[发明专利]一种模糊时间序列水产养殖水质环境数据的预测方法

权利要求书

1.一种模糊时间序列水产养殖水质环境数据的预测方法，该方法是利用目前的自动在线监测系统，使用水质监测传感器自动采集水质环境数据，其特征在于该方法包括步骤如下：

第一步：计算水质监测历史数据中两个相邻数据的变动，

计算得到任意两个相邻水质监测数据的最大增加量I_max和最大减小量D_max，定义论域U＝[D_max-R₁,I_max+R₂]，其中R₁、R₂为选取的适当的正实数；

第二步：水质监测历史数据为时间序列{X(t)∈R,t＝1,2,…n}，U为其论域，将论域U分为适当长度的区间u₁,u₂,…,u_m；

第三步：在论域U上，对于X(t)的模糊时间序列F(t)＝(μ₁(t),μ₂(t),…,μ_n(t))，μ_i(t)是关于X(t)的模糊化变动的模糊集合，i＝1,2,…,n,t＝1,2,…n，将水质数据的变化以k个语言值描述，则相应语言变量为A₁,A₂,…,A_k，

其模糊集表达式如下：

第四步：根据上述定义的模糊集合，将水质传感器已监测到的历史数据模糊化，具体方法为：水质数据在时刻i时的变化数值为v，v∈u_j，(j＝1,2,…,k)；选取u_j取最大隶属度值时的模糊集A_j，(j＝1,2,…,k)；将变化数值v转换为模糊集A_j，(j＝1,2,…,k)；则F(t)在t和t-1之间的历史数据模糊变动为A_j，(j＝1,2,…,k)，即为向量f(t)＝[μ_Aj(u₁),μ_Aj(u₂),…,μ_Aj(u_m)]；

第五步：选择适当的窗口值w，计算在时刻t的预测输出，

以数据模糊变动f(t-1)为时刻t的标准向量S(t)＝f(t-1)＝[s₁ s₂ … s_m]，

其中,f(t-1)是模糊时间序列F(t)在t-1和t-2之间的模糊变动，s_i为向量f(t-1)中相应的模糊集合，i＝1,2,…,m，m是论域中元素的个数；

以矩阵为时刻t的操作矩阵O(t)，

其中，f(t-i)是模糊时间序列F(t)在t-i和t-i-1之间的模糊变动，o_ij为向量f(t-i)中相应的模糊集合，i＝2,3,…,w,j＝1,2,…,m，w为选取的窗口值，m为论域中元素的个数；

前一时刻的水质数据变化和前w时刻的水质数据变化之间的模糊关系矩阵R(t)为：

其中，R_ij＝o_ij×s_j，i＝2,3,…,w,j＝1,2,…,m；

则预测当前时刻将要发生的模糊变动F(t)为：

F(t)＝[Max(R₁₁ R₂₁ … R_w1) Max(R₁₂ R₂₂ … R_w2) … Max(R_1m R_2m … R_wm)]

第六步：将预测变化结果去模糊化，

设w₁,w₂,…,w_n为论域U上输出元素的隶属度，以标准化的隶属度加权数，对各组中点作加权平均为其输出值，

即，输出值O＝S₁·M₁+S₂·M₂+…+S_n·M_n，

其中为标准化后的隶属度，

M_i，(i＝1₁,2,…,n)为指数分区的组的中点；

第七步：计算预测的时间序列的数值，

如果第i第时刻的模糊化的历史数据为X_i，为则其第i-k其时刻，第i-k-1时刻，…，第i-2时刻，第i-1时刻与第i时刻数据之间的模糊逻辑关系为

(X_ik),(X_i(k-1)),…,(X_i2),(X_i1)→X_j，其中，X_ik,X_i(k-1),…,X_i2,X_i1表示第i-k时刻，第i-k-1时刻，…，第i-2时刻，第i-1时刻的模糊化值；

如果只有一个模糊关系匹配：

(X_ik),(X_i(k-1)),…,(X_i2),(X_i1)→X_j

则第i时刻的预测值t_j为：

当j＝1时，

当2≤j≤n-1时，

当j＝n时

其中，m_j-1，m_j和m_j+1分别为区间u_j-1，u_j和u_j+1的中点，

如果多个模糊关系匹配：

(X_ik),(X_i(k-1)),…,(X_i2),(X_i1)→X_j2

且X_j1、X_j2…X_jp模糊关系库中出现的次数分别为n_j1、n_j2…n_jp

则第i的预测值t_j为：

其中t_j1,t_j2,…,t_jp依只有一个模糊关系匹配时t_j计算，

如果不存在匹配的模糊关系：

(X_ik),(X_i(k-1)),…,(X_i2),(X_i1)→#

则第i的预测值t_j为：

其中t_ik,t_i(k-1),…,t_i1依只有一个模糊关系匹配时t_j计算。