CN114841412A - 一种海参生长水质中酸碱度的预测方法 - Google Patents

一种海参生长水质中酸碱度的预测方法 Download PDF

Info

Publication number
CN114841412A
CN114841412A CN202210366226.8A CN202210366226A CN114841412A CN 114841412 A CN114841412 A CN 114841412A CN 202210366226 A CN202210366226 A CN 202210366226A CN 114841412 A CN114841412 A CN 114841412A
Authority
CN
China
Prior art keywords
data
value
water quality
modal
factor
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
CN202210366226.8A
Other languages
English (en)
Inventor
李晓梅
刘欢
汪祖民
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.)
Dalian University
Original Assignee
Dalian 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 Dalian University filed Critical Dalian University
Priority to CN202210366226.8A priority Critical patent/CN114841412A/zh
Publication of CN114841412A publication Critical patent/CN114841412A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Biology (AREA)
  • Economics (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Development Economics (AREA)
  • Biochemistry (AREA)
  • Game Theory and Decision Science (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)

Abstract

本发明公开了一种海参生长水质中酸碱度的预测方法，包括：对采集的多种水质数据进行清洗与修复；筛选出与酸碱度PH相关的水质因子、气象因子；对修复的水质因子数据进行多模态分解，以获取各模态分量IMF；将所述各模态分量IMF与原始数据进行差值校验，得出残差校验数据R；所述各模态分量IMF与水质因子、气象因子、残差校验数据融合，形成扩展模态分量数据new‑IMFs；对所述扩展模态分量数据new‑IMFs做归一标准化处理；将归一标准化处理后的扩展模态分量数据进行分割，以获取训练集、测试集与验证集；本发明通过高度分解探索目标因子PH的特性，融合多关联影响因子与水质预测因子之间的关系，形成一种“分解‑融合‑预测‑重构”模型，提高对水质预测的精度。

