基于改进遗传算法优化LSTM神经网络的水质预测方法技术

本发明专利技术公开了一种基于改进遗传算法优化LSTM神经网络的水质预测方法，步骤如下：由无人巡航船搭载的水质传感器采集养殖池温度、溶氧、pH三种原始特征数据并存至HBase数据库中，利用CDH大数据集群Spark计算组件对原始数据进行预处理；再进行Max‑min标准化，利用标准化后数据集构建训练集和测试集；构建基于改进遗传算法优化LSTM神经网络的水质预测模型，优化确定LSTM神经网络和改进遗传算法的基本结构参数；利用构造的训练集训练模型预测养殖池未来某一时刻的水质数据。本发明专利技术在LSTM神经网络中引入遗传算法对神经网络训练的步长进行动态调整，从而降低LSTM神经网络预测水质时的相对误差，提高预测精度。

【技术实现步骤摘要】
基于改进遗传算法优化LSTM神经网络的水质预测方法
本专利技术属于水质预测领域，具体为一种基于改进遗传算法优化LSTM神经网络的水质预测方法。
技术介绍
我国是全球水产养殖第一大国，其产量约占全球养殖60％。根据对养殖失败原因分析发现，导致养殖失败的主要原因有水质问题、气候环境问题、养殖模式问题、苗种质量问题、塘口管理问题以及病害问题，集中表现就是虾苗长不大或者死虾。由于目前国内对虾养殖虾苗一代苗基本依赖进口，因此期望从种苗选育上提高养虾成功率效果不大，所以当前养殖户主要通过努力改善水产养殖水质参数、预防病虫害及提升塘口管理水平方面降低养殖失败率。因此，建立合适的水质预测模型，可以有效的解决水质突变问题，提高养殖产量。目前关于水质预测的方法有很多，通常使用神经网络进行水质预测。常见的BP神经网络能够对水质数据变化趋势进行预测，但容易陷入局部最优的情况；LSTM神经网络具有较强的时间捕获性，较好的适应水质数据的时序特征，因此LSTM相比于传统的BP神经网络更加准确。但LSTM存在一定局限性，忽视不同时刻的水质指标对结果存在一定影响，且网络结构固定化，不适应不同的水质数据集。
技术实现思路
专利技术目的：针对上述问题，本专利技术引入一种基于改进遗传算法优化LSTM神经网络的水质预测方法。该方法在LSTM神经网络的基础上，引入改进遗传算法对神经网络的训练步长进行动态调整，赋予不同时刻的神经网络不同的训练步长，从而降低训练的误差，提高预测的准确度。技术方案：一种基于改进遗传算法优化LSTM神经网络的水质预测方法，包括如下步骤：步骤1)由无人巡航船搭载的水质传感器采集养殖池温度、溶氧、pH三种原始特征数据并存放至HBase集群数据库中，利用CDH大数据集群中Spark内存计算组件对原始特征数据集进行数据预处理，降低数据冗余度和复杂性；步骤2)将处理过后的数据进行Max-min标准化处理，利用处理好的数据集构建训练集和测试集；步骤3)构建基于改进遗传算法优化LSTM神经网络的水质预测模型，优化确定LSTM神经网络和改进的遗传算法的基本结构参数；步骤4)利用构造的训练集训练构建的基于改进遗传算法优化LSTM神经网络的水质预测模型预测养殖池未来某一时刻的水质数据。进一步地，所述步骤1中，利用无人巡航船在养殖池中监测一定时间，获得按时间排序的养殖池温度、溶氧、pH三种原始特征数据集D，D＝{(Dtemp1，Dox1，Dph1)1，(Dtemp2，Dox2，Dph2)2，...，(Dtempi，Doxi，Dphi)n}，其中n表示原始数据集D的记录数量，Dtempi，Doxi，Dphi为第i个时间节点的养殖池温度、溶氧、pH数据。