一种水产养殖溶解氧预测方法及装置与流程

本发明涉及检测技术领域，具体涉及一种水产养殖溶解氧预测方法及装置。

背景技术：

中国是水产养殖大国，水产品产量和质量的保证取决于养殖水质是否适合水生生物生存。影响水质的因素有很多，包括溶解氧、氨氮含量、ph值、硝酸盐、人工喂食、施药、降雨量以及太阳辐射等。溶解氧是水生生物生存必不可少的条件，溶解氧浓度低于3mg/l时，就会引起鱼类死亡。因此，研究养殖水质溶解氧预测方法具有重要意义。

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、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、支持向量机回归预测法等。但是现有的预测方法均存在计算量大误差累积率高，不满足水产养殖企业对水质短期预测的需求。

技术实现要素：

为解决上述技术问题，本发明提供一种水产养殖溶解氧预测方法及装置，实现对水质溶解氧数据的精准预测。

为实现上述目的，本发明提供以下技术方案：

一方面，本发明提供了一种水产养殖溶解氧预测方法，所述方法包括如下步骤：

采集水产养殖池塘的按时间序列排序的溶解氧数据；

对溶解氧数据进行集合经验模态分解得到本征模态函数和剩余分量；

根据本征模态函数的波动频率将本征模态函数分为高频项、中频项和低频项；

通过最小二乘支持向量机对高频项和中频项进行建模并进行溶解氧预测；

通过思维进化算法优化bp神经网络对低频项进行建模并进行溶解氧预测；

通过灰色预测模型对剩余分量进行建模并进行溶解氧预测；

将最小二乘支持向量机、思维进化算法优化bp神经网络和灰色预测模型三者的预测结果叠加获取水产养殖的溶解氧的预测值。

进一步的，所述对溶解氧数据进行集合经验模态分解得到本征模态函数和剩余分量，具体包括如下步骤：

s1：将含有按时间序列排序的溶解氧数据的信号加入白噪声信号，构成信噪混合体；

s2：将信噪混合体进行经验模态分解，得到本征模态函数的分量和剩余分量的支量；

s3：重复n次步骤s1和步骤s2，且步骤s1中每次加入不同的白噪声，获取n个本征模态函数的分量和n个剩余分量的支量；

s4：n个本征模态函数的分量的平均值为本征模态函数，n个剩余分量的支量的平均值为剩余分量。

进一步的，所述将信噪混合体进行经验模态分解，得到本征模态函数的分量和剩余分量的支量，包括：

s21：获取含有按时间序列排序的溶解氧数据的信号的局部极大值点和局部极小值点；根据三次样条线分别将局部极大值点连接起来形成上包络线，局部极小值点连接起来形成下包络线；

s22：根据局部极大值包络线和局部极小值包络线计算平均包络线值；

s23：获取含有按时间序列排序的溶解氧数据信号的幅值与平均包络线值的差值；

s24：若差值符合本征模态函数条件，则差值为第一个本征模态函数的分量；若差值不符合本征模态函数条件，则对差值执行步骤s21、步骤s22和步骤s23并获得二次差值，判断二次差值是否符合本征模态函数条件；直至第k次的k次差值符合本征模态函数条件；

s25：将含有按时间序列排序的溶解氧数据信号的幅值与k次差值的差数设为原始序列，重复步骤s21、步骤s22、步骤s23和步骤s24，直至差数为常数或单调函数，分解结束。

