CN114357877A - 一种基于模糊评价与改进支持向量机的鱼塘水质评价预测系统及方法 - Google Patents

Abstract

本发明公开了一种基于模糊评价与改进支持向量机的鱼塘水质评价预测系统及方法，属于环境智能监控技术领域。包括：步骤一：采用莱以达准则剔除环境中缺失与异常的数据；步骤二：对多个同类传感器数据采用改进的分组自适应加权融合进行数据处理；步骤三：使用模糊综合评判法对水质进行评级；步骤四：使用改进的果蝇算法去优化LSSVR预测模型。与未经过数据处理、模糊评价与果蝇算法优化后的LSSVR模型相比，本组合预测方法能够提高鱼塘水质环境评价预测水平，在评价预测中具有可行性和有效性。连续预测的性能可以满足对鱼塘水产养殖业对水质环境的高要求。

Description

一种基于模糊评价与改进支持向量机的鱼塘水质评价预测系 统及方法

技术领域

本发明属于环境智能控制技术领域，涉及传感器技术、远程通信技术和计算机相关技术，结合模糊概念评价水质，以数据训练改进后的向量机，预测未来水质情况。

背景技术

为了满足人们的消费需求，近年来我国大力发展淡水鱼养殖业，已经成为世界上最大的淡水鱼养殖国，池塘养殖是我国水产养殖的重要组成部分。据《中国渔业统计年鉴2020》统计，2020年淡水池塘养殖产量占我国淡水养殖产量的71.7％，海水池塘养殖产量占海水养殖产量的12.5％，池塘养殖已成为我国水产品的重要来源。但我国大多数池塘设施化程度较低，以粗放的养殖模式为主，养殖过程中饵料大量投喂，造成池塘底质快速老化，病害频发，养殖废水大量排放，浪费水资源，污染环境。

模糊评价是指利用模糊数学的方法，对受到多个因素影响的事物，按照一定的评判标准，给出事物获得某个评语的可能性。池塘水质中各项参数需要监测，不同的参数对于各级水质来说数据范围不同，难以依靠单个数据评价水质。依靠现有数据，使用支持向量回归机原理可以评价未来水质情况，而支持向量回归机在取得良好的预测效果的同时难免存在一些不足，比如欠学习和过学习、参数难以确定、易陷入局部最优的部分，无法满足更高的预测精度要求。本发明使用改进果蝇算法优化支持向量回归机。

发明内容

为解决水产养殖环境中水质评价预测方法中引入不良样本、预测精度低、速度慢等问题，本发明提出了一种基于模糊评价与改进支持向量机的鱼塘环境评价预测系统及方法。本发明使用模糊评价法评价当前水质，组合预测方法先使用改进果蝇算法优化样本空间，再使用支持向量机进行连续精准预测。以便操作者实时调控池塘各执行机构，减少对鱼类健康水平、吃食能力以及对环境污染的影响；有利于解决水产养殖中水质预测精度低、泛化能力差等问题，可供多产、绿色养殖参考。

本发明的技术方案主要包括：

信息采集模块，用于采集水质参数温度、溶解氧、PH值、氨氮浓度；

数据处理模块，用于简化数据样本，缩小因鱼塘面积过大产生的区域间差异；

模糊评价与预测模块，按照国家渔业水质标准，计算水质参数温度、溶解氧、PH值、氨氮含量隶属度函数，将当前水质分出优中差三个等级，并预测未来水质。

人机交互界面，用于保存当前最优融合值、水质等级和未来水质预测结果。

所述鱼塘的水质环境参数包括温度、溶解氧、PH值和氨氮含量，采用1台清淼光电的集成型传感器，可以同时检测上述4种参数，3台福州汇联宇科技的H606集成型传感器探头，可以同时检测温度、溶解氧、大气压等参数。这些传感器通过Lora组网，远程连接至STM32开发板，进行处理存储，上位机通过GPRS-DTU通信模块与STM32开发板相连，实现数据传输。

所述模糊评价与预测模块选取对养殖鱼的健康水平和生产力产生重大影响的环境因素，包括温度、溶解氧、PH值、氨氮质量浓度作为鱼塘环境评价指标。环境适宜度用1级、2级、3级表示，分别表示舒适、中等和差。根据规模鱼塘环境参数及环境管理国家标准，得出环境舒适度评价范围，评价因子集为{温度，溶解氧，PH值，氨氮质量浓度}，评语集为{舒适，中等，差}。