Description

一种海参生长水质中酸碱度的预测方法
技术领域
本发明涉及海参生长水质管理技术领域，具体涉及一种基于变分模态分解与特征融合的海参生长水质中酸碱度的预测方法。
背景技术
海参属于生物修复性物种，其对水质的要求极高。如果水质受到污染，海参也会出现自溶甚至死亡的现象。我国目前海参养殖技术落后，与现代化信息脱节是一个很重要的可控因素。随着信息化的普及，各领域基本实现了智能化甚至智慧系统。PH作为影响海参生长水质的重要参数之一，对其提前做出合理的预测是实现海参智慧养殖强有力的科学决策依据。在研究中发现，水文的复杂特性可总结为：(1)水质数据属于时序数据，具有很强的周期特性；(2)由于天气因素波动大，数据呈现强不稳定性；(3)多种水质数据中间存在复杂相关性。若只是简单使用原数据对海参生长水质中PH进行分析预测，其结果并不准确。
目前，对海水的水质预测模型可以划分为三种类型。第一种是水动力模拟模型，例如S-P、EFDC等，该模型描述多维水质指标的变化规律，但对区域性数据要求较高，精度度难以掌握。第二种是基于机器学习的回归分析模型，例如统计回归、SVR等，该模型简单，但不适用于非线性问题的应用。第三种是神经网络模型，该模型没有体现出时间先后时序关系。
发明内容
针对现有技术存在的上述缺陷，本发明提出一种海参生长水质中酸碱度的预测方法，其通过高度分解探索目标因子PH的特性，融合多关联影响因子与水质预测因子之间的关系，形成一种“分解-融合-预测-重构”模型，提高对水质预测的精度。
为实现上述目的，本申请的技术方案为：一种海参生长水质中酸碱度的预测方法，包括：
对采集的多种水质数据进行清洗与修复；
筛选出与酸碱度PH相关的水质因子、气象因子，以用于后期的模型实验；
对修复的水质因子数据进行多模态分解，以获取各模态分量IMF；
将所述各模态分量IMF与原始数据进行差值校验，得出残差校验数据R；
所述各模态分量IMF与水质因子、气象因子、残差校验数据融合，形成扩展模态分量数据new-IMFs；
对所述扩展模态分量数据new-IMFs做归一标准化处理；
将归一标准化处理后的扩展模态分量数据进行分割，以获取训练集、测试集与验证集；
分割后的扩展模态分量数据做格式转换，进行拟合训练学习；并将每个扩展模态分量的验证集与测试集的数据使用平均绝对误差MAE、平均绝对百分比误差MAPE、均方根误差RMSE进行性能评价；
对预测结果进行重构逆归一化，并且自动还原原始数据列，再次对预测数据进行误差获取。
进一步地，对采集的多种水质数据进行清洗与修复，具体为：
对多种水质数据中的冗余数据进行剔除；
具体的，在对数据的清洗工作中，由于自主搭建的无线通信数据采集系统会出现信号不稳定以及网络延迟等，导致非周期性采集数据，因此需要对冗余数据的进行剔除，以保证数据的同步性；
使用线性插值算法对剔除后的多种水质数据进行插值操作，所述算法使用到的公式为：
f(xt)＝(1-xt-xt-1/xt+1-xt)f(xt-1)+xt-xt-1/xt+1-xtf(xt)
其中，f(x)为要填充的数值，xt为某个时刻的目标因子值，xt-1、xt+1分别为前一时刻与后一时刻的目标因子值。
具体的，针对数据出现丢失的情况，使用线性插值算法以保证数据的完整性。
进一步地，筛选出与酸碱度PH相关的水质因子与气象因子，具体为：采用斯皮尔-曼秩方式对修复过的数据进行相关性分析，筛选出与溶解氧因子具有强相关性的水质因子、气象因子。
进一步地，对修复的水质因子数据进行多模态分解，具体为：首先对修复的水质因子数据通过Hilbert变换得到单边频谱信号，然后将所述单边频谱信号平移到基带，进而进行带宽估计。
进一步地，获取各模态分量IMF，具体为：
初始化参数：分量个数k＝5，双重上升时间步长tau＝0，中心约束强度alpha＝7000；
根据下式对分解中所有分量列表uk和中心频率值ωk进行更新；
Figure BDA0003587208000000041
Figure BDA0003587208000000042
式中f指傅里叶变换公式；
依据给定的评判标准，不断迭代，直至迭代K次以及滤波器迭代精度小于ε，停止迭代；其中评判标准为：
Figure BDA0003587208000000043
