基于RS粗糙集和CPA算法的稻虾水质预测方法

基于rs粗糙集和cpa算法的稻虾水质预测方法
技术领域
1.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：

2.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。


技术实现要素：

3.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。
4.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：
5.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a
1-a
12
和a
13-a
24
；
6.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；
7.步骤3：根据稻虾对不同水质的生存情况，将指标划分等级；
8.步骤4：通过rs粗糙集对a
1-a
24
属性约简，找出几组最简属性集；
9.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；
10.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；
11.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。
12.进一步地，所述a
1-a
12
为两组六参数水质指标，a
1-a
12
为同一块区域，a
13-a
24
为另一块区域两组六参数水质指标。
13.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。
14.进一步地，所述步骤4对对a
1-a
24
的属性约简步骤如下：
15.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；
16.步骤2)通过遗传算法，对试验数据决策表进行约简；
17.步骤3)根据公式γc(d)＝|posc(d)|/|u|，计算出决策属性d({d1，d2，d3，
…di
})对条件属性c({c1，c2，c3，
…cj
})的依赖度γc(d)，其中，d1，d2，d3，
…di
表示所有决策属性集合，c1，c2，c3，
…cj
表示所有条件属性集合，d表示决策属性，u表示论域；
18.步骤4)定义rduct(c)＝c-{cj}为条件属性c的约简集，将条件属性cj逐个去除，比较γ
reduct(c)
(d)与γc(d)的大小，若γ
reduct
(d)＝γc(d)，则终止运算；若不等，将执行步骤1)；
19.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：
[0020]
f(r)＝(l-l
τ
)/l+γc(d)
[0021]
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|
；
[0022]
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pc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pm表示，也就是变异概率；
[0023]
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)。
[0024]
进一步地，所述步骤6中cpa算法优化步骤为：
[0025]
1)初始化：初始化待求解问题的可能解，这里待求解问题的可能解分别为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，随机初始化n个cplant食肉植物和n个prey猎物个体，位置表示如下：
[0026][0027]
其中，d为变量个数，n为ncplant和nprey总和，每个个体使用下式随机初始化：
[0028]
individual
i，j
＝lbj+(ub
j-lbj)
×
rand
[0029]
其中，lb和ub分别为自变量的最小值和最大值，i∈[1，2，...，n]，j∈[1，2，...，d]，rand为[0，1]之间的随机数；
[0030]
对于第i个个体，通过将每一行作为适应度函数的输入来评估适应度值，计算得到的适应度值存在如下矩阵中：
[0031][0032]
2)分类与分组：每个个体按照其适应度值升序排序，排在前面的n个cplant食肉植物作为食肉植物cp，剩余的nprey作为猎物prey，排序后的适应度值和种群通过下列两式表示：
[0033][0034][0035]
分组的过程模拟每个肉食植物以及猎物的环境，将适合度最高的猎物分配给排名第一的食肉植物，类似地，第二名和第三名猎物属于第二和第三肉食植物；以此类推，直到排名ncplant的猎物分配给第ncplant的肉食植物，然后在猎物多余的情况下，ncplant+1名猎物分配给第一名肉食植物；
[0036]
3)成长：每一个种群都随机选择一个猎物，如果吸引率高于随机生成的数字，食肉植物就会捕获猎物并消化生长，食肉植物成长模型为：
