[发明专利]基于CLMVO-ELM的溶解氧浓度预测方法、装置、设备及存储介质

权利要求书

1.一种基于CLMVO-ELM的溶解氧浓度预测方法，其特征在于，包括以下步骤：

(1)采集水质数据，对所述水质数据进行数据清洗，清洗后的数据归一化，得到训练集；

(2)采用训练集训练极限学习机网络并改进极限学习机，所述改进极限学习机是指采用改进的多元宇宙优化算法优化极限学习机网络参数；所述改进的多元宇宙优化算法为通过拉丁超立方抽样初始化多元宇宙优化算法参数，得到改进的多元宇宙优化算法。

(3)再次采集水质数据，并对采集的所有数据进行归一化，将归一化后的数据输入到改进极限学习机中，由改进极限学习机输出预测得到水体溶解氧浓度。

2.根据权利要求1所述基于CLMVO-ELM的溶解氧浓度预测方法，其特征在于，步骤(1)归一化的公式如下：

其中，X为当前需要归一化的数据，X_max为需要归一化的数据中的最大值，X_min为需要归一化的数据的最小值，X_i是归一化后的数据。

3.根据权利要求1所述的基于CLMVO-ELM的溶解氧浓度预测方法，其特征在于，在步骤(2)中拉丁超立方抽样初始化多元宇宙优化算法参数的方法包括以下步骤：

(21)将每一维分成m个长度相同的区间，使得每个区间有相同的概率；

(22)在每一维的每一个区间随机抽取一个点；

(23)将步骤(22)中抽取的点组成向量。

(24)根据步骤(23)中的向量对多元宇宙优化算法中的宇宙个数N、维度D、最大迭代次数L参数进行初始化。

4.根据权利要求1所述的基于CLMVO-ELM的溶解氧浓度预测方法，其特征在于，在步骤(2)中，多元宇宙优化算法的局部搜索采用Iterative混沌搜索进行处理，Iterative混沌映射产生的混沌序列用于初始化宇宙个数，利用多元宇宙优化算法得到当前全局最优值，其公式如下：

其中，x_k为迭代k次所产生的值，a是控制参数。

5.根据权利要求1所述的基于CLMVO-ELM的溶解氧浓度预测方法，其特征在于，在步骤(2)中，在多元宇宙优化算法中，引入自适应压缩因子改变最优宇宙的位置，其公式如下：

其中，l为当前迭代次数，L为最大迭代次数。

6.根据权利要求5所述的基于CLMVO-ELM的溶解氧浓度预测方法，其特征在于，对极限学习机的改进步骤如下：

(a)初始化极限学习机网络结构输入参数；

(b)设定最大迭代次数L，种群规模U，根据训练集作为输入数据确定多元宇宙优化算法中的初始化宇宙的位置；

(c)以训练集作为输入数据训练极限学习机网络并计算粒子的适应度值，并以最佳适应度值的个体位置为当前个体宇宙位置，并利用如下公式更新个体宇宙位置：

其中，μ为自适应压缩因子，X_j为当前最优宇宙的第j个物体，lb_j表示下限，ub_j表示下限，r2、r3是[0,1]范围内的随机数，WEP表示多元宇宙空间中虫洞存在的概率，TDR表示物体朝着当前最优宇宙移动的步长；

其中，l为当前迭代次数，L为最大迭代次数，WEP_min＝0.2，WEP_max＝1，p表示开采度，取值为6；

(d)判断多元宇宙优化算法是否达到最大迭代次数L，如果是则算法终止，否则步骤(c)继续迭代；

(e)步骤(d)中得到的最优宇宙位置数值作为优化极限学习机的参数。

7.根据权利要求1所述的基于CLMVO-ELM的溶解氧浓度预测方法，其特征在于，水质数据包括温度、亚硝酸盐、氨氮、总氮、硝酸盐和溶解氧。