更进一步地，将所述各模态分量IMF与原始数据进行差值校验，得出残差校验数据R，具体为：
Figure BDA0003587208000000044
将目标因子Y进行多模态分解，形成k个IMF分量，Y的形状由(n,1)转为(n，k)，同时产生一个差值分量R；其数据格式转换如下式：
Figure BDA0003587208000000045
更进一步地，所述各模态分量IMF与水质因子、气象因子、残差校验数据融合，形成扩展模态分量数据new-IMFs，具体为：
在各模态分量IMF中加入高斯白噪声r，融合后形成矩阵D，如公式所示：
Figure BDA0003587208000000051
式中ui为形成的单一模态分量，ζi为水质因子二维矩阵，s2为模态分量的计算方差，N为模态分量数据列的长度，randn代表随机生成；
具体的，为防止目标因子预测过拟合，在各模态分量IMF中加入高斯白噪声r，分量个数k设置为6，分量1代表趋势分量，分量2-3代表周期分量，分量4-6代表产生的噪音分量，为降低噪音分量加入高斯噪声产生更大的影响，分量4-6不加高斯噪声。
将矩阵D变为三维矩阵T，形状为(12,q,m)其数据格式如下所示：
Figure BDA0003587208000000052
式中m为样本个数、q为样本步长。
更进一步地，对所述扩展模态分量数据new-IMFs做归一标准化处理，具体为：
Figure BDA0003587208000000053
将具有不同量纲的水质数据变为[0,1]之间的同量纲数据，xt为t时刻的测量值，min[x]为某测量数据列中的最小值，max[x]为某测量数据列中的最大值。
作为更进一步地，平均绝对误差MAE、平均绝对百分比误差MAPE、均方根误差RMSE的评价函数分别为：
Figure BDA0003587208000000061
Figure BDA0003587208000000062
Figure BDA0003587208000000063
其中，yi为目标因子的真实值，
Figure BDA0003587208000000064
为目标因子的预测值，通过不同的评判函数，对所构建模型的性能进行评判。
作为更进一步地，预测结果pre_Y使用下面公式得出：
Figure BDA0003587208000000065
IMFpreyk_n为第k个分量第n时刻的预测值，IMFyk为各分量原始值列。
本发明采用的以上技术方案，与现有技术相比，具有的优点是：
1.由于海水存在较强腐蚀性会造成传感器数据传输不稳定，本发明实现了数据的修复处理。
2.针对海水水质所存在的非线性和非机理性结构，使用变分模态分解技术提取出海参生长水质中酸碱度PH的表层特征。
3.为防止对海参生长水质数据预测的过拟合，在部分表层特征中加入高斯白噪声，进一步融合其他水质影响因子，从而进行分量的循环预测，提高海参生长水质预测的准确率。
4.本发明可为该领域的养殖人员提供科学决策依据，为海参养殖业实现智能化养殖做出良好铺垫。
附图说明
图1为基于变分模态分解与多特征融合长短时记忆网络(VLSTM)的水质预测流程图；
图2为多特征相关性分析图；
图3为多模态分解(VMD)分量图和中心频率图；
图4为单一长短时记忆网络(LSTM)和VLSTM对PH预测对比图；
图5为单一LSTM和VLSTM损失值变化曲线图；
图6为预测值与原始数据的error曲线图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请，即所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例1
如图1所示，本实施例提供一种海参生长水质中酸碱度的预测方法，首先对水质历史数据分解为趋势分量、周期分量和噪音分量三类变分模态分量IMFs，其次将模态分量做特征融合处理，然后将处理后的时间序列数据通过循环神经网络LSTM进行多模态回归建模分析，最后对各模态分量的预测值进行拼接重构，同时将残差值输入模型进行循环预测，最终完成对海参生长水质指标数据进行点预测。
