[发明专利]基于量子遗传算法优化的多关联向量机水质预测方法

权利要求书

1.通一种水质预测方法，其特征在于，包括：

S1、依据监测的某一水质指标的历史数据时间序列建立关联向量机水质预测模型，依据关联向量机的核函数选择不受任何限制的特点，选择多个不同核函数建立不同关联向量机子模型，使所建立的每个子模型从各个数据的不同特征出发对对象进行不同角度的描述；

S2、对BP神经网络嵌入量子遗传优化算法，对所述网络初始参数进行优化选择，以代替人为主观的对初始权值阈值的直接设定，从而加快网络的收敛速度达到全局最优；

S3、根据所述优化的BP网络极强的非线性处理能力、所述各子模型所得预测结果，对BP网络进行学习训练得到非线性组合函数模型，进而完成对各子模型的有效融合，实现基于量子遗传算法优化的多关联向量机水质预测。

2.根据权利要求1所述方法，其特征在于，步骤S1之前包括：

S01、获取所述每一需预测的水质指标的历史监测数据；

S02、根据所述每一需预测的水质指标的历史监测数据，获得水质指标的历史数据时间序列。

3.根据权利要求1所述方法，其特征在于，步骤S1之前还包括：

通过统计检验方法对所述每一需预测的水质指标的历史监测数据进行误差数据剔除和校正。

4.根据权利要求2所述方法，其特征在于，将关联向量机（RVM）应用至水质预测，首先需依据监测的某一水质指标的历史数据时间序列建立水质预测模型，然后以此模型预测该水质指标将来的变化；若水质指标的历史数据时间序列为，其中，为序列长度，为时刻的水质指标检测值；为所述之前个监测值组成的向量，是采样周期，则水质预测方法的关键在于确定映射关系：。

5.根据权利要求4所述方法，其特征在于，步骤S1具体包括：

构建一训练样本集，其中为输入样本，为输出样本，并以该样本训练RVM，利用RVM回归极强的非线性映射能力，使RVM的输入与输出逼近所述映射关系，将后续水质指标的时间序列送入训练后的RVM预测模型输入端，即可在该预测模型输出端得到未来水质指标的预测值；

根据所述RVM预测方法，利用所述RVM预测方法核函数的选择不受任何条件限制、无需满足Mercer 条件，选取多种不同的核函数构建多个不同RVM预测模型，所述多个不同RVM模型因为多种核函数分别各具不同的特点，使所建立的每个子模型从各个数据的不同特征出发对对象指标进行不同角度的描述。

6.对一种水质预测系统，其特征在于，包括：

多关联向量机构建模块，依据监测的某一水质指标的历史数据时间序列建立关联向量机水质预测模型，依据关联向量机的核函数选择不受任何限制的特点，选择多个不同核函数建立不同关联向量机子模型，使所建立的每个子模型从各个数据的不同特征出发对对象进行不同角度的描述；

量子遗传算法优化模块，对BP神经网络嵌入量子遗传优化算法，对所述网络初始参数进行优化选择，以代替人为主观的对初始权值阈值的直接设定，从而加快网络的收敛速度达到全局最优；

多关联向量机融合模块，根据所述优化的BP网络极强的非线性处理能力、所述各子模型所得预测结果，对BP网络进行学习训练得到非线性组合函数模型，进而完成对各子模型的有效融合，实现基于量子遗传算法优化的多关联向量机水质预测。

7.根据权利要求6所述系统，其特征在于，还包括：

数据采集模块，获取所述每一需预测的水质指标的历史监测数据；

时间序列构建模块，根据所述每一需预测的水质指标的历史监测数据，获得水质指标的历史数据时间序列。

8.根据权利要求6所述系统，其特征在于，还包括：

数据预处理模块，通过统计检验方法对所述每一需预测的水质指标的历史监测数据进行误差数据剔除和校正。

9.根据权利要求6所述系统，其特征在于，所述多关联向量机构建模块具体包括：

第一单元，用于将关联向量机应用至水质预测，首先需依据监测的某一水质指标的历史数据时间序列建立水质预测模型，然后以此模型预测该水质指标将来的变化；若水质指标的历史数据时间序列为，其中，为序列长度，为时刻的水质指标检测值；为所述之前个监测值组成的向量，是采样周期，则水质预测方法的关键在于确定映射关系：；第二单元，用于构建一训练样本集，其中为输入样本，为输出样本，并以该样本训练RVM，利用RVM回归极强的非线性映射能力，使RVM的输入与输出逼近所述映射关系，将后续水质指标的时间序列送入训练后的RVM预测模型输入端，即可在该预测模型输出端得到未来水质指标的预测值；第三单元，用于根据所述RVM预测方法，利用所述RVM预测方法核函数的选择不受任何条件限制、无需满足Mercer 条件，选取多种不同的核函数构建多个不同RVM预测模型，所述多个不同RVM模型因为多种核函数分别各具不同的特点，使所建立的每个子模型从各个数据的不同特征出发对对象指标进行不同角度的描述。