一种水体中叶绿素a浓度预测方法技术

本发明专利技术公开一种水体中叶绿素a浓度预测方法，包括以下步骤：S1、采集原始水质监测数据，其中，所述原始水质监测数据包括若干水质特征；S2、提取所述原始水质监测数据的特征子集，所述特征子集用于表示预测效果更佳的所述水质特征；S3、构建预测叶绿素a浓度模型，优化所述预测叶绿素a浓度模型的参数，利用所述特征子集训练所述预测叶绿素a浓度模型，获得训练好的预测叶绿素a浓度模型；S4、将待检测的所述特征子集输入所述训练好的预测叶绿素a浓度模型，获得叶绿素a浓度的预测结果。本发明专利技术大幅减少学习时间，增强学习效率，并提高了对叶绿素a浓度预测的准确性。浓度预测的准确性。浓度预测的准确性。

【技术实现步骤摘要】
一种水体中叶绿素a浓度预测方法


[0001]本专利技术涉及水体检测
，特别是涉及一种水体中叶绿素a浓度预测方法。

技术介绍

[0002]随着社会的迅速发展，大量的工业废水和生活污水流入湖泊，使得水体中氮磷含量超出规定的指标，随之出现富营养化现象。湖泊中的浮游植物开始大量的繁殖，导致藻类水华的大面积爆发，不仅影响湖泊的水质，而且对湖泊的生态系统造成严重的破坏。叶绿素a存在于所有的水体藻类中，其浓度值可以反映水体藻类的含量。有效的预测叶绿素a浓度的变化，可以清楚地了解到湖泊水质的变化情况，为水体藻类爆发的预警工作和水环境的治理提供重大的帮助。
[0003]早期预测叶绿素a浓度变化的方法主要是基于数值分析方法，但随着数据量以及数据维度的增多，传统的预测模型已经不能满足要求。随着机器学习方法的兴起，大量的研究学者使用多元线性回归、支持向量机、人工神经网络等方法预测叶绿素a的浓度变化。目前研究学者多数使用BP神经网络预测叶绿素a浓度的变化，BP神经网络通过反向传播的方式完成训练过程，导致其学习效率较低，增加了数据处理的时间和计算量。

技术实现思路

[0004]本专利技术的目的是提供一种水体中叶绿素a浓度预测方法，以解决上述现有技术存在的问题，大幅减少学习时间，增强学习效率，并提高了对叶绿素a浓度预测的准确性。
[0005]为实现上述目的，本专利技术提供了如下方案：本专利技术提供一种水体中叶绿素a浓度预测方法，包括以下步骤：
[0006]S1、采集原始水质监测数据，其中，所述原始水质监测数据包括若干水质特征；
[0007]S2、提取所述原始水质监测数据的特征子集，所述特征子集用于表示预测效果更佳的所述水质特征；
[0008]S3、构建预测叶绿素a浓度模型，优化所述预测叶绿素a浓度模型的参数，利用所述特征子集训练所述预测叶绿素a浓度模型，获得训练好的预测叶绿素a浓度模型；
[0009]S4、将待检测的所述特征子集输入所述训练好的预测叶绿素a浓度模型，获得叶绿素a浓度的预测结果。
[0010]可选地，所述原始水质监测数据的水质特征包括温度数据、压强数据、PH值数据、氧化还原电位数据、溶解氧数据、电导率数据、盐度数据、浊度数据、硝酸盐数据、高锰酸盐指数数据、氨氮数据、总磷数据、总氮数据、叶绿素a数据。
[0011]可选地，采用基于互信息的最大相关最小冗余方法提取所述原始水质监测数据的特征子集。
[0012]可选地，所述S2中提取所述原始水质监测数据的特征子集包括：
[0013]基于所述原始水质监测数据，按照式(1)所示的方法获取除叶绿素a以外的其他所述水质特征与所述叶绿素a的互信息值：
[0014][0015]其中，I(a,b)表示变量a和b之间的互信息值，p(a)和p(b)分别为变量a和变量b的概率密度，p(a,b)为其联合概率密度；
[0016]按照式(2)所示的方法计算最大相关：
[0017][0018]其中，maxD(S,r)表示最大相关，S为特征子集，r为目标特征，|S|表示为特征数目，x
i
表示特征集，I(x
i
,r)表示特征集和目标特征之间的互信息；
[0019]按照式(3)所示的方法计算最小冗余：
[0020][0021]其中，minR(S)表示最小冗余，其中S是特征子集；|S|表示为特征数目；x
i
表示特征集；I(x
i
,x
j
)表示各特征值之间的互信息；
[0022]基于所述最大相关和所述最小冗余，按照式(4)所示的方法计算数据集之间的最大相关和最小冗余度：
[0023]maxφ(D，R)＝D
‑
R
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0024]其中，maxφ为最大相关度
‑
最小冗余度的集合，D为最大相关，R为最小冗余。
[0025]可选地，所述S3中采用极限学习机网络构建所述预测叶绿素a浓度模型。
[0026]可选地，所述S3中采用精英遗传方法和模拟退火方法优化所述预测叶绿素a浓度模型的参数。
[0027]可选地，优化所述预测叶绿素a浓度模型的参数包括：
[0028]S3.1、初始化种群X＝{x1,x2,
…
,x
n
},其中，n为种群的个体数量；
[0029]S3.2、按照式(6)所示的方法计算所述种群中每个个体的适应度fitness:
[0030][0031]其中，N表示测试样本数；y
i
表示测试样本的实测值；y
i
'表示测试样本的预测值；
[0032]将适应度最优的个体记为x
i
，判断是否达到最大进化次数，若达到最大进化次数，则输出最优个体及其解，并结束运算，否则，进行S3.3；
[0033]S3.3、使用选择、交叉、变异算子对所述种群中的个体进化，产生一个新种群X1＝{X1，X2，
…
，X
m
}；
[0034]S3.4、计算所述新种群X1的适应度，获得最优个体为x
j
,最劣个体为x
k
；
[0035]S3.5、将所述S3.2中的最优个体x
i
取代步骤S3.4中的最劣个体x
k
；
[0036]S3.6、结合模拟退火机制，按照式(7)所示的Metroplis准则判断是否接受所述最优个体x
j
：
[0037][0038]其中，P为接受当前最优个体的概率；f(x
i
)为上一代种群最优个体的适应度；f(x
j
)为当前种群的最优个体的适应度；T为当前的温度；
[0039]S3.7、采用T＝0.99
·
T的线性函数退火，返回步骤S3.2。
[0040]可选地，所述S4中还包括对所述预测结果进行评估。
[0041]可选地，对所述预测结果进行评估包括：使用平均绝对误差、均方误差、决定系数对所述预测结果进行评估。
[0042]本专利技术公开了以下技术效果：
[0043]本专利技术提供的一种叶绿素a浓度预测方法，采用极限学习机网络构建预测模型，通过模拟退火方法融入精英遗传方法中，用于优化预测模型，并通过最大相关最小冗余分析，较好地解决了数据之间的冗余性，选出一组预测效果更好的特征子集输入预测模型，提升了模型的预测精度，大幅减少了学习时间，增强了学习效率与寻优能力，并提高了对叶绿素a浓度预测的准确性。
附图说明
[0044]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
...