进一步的，所述通过最小二乘支持向量机对高频项和中频项进行建模并进行溶解氧预测，包括：

根据最小二乘支持向量机的输入参数维数，建立预测模型；

根据溶解氧数据的训练样本获取预测模型的组合参数；

根据组合参数构建高频项和中频项的预测模型对高频项和中频项的溶解氧进行预测。

进一步的，所述通过思维进化算法优化bp神经网络对低频项进行建模并进行溶解氧预测，包括：

采用思维进化算法对bp神经网络的初始权值和初始阈值进行优化处理，根据优化后的初始权值和初始阈值建立初始预测模型；

根据初始预测模型的输入信号及输出信号计算预测误差；

根据预测误差重新配置权值和阈值；

根据重新配置的权值和阈值建立的预测模型对低频项进行溶解氧预测。

进一步的，通过灰色预测模型对剩余分量进行建模并进行溶解氧预测，包括：

根据溶解氧数据的观察值叠加生成新序列；

根据新序列建立微分方程模型；其中，采用最小二乘法计算微分方程模型中的待识别参数；

根据微分方程模型建立的灰色预测模型对剩余分量进行溶解氧预测。

另一方面，本发明提供一种水产养殖溶解氧预测装置，所述装置包括：

采集模块，用于采集水产养殖池塘的按时间序列排序的溶解氧数据；

分解模块，用于对溶解氧数据进行集合经验模态分解得到本征模态函数和剩余分量；

分频模块，用于根据本征模态函数的波动频率将本征模态函数分为高频项、中频项和低频项；

第一预测模块，用于通过最小二乘支持向量机对高频项和中频项进行建模并进行溶解氧预测；

第二预测模块，用于通过思维进化算法优化bp神经网络对低频项进行建模并进行溶解氧预测；

第三预测模块，用于通过灰色预测模型对剩余分量进行建模并进行溶解氧预测；

输出模块，用于将最小二乘支持向量机、思维进化算法优化bp神经网络和灰色预测模型三者的预测结果叠加获取水产养殖的溶解氧的预测值。

进一步的，所述分解模块具体包括：

信号生成单元，用于将含有按时间序列排序的溶解氧数据的信号加入白噪声信号，构成信噪混合体；

经验模态单元，用于将信噪混合体进行经验模态分解，得到本证模态函数的分量和剩余分量的支量；

计算单元，用于计算n次信号生成单元和经验模态单元输出信号，且步骤信号生成单元中每次加入不同的白噪声，获取n个本征模态函数的分量和n个剩余分量的支量；

输出单元，用于n个本征模态函数的分量的平均值为本征模态函数，n个剩余分量的支量的平均值为剩余分量。

进一步的，所述第一预测模块，包括：

第一建模单元，用于根据最小二乘支持向量机的输入参数维数，建立预测模型；

第一训练单元，用于根据溶解氧数据的训练样本获取预测模型的组合参数；

第一预测单元，用于根据组合参数构建高频项和中频项的预测模型对高频项和中频项的溶解氧进行预测。

进一步的，所述第二预测模块，包括：

第二建模单元，用于采用思维进化算法对bp神经网络的初始权值和初始阈值进行优化处理，根据优化后的初始权值和初始阈值建立初始预测模型；

第二训练单元，用于根据初始预测模型的输入信号及输出信号计算预测误差；

配置单元，用于根据预测误差重新配置权值和阈值；

第二预测单元，用于根据重新配置的权值和阈值建立的预测模型对低频项进行溶解氧预测。

由上述技术方案可知，本发明提供的一种水产养殖溶解氧预测方法及装置，通过集合经验模态分解将溶解氧数据分为高频项、中频项、低频项和剩余分量，实现准确把握水质溶解氧的变化情况；采用不同的溶解氧预测方式对分成的高频项、中频项、低频项和剩余分量分别进行预测，实现对水质溶解氧数据的精准预测。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的一种水产养殖溶解氧预测方法的流程示意图；

图2是本发明的一种水产养殖溶解氧预测方法中步骤s201的流程示意图；

图3是本发明的一种水产养殖溶解氧预测方法中步骤s2的流程示意图；

图4是本发明的一种水产养殖溶解氧预测方法中步骤s104的流程示意图；

图5是本发明的一种水产养殖溶解氧预测方法中步骤s105的流程示意图；

图6是本发明的一种水产养殖溶解氧预测方法中步骤s106的流程示意图；

图7是本发明的一种水产养殖溶解氧预测装置的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

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、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、支持向量机回归预测法等。但是现有的预测方法均存在计算量大误差累积率高，不满足水产养殖企业对水质短期预测的需求。为解决上述技术问题，本发明实施例提供一种水产养殖溶解氧预测方法及装置。

本发明实施例一提供一种水产养殖溶解氧预测方法，参见图1，该预测方法具体包括：

s101：采集水产养殖池塘的按时间序列排序的溶解氧数据；

在本步骤中，获取水产养殖池塘的水质数据，按照时间顺序排列成溶解氧数据。

s102：对溶解氧数据进行集合经验模态分解得到本征模态函数和剩余分量；

在本步骤中，对上述步骤s101获取的溶解氧数据使用集合经验模态分解获取不同尺度下的溶解氧数据的n个本征模态函数和1个剩余分量。

s103：根据本征模态函数的波动频率将本征模态函数分为高频项、中频项和低频项；

在本步骤中，对上述步骤s102中获取的n个本征模态函数按照波动频率的大小分为三类，分别为高频项、中频项和低频项。

s104：通过最小二乘支持向量机对高频项和中频项进行建模并进行溶解氧预测；

在本步骤中，针对高频项和中频项波动剧烈的特点，选取最小二乘支持向量机进行建模，通过建立模型的训练使模型的预测输出值不断逼近期望值，完成训练的目的，通过训练后的模型对高频项和中频项的溶解氧进行预测。

