[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

说明书

本发明提供一种基于量子遗传算法优化的多关联向量机水质预测方法及系统，该方法包括：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；建立不同关联向量机子模型，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；利用上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；嵌入量子遗传优化算法，对BP网络初始参数进行优化选择，从而加快网络的收敛速度达到全局最优，最终实现基于量子遗传算法优化的多关联向量机水质预测。本发明的核函数的选取不受任何条件限制，在给出预测值时，还能同时给出预测结果的可信程度。

技术领域

本发明涉及水质预测领域，更具体地，涉及基于量子遗传算法优化的多关联向量机水质预测方法及系统。

背景技术

水质预测作为水环境污染控制的重要手段，能够预测水质的变化趋势，从而有效地控制水质恶化情况；同时在水产养殖领域针对各项水质参数的预测更是实现水产养殖的现代化、自动化的重要保证，有效的进行水质预测，为水产养殖企业和个人提供了增加产量、节省投资的有效指导和参考。为了掌握水质现状及其发展趋势，有效控制和改善水质恶化情况，推动水产养殖领域快速发展，需要改善现有的水质预测方法。

现有的技术，针对水质预测问题，基于关联向量机回归的水质参数时间序列预测方法（201410196457）通过将历史数据中缺失数据做补0处理，进一步运用最小二乘法进行拟合比较，带入补全值作为缺失数据值对历史数据进行预处理，再运用关联向量机回归模型进行水质预测。具体是直接选取训练样本集和测试样本集对RVM进行训练和测试得到水质预测结果。

现有技术中，单一的RVM模型不容易适应不同的水质指标的相应特点，针对多种水质指标进行预测时难免出现预测准确率下降的问题，泛化能力相对较弱。

发明内容

本发明提供一种克服上述问题或者至少部分地解决上述问题的一种基于量子遗传算法优化的多关联向量机水质预测方法及系统。

根据本发明的一个方面，提供一种水质预测方法，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。

优选地，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。

优选地，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。

优选地，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：。