以研究团队搭建的智慧水产养殖监测平台，对大连市金州区一海参养殖圈的水质数据进行采集，采集周期为30分钟，采集数据包括水温、盐分、PH、空气温度、风速、气压、降雨量、空气湿度以及溶解氧等十二维相关数据，实验数据选择2021年06月22日至2021年07月05日的数据，该时间段属于海参生长旺盛的周期段，其数据具有一定的代表性，数据长度为645。在模型训练之前，将其整个数据分为训练集、测试集和验证集，分割的比例为7:2:1，最终使用验证集和三个评价函数(mae、mape、rmse)进行性能的判定。该方法对于短期实时的水质预测具有一定的参考性与实用性。
首先对数据进行清洗与分析，可发现数据存在异常缺失以及数据冗余等情况。针对此现象，对多种水质数据中的冗余数据进行剔除，并使用线性插值法进行了数据修复工作，如下表所示。
表1酸碱度PH数据修复值
Figure BDA0003587208000000081
Figure BDA0003587208000000091
对数据进行修复之后，使用斯皮尔-曼秩相关性分析法筛选出对酸碱度PH影响相关性较大的水质因子和气象因子，分析结果如图2所示。根据水质相关性评判标注，若相关性|r|小于0.2，则认为该因子与酸碱度PH不相关，否则互为相关。图中观察得出空气湿度、室内湿度、露点以及总降雨量与酸碱度PH呈负相关，其|r|大于0.2，可分析出随着空气湿度和降雨量的增大，酸碱度会逐渐降低。相对气压、溶解氧以及盐度与酸碱度PH呈正相关，其|r|大于0.2，可证明随着气压、溶解氧和盐度的增大，海参生长水质中的酸碱度PH会逐渐增大。通过分析，可筛选出空气和室内湿度、相对气压、露点、总降雨量、溶解氧以及盐度七维数据。
进行相关性分析之后，将酸碱度PH进行多模态分解VMD，形成IMF分量以及中心频率，如图3所示。IMF分量重构与原始数据进行差分处理，得到一个余量R，为防止数据预测产生过拟合，在IMF分量中加入高斯白噪声r，如下表所示。然后与酸碱度PH相关性较大的水质因子(盐分、溶解氧)和气象因子(空气和室内湿度、相对气压、露点、总降雨量)进行融合，形成扩展模态分量数据new-IMFs。
表2 IMF分量对应加入的高斯白噪声r
Figure BDA0003587208000000101
进一步对扩展模态分量数据new-IMFs进行预处理操作，包括归一标准化处理以及数据的分割，使用滑动窗口机制形成T：7×3×431输入至LSTM网络中进行训练，7×3×431指模型使用7维水质因子，以3为一个步长，输入m＝431个样本训练，每个样本包含(3,7)形状的数组。
Figure BDA0003587208000000102
其中，T中的xn指空气和室内湿度、相对气压、露点、总降雨量、溶解氧以及盐度七维数据，即n＝7。最终对酸碱度PH的预测结果为：
Figure BDA0003587208000000103
IMFpreyk_n为第k个分量未来第n时刻的预测值，IMFyk为各分量原始值列。
本发明所构建的预测模型包含一个输入层，两个lstm层，为防止过拟合单独加上Dropout层，一个Flatten层，一个Dense层，一个输出层，其中两个lstm层的神经元节点数分别设置为34,30，使用ADMA作为优化器，Dropout层中比率设置为0.4。为证明该模型能够降低对酸碱度PH的预测误差，使用单一的LSTM网络进行效果对比。单一的LSTM网络只包含输入层、lstm层和输出层，其lstm层的神经节点数设置为40。图4表示的是单一LSTM网络和VLSTM模型对酸碱度PH的预测效果，其拟合20次训练，200个epoch之后手动筛选出最优的拟合效果图；从左图中可发现VLSTM模型预测效果得到了很大的改善，右图中发现使用本发明模型在对PH的预测中三种性能分别降低了3、3.9、0.4个百分点。
图5中包括使用单一LSTM、VLSTM模型的训练损失图，从图中可看出VLSTM模型在第5轮前，损失已开始收敛且震荡起伏小，单一LSTM模型在7轮-10轮中开始收敛，震荡相较更大。由此可见，本发明的预测模型比前两种预测模型收敛速度快且模型稳健，验证集的损失相较于LSTM模型性能更加稳定。
最终，对预测的结果进行逆缩放后，使用预测结果与原始数据进行公式中(E＝Y-pre_Y)操作，得出最终的error曲线，图6中可看出实际数据的误差值大多处于[-0.015,0.015]之间，少部分误差在该区间之外。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。