s105：通过思维进化算法优化bp神经网络对低频项进行建模并进行溶解氧预测；

在本步骤中，针对低频项波动平缓的特点，选取思维进化算法优化bp神经网络(mec-bp)进行建模，通过建立模型的训练使模型的预测输出值不断逼近期望值，完成训练的目的，通过训练后的模型对低频项的溶解氧进行预测。

s106：通过灰色预测模型对剩余分量进行建模并进行溶解氧预测；

在本步骤中，针对趋势项近线性的特点，选用灰色预测模型对其建模预，建立一阶微分方程模型，利用最小二乘法求解一阶微分方程模型中的待辨识参数，根据一阶微分方程模型建立的灰色预测模型对剩余分量进行溶解氧预测。

s107：将最小二乘支持向量机、思维进化算法优化bp神经网络和灰色预测模型三者的预测结果叠加获取水产养殖的溶解氧的预测值。

在本步骤中，将步骤s104、步骤s105和步骤s106中的预测值进行叠加得到水产养殖池塘的溶解氧的预测值。

从上述描述可知，本发明通过集合经验模态方法对原始溶解氧序列进行分解，分解成不同尺度特征的各分量，将其分为高频项、中频项、低频项和趋势项共四部分，实现准确把握水质溶解氧的变化情况；针对各分量的特点，分别采用最小二乘支持向量机、思维进化算法优化bp神经网络和灰色预测模型进行预测，预测结果叠加生成水产养殖池塘的溶解氧的预测值，实现对水质溶解氧数据的精准预测。

在一种可选实施方式中，提供了上述步骤s201的一种具体实施方式。参见图2，上述步骤s201具体包括如下步骤：

s1：将含有按时间序列排序的溶解氧数据的信号加入白噪声信号，构成信噪混合体；

在本步骤中，将溶解氧原始数据看作一个时间序列信号x(t)，加入白噪声信号n(t)，构成下列信噪混合体x(t)；

x(t)＝x(t)+k·n(t)

其中，k为比例系数，是白噪声标准差与信号标准差的比值。

s2：将信噪混合体进行经验模态分解，得到本征模态函数的分量和剩余分量的支量；

在本步骤中，将信号混合体进行经验模态分解，得到下式；

其中，cj为本征模态函数，rm为剩余分量。

s3：重复n次步骤s1和步骤s2，且步骤s1中每次加入不同的白噪声，获取n个本征模态函数的分量和n个剩余分量的支量；

在本步骤中，每次加入不同的白噪声ni(t)，生成不同的信噪混合体xi(t)；

xi(t)＝x(t)+k·ni(t)；

将信噪混合体xi(t)分解成各个分量：

s4：n个本征模态函数的分量的平均值为本征模态函数，n个剩余分量的支量的平均值为剩余分量。

在本步骤中，重复n次，对各分量求平均：

最后的分解结果为：

从上述描述可知，本实施例通过将信噪混合体信号进行集合经验模态分解得到本征模态函数和剩余分量，降低了对溶解氧原始数据分解的计算量。

在一种可选实施方式中，提供了上述步骤s2的一种具体实施方式。参见图3，上述步骤s2具体包括如下步骤：

s21：获取含有按时间序列排序的溶解氧数据的信号的局部极大值点和局部极小值点；根据三次样条线分别将局部极大值点连接起来形成上包络线，局部极小值点连接起来形成下包络线；

在本步骤中，计算时间序列信号x(t)的所有局部极大值点和局部极小值点。利用三次样条线将所有局部极大值点连接起来形成上包络线emax(t)，将所有局部极小值点连接起来形成下包络线emin(t)。

s22：根据局部极大值包络线和局部极小值包络线计算平均包络线值；

在本步骤中，计算极大值包络线和极小值包络线的平均包络线值，记作m1(t)，其中，m1(t)＝(emax(t)+emin(t))/2。

s23：获取含有按时间序列排序的溶解氧数据信号的幅值与平均包络线值的差值；

在本步骤中，计算平均包络线值m1(t)和时间序列信号x(t)的差值，其中，h1(t)＝x(t)-m1(t)。

s24：若差值符合本征模态函数条件，则差值为第一个本征模态函数的分量；若差值不符合本征模态函数条件，则对差值执行步骤s21、步骤s22和步骤s23并获得二次差值，判断二次差值是否符合本征模态函数条件；直至第k次的k次差值符合本征模态函数条件；