进一步地，所述步骤2中，利用Max-min标准化方法对养殖池温度、溶氧、pH三种原始特征数据集进行标准化处理，通过下式计算E*：其中，Etemp，oxy，ph表示Max-min标准化前第i个时间节点的养殖池温度、溶氧、pH数据，Etemp，oxy，ph*表示Max-min标准化后的第i个时间节点的养殖池温度、溶氧、pH数据，Dtemp，oxy，phmin表示养殖池温度、溶氧、pH数据中的样本最小值，Dtemp，oxy，phmax表示养殖池温度、溶氧、pH数据中的样本最大值；通过对采集的养殖池温度、溶氧、pH数据进行Max-min标准化，获得标准化后的数据集为：D*＝{(Dtemp1，Dox1，Dph1)1*，(Dtemp2，Dox2，Dph2)2*，...，(Dtempi，Doxi，Dphi)n*}，其中n表示原始数据集D在Max-min标准化后的记录数量，Dtempi*，Doxi*，Dphi*为第i个时间节点在Max-min标准化后的养殖池温度、溶氧、pH数据；标准化处理完成后将数据集D*拆分成训练集Train和测试集Test，训练集的数量为a，则测试集的数量为n-a，在三个特征数据后增加一列新的特征值y，y的值代表当前水质的情况，y的值取值为0或1，0代表水质不正常情况，1代表水质正常的情况，对原始数据集进行水质情况的判断补充。进一步地，所述步骤3中，构造LSTM神经网络模型和改进遗传算法模型，构造改进遗传算法模型用于优化LSTM神经网络的水质预测模型，具体步骤如下：步骤3-1：构造LSTM神经网络模型，具体步骤如下：步骤3-1-1：确定LSTM神经网络的初始网络结构、确定隐藏层层数和输出层层数，初始化训练步长η，确定输出层状态矩阵H＝(h1，h2，...，hq)；步骤3-1-2：设置LSTM神经网络输入层到隐藏层的连接矩阵U、隐藏层到隐藏层的连接矩阵W、隐藏层到输出层的连接权重V均为随机实数；步骤3-1-3：设置LSTM神经网络的激活函数，规定输入门、遗忘门和输出门的激活函数均为Sigmod函数，单元状态的激活函数为tanh函数；步骤3-2：构造改进遗传网络模型，具体步骤如下：步骤3-2-1：采用二进制编码初始化种群，设置各个参数；步骤3-2-2：设置适应度函数，计算个体的适应度值，保留适应度最大的个体；步骤3-2-3：判断是否满足算法结束条件，如果满足收敛条件，则输出结果，否则进入步骤3-2-4；步骤3-2-4：判断是否成立，如果成立，则先执行变异操作，然后进行交叉操作；反之先执行交叉操作，然后执行变异操作，最后执行选择操作；步骤3-2-5：判断选择操作的结果是否满足算法结束条件，若满足结果则结束算法，否则回到步骤3-2-2；步骤3-3：构造改进遗传算法模型用于优化LSTM神经网络的水质预测模型，具体步骤如下：步骤3-3-1：利用步骤3-1构建的LSTM神经网络模型作为水质预测模型的主要架构，输入层层数设置为3，输出层输出状态矩阵H；步骤3-3-2：确定RMSE作为误差评价标准，将RMSE同时作为步骤3-2改进遗传算法的评价函数；步骤3-3-3：利用步骤3-2改进遗传算法动态计算每次LSTM训练的步长的适应值，确定适应值最优的步长作为LSTM神经网络训练步长η。进一步地，所述步骤4中，利用构造的训练集训练构建的基于改进遗传算法优化LSTM神经网络的水质预测模型预测养殖池未来某一时刻的水质数据，具体步骤如下：步骤4-1：将训练集Train中温度、溶氧、pH数据输入到基于改进遗传算法优化LSTM神经网络的水质预测模型，通过模型得到对应的实际输出步骤4-2：使用均方根误差计算水质情况实际预测值与预期输出值的误差；利用反向传播算法将每次运算的误差传递给LSTM每一个神经元，随后利用随机梯度下降法更新每一个连接权重，更新权重后利用改进遗传算法进行训练步长的调整，调整为适应值最大的作为步长；步骤4-3：设置迭代1000次，在迭代中不断更新LSTM神经网络连接权重。步骤4-4：利用测试集数据Test测试模型训练效果，LSTM前向计算输出为h(t)：单元状态：g(t)本文档来自技高网...

