[发明专利]一种基于遗传算法优化极限学习机的池塘水温预测方法

权利要求书

1.一种基于遗传算法优化极限学习机的池塘水温预测方法，其特征在于包括以下几个步骤：

步骤一：确定预测对象，针对高密度水产养殖中的池塘水体的水温进行预测，定义影响水温变化的水体因素和气象因素，采集所述因素相关的b个指标变量作为水温预测的输入变量，将水体水温作为预测输出变量；

步骤二：遗传算法优化极限学习机网络模型构建，过程如下：

极限学习机预测方法包含输入层、隐含层和输出层；设置神经网络的输入变量为X＝[X₁,X₂,…,X_n]^T，输出变量为Y＝[Y₁,Y₂,…,Y_k]^T，利用遗传算法对极限学习机的隐含层输入权值q_i和偏置b_i进行优化，同时利用经验公式获取隐含层节点数L，以确定优化的极限学习机预测方法。其中，m为输入节点数，u为输出节点数，s为区间[1,10]内一整数，经验公式如下所示：

步骤三：在种群初始化过程中，首先构成一个结构、权值、偏置向量确定的极限学习机网络结构，并产生种群。设置种群规模，进化代数，隐含层节点数；确定适应度函数Fitness，其函数公式如下所示。通过交叉、变异等遗传操作，确定最优适应度值：

其中，N为预测点个数,y_i(k)和y_i*(k)分别为在时刻k的实际值；

步骤四：训练极限学习机网络预测模型，在不断迭代中，获取最优适应度值Fitness_best条件下的权值和偏置；经过反归一化处理后,以预测误差作为神经网络迭代依据，最终输出符合精度要求的预测结果。

2.根据权利要求1所述的基于遗传算法优化极限学习机的池塘水温预测方法，其特征在于：步骤三中，在获取最优适应度值的过程中，使用遗传操作中的选择操作，将轮盘赌法作为选择操作中适应度比例的选择策略，即获取个体在选择操作中的选择概率p_i：

其中，f_i＝k/F_i，k为系数，F_i为个体i的适应度值；

在遗传操作的交叉操作中，使用实数交叉法，完成第k个染色体d_k和第l个染色体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]间随机数；

在遗传操作的变异操作中，选取第i个个体的第j个基因d_ij进行变异，变异方法如下公式：

其中，d_max和d_min分别是基因d_ij的上下界；f(g)＝r₂(1-g/G_max)，r₂是一随机数，r为[0 1]区间内随机数，G_max为最大进化代数，g即当前进化代数；

3.根据权利要求1所述的基于遗传算法优化极限学习机的池塘水温预测方法，其特征在于：所述步骤一中，在数据采集过程中，发生时间间隔较小情况下的数据丢失，采用线性插值法完成数据插补，公式如下：

式中，x_k和x_k+j分别为已知k时刻和k+j时刻的监测水质数据，x_k+i为k+i时刻丢失的水质监测数据值；

当数据丢失的时间间隔较大时，以环境指数EI作为插补依据，选择近似环境指数条件下的对应数据作为插补数据；

当采集的数据与前后时刻采集值浮动误差范围超过10％，利用环境指数EI差值作为误差校正参考依据，将与该时刻同时段的环境指数相近条件下的采集数据作为误差数据的校正值。