[發明專利]一種基于遺傳算法優化極限學習機的池塘水溫預測方法

在審

• 申請號: 201810259744.3
• 申請日: 2018-03-27
• 公開（公告）號: CN109711592A
• 公開（公告）日: 2019-05-03
• 發明（設計）人: 匡亮;施珮;季云峰;顧曉燕
• 申請（專利權）人: 江蘇信息職業技術學院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/02;G06N3/12;G06N3/04
• 代理公司: 南京天翼專利代理有限責任公司 32112
• 代理人: 奚銘

1.一種基于遺傳算法優化極限學習機的池塘水溫預測方法，其特征在于包括以下幾個步驟：

步驟一：確定預測對象，針對高密度水產養殖中的池塘水體的水溫進行預測，定義影響水溫變化的水體因素和氣象因素，采集所述因素相關的b個指標變量作為水溫預測的輸入變量，將水體水溫作為預測輸出變量；

步驟二：遺傳算法優化極限學習機網絡模型構建，過程如下：

極限學習機預測方法包含輸入層、隱含層和輸出層；設置神經網絡的輸入變量為X＝[X₁,X₂,…,X_n]^T，輸出變量為Y＝[Y₁,Y₂,…,Y_k]^T，利用遺傳算法對極限學習機的隱含層輸入權值q_i和偏置b_i進行優化，同時利用經驗公式獲取隱含層節點數L，以確定優化的極限學習機預測方法。其中，m為輸入節點數，u為輸出節點數，s為區間[1,10]內一整數，經驗公式如下所示：

步驟三：在種群初始化過程中，首先構成一個結構、權值、偏置向量確定的極限學習機網絡結構，并產生種群。設置種群規模，進化代數，隱含層節點數；確定適應度函數Fitness，其函數公式如下所示。通過交叉、變異等遺傳操作，確定最優適應度值：

其中，N為預測點個數,y_i(k)和y_i*(k)分別為在時刻k的實際值；

步驟四：訓練極限學習機網絡預測模型，在不斷迭代中，獲取最優適應度值Fitness_best條件下的權值和偏置；經過反歸一化處理后,以預測誤差作為神經網絡迭代依據，最終輸出符合精度要求的預測結果。

2.根據權利要求1所述的基于遺傳算法優化極限學習機的池塘水溫預測方法，其特征在于：步驟三中，在獲取最優適應度值的過程中，使用遺傳操作中的選擇操作，將輪盤賭法作為選擇操作中適應度比例的選擇策略，即獲取個體在選擇操作中的選擇概率p_i：

其中，f_i＝k/F_i，k為系數，F_i為個體i的適應度值；

在遺傳操作的交叉操作中，使用實數交叉法，完成第k個染色體d_k和第l個染色體d_l在第j位的交叉操作，其操作方式如下公式：

d_kj＝d_kj(1-b)+d_ijb

d_lj＝d_lj(1-b)+d_kjb

其中，b是[0,1]間隨機數；

在遺傳操作的變異操作中，選取第i個個體的第j個基因d_ij進行變異，變異方法如下公式：

其中，d_max和d_min分別是基因d_ij的上下界；f(g)＝r₂(1-g/G_max)，r₂是一隨機數，r為[0 1]區間內隨機數，G_max為最大進化代數，g即當前進化代數；

3.根據權利要求1所述的基于遺傳算法優化極限學習機的池塘水溫預測方法，其特征在于：所述步驟一中，在數據采集過程中，發生時間間隔較小情況下的數據丟失，采用線性插值法完成數據插補，公式如下：

式中，x_k和x_k+j分別為已知k時刻和k+j時刻的監測水質數據，x_k+i為k+i時刻丟失的水質監測數據值；

當數據丟失的時間間隔較大時，以環境指數EI作為插補依據，選擇近似環境指數條件下的對應數據作為插補數據；

當采集的數據與前后時刻采集值浮動誤差范圍超過10％，利用環境指數EI差值作為誤差校正參考依據，將與該時刻同時段的環境指數相近條件下的采集數據作為誤差數據的校正值。