确定好评价因子集后，用相对隶属度来表示其相应的模数变换，计算隶属度矩阵。依据最大隶属度原则计算此时的水质等级。具体模糊评价流程如下所述：

模糊数学模型为：

式中：r(x)—隶属度函数；x—评价因子实测浓度值；s_ij—第i个评价因子在第j等级标准值。

由以上隶属度函数建立模糊矩阵R:

式中：r_ij—第i个水质指标对第j类标准的隶属度。

依据实际归一化权重矩阵B：

B＝(w1,w2,...,w_n)

式中：w_n—第n个权重系数，n个权重系数相加为1。

依据上述矩阵，可计算模糊评价综合指标C:

C＝B·R＝(c₁,c₂,...,c_m)

式中：c_m—被评事物从整体上看对m等级的隶属程度。

采用最小二乘支持向量回归机对未来水质预测，将融合后的环境数据作为LSSVR的输入向量，随机从中抽取70％作为训练集。剩余30％作为测试集。为防止数据大小差异，进行归一化处理，将所有数据归一化到[0,1]区间，公式如下：

式中：x_i—归一化之前的数据；x_max,x_min—样本数据中最大值和最小值；x_i,t—归一化之后的数据。

所述模糊评价与预测模块使用改进果蝇算法优化支持向量机预测未来水质。将环境数据作为输入向量x，将环境适宜度等级作为输出向量y。本发明的LSSVR回归过程如下：

{(x₁,y₁),(x₂,y₂),...,(x_i,y_i)}i＝1,2,3,...,m

式中：(x_i,y_i)—样本输入向量和输出向量。

随机70％的数据集作为训练数据通过非线性映射R^d→Rⁿ，将低维数据映射到高维空间，从而对所有数据进行线性回归，

式中：w代表权向量；

代表非线性映射函数；b为偏差量。

将上式转化：

式中：ξi,

—松弛变量，表示样本偏离程度；w—权重向量；C—惩罚系数，控制对超出误差的样本的惩罚程度；ε—不敏感损失系数，与支持向量的个数有关；m—样本向量的个数。

核函数选用高斯核函数：

式中：σ—核函数带宽；z—核函数中心。

高斯核函数与之对应的支持向量机是高斯径向基函数分类器，在此情形下，分类决策函数称为

式中：K(x_i,x)—核函数；α_i—拉格朗日算子。

根据上述推导过程可知，因此，要建立预测精度高、泛化能力强的LSSVR预测模型，需要对惩罚系数C和核函数带宽σ进行组合寻优，从而获得最佳参数组合。本发明选择使用改进果蝇算法对惩罚系数和核函数带宽进行寻优。

标准果蝇算法的运行步骤：

步骤1：参数设置

设置FOA算法的最大迭代次数、目标精度、种群规模、飞行步长。

步骤2：随机初始化果蝇种群位置

式中：initX_axis,initY_axis—种群坐标；D—种群位置。

步骤3：果蝇个体利用嗅觉搜寻食物方向

式中：L—随机距离；X_i,Y_i—新的果蝇坐标。

步骤4：计算果蝇个体与原点之间的距离Dist_i，倒数为味道浓度判定值S_i

步骤5：将味道浓度判定值S_i带入适应度函数function中，得到每个果蝇的食物味道浓度Smell_i

Smell_i＝function(S_i)

步骤6：寻找味道浓度最佳的果蝇个体

[bestSmell,bestindex]＝max(Smell_i)

式中：bestSmell—最佳味道浓度值，bestIndex—最佳果蝇个体序号。

步骤7：记录并保留bestSmell及其对应的X,Y坐标，其余果蝇则向该位置聚集：

式中：Smellbest—最佳味道浓度值，X_axis,Y_axis—最优果蝇坐标值。

步骤8：重复执行，直到达到最大循环次数或者目标精度。

将果蝇个体作为惩罚参数和核函数带宽参数组合。味道浓度判定式则是由实际输出与预测输出之间的差值绝对值决定。不断迭代寻找最优参数组合。

针对上述步骤2中随机确定种群位置，使得算法具有一定的随机性，且固定果蝇搜索半径使收敛速度和收敛精度有待提高，为提高果蝇种群的多样性和搜索的遍历性，增强算法的收敛精度，扩大算法的搜索范围。

