines Corporation | Water quality prediction |
CN109002892A (zh) * | 2018-05-30 | 2018-12-14 | 江苏理工学院 | 一种改进de-gwo算法的实现方法 |
CN111917785B (zh) * | 2020-08-06 | 2022-07-15 | 重庆邮电大学 | 一种基于de-gwo-svr的工业互联网安全态势预测方法 |
-
2021
- 2021-06-07 CN CN202110629371.6A patent/CN113358840A/zh active Pending
- 2021-07-23 WO PCT/CN2021/108170 patent/WO2022257243A1/zh active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111024433A (zh) * | 2019-12-30 | 2020-04-17 | 辽宁大学 | 一种改进灰狼算法优化支持向量机的工业装备健康状态检测方法 |
CN111581829A (zh) * | 2020-05-11 | 2020-08-25 | 辽宁大学 | 一种改进差分灰狼算法优化支持向量回归的带钢厚度预测方法 |
Non-Patent Citations (7)
Title |
---|
严升: "基于鱼群跟踪轨迹的生物水质预警方法研究", no. 9, pages 027 - 881 * |
李建民等: "改进GWO优化SVM的服务器性能预测", 《计算机工程与设计》, vol. 40, no. 11, pages 3099 - 3105 * |
李明军等: "基于改进GWO 和SVM 的大坝变形预测", vol. 47, no. 3, pages 89 - 93 * |
李龙刚等: "基于改进灰狼优化与支持向量回归的锂电池健康状态预测", vol. 44, no. 02, pages 154 - 161 * |
赵锋: "生物水质监测系统V1.0" * |
赵锋: "生物水质监测系统V1.0", 科技成果登记表(应用技术类成果) * |
郑洋洋: "基于机器学习方法的空气质量分类与预测研究", no. 09, pages 027 - 112 * |
Also Published As
Publication number | Publication date |
---|---|
WO2022257243A1 (zh) | 2022-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113358840A (zh) | 一种水质预警方法及系统 | |
CN107908688B (zh) | 一种基于改进灰狼优化算法的数据分类预测方法及系统 | |
CN111105045A (zh) | 一种基于改进的蝗虫优化算法构建预测模型的方法 | |
CN112215412B (zh) | 溶解氧预测方法及装置 | |
CN110675912A (zh) | 一种基于结构预测的基因调控网络构建方法 | |
Gai et al. | A water quality assessment method based on an improved grey relational analysis and particle swarm optimization multi-classification support vector machine | |
CN111079074A (zh) | 一种基于改进的正弦余弦算法构建预测模型的方法 | |
CN115579063A (zh) | 一种面向污水治理的光合细菌发酵过程软测量方法 | |
CN116993548A (zh) | 基于增量学习的LightGBM-SVM的教育培训机构信用评估方法及系统 | |
CN111639695A (zh) | 一种基于改进果蝇优化算法对数据进行分类的方法及系统 | |
CN111066562A (zh) | 一种葡萄霜霉病预测方法及系统 | |
CN108537663A (zh) | 一种股票趋势预测方法 | |
CN116663404A (zh) | 一种耦合人工智能和贝叶斯理论的洪水预报方法及系统 | |
Rademaker et al. | Modelling the niches of wild and domesticated Ungulate species using deep learning | |
CN110956528B (zh) | 一种电商平台的推荐方法及系统 | |
CN114357869A (zh) | 一种基于数据关系学习和预测的多目标优化代理模型设计方法及系统 | |
CN113139624A (zh) | 基于机器学习的网络用户分类方法 | |
CN116881854B (zh) | 融合XGBoost计算特征权重的时间序列预测方法 | |
CN118484540B (zh) | 一种基于特征感知的文本分类方法及系统 | |
CN111461350B (zh) | 一种基于非线性集成模型的预测数据错误风险方法 | |
CN112161621B (zh) | 一种无模型辅助导航适配区域选取方法 | |
CN117556172B (zh) | 船舶操纵运动预报模型构建方法及船舶操纵运动预报方法 | |
CN116739139A (zh) | 一种基于正余弦扰动的混沌哈里斯鹰优化方法 | |
CN118658549A (zh) | 盐度预测模型的构建方法及系统、盐度预测方法及系统 | |
CN117784615A (zh) | 一种基于impa-rf的火控系统故障预测方法 |
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 |