【技术实现步骤摘要】
一种基于遗传算法优化极限学习机的池塘水温预测方法
本专利技术涉及一种池塘水温预测方法，尤其涉及一种基于遗传算法优化极限学习机的池塘水温预测方法。
技术介绍
水温是影响鱼类生长、代谢强度的重要因素之一。不同的养殖性鱼类在生长周期过程中对水温的要求不一样。在适宜的水温条件下，鱼体的摄食率上升，代谢活跃，生长速度也会加快。在较低或较高的水温条件下，鱼体摄食率降低，投放的饲料的浪费量也增大。工厂集约化池塘养殖是一种高密度、高效、高风险的池塘养殖方式。故而，在工厂化池塘养殖中，水温的有效预测和控制显得尤为重要。目前，在池塘水产养殖中对水温的预测和控制研究方法相对较少。现有技术中有使用遗传算法和BP神经网络实现短期池塘养殖水温预测方法；有使用粒子群算法和BP神经网络实现池塘水温的预测方法。这些预测方法的实时性不高，方法中的输入参数较少，且传感器在采集过程中，较易出现数据丢失和异常的情况，未经校正处理的数据进行预测的结果准确性低、可靠性差，不能保障工厂化池塘养殖过程中对养殖环境的高要求。
技术实现思路
为提高预测的速度和精度，本专利技术提出了一种基于遗传算法优化极限学习机的池塘水温...
【技术保护点】
1.一种基于遗传算法优化极限学习机的池塘水温预测方法，其特征在于包括以下几个步骤：步骤一：确定预测对象，针对高密度水产养殖中的池塘水体的水温进行预测，定义影响水温变化的水体因素和气象因素，采集所述因素相关的b个指标变量作为水温预测的输入变量，将水体水温作为预测输出变量；步骤二：遗传算法优化极限学习机网络模型构建，过程如下：极限学习机预测方法包含输入层、隐含层和输出层；设置神经网络的输入变量为X＝[X1,X2,…,Xn]
【技术特征摘要】
1.一种基于遗传算法优化极限学习机的池塘水温预测方法，其特征在于包括以下几个步骤：步骤一：确定预测对象，针对高密度水产养殖中的池塘水体的水温进行预测，定义影响水温变化的水体因素和气象因素，采集所述因素相关的b个指标变量作为水温预测的输入变量，将水体水温作为预测输出变量；步骤二：遗传算法优化极限学习机网络模型构建，过程如下：极限学习机预测方法包含输入层、隐含层和输出层；设置神经网络的输入变量为X＝[X1,X2,…,Xn]T，输出变量为Y＝[Y1,Y2,…,Yk]T，利用遗传算法对极限学习机的隐含层输入权值qi和偏置bi进行优化，同时利用经验公式获取隐含层节点数L，以确定优化的极限学习机预测方法。其中，m为输入节点数，u为输出节点数，s为区间[1,10]内一整数，经验公式如下所示：步骤三：在种群初始化过程中，首先构成一个结构、权值、偏置向量确定的极限学习机网络结构，并产生种群。设置种群规模，进化代数，隐含层节点数；确定适应度函数Fitness，其函数公式如下所示。通过交叉、变异等遗传操作，确定最优适应度值：其中，N为预测点个数,yi(k)和yi*(k)分别为在时刻k的实际值；步骤四：训练极限学习机网络预测模型，在不断迭代中，获取最优适应度值Fitnessbest条件下的权值和偏置；经过反归一化处理后,以预测误差作为神经网络迭代依据，最终输出符合精度要求的预测结果。2.根据权利要求1所述的基于遗传算法优化极限学习机的池塘水温预测方法，其特征在于：步骤三中，在获取最优适应度值的过程中，使用遗传操作中的选择操作，将轮盘赌法作为选择操作中适应度比例的选择策略，即获取个体在选择操作中的选择概率pi：其中，fi＝k/Fi，k为系数，Fi为个体i的适应度值；在遗传操作的交叉操作中，使用实数交叉法，完成第k个染色体dk和第l个染色体dl在第j位的交叉操作，其操作方式如下公式：dkj＝dkj(1-b)+dijb...
【专利技术属性】
技术研发人员：匡亮，施珮，季云峰，顾晓燕，
申请(专利权)人：江苏信息职业技术学院，
类型：发明
国别省市：江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。