[发明专利]基于多尺度分析的水产养殖溶解氧短期预测方法

说明书

技术领域

本发明涉及水产养殖和数据处理领域，特别涉及水产养殖中的水质预测方法。

背景技术

养殖水体是水产品栖息场所，存在复杂的物理、化学和生物过程，养殖水体水质的好坏直接决定着水产品的生长状况及其产品质量。快速、准确的水质预测可以为水质调控管理提供决策依据，在防范水质恶化，提高水产品质量和水产品健康养殖、推进渔业信息现代化中将发挥重要的作用。

目前，对水质预测主要有基于机理预测模型和基于数值定量预测模型，但基于机理预测模型要求测量水质参数较多，计算量大，误差累积率高，不满足水产养殖企业对溶解氧短期预测的需求。而基于数值定量预测方法常采用多项式回归、数理统计法、灰色系统理论法、神经网络模型法、水质模拟模型法等方法，它们各自有各自的研究特点和使用条件，但是上述预测的效果都不是很好，预测精度不能满足集约化水产养殖短期预测的需要。

发明内容

（一）要解决的技术问题

本发明要解决的技术问题为：提高溶解氧短期预测的精度，实现准确、快速的预测。

（二）技术方案

为了解决该技术问题，本发明提出了一种基于多尺度分析的水产养殖溶解氧短期预测方法，所述预测方法包括以下步骤：

获取集约化水产养殖池塘的溶解氧数据，按照时间顺序排列成溶解氧时间序列数据；

使用多贝西小波分解模型对所述溶解氧时间序列数据进行四层小波分解，获得不同尺度下的所述溶解氧时间序列数据的四组高频细节分量和一组低频近似分量；

将所述四组高频细节分量和一组低频近似分量中的一部分数据作为训练样本集，另一部分数据作为测试样本集，用柯西粒子群优化最小二乘支持向量回归机算法根据训练样本集建立四组高频细节分量和一组低频近似分量的非线性预测模型，分组输入所述测试样本集中的四组高频细节分量数据和一组低频近似分量数据，得到四组高频细节分量和一组低频近似分量的预测结果；

采用小波逆变换法将所述四组高频细节分量和一组低频近似分量的预测结果进行小波重构，得到最终的水体中溶解氧预测值。

优选地，该方法进一步包括：

生成溶解氧时间序列数据后，对所述溶解氧时间序列数据中的残缺值进行修复处理。

优选地，该方法进一步包括：

设定自相关度阈值，对应每一个可能的嵌入维数的取值计算溶解氧时间序列数据的自相关度，将自相关度大于自相关度阈值时对应的所有嵌入维数取值中最大的一个选定为嵌入维数。

优选地，作为训练样本集的一部分数据占总数的60%-90%，作为测试样本集的另一部分数据占总数的10%-40%。

优选地，所述用柯西粒子群优化最小二乘支持向量回归机算法根据训练样本集建立四组高频细节分量和一组低频近似分量的非线性预测模型包括：

选择径向基函数作为所述最小二乘支持向量回归机的核函数，选择最小二乘支持向量回归机的正则化参数和径向基核函数参数作为优化选择参数，将最小二乘支持向量回归机的正则化参数和核函数参数别作为粒子的x轴和y轴坐标，随机产生粒子的初始位置和速度；

确定基于最小二乘支持向量回归机算法输入参数维数，建立预测模型，得到对应支持向量回归机模型的输入向量和输出向量；

分别将溶解氧时间序列数据的高频细节分量和低频近似分量的训练样本集输入所述的最小二乘支持向量回归机中，计算每个粒子的适应度值，如果该粒子的适应度小于它经过的最好位置，则将其作为当前的最好位置，如果该粒子的适应度小于群体所经过的最好位置，则将其作为当前的最好位置；如果达到设定的最大迭代次数，则停止迭代，获得最佳组合参数；

由最佳组合参数构建基于最小二乘支持向量回归机的非线性回归模型。

（三）有益效果

本发明的技术方案基于小波分析和柯西粒子群优化最小二乘支持向量回归机对进行预测，具有以下有益效果：（1）通过小波分解，将由历史养殖溶解氧时间序列数据依尺度分解成不同尺度的高频分量和低频分量序列，消除噪音的干扰，提高预测精度；（3）以小波分解的水质高频和低频分量序列分别作为样本集，柯西粒子群可以优化选择最小二乘支持向量回归机模型参数，提高了最小二乘支持向量回归机的预测精度；（4）为水产养殖人员做出准确的水质优化调控决策提供可靠、有效的技术支撑。

附图说明