本发明引入Logistic混沌映射生成果蝇群体的初始位置，解决随机种群位置分布不均匀的问题，从而使优化后的果蝇位置具有混沌随机性、遍历性、规律性特点，公式如下：

x(n+1)=μx(n)(1-x(n)),x(n)∈[0,1]

式中：n—迭代次数，μ—控制参数。

混沌变量Cx_i的变换式如下：

Cx(n+1)_i＝4Cx(n)_i(1-Cx(n)_i),i＝1,2,...,N

式中：Cx(n)_i—第i个混沌变量在第n步混沌变换后的大小。

通过上式得到第n+1次变换后的混沌变量Cx(n+1)_i，然后与变量Cx_i∈[0,1]反复进行混沌映射。

式中：x_i—混沌映射前的第i个原始数据，x_i∈[a_min,a_max]；x_i'—其映射后的值。

改进果蝇算法采用动态搜索半径策略。搜索半径随着迭代次数的增加而减小，公式如下：

式中：r_maxr_min—表示最大和最小的搜索半径；iter—当前迭代次数；Miter—最大迭代次数。

改进后的搜索半径生成方法可以实现搜索半径随迭代改变而改变，解决了原有算法固定搜索半径的不足。

改进果蝇算法优化LSSVR算法的基本方法为：首先将果蝇个体视作LSSVR的C和σ参数组合，用实际值和预测值的误差绝对值之和作为改进果蝇算法算法的适应度函数，然后通过改进果蝇算法迭代寻优代替LSSVR的梯度修正，最后将最优果蝇个体作为LSSVR的最优参数组合。

所述人机交互界面采用C++语言开发QT平台在上位机中实现。

本发明的方法的技术方案为：一种基于模糊评价与改进支持向量机的鱼塘环境评价预测方法，包括以下步骤：

步骤1，在鱼塘适当位置安装4个传感器测温度、溶解氧、PH值、氨氮含量，传感器通过Lora无线速传与STM32单片机进行分时数据交互，这些数据保存在STM32单片机flash中；

步骤2，单个传感器数据接受10次后，使用莱以达准则剔除过大误差数据后，将平均值保存至数组中，获得10个平均数后，调用单传感器数据融合函数，将单个传感器所测数据分为奇偶两组：

式中：x_1n1,x_2n1分别代表奇偶次序值。

其样本方差分别为：

式中：X₁,X₂—奇，偶数组的平均值；

—奇，偶数组的方差值；n₁,n₂—奇，偶数组个数；x_1i,x_2i—奇偶组内值。

由各自的方差决定权值进行加权融合得出单个传感器的最优估计值

单传感器最优方差

步骤3，依照方差大小进行排序。将4个融合值分为AB两组，按照方差大小确定组内各融合值的权重系数：

式中：

—某组内第p个融合值的最优方差。

进行组内融合，并计算第i组的融合值：

式中：W_i—某组内第i个融合值的权重系数，X_i—某组内第i个传感器最优融合值。

按照AB两组的融合方差值确定AB各组权重系数：

式中：

—第i组最优方差。

进行组间融合，获取最优值

步骤4，通过环境数据，按照实际水质等级表格计算隶属度函数矩阵，并确定各参数的权重系数矩阵，矩阵相乘获得模糊评价数最高的选项。将融合数据和水质评价等级上传至服务器；

具体模糊评价流程如下所述：

模糊数学模型为：

式中：r(x)—隶属度函数；x—评价因子实测浓度值；s_ij—第i个评价因子在第j等级标准值。

由以上隶属度函数建立模糊矩阵R:

式中：r_ij—第i个水质指标对第j类标准的隶属度。

依据实际归一化权重矩阵B：

B＝(w1,w2,...,w_n)

式中：w_n—第n个权重系数，n个权重系数相加为1。

依据上述矩阵，可计算模糊评价综合指标C:

C＝B·R＝(c₁,c₂,...,c_m)

