[发明专利]基于RS粗糙集和CPA算法的稻虾水质预测方法

说明书

本发明涉及水质预测技术领域，公开了一种基于RS粗糙集和CPA算法的稻虾水质预测方法，包括测量六项指标并对其进行预处理，通过RS粗糙集结合遗传算对数据进行属性约简，找出几组最简属性集，将其代入RBF神经网络进行MSE比较，得出一组最优属性集，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，利用CPA算法优化后得到最优的中心、宽度和权值并将其作为RBF神经网络模型的参数，进而得到网络模型的最优参数，构建优化网络模型。与现有技术相比，本发明降低了不确定数据对数据融合的影响，简化输入特征，提高对稻虾水质预测的抗干扰性和准确性。

技术领域

本发明涉及水质预测技术领域，具体涉及一种基于RS粗糙集和CPA算法的稻虾水质预测方法。

背景技术

我国是一个农业大国，现代农业在科技不断进步的推动下，智慧农业便应需而生，由于智慧农业的科学养殖理念，出现了一批农作物共作的养殖系统，稻虾共作便是其中之一。稻虾水质是共作系统重要指标之一，直接影响稻虾的产量与经济的收益，使得稻虾水质预测成为研究的热点问题。传统的水质预测模型主要包括神经网络模型、灰色系统理论模型、回归分析模型以及证据理论预测模型等。但是现有的单一预测技术存在精度不高，抗干扰性低等问题。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供一种基于RS粗糙集和CPA算法的稻虾水质预测方法，减低了不确定数据对数据融合的影响，简化输入特征，提高对稻虾水质预测的抗干扰性和准确性，具有一定的推广和应用价值。

技术方案：本发明提供了一种基于RS粗糙集和CPA算法的稻虾水质预测方法，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。

进一步地，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。

进一步地，所述步骤3中指标划分为：I(优)、II(良)、III(差)三个等级。

进一步地，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；