一种亚硝态氮浓度软测量预测方法技术

本发明专利技术公开一种亚硝态氮浓度软测量预测方法，采集养殖水厂数据，运用主成分析法对数据进行辅助变量的选取，获得温度、pH、溶解氧、氧化还原电位这4个影响亚硝态氮浓度的辅助变量，同时测定水体中亚硝态氮的浓度，对数据进行预处理，建立基于ELM亚硝态氮的浓度软测量预测模型；采用拉丁超立方抽样对SSA种群进行初始化操作，在樽海鞘领导者位置更新中引入Logistic映射与非线性动态权重策略；在追随者位置更新中，引入引力搜索策略，得到LGSSA；使用LGSSA对ELM极限学习机进行参数优化，获得最佳参数，并将最优参数和测试数据样本输入到ELM预测模型中得到预测结果。与现有技术相比，本发明专利技术能够有效地预测水体亚硝态氮浓度，提高软测量预测模型精度。软测量预测模型精度。软测量预测模型精度。

【技术实现步骤摘要】
一种亚硝态氮浓度软测量预测方法


[0001]本专利技术涉及水体亚硝态氮浓度软测量预测领域，尤其涉及一种亚硝态氮浓度软测量预测方法。

技术介绍

[0002]随着水产养殖业规模的扩大，水产养殖水体污染问题变得愈加严重，各种动物的排泄物，企业的废水排放都是养殖水体污染的主要来源。因此实时并准确掌握水体中氨态氮以及亚硝态氮的含量变化及其变化趋势对高效养殖具有重要意义。目前测定水体中亚硝态氮浓度的方法有分光光度法、光谱法以及电极法，其中分光光度法操作繁琐，且数据存在一定的滞后，难以获得实时的浓度变化。基于电极法和光谱法设计的亚硝态氮传感器价格昂贵，难以大规模推广，而随着深度学习的快速发展为解决这种复杂的多变量非线性问题提供了新思路。
[0003]极限学习机(ELM)用来训练单隐藏层前馈神经网络(SLFN)与传统的SLFN训练算法不同，极限学习机随机选取输入层权重和隐藏层偏置，输出层权重通过最小化由训练误差项和输出层权重范数的正则项构成的损失函数，依据Moore
‑
Penrose(MP)广义逆矩阵理论计算解析求出。但是，ELM算法存在学习速度缓慢，计算时间代价大，容易陷入局部最小值。因此，寻求更高效的优化算法是提高神经网络预测精度的关键步骤之一。