式中：c_m—被评事物从整体上看对m等级的隶属程度。

步骤5，服务器设置数据库保存历史数据，并将数据绘制成曲线。将最终结果保存并显示在人机交互界面上；

步骤6，利用历史数据训练支持向量机，预测未来2天内的水质综合评价等级，并显示于人机交互界面。

本发明的技术效果如下：

1)替代了传统人工环境监测，实现对大鱼塘的水质自动监测。

2)组建时分复用网络，保证数据稳定、可靠传输。

3)对数据进行解析、筛选、融合，确保数据的有效性。进行模糊综合水质评价，将模糊数据转为量化数据。

4)对历史数据进行分析处理，利用改进后的支持向量回归机预测未来水质等级，及时发现环境异常，通知工作人员处理。

附图说明

图1是本发明系统整体结构图。

图2是本发明系统硬件结构图。

图3是本发明系统流程图。

图4是信息处理流程示意图。

图5是本发明支持向量机舒适度预测模型示意图。

图6是本发明水质自动监测管理系统登录界面。

图7是本发明水质自动监测管理系统界面图。

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、完整的描述。

本发明是基于模糊评价和改进支持向量机的鱼塘水质评价预测系统。整个系统结构图如图1所示，主要分为三个模块：感知层、传输层、应用层。所述感知层由多台环境参数采集模块组成，终端采集节点接收微控制器(STM32F407芯片)的命令并做出相应的反馈；所述传输层包括汇聚节点与基于时分复用组建的低功耗广域网Lora无线传感星型网络，并将处理好的数据通过GPRS-DTU传输到云端；所述应用层采用C/S结构，即一个服务器(云服务器后台程序)与多个客户端建立TCP/IP连接。

图2的系统硬件结构图以STM32F407开发板为核心，通过FSMC接口将数据显示在TFTLCD上，通过RS485接口与Lora相连，远程向传感器收发数据，通过RS232与GPRS相连，与阿里云服务器取得联系。

系统整体流程图如图3所示，本发明的具体实施方案为：

步骤1，在鱼塘适当位置安装温度、PH、氨氮、溶解氧四合一传感器4组，设置为每隔30s发送一次闻询帧数据并接收应答帧数据，这些数据保存在flash中，等待被处理；

步骤2，当数据到达10位后，调用数据预处理子程序，按照莱以达准则剔除粗大误差并保存平均值，当获得10组平均值数据后，计算各组的方差值，按照各自方差值排序分为两组，按照方差权重进行组内自适应加权融合，并计算各组方差，再按照各组方差值进行组件自适应加权融合，获取最终的有效数据，如图4所示；

步骤3，按照各组融合数据，利用渔业环境适宜度模糊综合评价方法确定，各数据的评价标准依照国家渔业水质标准划分三个等级，计算隶属度矩阵，将权重向量和隶属度矩阵相乘，依照最大隶属度原则，得出此时的适宜度等级；

步骤4，将融合后的数据与适宜度等级通过GPRS-DTU上传至阿里云服务器的上位机界面，形成数据曲线分色显示，并将数据保存至数据库；

步骤5，利用数据归一化处理后的原始数据对支持向量回归机进行训练，得到对应的最优解。将历史数据加载进改进后支持向量回归机，进行预测未来3天内的环境等级数据。并将最终结果保存并显示在界面上；

上述步骤5的改进果蝇算法优化LSSVR参数如图5所示，利用本发明的优化流程输出最优参数。

图6为水质自动监测管理系统登录界面，采用用户名加密的形式对系统管理权限进行区分，不同的权限可以查看修改相应的信息。图7为登录后的水质自动监测管理系统的界面图，可以观看鱼塘水质历史数据曲线图，可以保存历史数据至数据库中。

上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技术所创的等效方式或变更均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于模糊评价与改进支持向量机的鱼塘水质评价预测系统，其特征在于，包括：信息采集模块、数据处理模块、模糊评价与预测模块、人机交互模块；所述信息采集模块用于采集水质参数；所述数据处理模块用于简化数据样本，缩小因鱼塘面积过大产生的区域间差异；所述模糊评价与预测模块计算水质参数隶属度函数，将当前水质划分等级，并预测未来水质；所述人机交互模块用于保存和显示当前最优融合值、水质等级和未来水质预测结果。

2.根据权利要求1所述的一种基于模糊评价与改进支持向量机的鱼塘水质评价预测系统，其特征在于，所述信息采集模块采用传感器实现，用于采集温度、溶解氧、PH值、氨氮浓度，所述传感器通过Lora组网，远程连接至STM32开发板，进行处理存储，所述数据处理模块、模糊评价与预测模块集成于STM32开发板中；数据处理模块具体步骤如下所示：

