基于鲸鱼算法优化GRU神经网络的海参养殖水质预测方法技术

本发明专利技术公开了基于鲸鱼算法优化GRU神经网络的海参养殖水质预测方法，通过VMD分解与小波阈值联合降噪，有效剥离原始数据中的噪声，减少噪声对预测精度的影响。GRU循环神经网络解决了时间序列数据预测的长期依赖问题，适宜对水质时序数据进行短期或者长期预测。GRU预测模型的学习率、隐藏层数及节点数等参数的选择是否恰当将影响其预测性能，通过改进的鲸鱼算法对GRU预测模型的参数进行寻优，应用最优参数组合建立IWOA

【技术实现步骤摘要】
基于鲸鱼算法优化GRU神经网络的海参养殖水质预测方法


[0001]本专利技术涉及水产养殖
，具体为一种基于鲸鱼算法优化GRU神经网络的海参养殖水质预测方法。

技术介绍

[0002]海参养殖是我国水产养殖产业的重要组成部分，而海参对养殖水质的要求较高，在海参养殖的生产管理过程中，水质是影响海参健康生长的重要因素。海参养殖最适宜的水域环境要求水质清新无污染，溶解氧5mg以上,水温0～30度(最好为10
‑
16度)，盐度保持在千分之25以上。因此，准确预测溶解氧、水温和盐度等水质指标数据的发展趋势，确保海参在适宜的水域环境中生长，具有重要意义。
[0003]水质数据受各种自然环境的影响，在时间序列上呈现出较强的波动性和随机性，预测难度较大。随着深度学习等人工智能技术的不断改进和发展，水质预测的准确度不断提升。近年来，广大学者提出了诸多基于人工智能技术的非线性预测模型。
[0004]EMD分解算法易出现端点效应和模态分量混叠的问题，EEMD和CEEMDAN对模态混叠问题进行了一定程度上的抑制，但是存在过度分解和噪声残留问题。EWT算法需要预先设置小波基函数、分解层数和降噪阈值，人为因素对分解结果影响较大。