在本步骤中，判断h1(t)是否满足本征模态函数条件，如果满足，则h1(t)是第一个本征模态函数分量；若不满足，将h1(t)看作原始序列，计算极大值与极小值包络线的均值，判断其差值是否满足本征模态函数条件，若不满足重复k次，使h1k(t)满足本征模态函数条件。记c1(t)＝h1k(t)，则c1(t)为第一个本征模态函数。

上述本征模态函数条件包括：1、极值点的个数和过零点的个数必须相等或最多相差一个；2、在任意时刻，有局部极大值点构成的上包络线和局部极小值点构成的下包络线的平均值为零。

s25：将含有按时间序列排序的溶解氧数据信号的幅值与k次差值的差数设为原始序列，重复步骤s21、步骤s22、步骤s23和步骤s24，直至差数为常数或单调函数，分解结束。

在本步骤中，将c1(t)从x(t)中分离出来，把余数r1(t)＝x(t)-c1(t)当做原始序列，重复步骤s21～s24，得到n个本征模态函数，当剩余分量r(t)变为常数或单调函数，分解过程结束。原始溶解氧序列x(t)可以表示为各本征模态函数分量和剩余分量的和。

式中，ci(t)表示第i个本征模态函数分量，代表原始信号的不同尺度特征，r(t)为剩余分量，反映信号的变化趋势。

从上述描述可知，本实施例通过将原始溶解氧序列进行经验模态分解，获取本征模态函数的分量以及剩余分量，降低了求取本征模态函数的分量以及剩余分量的计算量。

在一种可选实施方式中，提供了上述步骤s104的一种具体实施方式。参见图4，上述步骤s104具体包括如下步骤：

s1041：根据最小二乘支持向量机的输入参数维数，建立预测模型；

s1042：根据溶解氧数据的训练样本获取预测模型的组合参数；

s1043：根据组合参数构建高频项和中频项的预测模型对高频项和中频项的溶解氧进行预测。

从上述描述可知，最小二乘支持向量机把求解二次规划问题转化成求解线性方程组的问题，用等式约束替换不等式约束，与支持向量机相比，具有计算速度快、精度高的特点，适用于小样本预测。

在一种可选实施方式中，提供了上述步骤s105的一种具体实施方式。参见图5，上述步骤s105具体包括如下步骤：

s1051：采用思维进化算法对bp神经网络的初始权值和初始阈值进行优化处理，根据优化后的初始权值和初始阈值建立初始预测模型；

s1052：根据初始预测模型的输入信号及输出信号计算预测误差；

s1053：根据预测误差重新配置权值和阈值；

s1054：根据重新配置的权值和阈值建立的预测模型对低频项进行溶解氧预测。

从上述描述可知，bp神经网络是一种多层前馈神经网络，输入信号向前传递，从输入层经隐含层逐层处理，直至输出层。若输出层得不到期望输出，则根据预测误差反向传播，调整神经网络权值和阈值，从而使预测输出不断逼近期望输出。但是初始权值和阈值随机，神经网络初始权值的设置影响网络预测的效率和准确度，有可能会需要多次调整才能达到最优权值和阈值，因此，为了尽可能减少调整次数，本发明采用思维进化算法优化bp神经网络的初始权值和阈值。思维进化算法是一种通过迭代进行优化的算法，采用思维进化算法对初始权值阈值进行优化，使其尽可能地接近最优权值和阈值，即可使神经网络模型建立比较快，比较精确。

在一种可选实施方式中，提供了上述步骤s106的一种具体实施方式。参见图6，上述步骤s106具体包括如下步骤：

s1061：根据溶解氧数据的观察值叠加生成新序列；

s1062：根据新序列建立微分方程模型；其中，采用最小二乘法计算微分方程模型中的待识别参数；

s1063：根据微分方程模型建立的灰色预测模型对剩余分量进行溶解氧预测。

从上述描述可知，灰色预测模型是一个单个变量预测的一阶微分方程模型。灰色预测模型主要为gm(1,1)模型。

本发明提供一种水产养殖溶解氧预测方法，其中：

最小二乘支持向量机的优化问题如下：

式中，j为损失函数，ω为权重向量，c是正则化参数，ξi为经验误差，xi和yi分别是系统的输入输出向量，为输入空间到特征空间的非线性映射，b为偏置量。为求解上述约束优化问题，其对偶问题的拉格朗日多项式函数为：

