[发明专利]一种基于数据修复的池塘溶解氧预测方法

摘要

本发明公开了一种基于数据修复的池塘溶解氧预测方法，该预测方法包括确定预测对象、定义气象综合指数、数据修复、GRNN神经网络模型构建、初始化GRNN神经网络和训练神经网络这几个步骤，本发明涉及到与池塘溶解氧预测相关的气象因子和水产养殖环境因子中的11个指标参数，将这11个指标参数作为输入量，基于气象环境数据和水质数据短时间的连续性，利用气象综合指数和线性插值法对传感器采集中丢失和发生异常的数据进行修复，将溶解氧浓度作为输出量，确定GRNN神经网络预测模型，GRNN 网络模型与传统 BP模型的溶解氧预测训练效果相比，GRNN算法相较于 BP 算法有更高的精度，能较好的反映一段时间内池塘溶解氧变化的基本趋势。

主权项

一种基于数据修复的池塘溶解氧预测方法，其特征在于包括以下几个步骤：(1)确定预测对象，针对集约化、工厂化水产中的池塘溶解氧进行预测，定义气象因子和水产养殖环境因子两大影响因素，与两大影响因素相关的b个指标参数构成溶解氧预测的基本输入变量，将溶解氧浓度作为预测输出变量，b为正整数；(2)定义气象综合指数，获得气象综合指数评价结果；首先，定义m个气象因素作为气象综合指数的评价指标，确定因子分析法进行气象综合指数的评定，m为小于b的正整数；其次，确定特征因子，并计算各得分因子的系数；采用因子分析法中的主成分分析为因子提取的方法，以特征值大于1的因子为公共因子，按照特征值大于1为准则，从多个气象综合指数的评价指标中提取j个公因子作为气象综合指数的评价；并定义它们分别为F1，F2，…,Fj；j为小于m的正整数；通过式(1)计算j个公共因子的得分：Fij＝∑Xim·amj                        (1)式中：i表示评估气象综合指数的样本数，j表示提取的公共因子数，m代表指标体系的评价指标数，Fij为第i组样本第j个因子得分，amj为第m个变量在第j因子上的得分系数，Xim为第j个因子在第m个变量上的数值；最后，获得气象综合指数评价结果，确定光照特征因子F1‑Fj这几个公因子的方差贡献率作为公因子权重系数，通过加权法，获得池塘气象综合指数的评价结果，计算公式如下式：MIi=ΣFij·WjΣWj---(2)]]>式中：MIi为气象综合指数得分，Wj为j个公共因子方差贡献率，Fij为因子得分；(3)数据修复与数据标准化处理，过程如下：首先，对数据采集过程中前后时间间隔较小的丢失数据，使用线性插值法进行插补，公式如下：xk+i=xk+i·(xk+j-xk)j,0<i<j---(3)]]>式中，xk和xk+j分别为已知k时刻和k+j时刻的监测水质数据，xk+i为k+i时刻丢失的水质监测数据值；当时间间隔较大时，选择气象综合指数差值最小的相同时刻的数据进行填补；其次，若某时刻水质数据的浮动超过前后相邻时刻监测数据值的10％，则认为该数据为“脏”数据，选择气象综合指数差值最小的相同时刻的数据进行替换，并保证替换数据与前后相邻时刻差值不超过10％；最后，对指标进行标准化处理，针对逆指标采取取负值的正向化方法，公式如下：X′＝‑X                         (4)完成指标的正向化后，使用较为目前广泛使用的Z分值法作为标准化方法，标准化公式为：Zmn=Xmn-X‾nSn,(m=1,2,...i;n=1,2,...j).---(5)]]>式中：n为评价年份数；为Xmn的均值；Sn为Xmn的标准差；原数据经标准化处理后，得到的标准化值Zmn的均值为0，方差为1；(4)GRNN神经网络模型构建，过程如下：构建的GRNN网络结构包含输入层、模式层、求和层和输出层；设置输入变量为X＝[X1,X2,…,Xn]T，输出层为Y＝[Y1,Y2,…,Yk]T，Xi,Yi分别为神经网络的输入变量值和输出变量值，σ为高斯函数的宽度系数，也可称为光滑因子,评价年份数n作为为模式层神经元数目，各神经元对应不同的样本，则其模式层传递函数表达式为：pi＝exp[‑(X‑Xi)T(X‑Xi)/2σ2] i＝1,2,...,n         (6)在求和层中，求和方式是基于两种类型的神经元，在计算公式为的一类中，它对所有模式层神经元的输出进行算数求和，其模式层与各神经元的连接权值为1，传递函数为：SD=Σi=1npi---(7)]]>在计算公式为的这类中，它是对所有模式神经元进行加权求和，模式层中第i个神经元与求和层中第j个分子求和神经元之间的连接权值为第i个输出样本Yi中的第j个元素，其传递函数为：SNj=Σi=1nYijpi,j=1,2,...,k---(8)]]>输出层中的神经元数目等于样本中输出向量维数k，将各神经元求和层的输出相除，即得到神经元j输出对应估计结果的第j个元素：yj＝SNj/SD                                 (9)(5)初始化GRNN神经网络：确定神经网络输入层神经元n个，输出层神经元为1个，确定初始参数SPREAD＝0.1；GRNN神经网络输入表示为x1，x2,…,xn，神经网络期望输出表示为y；(6)训练神经网络：基于数据处理的GRNN神经网络，采用线性插值法对丢失或发生异常的数据进行修复；以GRNN神经网络输出的误差为迭代依据，从而确定最优参数SPREAD值，再将参数用于GRNN网络，最终输出符合精度要求的结果。