技术实现思路

[0004]专利技术目的：针对现有技术存在的问题，本专利技术提供一种亚硝态氮浓度软测量预测方法，能提高水体亚硝态氮浓度预测精度。
[0005]技术方案：本专利技术提出一种亚硝态氮浓度软测量预测方法，包括以下步骤：
[0006]步骤1：采集养殖水厂数据，运用主成分析法对数据进行辅助变量的选取；
[0007]步骤2：获取分析后的变量数据和水体中亚硝态氮的浓度，重组数据集，并对数据进行预处理，建立ELM亚硝态氮浓度预测模型；
[0008]步骤3：对樽海鞘算法SSA进行改进，采用拉丁超立方抽样对SSA种群进行初始化操作；
[0009]步骤4：在樽海鞘领导者位置更新中引入Logistic映射与非线性动态权重策略增强算法搜索能力；在追随者位置更新中，通过引力搜索策略，由原始的单一个体引导改进为多个个体协同引导，改善原始SSA算法单一的邻域拓扑结构，得到LGSSA；
[0010]步骤5：利用LGSSA优化ELM的参数，获得最优参数；
[0011]步骤6：将获得的最优参数和测试数据样本输入到ELM预测模型中得到预测结果。
[0012]进一步地，所述步骤1中养殖水厂数据采集方法为：利用传感器模块进行数据采集，所述传感器模块包括温度传感器、pH传感器、DO电极、氧化还原电位检测套头以及总氮fTN)测定仪，pH传感器采用pH检测探头，使用电位分析法测量水体的酸度；DO电极测量水体的溶解氧浓度；氧化还原电位检测套头检测氧化还原电位；辅助变量选择为：温度、pH、溶解
氧、氧化还原电位；总氮fTN)测定仪在线测量水体中亚硝态氮的浓度。
[0013]进一步地，所述步骤3中采用拉丁超立方抽样对SSA进行改进包括：
[0014]步骤3
‑
1：将每一维分成的m个长度相同的区间，使得每个区间有相同的概率；
[0015]步骤3
‑
2：从步骤3
‑
1每一维所分成m个区间中的每一个区间里随机抽取一个点；
[0016]步骤3
‑
3：再将步骤3
‑
2中从每一维里的每一个区间随机抽取的点组成向量。
[0017]进一步地，所述步骤4中在樽海鞘领导者位置更新中引入Logistic映射与非线性动态权重策略增强算法搜索能力具体包括：
[0018]1)利用Losgitic混沌映射生成混沌序列，形式化为：
[0019]Ch(t+1)＝β
×
Ch(t)
×
(1
‑
Ch(t))
[0020]其中，Ch即为生成的[0，1]间的混沌值，迭代初始时的混沌初值Ch0在每次独立运行过程中随机生成，但不可取值为0、0.25、0.5、0.75和1，这是由Losgitic混沌映射的非周期性决定的；β是控制参数，用于控制混沌值的行为；当β＜3时，混沌值Ch始终收敛在单量上，当β＝3时，混沌值Ch开始在两个取值间振荡，这一特征行为改变称为分歧点，当3＜β＜4时，混沌值Ch表现出混沌特性，迭代产生类随机分布状态的混沌序列，当β越趋近于4时，混沌特性越明显；
[0021]2)在领导者更新公式中引入非线性动态权重策略，动态权重可以描述为：
[0022][0023]其中，w
max
为权值的最大值，w
min
为权值的最小值；
[0024]3)基于Losgitic映射与非线性动态权重策略的领导者位置更新方式如下：
[0025][0026]其中，为第d维链中的第一个位置，F
d
为第d维食物位置，ub
d
为搜索空间的上界，lb
d
为搜索空间的下界，w为非线性动态权重，Ch为生成混沌序列，c3是0到1之间的任意数。
[0027]进一步地，所述步骤4中在追随者位置更新中，通过引力搜索策略，改善原始SSA算法单一的邻域拓扑结构具体为：
[0028]1)假设樽海鞘群是按照质量的大小形成链状结构，质量最大的樽海鞘个体具有最小的适应度，并且被认为是群体中的领导者，质量越大的樽海鞘个体对周围的其他个体的吸引力越大，距离越近的两个个体之间的引力也越大，在第t代，将个体j在d维上作用在个体i上的引力定义如下：
[0029][0030]其中，和分别为樽海鞘个体i和j的惯性质量，质量的值使用适应度值计算，为两个樽海鞘个体i和j之间的欧几里得距离，G为在第t代的引力常数，质量的值及引力常数计算如下：
[0031][0032][0033][0034]其中，T为最大迭代次数；为第t代中樽海鞘个体i的适应度值；δ为衰减系数，初始引力常数G0取值为100时使得算法的寻优能力更稳定；