步骤1，在鱼塘适当位置安装4个传感器测温度、溶解氧、PH值、氨氮含量，传感器通过Lora无线速传与STM32单片机进行分时数据交互，这些数据保存在STM32单片机flash中；

步骤2，单个传感器数据接受10次后，使用莱以达准则剔除过大误差数据后，将平均值保存至数组中，获得10个平均数后，调用单传感器数据融合函数，将单个传感器所测数据分为奇偶两组：

式中：x_1n1,x_2n1分别代表奇偶次序值；

其样本方差分别为：

式中：X₁—奇数组的平均值；

—奇数组的方差值；n₁—奇数组个数；

由各自的方差决定权值进行加权融合得出单个传感器的最优估计值

最优方差

步骤3，依照方差大小进行排序；将4个融合值分为AB两组，按照方差大小确定权重系数：

进行组内融合，并计算融合值

按照AB两组的融合方差值确定AB组的权重系数

进行组间融合，获取最优值

3.根据权利要求2所述的一种基于模糊评价与改进支持向量机的鱼塘水质评价预测系统，其特征在于，所述STM32能够与上位机通讯，将处理的结果在人机交互界面中显示并交互操作。

4.根据权利要求1所述的一种基于模糊评价与改进支持向量机的鱼塘水质评价预测系统，其特征在于，所述模糊评价与预测模块选取对养殖鱼的健康水平和生产力产生重大影响的环境因素，包括温度、溶解氧、PH值、氨氮质量浓度作为鱼塘环境评价指标，环境适宜度用1级、2级、3级表示，分别表示舒适、中等和差；根据规模鱼塘环境参数及环境管理国家标准，得出环境舒适度评价范围，评价因子集为{温度，溶解氧，PH值，氨氮质量浓度}，评语集为{舒适，中等，差}；

确定好评价因子集后，采用相对隶属度来表示其相应的模数变换，计算隶属度矩阵，依据最大隶属度原则计算此时的水质等级，具体如下：

建立模糊数学模型为：

式中：r(x)—隶属度函数；x—评价因子实测浓度值；s_ij—第i个评价因子在第j等级标准值；

由以上隶属度函数建立模糊矩阵R:

式中：r_ij—第i个水质指标对第j类标准的隶属度；

依据实际归一化权重矩阵B：

B＝(w1,w2,...,w_n)

式中：w_n—第n个权重系数，n个权重系数相加为1；

依据上述矩阵，可计算模糊评价综合指标C:

C＝B·R＝(c₁,c₂,...,c_m)

式中：c_m—被评事物从整体上看对m等级的隶属程度。

5.根据权利要求1所述的一种基于模糊评价与改进支持向量机的鱼塘水质评价预测系统，其特征在于，所述模糊评价与预测模块采用最小二乘支持向量回归机对未来水质预测；将融合后的环境数据作为LSSVR的输入向量x,将环境适宜度等级作为输出向量y，随机从中抽取70％作为训练集，30％作为测试集；为防止数据大小差异，进行归一化处理，将所有数据归一化到[0,1]区间，公式如下：

式中：x_i—归一化之前的数据，x_max,x_min—样本数据中最大值和最小值；x_i,t—归一化之后的数据；

LSSVR的回归过程如下：

{(x₁,y₁),(x₂,y₂),...,(x_i,y_i)}i＝1,2,3,...,n

式中：(x_i,y_i)—样本输入向量和输出向量；

随机70％的数据集作为训练数据通过非线性映射R^d→Rⁿ，将低维数据映射到高维空间，从而对所有数据进行线性回归，

式中：w代表权向量；

代表非线性映射函数；b为偏差量；

将上式转化：

式中：ξi,

—松弛变量，表示样本偏离程度；w—权重向量；C—惩罚系数，控制对超出误差的样本的惩罚程度；ε—不敏感损失系数，与支持向量的个数有关；m—样本向量的个数；

核函数选用高斯核函数：

式中：σ—核函数带宽；z—核函数中心；

高斯核函数与之对应的支持向量机是高斯径向基函数分类器，在此情形下，分类决策函数称为

式中：K(x_i,x)—核函数；α_i—拉格朗日算子。

6.根据权利要求5所述的一种基于模糊评价与改进支持向量机的鱼塘水质评价预测系统，其特征在于，所述LSSVR使用改进果蝇算法FOA优化惩罚系数C和核函数带宽σ：

参数设置：

设置FOA算法的最大迭代次数、目标精度、种群规模、飞行步长；

初始化果蝇种群位置：

引入Logistic混沌映射生成果蝇群体的初始位置，解决随机种群位置分布不均匀的问题，使优化后的果蝇位置具有混沌随机性、遍历性、规律性特点，公式如下：

x(n+1)＝μx(n)(1-x(n)),x(n)∈[0,1]

