[发明专利]一种亚硝态氮浓度软测量预测方法

说明书

本发明公开一种亚硝态氮浓度软测量预测方法，采集养殖水厂数据，运用主成分析法对数据进行辅助变量的选取，获得温度、pH、溶解氧、氧化还原电位这4个影响亚硝态氮浓度的辅助变量，同时测定水体中亚硝态氮的浓度，对数据进行预处理，建立基于ELM亚硝态氮的浓度软测量预测模型；采用拉丁超立方抽样对SSA种群进行初始化操作，在樽海鞘领导者位置更新中引入Logistic映射与非线性动态权重策略；在追随者位置更新中，引入引力搜索策略，得到LGSSA；使用LGSSA对ELM极限学习机进行参数优化，获得最佳参数，并将最优参数和测试数据样本输入到ELM预测模型中得到预测结果。与现有技术相比，本发明能够有效地预测水体亚硝态氮浓度，提高软测量预测模型精度。

技术领域

本发明涉及水体亚硝态氮浓度软测量预测领域，尤其涉及一种亚硝态氮浓度软测量预测方法。

背景技术

随着水产养殖业规模的扩大，水产养殖水体污染问题变得愈加严重，各种动物的排泄物，企业的废水排放都是养殖水体污染的主要来源。因此实时并准确掌握水体中氨态氮以及亚硝态氮的含量变化及其变化趋势对高效养殖具有重要意义。目前测定水体中亚硝态氮浓度的方法有分光光度法、光谱法以及电极法，其中分光光度法操作繁琐，且数据存在一定的滞后，难以获得实时的浓度变化。基于电极法和光谱法设计的亚硝态氮传感器价格昂贵，难以大规模推广，而随着深度学习的快速发展为解决这种复杂的多变量非线性问题提供了新思路。

极限学习机(ELM)用来训练单隐藏层前馈神经网络(SLFN)与传统的SLFN训练算法不同，极限学习机随机选取输入层权重和隐藏层偏置，输出层权重通过最小化由训练误差项和输出层权重范数的正则项构成的损失函数，依据Moore-Penrose(MP)广义逆矩阵理论计算解析求出。但是，ELM算法存在学习速度缓慢，计算时间代价大，容易陷入局部最小值。因此，寻求更高效的优化算法是提高神经网络预测精度的关键步骤之一。

发明内容

发明目的：针对现有技术存在的问题，本发明提供一种亚硝态氮浓度软测量预测方法，能提高水体亚硝态氮浓度预测精度。

技术方案：本发明提出一种亚硝态氮浓度软测量预测方法，包括以下步骤：

步骤1：采集养殖水厂数据，运用主成分析法对数据进行辅助变量的选取；

步骤2：获取分析后的变量数据和水体中亚硝态氮的浓度，重组数据集，并对数据进行预处理，建立ELM亚硝态氮浓度预测模型；

步骤3：对樽海鞘算法SSA进行改进，采用拉丁超立方抽样对SSA种群进行初始化操作；

步骤4：在樽海鞘领导者位置更新中引入Logistic映射与非线性动态权重策略增强算法搜索能力；在追随者位置更新中，通过引力搜索策略，由原始的单一个体引导改进为多个个体协同引导，改善原始SSA算法单一的邻域拓扑结构，得到LGSSA；

步骤5：利用LGSSA优化ELM的参数，获得最优参数；

步骤6：将获得的最优参数和测试数据样本输入到ELM预测模型中得到预测结果。

进一步地，所述步骤1中养殖水厂数据采集方法为：利用传感器模块进行数据采集，所述传感器模块包括温度传感器、pH传感器、DO电极、氧化还原电位检测套头以及总氮fTN)测定仪，pH传感器采用pH检测探头，使用电位分析法测量水体的酸度；DO电极测量水体的溶解氧浓度；氧化还原电位检测套头检测氧化还原电位；辅助变量选择为：温度、pH、溶解氧、氧化还原电位；总氮fTN)测定仪在线测量水体中亚硝态氮的浓度。

进一步地，所述步骤3中采用拉丁超立方抽样对SSA进行改进包括：

步骤3-1：将每一维分成的m个长度相同的区间，使得每个区间有相同的概率；

步骤3-2：从步骤3-1每一维所分成m个区间中的每一个区间里随机抽取一个点；