【技术保护点】
1.一种基于改进遗传算法优化LSTM神经网络的水质预测方法，其特征在于：所述方法包括如下步骤：/n步骤1)由无人巡航船搭载的水质传感器采集养殖池温度、溶氧、pH三种原始特征数据并存放至HBase集群数据库中，利用CDH大数据集群中Spark内存计算组件对原始特征数据集进行数据预处理，降低数据冗余度和复杂性；/n步骤2)将处理过后的数据进行Max-min标准化处理，利用处理好的数据集构建训练集和测试集；/n步骤3)构建基于改进遗传算法优化LSTM神经网络的水质预测模型，优化确定LSTM神经网络和改进的遗传算法的基本结构参数；/n步骤4)利用构造的训练集训练构建的基于改进遗传算法优化LSTM神经网络的水质预测模型预测养殖池未来某一时刻的水质数据。/n

【技术特征摘要】
1.一种基于改进遗传算法优化LSTM神经网络的水质预测方法，其特征在于：所述方法包括如下步骤：
步骤1)由无人巡航船搭载的水质传感器采集养殖池温度、溶氧、pH三种原始特征数据并存放至HBase集群数据库中，利用CDH大数据集群中Spark内存计算组件对原始特征数据集进行数据预处理，降低数据冗余度和复杂性；
步骤2)将处理过后的数据进行Max-min标准化处理，利用处理好的数据集构建训练集和测试集；
步骤3)构建基于改进遗传算法优化LSTM神经网络的水质预测模型，优化确定LSTM神经网络和改进的遗传算法的基本结构参数；
步骤4)利用构造的训练集训练构建的基于改进遗传算法优化LSTM神经网络的水质预测模型预测养殖池未来某一时刻的水质数据。


2.根据权利要求1所述的基于改进遗传算法优化LSTM神经网络的水质预测方法，其特征在于：所述步骤1中，利用无人巡航船在养殖池中监测一定时间，获得按时间排序的养殖池温度、溶氧、pH三种原始特征数据集D，D＝{(Dtemp1，Dox1，Dph1)1，(Dtemp2，Dox2，Dph2)2，...，(Dtempi，Doxi，Dphi)n}，其中n表示原始数据集D的记录数量，Dtempi，Doxi，Dphi为第i个时间节点的养殖池温度、溶氧、pH数据。


3.根据权利要求1所述的基于改进遗传算法优化LSTM神经网络的水质预测方法：所述步骤2中，使用Max-min标准化方法对养殖池温度、溶氧、pH三种原始特征数据集进行标准化处理，通过下式计算E*：



其中，Etemp，oxy，ph表示Max-min标准化前第i个时间节点的养殖池温度、溶氧、pH数据，Etemp，oxy，ph*表示Max-min标准化后的第i个时间节点的养殖池温度、溶氧、pH数据，Dtemp，oxy，phmin表示养殖池温度、溶氧、pH数据中的样本最小值，Dtemp，oxy，phmax表示养殖池温度、溶氧、pH数据中的样本最大值；
通过对采集的养殖池温度、溶氧、pH数据进行Max-min标准化，获得标准化后的数据集为：
D*＝{(Dtemp1，Dox1，Dph1)1*，(Dtemp2，Dox2，Dph2)2*，...，(Dtempi，Doxi，Dphi)n*}，其中n表示原始数据集D在Max-min标准化后的记录数量，Dtempi*，Doxi*，Dphi*为第i个时间节点在Max-min标准化后的养殖池温度、溶氧、pH数据；
标准化处理完成后将数据集D*拆分成训练集Train和测试集Test，训练集的数量为a，则测试集的数量为n-a，在三个特征数据后增加一列新的特征值y，y的值代表当前水质的情况，y的值取值为0或1，0代表水质不正常情况，1代表水质正常的情况，对原始数据集进行水质情况的判断补充。


4.根据权利要求1所述的基于改进遗传算法优化LSTM神经网络的水质预测方法，其特征在于：所述步骤3中，构造LSTM神经网络模型和改进遗传算法模型，构造改进遗传算法模型用于优化LSTM神经网络的水质预测模型，具体步骤如下：
步骤3-1：构造LSTM神经网络模型，具体步骤如下：
步骤3-1-1：确定LSTM神经网络的初始网络结构、确定隐藏层层数和输出层层数，初始化训练步长η，确定输出层状态矩阵H＝(h1，h2，...，hq)；
步骤3-1-2：设置LSTM神经网络输入层到隐藏层的连接...

【专利技术属性】
技术研发人员：施佺，包银鑫，曹阳，茅一波，陈海龙，邵叶秦，
申请(专利权)人：南通大学，
类型：发明
国别省市：江苏;32