[發(fā)明專利]一種游程檢測(cè)法重構(gòu)EEMD的養(yǎng)殖水質(zhì)溶解氧預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201711234740.1
• 申請(qǐng)日: 2017-11-30
• 公開（公告）號(hào): CN108038565A
• 公開（公告）日: 2018-05-15
• 發(fā)明（設(shè)計(jì)）人: 宦娟;曹偉建;秦益霖;吳帆
• 申請(qǐng)（專利權(quán)）人: 常州大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06N3/08;G06N3/04;G06N3/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明公開了一種游程檢測(cè)法重構(gòu)EEMD的組合預(yù)測(cè)模型。該模型首先將溶解氧原始序列用集合經(jīng)驗(yàn)?zāi)B(tài)(EEMD)分解法進(jìn)行分解，得到了多個(gè)分量；其次，用游程檢測(cè)法將這些分量重構(gòu)成高頻分量、中頻分量和低頻分量三個(gè)分量；接著，針對(duì)高頻分量波動(dòng)性大且復(fù)雜、中頻分量呈現(xiàn)周期性、低頻分量呈線性的特點(diǎn)，采用粒子群(PSO)優(yōu)化的最小二乘支持向量機(jī)(LSSVM)對(duì)高頻項(xiàng)進(jìn)行預(yù)測(cè)，采用極限學(xué)習(xí)機(jī)(ELM)對(duì)中頻項(xiàng)預(yù)測(cè)，采用非線性回歸對(duì)低頻項(xiàng)預(yù)測(cè)；最后，將三個(gè)分量預(yù)測(cè)的結(jié)果用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行重構(gòu)得到最終預(yù)測(cè)結(jié)果。與PSO?LSSVM和單一的ELM預(yù)測(cè)模型相比，組合模型能提高水產(chǎn)養(yǎng)殖中溶解氧的預(yù)測(cè)精度，能夠滿足現(xiàn)代化水產(chǎn)養(yǎng)殖業(yè)對(duì)溶解氧精細(xì)化管理的高要求。

技術(shù)領(lǐng)域：

本發(fā)明涉及計(jì)算機(jī)應(yīng)用領(lǐng)域，特別涉及一種游程檢測(cè)法重構(gòu)EEMD的養(yǎng)殖水質(zhì)溶解氧預(yù)測(cè) 模型。

背景技術(shù)：

溶解氧含量是池塘水質(zhì)管理中最重要的問題之一。溶解氧濃度對(duì)飼料消耗、代謝率和能 量消耗有很大的影響。溶解氧含量嚴(yán)重不足還會(huì)引發(fā)泛塘及死亡；過量的增氧不僅帶來了不 必要的電力浪費(fèi)，也會(huì)造成魚苗氣泡病而死亡。例如，根據(jù)可靠的統(tǒng)計(jì)分析，在螃蟹養(yǎng)殖池 塘里，由于溶解氧的過多或過少造成螃蟹死亡的數(shù)量占總死亡數(shù)的50％左右。所以溶解氧的 精細(xì)化管理對(duì)池塘養(yǎng)殖動(dòng)物的健康非常重要。如何準(zhǔn)確預(yù)測(cè)未來水中溶解氧變化趨勢(shì)，建立 準(zhǔn)確、實(shí)用的預(yù)測(cè)模型對(duì)于水產(chǎn)養(yǎng)殖業(yè)具有重要的現(xiàn)實(shí)意義。其預(yù)測(cè)方法主要有專家評(píng)估系 統(tǒng)、數(shù)理統(tǒng)計(jì)法、時(shí)間序列、灰色理論法、神經(jīng)網(wǎng)絡(luò)法和支持向量回歸機(jī)等。在取得良好的 預(yù)測(cè)效果的同時(shí)，難免存在一些不足，比如欠學(xué)習(xí)和過學(xué)習(xí)、參數(shù)難以確定、易陷入局部最 優(yōu)等問題，無法滿足對(duì)溶解氧預(yù)測(cè)的更高要求。且這些方法直接在原始時(shí)序數(shù)據(jù)上建模，難 以充分挖掘和利用各時(shí)頻特征信息，尤其是溶解氧序列具有非線性和非平穩(wěn)性的特點(diǎn)，這勢(shì) 必會(huì)影響上述方法的預(yù)測(cè)性能，所以對(duì)溶解氧序列進(jìn)行降噪處理十分必要。而經(jīng)驗(yàn)?zāi)B(tài)分解 (empirical mode decomposition，EMD)是一種常用的處理時(shí)序數(shù)據(jù)非平穩(wěn)性的方法，將 EEMD用于溶解氧的預(yù)測(cè)，但是如果對(duì)EEMD分解后的多個(gè)分量一一建模預(yù)測(cè)，不僅會(huì)加大工 作量，降低預(yù)測(cè)速度，而且對(duì)多個(gè)分量預(yù)測(cè)的結(jié)果進(jìn)行疊加，無疑會(huì)增大誤差。

發(fā)明內(nèi)容:

為了解決單一預(yù)測(cè)模型帶來的誤差和降低多分量預(yù)測(cè)的復(fù)雜性，本發(fā)明提供了一種游程 檢測(cè)法重構(gòu)EEMD的養(yǎng)殖水質(zhì)溶解氧預(yù)測(cè)的方法。

本發(fā)明提出的一種游程檢測(cè)法重構(gòu)EEMD的組合預(yù)測(cè)模型，首先將溶解氧原始序列用集合 經(jīng)驗(yàn)?zāi)B(tài)(EEMD)分解法進(jìn)行分解，得到了多個(gè)分量；其次，用游程檢測(cè)法將這些分量重構(gòu) 成高頻分量、中頻分量和低頻分量等三個(gè)分量；接著，針對(duì)高頻分量波動(dòng)性大且復(fù)雜，中頻 分量呈現(xiàn)周期性，低頻分量幾乎呈線性的特點(diǎn)，采用粒子群(PSO)優(yōu)化的最小二乘支持向量 機(jī)(LSSVM)對(duì)高頻項(xiàng)進(jìn)行預(yù)測(cè)，采用極限學(xué)習(xí)機(jī)(ELM)對(duì)中頻項(xiàng)預(yù)測(cè)，采用非線性回歸對(duì) 低頻項(xiàng)預(yù)測(cè)；最后，將三個(gè)分量預(yù)測(cè)的結(jié)果用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行重構(gòu)得到最終的預(yù)測(cè)結(jié)果。

本發(fā)明技術(shù)方案如下：

(1)溶解氧時(shí)間序列集合經(jīng)驗(yàn)?zāi)B(tài)分解。

(2)游程檢測(cè)法的分量重構(gòu)。

(3)不同尺度序列的單項(xiàng)預(yù)測(cè)。

(4)BP神經(jīng)網(wǎng)絡(luò)結(jié)果重構(gòu)。

(5)誤差分析。

附圖說明：

此處所說明的附圖用來提供對(duì)本發(fā)明的進(jìn)一步理解，構(gòu)成本申請(qǐng)的一部分，在附圖中

圖1是本發(fā)明基于游程檢測(cè)法重構(gòu)EEMD的溶氧預(yù)測(cè)流程圖

圖2是本發(fā)明溶解氧時(shí)間序列EEMD分解結(jié)果圖

圖3是本發(fā)明游程檢測(cè)法重構(gòu)結(jié)果圖

具體實(shí)施方式：