[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

说明书

本发明公开了基于鲸鱼算法优化GRU神经网络的海参养殖水质预测方法，通过VMD分解与小波阈值联合降噪，有效剥离原始数据中的噪声，减少噪声对预测精度的影响。GRU循环神经网络解决了时间序列数据预测的长期依赖问题，适宜对水质时序数据进行短期或者长期预测。GRU预测模型的学习率、隐藏层数及节点数等参数的选择是否恰当将影响其预测性能，通过改进的鲸鱼算法对GRU预测模型的参数进行寻优，应用最优参数组合建立IWOA‑GRU水质预测模型，可以大幅提高预测精度。海参养殖区域水环境复杂，本文模型对水温、溶解氧、盐度等对海参生长影响较大的指标具有较好的预测效果。

技术领域

本发明涉及水产养殖技术领域，具体为一种基于鲸鱼算法优化GRU神经网络的海参养殖水质预测方法。

背景技术

海参养殖是我国水产养殖产业的重要组成部分，而海参对养殖水质的要求较高，在海参养殖的生产管理过程中，水质是影响海参健康生长的重要因素。海参养殖最适宜的水域环境要求水质清新无污染，溶解氧5mg以上,水温0～30度(最好为10-16度)，盐度保持在千分之25以上。因此，准确预测溶解氧、水温和盐度等水质指标数据的发展趋势，确保海参在适宜的水域环境中生长，具有重要意义。

水质数据受各种自然环境的影响，在时间序列上呈现出较强的波动性和随机性，预测难度较大。随着深度学习等人工智能技术的不断改进和发展，水质预测的准确度不断提升。近年来，广大学者提出了诸多基于人工智能技术的非线性预测模型。

EMD分解算法易出现端点效应和模态分量混叠的问题，EEMD和CEEMDAN对模态混叠问题进行了一定程度上的抑制，但是存在过度分解和噪声残留问题。EWT算法需要预先设置小波基函数、分解层数和降噪阈值，人为因素对分解结果影响较大。

发明内容

本发明的目的在于提供一种基于鲸鱼算法优化GRU神经网络的海参养殖水质预测方法，以解决上述背景技术提出的目前市场上的问题。

为实现上述目的，本发明提供如下技术方案：一种基于鲸鱼算法优化GRU神经网络的海参养殖水质预测方法，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；