基于改进烟花算法优化网络的海水三维预测方法及系统技术方案

本发明专利技术公开了基于改进烟花算法优化网络的海水三维预测方法及系统，包括，获取原始水质数据，通过主成分分析算法对原始水质数据进行降维，得到主成分变量，通过互信息分析对主成分变量进行分析，得到水质变量；构建深度学习网络，其中所述深度学习网络包括BLSTM网络及transformer模块；通过改进烟花算法对BLSTM网络进行初始化，得到初始深度学习网络，通过水质变量对初始深度学习网络进行训练及学习，得到优化后的深度学习网络；通过优化后的深度学习网络对实测海水水质数据进行预测，得到未来海水水质数据以实现海水三维预测。来海水水质数据以实现海水三维预测。来海水水质数据以实现海水三维预测。

【技术实现步骤摘要】
基于改进烟花算法优化网络的海水三维预测方法及系统


[0001]本专利技术涉及深度学习
，特别涉及基于改进烟花算法优化网络的海水三维预测方法及系统。

技术介绍

[0002]在陆地资源不足，特别是能源紧张的情况下，人类渔业生产必须依赖于水域环境的自然资源，特别是海洋。随着人类社会快速发展，海洋污染情况越来越严重，海水养殖是世界水产品的需求。我国水产养殖发展迅速，养殖产量连续二十多年居世界第一，占全球产量近七成，为我国人民提供了1/3的优质动物蛋白。以湛江养殖水质为例，程海鸥等对湛江湾水质富营养化进行了全方位的深入研究，发现无机氮和活性磷酸盐磷含量迅速上升间接导致海水富营养化异常严重，这对海水养殖危害极大。同时，近几年工业污染导致水质变差，严重影响水产品数量和质量。因此，建立一种精准水质三维预测模型，为养殖户揭示不同水层的水质变化趋势以及水质监测提供指导，对提高水质质量和水产品产量具有重要工程意义。
[0003]目前，已有部分研究学者构建三维海水水质预测模型，对不同层水质参数含量进行预测。Chen等分别提出了K
‑
means
‑
SC
‑
RBF预测模型和PSO
‑
BP
‑
Kriging预测模型对次表层溶解氧含量进行预测，前一个预测模型较后一个预测模型具有较高的预测精准度，运行时间为1.028s，这也表明该模型具有较高的训练效率，对气象因素加以考虑，但不作为模型的输入参数，揭示了次表层不同区域溶解氧含量的变化。Cao等构建RS
‑
GBRT预测模型，对次表层溶解氧含量进行预测，实验结果表明，该模型的MSE、MAE和RMSE分别为0.121，0.219和0.348，揭示了次表层的20cm、40cm和60cm的溶解氧变化，20m处的溶解氧变化与气象因素相关，溶解氧含量较高，40m处的溶解氧变化与天气和水生植物的光合作用密切相关，60m处的溶解氧变化与水生植物光合作用相关。Liu等构建三维循环模型，对水表层水温进行三维预测，研究结果表明，三维循环模型对表层水温的预测精准度达到97％，RMSE和MAE分别为0.44和0.39，对水表以下水温的预测精准度达到90％，RMSE和MAE分别为0.48和0.42。表层水温呈现日变化，由于阳光无法透过深层水层，水表以下1m、2m和3m处水温变化不大。上述研究仅对淡水水质参数含量进行三维预测，还未对气象等因素加以考虑，所研究目标参数为单一参数，而水质受多个参数影响。为了构建海水水质三维预测模型，Zhang等为了解决传统方法仅限于某些孤立点的时间序列预测以及不同方向空间联系的相关问题，构建M
‑
ConvLSTM预测模型对水表层、次表层和水中层的三维海洋温度进行预测，实验结果表明，M
‑
ConvLSTM预测模型对表层海洋温度的预测精度达到99.94％，深层海洋温度预测精度达到84.48％，上层的水质预测精准度优于深层，这可能是由于深层的变化小于上层的变化。水表层海洋温度在5
‑
25范围之间变化，次表层海洋温度在4
‑
12范围之间变化，水中层的1 000m处的海洋温度在3
‑
4.5的范围之间变化，位于2 000m处的海洋温度在1.8
‑
2.2范围之间变化。
[0004]研究学者解决了部分不同层海水水质三维预测研究的相关问题，但还存在一些有
待完善的几个方面，如各个时间序列水质多参数三维预测、气象因素的加入、预测精准度的提高等。