[0037]
newcp
i，j
＝growth
×
cp
i，j
+(1-growth)
×
prey
v，j
[0038]
growth＝growth_rate
×
rand
i，j
[0039]
其中，cp
i，j
是排名第i的食肉植物，prey
v，j
为随机选择的猎物，成长率growth_rate为预定义的值，rand为[0，1]之间的随机数，每一个种群内部只有一个食肉植物，而猎物的数量必须多于两个，如果吸引率低于产生的随机值，则猎物逃跑并成长，表示为：
[0040]
newprey
i，j
＝growth
×
prey
u，j
+(1-growth)
×
prey
v，j
，u≠v
[0041][0042]
其中，prey
u，j
是第i个种群中随机选择的另一个猎物；食肉植物和猎物生长过程持续到group_iter代(预定义值)，且两式将新的解向高质量解空间方向指导；
[0043]
4)繁殖：排名第一的食肉植物，才允许繁殖，最优食肉植物繁殖过程如下：
[0044]
newcp
i，j
＝cp
1，j
+reproduction_rate
×
rand
i，j
×
mate
i，j
[0045][0046]
其中，cp
1，j
为最优解，cp
v，j
为随机选择的食肉植物，繁殖率reproduction_rate是预定义的值，繁殖过程重复ncplant次，繁殖过程中，每个维度j都随机选择一个食肉植物v；
[0047]
5)适应度更新和合并：将新生成的食肉植物和猎物和之前的种群合并，得到新的维度种群，按照适应度值升序排序，选择排名前n的个体作为新的候选解，保准种群大小不变；
[0048]
6)重复1)到4)过程，每一次重复的结果作为rbf神经网络的最优三参数，直到满足停止准则。
[0049]
进一步地，通过rs粗糙集对a
1-a
24
属性约简时，所抽取的数据量大于24。
[0050]
有益效果：
[0051]
1、本发明通过rs粗糙集挖掘输入影响因子和数据特征，结合遗传算法对数据进行属性约简，减少由于电子干扰和环境等不确定因素对系统的影响，将cpa算法用于rbf神经网络参数的优化，进而得到网络模型的最优参数，最后构建网络模型。该方法很大程度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。
[0052]
2、本发明使用rbf神经网络模型进行稻虾水质预测，其具有局部逼近特点以及训练速度快，可以较好的解决实时性应用，为水质预测提供了实效性，同时将全局优化特点明显的cpa算法应用于rbf神经网络三参数(径向基函数的中心、宽度以及隐层到输出层的权值)的优化，优化的模型极大的提高了准确度。
附图说明
[0053]
图1为本发明基于rs粗糙集和cpa算法的稻虾水质预测方法流程图；
[0054]
图2为本发明稻虾水质数据的最小约简mse；
[0055]
图3为本发明的模型误差对比图。
具体实施方式
[0056]
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0057]
如图1所示，本发明公开了一种基于rs粗糙集和cpa算法的稻虾水质预测方法，包括以下步骤：
[0058]
步骤1：对稻虾水域随机两块区域进行测量溶解氧、高锰酸钾、化学需氧量、氨氮、
生化需氧、总氮六项指标，各区域每次重复测量一组，一天测量多次，分别记为a
1-a
12
和a
13-a
24
，a
1-a
12
为两组六参数水质指标，a
1-a
12
为同一块区域，a
13-a
24
为另一块区域两组六参数水质指标。为了说明算法的有效性和准确性，下面以江苏淮安盱眙某稻虾养殖基地所采集的水质数据为例，建立预测模型。
[0059]
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。
[0060]
步骤3：根据稻虾对不同水质的生存情况，将指标划分等级，指标划分为：i(优)、ii(良)、iii(差)三个等级。
[0061]
步骤4：通过rs粗糙集对a
1-a
24
(6个指标)属性约简，找出最简几组最简属性集。
[0062]
约简按照以下步骤进行：
[0063]
1)将预处理之后的传感器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；
[0064]
2)通过遗传算法，对试验数据决策表进行约简；
[0065]
3)根据公式γc(d)＝|posc(d)|/|u|，计算出决策属性d({d1，d2，d3，
…di
})对条件属性c({c1，c2，c3，
…cj
})的依赖度γc(d)，其中，d1，d2，d3，
…di
表示所有决策属性集合，c1，c2，c3，
…cj
表示所有条件属性集合，d表示决策属性，u表示论域；
[0066]
4)定义reduct(c)＝c-{cj}为条件属性c的约简集，将条件属性cj逐个去除，比较γ
reduct(c)
(d)与γc(d)的大小，若γ
reduct(c)
(d)＝γc(d)，则终止运算；若不等，将执行步骤1)；
[0067]
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。