式中：n—迭代次数，μ—控制参数；

混沌变量Cx_i的变换式如下：

Cx(n+1)_i＝4Cx(n)_i(1-Cx(n)_i),i＝1,2,...,N

式中：Cx(n)_i—第i个混沌变量在第n步混沌变换后的大小；

通过上式得到第n+1次变换后的混沌变量Cx(n+1)_i，然后与变量Cx_i∈[0,1]反复进行混沌映射；

式中：x_i—混沌映射前的第i个原始数据，x_i∈[a_min,a_max]；x_i'—其映射后的值；

设计果蝇个体利用嗅觉搜寻食物方向的算法：

采用动态搜索半径策略，搜索半径随着迭代次数的增加而减小，公式如下：

式中：r_maxr_min—表示最大和最小的搜索半径；iter—当前迭代次数；Miter—最大迭代次数；

计算果蝇个体与原点之间的距离Dist_i，其倒数为味道浓度判定值：

将味道浓度判定值S_i带入适应度函数function中，得到每个果蝇的食物味道浓度Smell_i

Smell_i＝function(S_i)

寻找味道浓度最佳的果蝇个体：

[bestSmell,bestindex]＝max(Smell_i)

式中：bestSmell—最佳味道浓度值，bestIndex—最佳果蝇个体序号；

记录并保留bestSmell及其对应的X,Y坐标，其余果蝇则向该位置聚集：

式中：Smellbest—最佳味道浓度值，X_axis,Y_axis—最优果蝇坐标值；

重复上述算法，直到达到最大循环次数或者目标精度；

上述步骤中，将果蝇个体视作LSSVR的C和σ参数组合，用实际值和预测值的误差绝对值之和作为算法的适应度函数，然后通过迭代寻优代替LSSVR的梯度修正，最后将最优果蝇个体作为LSSVR的最优参数组合。

7.一种基于模糊评价与改进支持向量机的鱼塘水质评价预测方法，其特征在于，包括以下步骤：

步骤1，在鱼塘适当位置安装4个传感器测温度、溶解氧、PH值、氨氮含量，传感器通过Lora无线速传与STM32单片机进行分时数据交互，这些数据保存在STM32单片机flash中；

步骤2，单个传感器数据接受10次后，使用莱以达准则剔除过大误差数据后，将平均值保存至数组中，获得10个平均数后，调用单传感器数据融合函数，将单个传感器所测数据分为奇偶两组式中：x_1n1,x_2n1分别代表奇偶次序值；

其样本方差分别为：

式中：X₁,X₂—奇，偶数组的平均值；

—奇，偶数组的方差值；n₁,n₂—奇，偶数组个数；x_1i,x_2i—奇偶组内值；

由各自的方差决定权值进行加权融合得出单个传感器的最优估计值

单传感器最优方差

步骤3，依照方差大小进行排序。将4个融合值分为AB两组，按照方差大小确定组内各融合值的权重系数：

式中：

—某组内第p个融合值的最优方差；

进行组内融合，并计算第i组的融合值：

式中：W_i—某组内第i个融合值的权重系数，X_i—某组内第i个传感器最优融合值；

按照AB两组的融合方差值确定AB各组权重系数：

式中：

—第i组最优方差；

进行组间融合，获取最优值

步骤4，根据环境数据，按照实际水质等级表格计算隶属度函数矩阵，并确定各参数的权重系数矩阵，矩阵相乘获得模糊评价数最高的选项，将融合数据和水质评价等级上传至上位机服务器；

