[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

说明书

本发明公开了基于CLMVO‑ELM的溶解氧浓度预测方法、装置、设备及存储介质，所述方法包括：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；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；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。本发明能够有效的提高水体溶解氧浓度的预测精度和稳定性。

技术领域

本发明涉及一种数据处理技术领域，尤其涉及基于CLMVO-ELM的溶解氧浓度预测方法、装置、设备及存储介质。

背景技术

溶解氧是影响水生生物生存的重要指标之一，其间接反应了水生生物生长状况、水质状况。正是由于溶解氧能反映出水质的好坏，而水质又能直接影响到水生生物生长及其品质，对溶解氧的预测的准确度愈来愈重要。城市景观水体还是养殖水体，都会面临水体水质恶化、生态破坏等难题，对溶解氧进行预测，可以提前掌握水体的生态状态，进而及时对污水进行监控和治理。

现有的预测方法有很多，主要分为两种类型：第一类是传统的预测方法，把经典数学作为理论基础，包括时间序列预测法、回归分析法、马尔科夫模型以及水质模拟预测法等；第二类是基于人工智能的预测方法，包括灰色模型、人工神经网络预测法以及支持向量机回归预测法等。

但是现有的预测方法均存在预测精度误差高，不满足水质预测的需求。

发明内容

发明目的：本发明的目的提供一种高预测精度、稳定性好的基于CLMVO-ELM的溶解氧浓度预测方法；本发明的另一目的提供一种高预测精度的基于CLMVO-ELM的溶解氧浓度预测装置；本发明的另一目的提供一种电子设备；本发明的另一目的提供一种非暂态计算机可读存储介质。

技术方案：本发明的基于CLMVO-ELM的溶解氧浓度预测方法，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；

进一步地，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。

进一步地，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。

进一步地，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：