[0068]
f(r)＝(l-l
τ
)/l+γc(d)
[0069]
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|
；
[0070]
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pc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pm表示，也就是变异概率；
[0071]
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6)。最后得到如表1所示的数据约简集：
[0072]
表1
[0073][0074]
步骤5：将几组最简属性集代入rbf神经网络模型求mse，融合结果取1-3表示稻虾水质等级，比较得出一组最优属性集，得到如图2所示数据约简集mse。并将一组最优属性集的属性分为训练集和测试集。
[0075]
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，利用cpa算法优化后得到最优的中心、宽度和权值，步骤如下：
[0076]
1)初始化：初始化待求解问题的可能解，这里待求解问题的可能解分别为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，随机初始化n个cplant食肉植物和n个prey猎物个体，位置表示如下：
[0077][0078]
其中，d为变量个数，n为ncplant和nprey总和，每个个体使用下式随机初始化：
[0079]
individual
i，j
＝lbj+(ub
j-lbj)
×
rand
[0080]
其中，lb和ub分别为自变量的最小值和最大值，i∈[1，2，...，n]，j∈[1，2，...，d]，rand为[0，1]之间的随机数。
[0081]
对于第i个个体，通过将每一行作为适应度函数(取均方误差作为适应度函数)的输入来评估适应度值，计算得到的适应度值存在如下矩阵中：
[0082][0083]
2)分类与分组：每个个体按照其适应度值升序排序，排在前面的n个cplant食肉植物作为食肉植物cp，剩余的nprey作为猎物prey，排序后的适应度值和种群通过下列两式表示：
[0084]
[0085][0086]
分组的过程模拟每个肉食植物以及猎物的环境，将适合度最高的猎物分配给排名第一的食肉植物，类似地，第二名和第三名猎物属于第二和第三肉食植物。以此类推，直到排名ncplant的猎物分配给第ncplant的肉食植物，然后ncplant+1名猎物分配给第一名肉食植物(在猎物多余的情况下)。
[0087]
3)成长：每一个种群都随机选择一个猎物，如果吸引率高于随机生成的数字，食肉植物就会捕获猎物并消化生长。食肉植物成长模型为：
[0088]
newcp
i，j
＝growth
×
cp
i，j
+(1-growth)
×
prey
v，j
[0089]
growth＝growth_rate
×
rand
i，j
[0090]
其中，cp
i，j
是排名第i的食肉植物，prey
v，j
为随机选择的猎物，成长率growth_rate为预定义的值，rand为[0，1]之间的随机数。在cpa中，每一个种群内部只有一个食肉植物，而猎物的数量必须多于两个，cpa的吸引率一般设置为0.8.
[0091]
如果吸引率低于产生的随机值，则猎物逃跑并成长，表示为：
[0092]
newprey
i，j
＝growth
×
prey
u，i
+(1-growth)
×
prey
v，j
，u≠v
[0093][0094]
其中，prey
u，j
是第i个种群中随机选择的另一个猎物。食肉植物和猎物生长过程持续到group_iter代(预定义值)，且两式将新的解向高质量解空间方向指导。
[0095]
4)繁殖：排名第一的食肉植物(种群最好的解)，才允许繁殖。最优食肉植物繁殖过程如下：
[0096]
newcp
i，j
＝cp
1，j
+re production_rate
×
rand
i，j
×
mate
i，j
[0097][0098]
其中，cp
1，j
为最优解，cp
v，j
为随机选择的食肉植物，繁殖率re production_rate是预定义的值。繁殖过程重复ncplant次，繁殖过程中，每个维度j都随机选择一个食肉植物v。
[0099]
5)适应度更新和合并：将新生成的食肉植物和猎物和之前的种群合并，得到新的维度种群，按照适应度值升序排序，选择排名前n的个体作为新的候选解，保准种群大小不变。
[0100]
6)重复1)到4)过程，每一次重复的结果作为rbf网络的最优三参数，直到满足停止准则(预设定)。
[0101]
经过上述步骤，得出优化rbf网络模型，利用该优化rbf网络模型去预测虾稻水质。
[0102]
如图3所示模型试验对比图，本发明分别以rbf神经神经网络模型、rs-rbf神经网络模型以及本发明优化模型进行试验对比，发现本发明优化模型的试验误差最小，其在进行水质预测时，精确度、准确度会更高。
[0103]
上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。