Claims (10)

1.一种海参生长水质中酸碱度的预测方法，其特征在于，包括：
对采集的多种水质数据进行清洗与修复；
筛选出与酸碱度PH相关的水质因子、气象因子；
对修复的水质因子数据进行多模态分解，以获取各模态分量IMF；
将所述各模态分量IMF与原始数据进行差值校验，得出残差校验数据R；
所述各模态分量IMF与水质因子、气象因子、残差校验数据融合，形成扩展模态分量数据new-IMFs；
对所述扩展模态分量数据new-IMFs做归一标准化处理；
将归一标准化处理后的扩展模态分量数据进行分割，以获取训练集、测试集与验证集；
分割后的扩展模态分量数据做格式转换，进行拟合训练学习；并将每个扩展模态分量的验证集与测试集的数据使用平均绝对误差mae、平均绝对百分比误差mape、均方根误差rmse进行性能评价；
对预测结果进行重构逆归一化，并且自动还原原始数据列，再次对预测数据进行误差获取。
2.根据权利要求1所述一种海参生长水质中酸碱度的预测方法，其特征在于，对采集的多种水质数据进行清洗与修复，具体为：
对多种水质数据中的冗余数据进行剔除；
使用线性插值算法对剔除后的多种水质数据进行插值操作，所述算法使用到的公式为：
f(xt)＝(1-xt-xt-1/xt+1-xt)f(xt-1)+xt-xt-1/xt+1-xtf(xt)
其中，f(x)为要填充的数值，xt为某个时刻的目标因子值，xt-1、xt+1分别为前一时刻与后一时刻的目标因子值。
3.根据权利要求1所述一种海参生长水质中酸碱度的预测方法，其特征在于，筛选出与酸碱度PH相关的水质因子与气象因子，具体为：采用斯皮尔-曼秩方式对修复过的数据进行相关性分析，筛选出与溶解氧因子具有强相关性的水质因子、气象因子。
4.根据权利要求1所述一种海参生长水质中酸碱度的预测方法，其特征在于，对修复的水质因子数据进行多模态分解，具体为：首先对修复的水质因子数据通过Hilbert变换得到单边频谱信号，然后将所述单边频谱信号平移到基带，进而进行带宽估计。
5.根据权利要求1或4所述一种海参生长水质中酸碱度的预测方法，其特征在于，获取各模态分量IMF，具体为：
初始化参数：分量个数k＝5，双重上升时间步长tau＝0，中心约束强度alpha＝7000；
根据下式对分解中所有分量列表uk和中心频率值ωk进行更新；
Figure FDA0003587207990000021
Figure FDA0003587207990000022
式中f指傅里叶变换公式；
依据给定的评判标准，不断迭代，直至迭代K次以及滤波器迭代精度小于ε，停止迭代；其中评判标准为：
Figure FDA0003587207990000031
6.根据权利要求1所述一种海参生长水质中酸碱度的预测方法，其特征在于，将所述各模态分量IMF与原始数据进行差值校验，得出残差校验数据R，具体为：
Figure FDA0003587207990000032
将目标因子Y进行多模态分解，形成k个IMF分量，Y的形状由(n,1)转为(n，k)，同时产生一个差值分量R；其数据格式转换如下式：
Figure FDA0003587207990000033
7.根据权利要求1所述一种海参生长水质中酸碱度的预测方法，其特征在于，所述各模态分量IMF与水质因子、气象因子、残差校验数据融合，形成扩展模态分量数据new-IMFs，具体为：
在各模态分量IMF中加入高斯白噪声r，融合后形成矩阵D，如公式所示：
Figure FDA0003587207990000034
式中ui为形成的单一模态分量，ζi为水质因子二维矩阵，s2为模态分量的计算方差，N为模态分量数据列的长度，randn代表随机生成；
将矩阵D变为三维矩阵T，形状为(12,q,m)其数据格式如下所示：
Figure FDA0003587207990000041
式中m为样本个数、q为样本步长。
8.根据权利要求1所述一种海参生长水质中酸碱度的预测方法，其特征在于，对所述扩展模态分量数据new-IMFs做归一标准化处理，具体为：
Figure FDA0003587207990000042
将具有不同量纲的水质数据变为[0,1]之间的同量纲数据，xt为t时刻的测量值，min[x]为某测量数据列中的最小值，max[x]为某测量数据列中的最大值。
9.根据权利要求1所述一种海参生长水质中酸碱度的预测方法，其特征在于，平均绝对误差MAE、平均绝对百分比误差MAPE、均方根误差RMSE的评价函数分别为：
Figure FDA0003587207990000043
Figure FDA0003587207990000044
Figure FDA0003587207990000045
其中，yi为目标因子的真实值，
Figure FDA0003587207990000046
为目标因子的预测值，通过不同的评判函数，对所构建模型的性能进行评判。
10.根据权利要求1所述一种海参生长水质中酸碱度的预测方法，其特征在于，预测结果pre_Y使用下面公式得出：
Figure FDA0003587207990000051
IMFpreyk_n为第k个分量第n时刻的预测值，IMFyk为各分量原始值列。
CN202210366226.8A 2022-04-08 2022-04-08 一种海参生长水质中酸碱度的预测方法 Pending CN114841412A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210366226.8A CN114841412A (zh) 2022-04-08 2022-04-08 一种海参生长水质中酸碱度的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210366226.8A CN114841412A (zh) 2022-04-08 2022-04-08 一种海参生长水质中酸碱度的预测方法