技术实现思路

[0005]为解决上述现有技术中所存在的模型对不同层水质的预测精准不足的问题，本专利技术提供了基于改进烟花算法优化网络的海水三维预测方法及系统，提高海水水质三维预测精准度，将对输出参数影响的外部属性纳入到模型中，对输入参数数据进行处理，剔除不相关水质参数和气象参数，优化深度学习网络中超参数来提高不同层海水水质三维预测精准度。
[0006]为了实现上述技术目的，本专利技术提供了如下技术方案：基于改进烟花算法优化网络的海水三维预测方法，包括：
[0007]获取原始水质数据，通过主成分分析算法对原始水质数据进行降维，得到主成分变量，通过互信息分析对主成分变量进行分析，得到水质变量；
[0008]构建深度学习网络，其中所述深度学习网络包括BLSTM网络及transformer模块；通过改进烟花算法对BLSTM网络进行初始化，得到初始深度学习网络，通过水质变量对初始深度学习网络进行训练及学习，得到优化后的深度学习网络；通过优化后的深度学习网络对实测海水水质数据进行预测，得到未来海水水质数据以实现海水三维预测。
[0009]可选的，所述原始水质数据包括气象参数、水质参数及三维坐标数据。
[0010]可选的，水质变量的获取过程包括：将所述主成分变量转换为线性不相关变量，将线性不相关变量进行正交，对正交后的变量进行筛选，得到保留变量，统计所述保留变量与深度学习网络的输出参数的互信息，基于互信息评价所述保留变量与输出参数间的非线性关系，基于非线性关系，对保留变量进行筛选，得到水质变量。
[0011]可选的，所述改进烟花算法为在标准烟花算法基础上引入微分分量的算法，通过改进烟花算法对所述BLSTM网络中的隐藏层数神经元数、学习率及训练次数的超参数进行初始化。
[0012]可选的，transformer模块包括编码器及解码器，其中编码器包括基于掩码的多头注意力层、正则化层、多头注意力层及全连接神经网络和正则化层；所述解码器包括多头注意力层、全连接神经网络和正则化层，解码器的全连接神经网络和正则化层的输出连接于编码器的多头注意力层，所述编码器的输出连接有全连接输出层，所述解码器的输入为BLSTM网络的输出。
[0013]为了更好的实现上述技术目的，本专利技术还提供了基于改进烟花算法优化网络的海水三维预测系统，包括：
[0014]预处理模块、计算模块、优化模块、预测模块；
[0015]预处理模块用于获取原始水质数据，通过主成分分析算法对原始水质数据进行降维，得到主成分变量；
[0016]计算模块用于通过互信息分析对主成分变量进行分析，得到水质变量；
[0017]预测模块用于构建深度学习网络，其中所述深度学习网络包括BLSTM网络及transformer模块；并采用优化模块通过改进烟花算法对BLSTM网络进行初始化，得到初始深度学习网络，通过水质变量对初始深度学习网络进行训练及学习，得到优化后的深度学
习网络；通过优化后的深度学习网络对实测海水水质数据进行预测，得到未来海水水质数据以实现海水三维预测。
[0018]可选的，预处理模块中，所述原始水质数据包括气象参数、水质参数及三维坐标数据。
[0019]可选的，计算模块包括第一计算模块，其中第一计算模块用于将所述主成分变量转换为线性不相关变量，将线性不相关变量进行正交，对正交后的变量进行筛选，得到保留变量，统计所述保留本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进烟花算法优化网络的海水三维预测方法，其特征在于，包括：获取原始水质数据，通过主成分分析算法对原始水质数据进行降维，得到主成分变量，通过互信息分析对主成分变量进行分析，得到水质变量；构建深度学习网络，其中所述深度学习网络包括BLSTM网络及transformer模块；通过改进烟花算法对BLSTM网络进行初始化，得到初始深度学习网络，通过水质变量对初始深度学习网络进行训练及学习，得到优化后的深度学习网络；通过优化后的深度学习网络对实测海水水质数据进行预测，得到未来海水水质数据以实现海水三维预测。2.根据权利要求1所述的海水三维预测方法，其特征在于：所述原始水质数据包括气象参数、水质参数及三维坐标数据。3.根据权利要求1所述的海水三维预测方法，其特征在于：水质变量的获取过程包括：将所述主成分变量转换为线性不相关变量，将线性不相关变量进行正交，对正交后的变量进行筛选，得到保留变量，统计所述保留变量与深度学习网络的输出参数的互信息，基于互信息评价所述保留变量与输出参数间的非线性关系，基于非线性关系，对保留变量进行筛选，得到水质变量。4.根据权利要求1所述的海水三维预测方法，其特征在于：所述改进烟花算法为在标准烟花算法基础上引入微分分量的算法，通过改进烟花算法对所述BLSTM网络中的隐藏层数神经元数、学习率及训练次数的超参数进行初始化。5.根据权利要求1所述的海水三维预测方法，其特征在于：transformer模块包括编码器及解码器，其中编码器包括基于掩码的多头注意力层、正则化层、多头注意力层及全连接神经网络和正则化层；所述解码器包括多头注意力层、全连接神经网络和正则化层，解码器的全连接神经网络和正则化层的输出连接于编码器的多头注意力层，所述编码器的输出连接有全连接输出层，所述解码器的输入为BLSTM网络的输出。6.基于改进烟花算法优化网络的海水三维预测系统，其特征在于，包括：预处理模块、计算模块、优化...

【专利技术属性】
技术研发人员：王骥，谢再秘，莫春梅，
申请(专利权)人：广东海洋大学，
类型：发明
国别省市：