[发明专利]基于鲸鱼算法优化GRU神经网络的海参养殖水质预测方法

权利要求书

1.基于鲸鱼算法优化GRU神经网络的海参养殖水质预测方法，其特征在于：包括以下步骤：

S1：原始水质数据采集

S2：基于VMD数据分解

S3：小波阈值降噪

选取一个合适的阈值，根据VMD分解后的相关因数低于0.5的本征模态分量

采用软硬阈值相结合的小波包去噪算法，小波基选择sym8，分解层数选择3层，阈值函数如下：

S4：基于改进的鲸鱼算法对GRU循环神经网络的超参数进行训练优化

所述改进的鲸鱼算法通过模拟鲸鱼搜索、包围、捕食三种群体行为来实现全局寻优的目的，鲸鱼向最优位置前进的行为描述为公式：

式中，t表示当前迭代次数，A与C分别代表收敛因子和摇摆因子的系数向量，X^*表示到目前为止获得的最佳解的位置向量；

A与C向量的表达式分别为：

a的初始值为2，随着迭代次数线性递减至0，T_max表示迭代次数的最大值，r为取值范围在[0，1]的随机向量，C为均匀分布在(0,2)内的随机数；

采取非线性变化策略使参数a在算法前期迅速减小，基于非线性变化策略的参数a的公式为：

式中，j为迭代次数；

算法设定当|A|＜1时，鲸鱼选择向着最优个体游动，执行包围猎物的方式；当|A|≥1时，鲸鱼无法获得有效线索，为获得猎物有效信息，采用的是随机搜索猎物，根据随机选择的鲸鱼位置来更新其他鲸鱼的位置，借此找到一个更合适的猎物，使WOA算法能够进行全局搜索，公式如下：

式中，为随机选择的鲸鱼位置向量；

狩猎行为的数学模型如下：

/

式中，b为对数螺线状常数，l为(-1，1)中的随机数。

以概率p来判断鲸鱼的行为，当p0.5时执行包围收缩方式，应用公式更新位置；当p≥0.5时执行公式/的螺旋更新方式；

训练优化具体步骤如下：

S41：将海参养殖水域水质数据进行降噪处理，并确定训练集与测试集样本；

S42：设置GRU循环神经网络隐藏层层数及每层神经元个数、模型训练迭代次数及学习率超参数，构建参数向量w_i＝{w₁,w₂,...w_n}，n为参数个数。

S43：初始化鲸鱼算法种群规模、最大迭代次数、初始最小权重和最大权重参数，将S42中的参数向量转化为改进后的鲸鱼算法的位置向量；

S44：以模型预测的输出值与实测值之间的均方误差作为适应度函数，计算每头鲸鱼适应度值并将其作为当前最优位置向量；

S45：根据改进的寻优策略来迭代更新位置向量，满足最大迭代次数或达到误差精度要求后终止寻优算法，将当前的最优参数赋值给GRU循环神经预测模型，

S46：应用优化的GRU循环神经网络进行溶解氧、水温、盐度水质指标的预测，并应用评价指标评估预测效果。

2.根据权利要求1所述的基于鲸鱼算法优化GRU神经网络的海参养殖水质预测方法，其特征在于：所述S2具体包括以下步骤：

S21：利用迭代搜索模型最优解确定模态分量的集合及其各自的中心频率，实现非线性时间序列固有模态分量有效分解，获得包含多个不同频率尺度且相对平稳的子序列；

S22：利用相对熵对VMD的参数进行寻优，确定分解层数K值和惩罚因子α的最优组合；

S23：通过计算迭代分解过程中所得的本征模态分量的相对熵，获得相对熵最小值时所对应的K和α的最优解；

S24：计算VMD分解得到的各本征模态分量与原始溶解氧序列的相关因数，根据相关性分析将本征模态分量分为噪声主导模态和有效信息主导模态，将与原始信号相关因数小于0.5的本征模态分量进行小波阈值降噪处理。

3.根据权利要求1所述的基于鲸鱼算法优化GRU神经网络的海参养殖水质预测方法，其特征在于：所述S46中评价指标采用平均绝对误差MAE、均方误差MSE、平均绝对百分比误差MAPE以及预测数据和决定系数R²作为模型预测性能的评价指标，其中，均方误差MSE和决定系数R²计算公式为：

/