[發(fā)明專利]一種基于數(shù)據(jù)修復(fù)的池塘溶解氧預(yù)測方法

有效

• 申請?zhí)枺?/td>: 201710691016.5
• 申請日: 2017-08-14
• 公開（公告）號: CN107480775B
• 公開（公告）日: 2020-06-16
• 發(fā)明（設(shè)計）人: 施珮;袁永明;張紅燕;賀艷輝;龔赟翀;王紅衛(wèi);代云云;袁媛
• 申請（專利權(quán)）人: 中國水產(chǎn)科學(xué)研究院淡水漁業(yè)研究中心
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06Q10/04
• 代理公司: 南京經(jīng)緯專利商標(biāo)代理有限公司 32200
• 代理人: 邵驊

1.一種基于數(shù)據(jù)修復(fù)的池塘溶解氧預(yù)測方法，其特征在于包括以下幾個步驟：

(1)確定預(yù)測對象，針對集約化、工廠化水產(chǎn)中的池塘溶解氧進(jìn)行預(yù)測，定義氣象因子和水產(chǎn)養(yǎng)殖環(huán)境因子兩大影響因素，與兩大影響因素相關(guān)的b個指標(biāo)參數(shù)構(gòu)成溶解氧預(yù)測的基本輸入變量，將溶解氧濃度作為預(yù)測輸出變量，b為正整數(shù)；

(2)定義氣象綜合指數(shù)，獲得氣象綜合指數(shù)評價結(jié)果；

首先，定義m個氣象因素作為氣象綜合指數(shù)的評價指標(biāo)，確定因子分析法進(jìn)行氣象綜合指數(shù)的評定，m為小于b的正整數(shù)；

其次，確定特征因子，并計算各得分因子的系數(shù)；采用因子分析法中的主成分分析為因子提取的方法，以特征值大于1的因子為公共因子，按照特征值大于1為準(zhǔn)則，從多個氣象綜合指數(shù)的評價指標(biāo)中提取j個公因子作為氣象綜合指數(shù)的評價；并定義它們分別為F₁，F(xiàn)₂，…,F_j；j為小于m的正整數(shù)；

通過式(1)計算j個公共因子的得分：

F_ij＝∑X_imga_mj (1)

式中：i表示評估氣象綜合指數(shù)的樣本數(shù)，j表示提取的公共因子數(shù)，m代表指標(biāo)體系的評價指標(biāo)數(shù)，F(xiàn)_ij為第i組樣本第j個因子得分，a_mj為第m個變量在第j因子上的得分系數(shù)，X_im為第j個因子在第m個變量上的數(shù)值；

最后，獲得氣象綜合指數(shù)評價結(jié)果，確定光照特征因子F₁-F_j這幾個公因子的方差貢獻(xiàn)率作為公因子權(quán)重系數(shù)，通過加權(quán)法，獲得池塘氣象綜合指數(shù)的評價結(jié)果，計算公式如下式：

式中：MI_i為氣象綜合指數(shù)得分，W_j為j個公共因子方差貢獻(xiàn)率，F(xiàn)_ij為因子得分；

(3)數(shù)據(jù)修復(fù)與數(shù)據(jù)標(biāo)準(zhǔn)化處理，過程如下：

首先，對數(shù)據(jù)采集過程中前后時間間隔小的丟失數(shù)據(jù)，使用線性插值法進(jìn)行插補(bǔ)，公式如下：

式中，x_k和x_k+j分別為已知k時刻和k+j時刻的監(jiān)測水質(zhì)數(shù)據(jù)，x_k+i為k+i時刻丟失的水質(zhì)監(jiān)測數(shù)據(jù)值；當(dāng)時間間隔大時，選擇氣象綜合指數(shù)差值最小的相同時刻的數(shù)據(jù)進(jìn)行填補(bǔ)；

其次，若某時刻水質(zhì)數(shù)據(jù)的浮動超過前后相鄰時刻監(jiān)測數(shù)據(jù)值的10％，則認(rèn)為該數(shù)據(jù)為“臟”數(shù)據(jù)，選擇氣象綜合指數(shù)差值最小的相同時刻的數(shù)據(jù)進(jìn)行替換，并保證替換數(shù)據(jù)與前后相鄰時刻差值不超過10％；

最后，對指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理，針對逆指標(biāo)采取取負(fù)值的正向化方法，公式如下：

X′＝-X (4)

完成指標(biāo)的正向化后，使用Z分值法作為標(biāo)準(zhǔn)化方法，標(biāo)準(zhǔn)化公式為：

式中：n為評價年份數(shù)；為X_mn的均值；S_n為X_mn的標(biāo)準(zhǔn)差；原數(shù)據(jù)經(jīng)標(biāo)準(zhǔn)化處理后，得到的標(biāo)準(zhǔn)化值Z_mn的均值為0，方差為1；

(4)GRNN神經(jīng)網(wǎng)絡(luò)模型構(gòu)建，過程如下：

構(gòu)建的GRNN網(wǎng)絡(luò)結(jié)構(gòu)包含輸入層、模式層、求和層和輸出層；設(shè)置輸入變量為X＝[X₁,X₂,…,X_n]^T，輸出層為Y＝[Y₁,Y₂,…,Y_k]^T，X_i,Y_i分別為神經(jīng)網(wǎng)絡(luò)的輸入變量值和輸出變量值，σ為高斯函數(shù)的寬度系數(shù)，也可稱為光滑因子,評價年份數(shù)n作為模式層神經(jīng)元數(shù)目，各神經(jīng)元對應(yīng)不同的樣本，則其模式層傳遞函數(shù)表達(dá)式為：

p_i＝exp[-(X-X_i)^T(X-X_i)/2σ²]i＝1,2,...,n (6)

在求和層中，求和方式是基于兩種類型的神經(jīng)元，在計算公式為的一類中，它對所有模式層神經(jīng)元的輸出進(jìn)行算數(shù)求和，其模式層與各神經(jīng)元的連接權(quán)值為1，傳遞函數(shù)為：

在計算公式為的這類中，它是對所有模式神經(jīng)元進(jìn)行加權(quán)求和，模式層中第i個神經(jīng)元與求和層中第j個分子求和神經(jīng)元之間的連接權(quán)值為第i個輸出樣本Y_i中的第j個元素，其傳遞函數(shù)為：

輸出層中的神經(jīng)元數(shù)目等于樣本中輸出向量維數(shù)k，將各神經(jīng)元求和層的輸出相除，即得到神經(jīng)元j輸出對應(yīng)估計結(jié)果的第j個元素：

y_j＝S_Nj/S_D (9)

(5)初始化GRNN神經(jīng)網(wǎng)絡(luò)：

確定神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元n個，輸出層神經(jīng)元為1個，確定初始參數(shù)SPREAD＝0.1；GRNN神經(jīng)網(wǎng)絡(luò)輸入表示為x₁，x₂,…,x_n，神經(jīng)網(wǎng)絡(luò)期望輸出表示為y；

(6)訓(xùn)練神經(jīng)網(wǎng)絡(luò)：

基于數(shù)據(jù)處理的GRNN神經(jīng)網(wǎng)絡(luò)，采用線性插值法對丟失或發(fā)生異常的數(shù)據(jù)進(jìn)行修復(fù)；以GRNN神經(jīng)網(wǎng)絡(luò)輸出的誤差為迭代依據(jù)，從而確定最優(yōu)參數(shù)SPREAD值，再將參數(shù)用于GRNN網(wǎng)絡(luò)，最終輸出符合精度要求的結(jié)果。