技术实现思路

[0005]本专利技术的目的在于提供一种基于鲸鱼算法优化GRU神经网络的海参养殖水质预测方法，以解决上述
技术介绍
提出的目前市场上的问题。
[0006]为实现上述目的，本专利技术提供如下技术方案：一种基于鲸鱼算法优化GRU神经网络的海参养殖水质预测方法，包括以下步骤：
[0007]S1：原始水质数据采集
[0008]S2：基于VMD数据分解
[0009]S3：小波阈值降噪
[0010]选取一个合适的阈值，根据VMD分解后的相关因数低于0.5的本征模态分量
[0011]采用软硬阈值相结合的小波包去噪算法，小波基选择sym8，分解层数选择3层，阈值函数如下：
[0012][0013]S4：基于改进的鲸鱼算法对GRU循环神经网络的超参数进行训练优化
[0014]所述改进的鲸鱼算法通过模拟鲸鱼搜索、包围、捕食三种群体行为来实现全局寻优的目的，鲸鱼向最优位置前进的行为描述为公式：
[0015][0016]式中，t表示当前迭代次数，A与C分别代表收敛因子和摇摆因子的系数向量，X
*
表
示到目前为止获得的最佳解的位置向量；
[0017]A与C向量的表达式分别为：
[0018][0019]a的初始值为2，随着迭代次数线性递减至0，T
max
表示迭代次数的最大值，r为取值范围在[0，1]的随机向量，C为均匀分布在(0,2)内的随机数；
[0020]采取非线性变化策略使参数a在算法前期迅速减小，基于非线性变化策略的参数a的公式为：
[0021][0022]式中，j为迭代次数；
[0023]算法设定当A＜1时，鲸鱼选择向着最优个体游动，执行包围猎物的方式；当A≥1时，鲸鱼无法获得有效线索，为获得猎物有效信息，采用的是随机搜索猎物，根据随机选择的鲸鱼位置来更新其他鲸鱼的位置，借此找到一个更合适的猎物，使WOA算法能够进行全局搜索，公式如下：
[0024][0025]式中，为随机选择的鲸鱼位置向量；
[0026]狩猎行为的数学模型如下：
[0027][0028]式中，b为对数螺线状常数，l为(
‑
1，1)中的随机数。
[0029]以概率p来判断鲸鱼的行为，当p<0.5时执行包围收缩方式，应用公式更新位置；当p≥0.5时执行公式的螺旋更新方式；
[0030]训练优化具体步骤如下：
[0031]S41：将海参养殖水域水质数据进行降噪处理，并确定训练集与测试集样本；
[0032]S42：设置GRU循环神经网络隐藏层层数及每层神经元个数、模型训练迭代次数及学习率超参数，构建参数向量w
i
＝{w1,w2,...w
n
}，n为参数个数。
[0033]S43：初始化鲸鱼算法种群规模、最大迭代次数、初始最小权重和最大权重参数，将S42中的参数向量转化为改进后的鲸鱼算法的位置向量；
[0034]S44：以模型预测的输出值与实测值之间的均方误差作为适应度函数，计算每头鲸鱼适应度值并将其作为当前最优位置向量；
[0035]S45：根据改进的寻优策略来迭代更新位置向量，满足最大迭代次数或达到误差精度要求后终止寻优算法，将当前的最优参数赋值给GRU循环神经预测模型，
[0036]S46：应用优化的GRU循环神经网络进行溶解氧、水温、盐度水质指标的预测，并应用评价指标评估预测效果。
[0037]优选的，所述S2具体包括以下步骤：
[0038]S21：利用迭代搜索模型最优解确定模态分量的集合及其各自的中心频率，实现非线性时间序列固有模态分量有效分解，获得包含多个不同频率尺度且相对平稳的子序列；
[0039]S22：利用相对熵对VMD的参数进行寻优，确定分解层数K值和惩罚因子α的最优组合；
[0040]S23：通过计算迭代分解过程中所得的本征模态分量的相对熵，获得相对熵最小值时所对应的K和α的最优解；
[0041]S24：计算VMD分解得到的各本征模态分量与原始溶解氧序列的相关因数，根据相关性分析将本征模态分量分为噪声主导模态和有效信息主导模态，将与原始信号相关因数小于0.5的本征模态分量进行小波阈值降噪处理。
[0042]优选的，所述S46中评价指标采用平均绝对误差MAE、均方误差MSE、平均绝对百分比误差MAPE以及预测数据和决定系数R2作为模型预测性能的评价指标，其中，均方误差MSE和决定系数R2计算公式为：
[0043][0044][0045]与现有技术相比，本专利技术的有益效果是：
[0046]本专利技术应用改进的鲸鱼算法优化GRU神经网络的海参养殖水质预测模型(IWOA
‑
GRU)，为海参生长环境的水质调控提供参考，本模型首先应用变分模态分解(VMD)和小波阈值联合去噪法去除水质时序数据中混杂的噪声，然后，通过优化收敛因子的方式加强鲸鱼算法的收敛速度和全局寻优能力，最后，利用改进鲸鱼算法构建基于最优网络权值和阈值的GRU预测模型，对海参养殖水质进行预测，本模型的预测精度和泛化性能优于其他对比模型。
具体实施方式
[0047]下面将对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0048]本专利技术提供一种技术方案：一种基于鲸鱼算法优化GRU神经网络的海参养殖水质预测方法，使用变分模态分解(VMD)原始时序数据，挖掘原始信号中不同时间尺度的特征信息来实现数据的平稳化；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于鲸鱼算法优化GRU神经网络的海参养殖水质预测方法，其特征在于：包括以下步骤：S1：原始水质数据采集S2：基于VMD数据分解S3：小波阈值降噪选取一个合适的阈值，根据VMD分解后的相关因数低于0.5的本征模态分量采用软硬阈值相结合的小波包去噪算法，小波基选择sym8，分解层数选择3层，阈值函数如下：S4：基于改进的鲸鱼算法对GRU循环神经网络的超参数进行训练优化所述改进的鲸鱼算法通过模拟鲸鱼搜索、包围、捕食三种群体行为来实现全局寻优的目的，鲸鱼向最优位置前进的行为描述为公式：式中，t表示当前迭代次数，A与C分别代表收敛因子和摇摆因子的系数向量，X
*
表示到目前为止获得的最佳解的位置向量；A与C向量的表达式分别为：A与C向量的表达式分别为：A与C向量的表达式分别为：a的初始值为2，随着迭代次数线性递减至0，T
max
表示迭代次数的最大值，r为取值范围在[0，1]的随机向量，C为均匀分布在(0,2)内的随机数；采取非线性变化策略使参数a在算法前期迅速减小，基于非线性变化策略的参数a的公式为：式中，j为迭代次数；算法设定当|A|＜1时，鲸鱼选择向着最优个体游动，执行包围猎物的方式；当|A|≥1时，鲸鱼无法获得有效线索，为获得猎物有效信息，采用的是随机搜索猎物，根据随机选择的鲸鱼位置来更新其他鲸鱼的位置，借此找到一个更合适的猎物，使WOA算法能够进行全局搜索，公式如下：式中，为随机选择的鲸鱼位置向量；狩猎行为的数学模型如下：
式中，b为对数螺线状常数，l为(
‑
1，1)中的随机数。以概率p来判断鲸鱼的行为，当p<0.5时执行包围收缩方式，应用公式更新位置；当p≥0.5时执行公式的螺旋更新方式；训练优化具体步骤如下：S41：将海参养殖水域水质数据进行降噪处理，并确定训练集与测试集样本；S42：设置GR...

【专利技术属性】
技术研发人员：杨焕海，赵伟杰，杨宇芳，
申请(专利权)人：山东工商学院，
类型：发明
国别省市：