步骤5，服务器设置数据库保存历史数据，并将数据绘制成曲线，将最终结果保存并显示在人机交互界面上；

步骤6，利用历史数据训练支持向量机，预测未来若干天内的水质综合评价等级，并显示于人机交互界面。

8.根据权利要求7所述的一种基于模糊评价与改进支持向量机的鱼塘水质评价预测方法，其特征在于，所述LSSVR模型设计如下：

步骤1，将数据归一化处理后的原始数据作为训练集T：

T＝{(x₁,y₁),...,(x_l,y_l)}∈(X×Y)¹

式中：x_i∈X＝R、y_i∈Y＝R、i＝1,2,...,n均为所选样本，x_i为输入，y_l为输出，X为自变量的实数机和，Y为因变量的实数集合，R为实数，上标l为样本的个数；

步骤2，通过支持向量回归机在训练集T中寻找映射函数

使其将低维空间的非线性问题映射到高维特征空间H中，进而使训练集变为：

式中：

步骤3，在高维特征空间H中构建回归超平面及其约束条件分别为：

式中：

ξ_i为某个样本的松弛变量，ξ^(*)为松弛因子向量，W为超平面系数，C为常数，用于控制对错样本的惩罚系数，ω为权重系数，b为偏差值，ε为不敏感损失系数，用于控制函数的精度，ξ_j,

为松弛因子，两者为不同标记方式的松弛因子；

步骤4，基于构造的超平面及其约束条件并选定核函数，进而获得训练好的支持回归机。

9.根据权利要求7或8所述的一种基于模糊评价与改进支持向量机的鱼塘水质评价预测方法，其特征在于，所述支持向量机采用最小二乘支持向量机LSSVR，所述LSSVR使用改进果蝇算法FOA优化惩罚系数C和核函数带宽σ：

步骤1：参数设置

设置FOA算法的最大迭代次数、目标精度、种群规模、飞行步长；

步骤2：初始化果蝇种群位置

引入Logistic混沌映射生成果蝇群体的初始位置，解决随机种群位置分布不均匀的问题，使优化后的果蝇位置具有混沌随机性、遍历性、规律性特点，公式如下：

x(n+1)＝μx(n)(1-x(n)),x(n)∈[0,1]

式中：n为迭代次数，μ为控制参数；

混沌变量Cx_i的变换式如下：

Cx(n+1)_i＝4Cx(n)_i(1-Cx(n)_i),i＝1,2,...,N

式中Cx(n)_i为第i个混沌变量在第n步混沌变换后的大小，通过上式得到第n+1次变换后的混沌变量Cx(n+1)_i，然后与变量Cx_i∈[0,1]反复进行混沌映射；

式中x_i为混沌映射前的第i个原始数据，x_i∈[amin,amax]，x'_i为其映射后的值；

步骤3：果蝇个体利用嗅觉搜寻食物方向

采用动态搜索半径策略，搜索半径随着迭代次数的增加而减小，公式如下：

式中：r_maxr_min分别表示最大和最小的搜索半径，iter表示当前迭代次数，Miter表示最大迭代次数；

步骤4：计算果蝇个体与原点之间的距离Dist_i，倒数为味道浓度判定值S_i

步骤5：将味道浓度判定值S_i带入适应度函数中，得到每个果蝇的食物味道浓度Smell_i

Smell_i＝function(S_i)

步骤6：寻找味道浓度最佳的果蝇个体

[bestSmell,bestindex]＝max(Smell_i)

步骤7：记录并保留bestSmell及其对应的X,Y坐标，其余果蝇则向该位置聚集：

步骤8：重复执行，直到达到最大循环次数或者目标精度；

步骤9：上述步骤中，将果蝇个体视作LSSVR的C和σ参数组合，用实际值和预测值的误差绝对值之和作为算法的适应度函数，然后通过迭代寻优代替LSSVR的梯度修正，最后将最优果蝇个体作为LSSVR的最优参数组合。

10.根据权利要求7所述的一种基于模糊评价与改进支持向量机的鱼塘水质评价预测方法，其特征在于，具体模糊评价流程如下：

模糊数学模型为：

式中：r(x)—隶属度函数；x—评价因子实测浓度值；s_ij—第i个评价因子在第j等级标准值；

由以上隶属度函数建立模糊矩阵R:

式中：r_ij—第i个水质指标对第j类标准的隶属度；

依据实际归一化权重矩阵B：

B＝(w1,w2,...,w_n)

式中：w_n—第n个权重系数，n个权重系数相加为1；

依据上述矩阵，可计算模糊评价综合指标C:

C＝B·R＝(c₁,c₂,...,c_m)

式中：c_m—被评事物从整体上看对m等级的隶属程度。

Images