[0035]2)樽海鞘个体根据其质量的大小，会受到比自身质量更大的所有个体的引力作用，其位置更新受樽海鞘群中的多个个体的引导，在维度d中，樽海鞘个体i的总力是比其质量更大的个体施加的力的合力，因此，对于跟随者樽海鞘(i≥2)，其合力可以通过如下公式计算：
[0036][0037]其中，rand
j
为区间[0，1]之间的随机数；应该注意的是，如果j等于i，则吸引力被设置为零，以避免选择当前个体本身；
[0038]3)根据牛顿第二定律，在t代，第i只樽海鞘在d维上的加速度公式、对于跟随者樽海鞘(i≥2)，其速度和位置更新方式下所示：
[0039][0040][0041][0042]其中，rand
i
为区间[0，1]中的均匀随机变量。
[0043]进一步地，所述步骤5具体包括：
[0044]步骤5
‑
1：初始化本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种亚硝态氮浓度软测量预测方法，其特征在于，包括以下步骤：步骤1：采集养殖水厂数据，运用主成分析法对数据进行辅助变量的选取，所述辅助变量包括温度、pH、溶解氧、氧化还原电位；步骤2：获取分析后的变量数据和水体中亚硝态氮的浓度，重组数据集，并对数据进行预处理，建立ELM亚硝态氮浓度预测模型；步骤3：对樽海鞘算法SSA进行改进，采用拉丁超立方抽样对SSA种群进行初始化操作；步骤4：在樽海鞘领导者位置更新中引入Logistic映射与非线性动态权重策略增强算法搜索能力；在追随者位置更新中，通过引力搜索策略，由原始的单一个体引导改进为多个个体协同引导，改善原始SSA算法单一的邻域拓扑结构，得到LGSSA；步骤5：利用LGSSA优化ELM的参数，获得最优参数；步骤6：将获得的最优参数和测试数据样本输入到ELM预测模型中得到预测结果。2.根据权利要求1所述的一种亚硝态氮浓度软测量预测方法，其特征在于，所述步骤1中养殖水厂数据采集方法为：利用传感器模块进行数据采集，所述传感器模块包括温度传感器、pH传感器、DO电极、氧化还原电位检测套头以及总氮(TN)测定仪，pH传感器采用pH检测探头，使用电位分析法测量水体的酸度；DO电极测量水体的溶解氧浓度；氧化还原电位检测套头检测氧化还原电位；辅助变量选择为：温度、pH、溶解氧、氧化还原电位；总氮(TN)测定仪在线测量水体中亚硝态氮的浓度。3.根据权利要求1所述的一种亚硝态氮浓度软测量预测方法，其特征在于，所述步骤3中采用拉丁超立方抽样对SSA进行改进包括：步骤3
‑
1：将每一维分成的m个长度相同的区间，使得每个区间有相同的概率；步骤3
‑
2：从步骤3
‑
1每一维所分成m个区间中的每一个区间里随机抽取一个点；步骤3
‑
3：再将步骤3
‑
2中从每一维里的每一个区间随机抽取的点组成向量。4.根据权利要求1所述的一种亚硝态氮浓度软测量预测方法，其特征在于，所述步骤4中在樽海鞘领导者位置更新中引入Logistic映射与非线性动态权重策略增强算法搜索能力具体包括：1)利用Losgitic混沌映射生成混沌序列，形式化为：Ch(t+1)＝β
×
Ch(f)
×
(1
‑
Ch(f))其中，Ch即为生成的[0，1]间的混沌值，迭代初始时的混沌初值Ch0在每次独立运行过程中随机生成，但不可取值为0、0.25、0.5、0.75和1，这是由Losgitic混沌映射的非周期性决定的；β是控制参数，用于控制混沌值的行为；当β＜3时，混沌值Ch始终收敛在单量上，当β＝3时，混沌值Ch开始在两个取值间振荡，这一特征行为改变称为分歧点，当3＜β＜4时，混沌值Ch表现出混沌特性，迭代产生类随机分布状态的混沌序列，当β越趋近于4时，混沌特性越明显；2)在领导者更新公式中引入非线性动态权重策略，动态权重可以描述为：其中，w
max
为权值的最大值，w
min
为权值的最小值；3)基于Losgitic映射与非线性动态权重策略的领导者位置更新方式如下：
其中，为第d维链中的第一个位置，F
d
为第d维食物位置，ub
d
为搜索空间的上界，lb
d
为搜索空间的下界，w为非线性动态权重，Ch为生成混沌序列，c3是0到1之间的任意数。5.根据权利要求1所述的一种亚硝态氮浓度软测量预测方法，其特征在于，所述步骤4中在追随者位置更新中，通过引力搜索策略，改善原始SSA算法单一的...

【专利技术属性】
技术研发人员：刘康，张楚，彭甜，纪捷，伏咏妍，陶孜菡，李正波，熊金琳，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：