[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

本發明涉及一種基于遺傳算法優化極限學習機的池塘水溫預測方法，該預測方法首先對原始數據中的異常數據和丟失數據進行數據校正；再對數據進行歸一化處理，將處理后的數據集分成訓練集合測試集；然后利用遺傳算法優化極限學習機的權值、偏置，得到最佳初始值，估算測試集中水溫數據的預測值。本發明涉及到選取池塘水溫相關的10個指標參數，確定這10個指標參數作為預測方法的輸入量，在對傳感器采集過程中丟失和異常數據實現校正處理后，將水體溫度作為輸出量，采用遺傳算法優化極限學習機的預測方法。采用本發明的預測方法可實時在線的實現水溫數據精確、有效地預測，為工廠化養殖魚類的智能預測和控制提供依據。

技術領域

本發明涉及一種池塘水溫預測方法，尤其涉及一種基于遺傳算法優化極限學習機的池塘水溫預測方法。

背景技術

水溫是影響魚類生長、代謝強度的重要因素之一。不同的養殖性魚類在生長周期過程中對水溫的要求不一樣。在適宜的水溫條件下，魚體的攝食率上升，代謝活躍，生長速度也會加快。在較低或較高的水溫條件下，魚體攝食率降低，投放的飼料的浪費量也增大。工廠集約化池塘養殖是一種高密度、高效、高風險的池塘養殖方式。故而，在工廠化池塘養殖中，水溫的有效預測和控制顯得尤為重要。

目前，在池塘水產養殖中對水溫的預測和控制研究方法相對較少。現有技術中有使用遺傳算法和BP神經網絡實現短期池塘養殖水溫預測方法；有使用粒子群算法和BP神經網絡實現池塘水溫的預測方法。這些預測方法的實時性不高，方法中的輸入參數較少，且傳感器在采集過程中，較易出現數據丟失和異常的情況，未經校正處理的數據進行預測的結果準確性低、可靠性差，不能保障工廠化池塘養殖過程中對養殖環境的高要求。

發明內容

為提高預測的速度和精度，本發明提出了一種基于遺傳算法優化極限學習機的池塘水溫預測方法，包括：

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。

進一步的，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: