[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

说明书

本发明涉及一种基于遗传算法优化极限学习机的池塘水温预测方法，该预测方法首先对原始数据中的异常数据和丢失数据进行数据校正；再对数据进行归一化处理，将处理后的数据集分成训练集合测试集；然后利用遗传算法优化极限学习机的权值、偏置，得到最佳初始值，估算测试集中水温数据的预测值。本发明涉及到选取池塘水温相关的10个指标参数，确定这10个指标参数作为预测方法的输入量，在对传感器采集过程中丢失和异常数据实现校正处理后，将水体温度作为输出量，采用遗传算法优化极限学习机的预测方法。采用本发明的预测方法可实时在线的实现水温数据精确、有效地预测，为工厂化养殖鱼类的智能预测和控制提供依据。

技术领域

本发明涉及一种池塘水温预测方法，尤其涉及一种基于遗传算法优化极限学习机的池塘水温预测方法。

背景技术

水温是影响鱼类生长、代谢强度的重要因素之一。不同的养殖性鱼类在生长周期过程中对水温的要求不一样。在适宜的水温条件下，鱼体的摄食率上升，代谢活跃，生长速度也会加快。在较低或较高的水温条件下，鱼体摄食率降低，投放的饲料的浪费量也增大。工厂集约化池塘养殖是一种高密度、高效、高风险的池塘养殖方式。故而，在工厂化池塘养殖中，水温的有效预测和控制显得尤为重要。

目前，在池塘水产养殖中对水温的预测和控制研究方法相对较少。现有技术中有使用遗传算法和BP神经网络实现短期池塘养殖水温预测方法；有使用粒子群算法和BP神经网络实现池塘水温的预测方法。这些预测方法的实时性不高，方法中的输入参数较少，且传感器在采集过程中，较易出现数据丢失和异常的情况，未经校正处理的数据进行预测的结果准确性低、可靠性差，不能保障工厂化池塘养殖过程中对养殖环境的高要求。

发明内容

为提高预测的速度和精度，本发明提出了一种基于遗传算法优化极限学习机的池塘水温预测方法，包括：

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。

进一步的，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: