[发明专利]水产养殖环境中水质氨氮含量的软测量方法及装置

权利要求书

1.一种水产养殖环境中水质氨氮含量的软测量方法，其特征在于，包括：

基于粒子群优化算法构建水质氨氮含量软测量的最优极限学习机网络模型；

采集影响水质氨氮含量的参数因子的实测数据，并对所述实测数据进行归一化处理，将经过归一化处理后的所述实测数据输入所述水质氨氮含量软测量的最优极限学习机网络模型中，获得水质氨氮含量的预测数据；

其中，所述基于粒子群优化算法构建水质氨氮含量软测量的最优极限学习机网络模型的步骤，进一步包括：

对水产养殖环境中与水质氨氮含量有关的可测参数进行分析，确定影响水质氨氮含量的参数因子，并采集各所述参数因子的实测数据和当前水质氨氮含量的实测数据，建立原始数据集；

对所述原始数据集进行归一化处理，获得样本集，并将所述样本集划分为训练样本集和测试样本集；

基于粒子群优化算法和所述训练样本集对用于进行水质氨氮含量软测量的极限学习机网络模型进行训练，生成水质氨氮含量软测量的最优极限学习机网络模型；

利用所述测试样本集对所述水质氨氮含量软测量的最优极限学习机网络模型的泛化能力进行验证；

其中，所述基于粒子群优化算法和所述训练样本集对用于进行水质氨氮含量软测量的极限学习机网络模型进行训练，生成水质氨氮含量软测量的最优极限学习机网络模型的步骤，进一步包括：

根据输入输出信号的个数确定用于进行水质氨氮含量软测量的极限学习机网络模型的拓扑结构；

基于经验模态法确定所述用于进行水质氨氮含量软测量的极限学习机网络模型的最优的隐含层节点数；

利用粒子群优化算法对所述用于进行水质氨氮含量软测量的极限学习机网络模型进行训练，获得最优的输入权值和隐含层偏置值，并根据所述最优的输入权值和隐含层偏置值计算获得输出权值；

将所述最优的输入权值、隐含层偏置值、隐含层节点数和输出权值输入到所述用于进行水质氨氮含量软测量的极限学习机网络模型中，生成水质氨氮含量软测量的最优极限学习机网络模型；

其中，所述利用粒子群优化算法对所述用于进行水质氨氮含量软测量的极限学习机网络模型进行训练，获得最优的输入权值和隐含层偏置值的步骤，进一步包括：

将输入权值和隐含层偏置值编码成粒子，对每个粒子进行随机初始化；

根据粒子编码中所确定的输入权值及隐含层偏置值，采用所述用于进行水质氨氮含量软测量的极限学习机对每个训练样本进行预测；

根据预测结果计算每个粒子的适应度，所述适应度计算公式为

其中，N为样本个数，L为隐含层节点数，g()为隐含层的激励函数，ω_j是连接输入层与第j个隐含层节点的输入权值向量，b_j是第j个隐含层节点的偏置值，β_j是连接第j个隐含层单元与输出层的输出权值向量，g(ω_j^Tx(n)+b_j)为第j个隐含层节点的输出值，β_jg(ω_j^Tx(n)+b_j)是训练样本集中第n个样本的极限学习机预测结果，x(n)为第n个样本的输入值，t(n)为第n个样本的水质氨氮含量实测值；

以适应度最小为优化目标，根据计算得到的每个粒子的适应度，确定并记录粒子的群体最优位置以及个体历史最优位置；

根据群体最优位置和个体历史最优位置对每个粒子的速度和位置向量进行更新；

将更新后的粒子速度和位置向量作为下一次迭代的起始条件，直到达到最大迭代次数或者适应度值小于指定阈值时，停止迭代，对最终获得的最优群体位置进行解析获得最优的输入权值和隐含层偏置值；

其中，所述隐含层的激励函数具体为Fourier正交基函数，其中，

第j个隐含层节点的激励函数为q，p是Fourier正交基函数的系数；

其中，所述粒子的速度和位置更新公式为:

v_i(k+1)＝ωv_i(k)+c₁r₁(pb-x_i(k))+c₂r₂(gb-x_i(k))

x_i(k+1)＝x_i(k)+v_i(k)，

其中，v_i(k)为第k次迭代时粒子的速度编码矩阵，x_i(k)为k次迭代时粒子的位置编码矩阵，r₁和r₂为随机数，ω为惯性权重，gb为群体最优位置，pb为个体历史最优位置，c₁和c₂为变学习因子；

其中，c₁和c₂的计算公式为：

c₁＝(((c_max/mean(fitness))+(min(fitness)/max(fitness)))+c_min

c₂＝c₁，

其中，mean(fitness)为每次迭代过程中所有粒子适应度的均值，min(fitness)为每次迭代过程中所有粒子适应度的最小值，max(fitness)为每次迭代过程中所有粒子适应度的最大值，c_max为预先设置的变学习因子取值范围的最大值，c_min为预先设置的变学习因子取值范围的最小值；

其中，所述影响水质氨氮含量的参数因子包括：溶解氧、水温、pH、风速、风向、太阳辐射、空气温度、空气湿度、大气压强、土壤水分和土壤温度。