【技术保护点】

【技术特征摘要】
1.一种水体中叶绿素a浓度预测方法，其特征在于，包括以下步骤：S1、采集原始水质监测数据，其中，所述原始水质监测数据包括若干水质特征；S2、提取所述原始水质监测数据的特征子集，所述特征子集用于表示预测效果更佳的所述水质特征；S3、构建预测叶绿素a浓度模型，优化所述预测叶绿素a浓度模型的参数，利用所述特征子集训练所述预测叶绿素a浓度模型，获得训练好的预测叶绿素a浓度模型；S4、将待检测的所述特征子集输入所述训练好的预测叶绿素a浓度模型，获得叶绿素a浓度的预测结果。2.根据权利要求1所述的水体中叶绿素a浓度预测方法，其特征在于，所述原始水质监测数据的水质特征包括温度数据、压强数据、PH值数据、氧化还原电位数据、溶解氧数据、电导率数据、盐度数据、浊度数据、硝酸盐数据、高锰酸盐指数数据、氨氮数据、总磷数据、总氮数据、叶绿素a数据。3.根据权利要求1所述的水体中叶绿素a浓度预测方法，其特征在于，采用基于互信息的最大相关最小冗余方法提取所述原始水质监测数据的特征子集。4.根据权利要求2所述的水体中叶绿素a浓度预测方法，其特征在于，所述S2中提取所述原始水质监测数据的特征子集包括：基于所述原始水质监测数据，按照式(1)所示的方法获取除叶绿素a以外的其他所述水质特征与所述叶绿素a的互信息值：其中，I(a,b)表示变量a和b之间的互信息值，p(a)和p(b)分别为变量a和变量b的概率密度，p(a,b)为其联合概率密度；按照式(2)所示的方法计算最大相关：其中，maxD(S,r)表示最大相关，S为特征子集，r为目标特征，|S|表示为特征数目，x
i
表示特征集，I(x
i
,r)表示特征集和目标特征之间的互信息；按照式(3)所示的方法计算最小冗余：其中，minR(S)表示最小冗余，其中S是特征子集，|S|表示为特征数目，x
i
表示特征集，I(x
i
,x
j
)表示各特征值之间的互信息；基于所述最大相关和所述最小冗余，按照式(4)所示的方法计算数据集之间的最大相关和最小冗余度：maxφ(D，R)＝D
‑
R
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)其中，maxφ为最大相关度
‑
最小冗余度的集合，D为最...

【专利技术属性】
技术研发人员：黄劲松，陈优良，
申请(专利权)人：浙江智谱工程技术有限公司，
类型：发明
国别省市：