式中，αi为拉格朗日乘子，分别对ω,ξi,b,αi求偏导并令其等于0，消去ω,ξi，得到如下线性方程组：

式中，i＝[1,1,...,1]^t，e是l×l的单位矩阵，α＝[α1,α2,...,αl]^t，y＝[y1,y2,...,yl]^t，为核函数，本发明中采用rbf核函数作为最小二乘支持向量机的核函数，求解线性方程组得到最小二乘支持向量机的回归函数：

式中，xi问输入样本向量，xj为高斯核函数的中心，σ为rbf核函数的宽度参数。

灰色预测模型，gm(1,1)模型是灰色预测的核心，是一个单个变量预测的一阶微分方程模型。建立gm(1,1)模型的方法是：

设时间序列x(0)有n个观察值，x⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2),...,x⁽⁰⁾(n)}，通过累加生成新序列x⁽¹⁾＝{x⁽¹⁾(1),x⁽¹⁾(2),...,x⁽¹⁾(n)}，则gm(1,1)模型相应的微分方程为：

其中：α称为待辨识参数，亦称为发展系数；μ为待辨识内生变量，亦称为灰作用。

设为待估参数向量，可利用最小二乘法求解，解得：

其中，

于是可得到灰色预测的离散事件响应函数：

x⁽¹⁾(t+1)为所得的累加的预测值，将预测值还原即为：

通过上述描述可知，本发明通过集合经验模态方法对原始溶解氧序列进行分解，分解成不同尺度特征的各分量，分析各分量的相关性，将其分为高频项、中频项、低频项和趋势项共四部分，针对各分量的特点，分别采用最小二乘支持向量机、思维进化算法优化bp神经网络和灰色预测模型进行预测，预测结果叠加的最终预测结果，具有较高精度。

本发明实施例二提供一种水产养殖溶解氧预测装置，参见图7，该预测装置具体包括：

采集模块，用于采集水产养殖池塘的按时间序列排序的溶解氧数据；

分解模块，用于对溶解氧数据进行集合经验模态分解得到本征模态函数和剩余分量；

分频模块，用于根据本征模态函数的波动频率将本征模态函数分为高频项、中频项和低频项；

第一预测模块，用于通过最小二乘支持向量机对高频项和中频项进行建模并进行溶解氧预测；

第二预测模块，用于通过思维进化算法优化bp神经网络对低频项进行建模并进行溶解氧预测；

第三预测模块，用于通过灰色预测模型对剩余分量进行建模并进行溶解氧预测；

输出模块，用于将最小二乘支持向量机、思维进化算法优化bp神经网络和灰色预测模型三者的预测结果叠加获取水产养殖的溶解氧的预测值。

所述分解模块具体包括：

信号生成单元，用于将含有按时间序列排序的溶解氧数据的信号加入白噪声信号，构成信噪混合体；

经验模态单元，用于将信噪混合体进行经验模态分解，得到本征模态函数的分量和剩余分量的支量；

计算单元，用于计算n次信号生成单元和经验模态单元输出信号，且步骤信号生成单元中每次加入不同的白噪声，获取n个本征模态函数的分量和n个剩余分量的支量；

输出单元，用于n个本征模态函数的分量的平均值为本征模态函数，n个剩余分量的支量的平均值为剩余分量。

所述第一预测模块，包括：

第一建模单元，用于根据最小二乘支持向量机的输入参数维数，建立预测模型；

第一训练单元，用于根据溶解氧数据的训练样本获取预测模型的组合参数；

第一预测单元，用于根据组合参数构建高频项和中频项的预测模型对高频项和中频项的溶解氧进行预测。

所述第二预测模块，包括：

第二建模单元，用于采用思维进化算法对bp神经网络的初始权值和初始阈值进行优化处理，根据优化后的初始权值和初始阈值建立初始预测模型；

第二训练单元，用于根据初始预测模型的输入信号及输出信号计算预测误差；

配置单元，用于根据预测误差重新配置权值和阈值；

第二预测单元，用于根据重新配置的权值和阈值建立的预测模型对低频项进行溶解氧预测。

从上述描述可知，本发明提供的一种水产养殖溶解氧预测装置，具有结构简单，使用方便；采用不同的模块对分成的高频项、中频项、低频项和剩余分量分别进行预测，实现对水质溶解氧数据的精准预测。

以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。