[发明专利]基于RS粗糙集和CPA算法的稻虾水质预测方法

权利要求书

1.一种基于RS粗糙集和CPA算法的稻虾水质预测方法，其特征在于，包括如下步骤：

步骤1：对稻虾水域随机两块区域进行测量PH值、浑浊度、气压、温度、氨氮以及溶解氧六项指标，各区域每次重复测量一组，一天测量多次，分别记为A₁-A₁₂和A₁₃-A₂₄；

步骤2：对测量的水质数据预处理，将数据归一化以文本的形式存储，将数据转换至0-1之间；

步骤3：根据稻虾对不同水质的生存情况，将指标划分等级；

步骤4：通过RS粗糙集对A₁-A₂₄属性约简，找出几组最简属性集；

步骤5：将步骤4几组最简属性集代入RBF神经网络进行MSE比较，得出一组最优属性集，并将一组最优属性集的属性分为训练集和测试集；

步骤6：确定RBF神经网络的拓扑结构，将RBF神经网络的径向基函数的中心、宽度以及隐层到输出层的权值作为CPA算法的初始种群，使用CPA算法进行优化得到优化后的中心、权值和宽度；

步骤7：最终得出优化模型，利用该优化模型及步骤5中划分的训练集和测试集进行预测虾稻水质。

2.根据权利要求1所述的基于RS粗糙集和CPA算法的稻虾水质预测方法，其特征在于，所述A₁-A₁₂为两组六参数水质指标，A₁-A₁₂为同一块区域，A₁₃-A₂₄为另一块区域两组六参数水质指标。

3.根据权利要求1所述的基于RS粗糙集和CPA算法的稻虾水质预测方法，其特征在于，所述步骤3中指标划分为：I(优)、II(良)、III(差)三个等级。

4.根据权利要求1所述的基于RS粗糙集和CPA算法的稻虾水质预测方法，其特征在于，所述步骤4对对A₁-A₂₄的属性约简步骤如下：

步骤1)将预处理之后的水质数据按照各个属性对应的区间进行划分，并进行编号，获得试验数据决策表；

步骤2)通过遗传算法，对试验数据决策表进行约简；

步骤3)根据公式γ_c(D)＝|pos_c(D)|/|U|，计算出决策属性D({d₁，d₂，d₃，…d_i})对条件属性C({c₁，c₂，c₃，…c_j})的依赖度γ_c(d)，其中，d₁，d₂，d₃，…d_i表示所有决策属性集合，c₁，c₂，c₃，…c_j表示所有条件属性集合，d表示决策属性，U表示论域；

步骤4)定义rduct(C)＝C-{c_j}为条件属性C的约简集，将条件属性c_j逐个去除，比较γ_reduct(C)(d)与γ_C(d)的大小，若γ_reduct(d)＝γ_C(d)，则终止运算；若不等，将执行步骤1)；

步骤5)使用染色.体编码方法，根据公式其中，X表示对象子集，x表示对象，U表示论域，将每个条件属性对每个个体编码，通过二进制字符串[0，1]的形式；若条件属性属于本个体，就表示为1；否则表示0；从而得到个体适应度F(r)值：

F(r)＝(l-l_τ)/l+γ_C(d)

其中，编码1的染色体个数为l_τ，条件属性个数为l；初始种群由Pop_size的长度为|C|的二进制个体构成，且Pop_size＝2^|C|；

步骤6)计算下一代种群个体的适应度值，通过轮盘赌法从中选择，使用交叉概率γ_C来表示交叉点处染色体交叉概率，某个等位属性编码值反转概率用P_m表示，也就是变异概率；

步骤7)选择最优个体，将它代入下一代种群，观察适应度，若不再变化或迭代步数到最大值，将最优个体输出，否则跳转执行步骤6)。