Publications (1)

Publication Number Publication Date
CN114841412A true CN114841412A (zh) 2022-08-02

Family

ID=82564717

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210366226.8A Pending CN114841412A (zh) 2022-04-08 2022-04-08 一种海参生长水质中酸碱度的预测方法

Country Status (1)

Country Link
CN (1) CN114841412A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116756527A (zh) * 2023-08-18 2023-09-15 中国农业科学院作物科学研究所 一种用于育种筛选的数据处理方法
CN117878971A (zh) * 2024-03-12 2024-04-12 西安热工研究院有限公司 一种熔盐储能耦合火电机组的新型调频方法和系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116756527A (zh) * 2023-08-18 2023-09-15 中国农业科学院作物科学研究所 一种用于育种筛选的数据处理方法
CN116756527B (zh) * 2023-08-18 2023-11-07 中国农业科学院作物科学研究所 一种用于育种筛选的数据处理方法
CN117878971A (zh) * 2024-03-12 2024-04-12 西安热工研究院有限公司 一种熔盐储能耦合火电机组的新型调频方法和系统
CN117878971B (zh) * 2024-03-12 2024-06-11 西安热工研究院有限公司 一种熔盐储能耦合火电机组的调频方法和系统

Similar Documents

Publication Publication Date Title
CN109214592B (zh) 一种多模型融合的深度学习的空气质量预测方法
CN111815037B (zh) 一种基于注意力机制的可解释性短临极端降雨预测方法
CN106650767B (zh) 基于聚类分析和实时校正的洪水预报方法
CN114841412A (zh) 一种海参生长水质中酸碱度的预测方法
CN110210660B (zh) 一种超短期风速预测方法
CN111738477B (zh) 基于深层特征组合的电网新能源消纳能力预测方法
CN110515931B (zh) 一种基于随机森林算法的电容型设备缺陷预测方法
CN111966823A (zh) 一种面向标签噪声的图节点分类方法
CN109063983B (zh) 一种基于社交媒体数据的自然灾害损失实时评估方法
CN113435124A (zh) 一种基于长短时记忆和径向基函数神经网络的水质时空关联预测方法
CN112307410A (zh) 基于船载ctd测量数据的海水温盐信息时序预测方法
CN115310536A (zh) 基于神经网络和gcn深度学习模型的水库水位预测预警方法
CN112712855B (zh) 一种基于联合训练的含缺失值基因微阵列的聚类方法
CN114897204A (zh) 一种海上风电场短期风速预测方法和装置
CN114169502A (zh) 一种基于神经网络的降水预测方法、装置和计算机设备
CN117458480A (zh) 基于改进lof的光伏发电功率短期预测方法及系统
DE102023209512A1 (de) Verfahren und Systeme zum Durchführen einer Grundursachenanalyse mit einem trainierten maschinellen Lernmodell
CN116611580A (zh) 一种基于多源数据与深度学习的海洋赤潮预测方法
CN114265954B (zh) 基于位置与结构信息的图表示学习方法
CN114386600A (zh) 基于自适应结构和位置编码的网络表征方法
CN114648095A (zh) 一种基于深度学习的空气质量浓度反演方法
CN114819344A (zh) 一种基于关键影响因子的全局时空气象农灾预测方法
CN112380985A (zh) 变电站入侵异物实时检测方法
CN111882441A (zh) 一种基于理财产品推荐场景的用户预测解释Treeshap方法
CN113052353B (zh) 空气质量预测与预测模型训练方法、装置及存储介质

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