水体溶解氧预测方法

1.本发明涉及机器学习技术在水质检测领域的应用，尤其涉及一种水体溶解氧预测方法。


背景技术：

2.溶解氧含量是评价水体质量的重要指标之一，在水产养殖中能反映水质的变化，对水生生物的生长及其产品品质均有重要影响，因此对溶解氧的精准预测显得尤为重要。
3.现有获取水产养殖溶解氧信息的方式普遍采用单一传感器测量，而水环境是一个多因素与多条件影响的复杂系统，易造成数据缺失、无效和可信度低，具有一定的滞后性，难以掌握未来一段短时间内溶解氧的变化情况。随着智能技术在预测模型中兴起，研究人员提出了利用智能模型解决预测溶解氧的建模问题。在解决水体溶解氧浓度预测领域可归纳为经验智能模型以及群集智能组合模型两大类。
4.(1)经验智能模型
5.经验智能方法主要有遗传算法、支持向量机、人工鱼群优化算法、蚁群算法等，与传统预测算法相比，智能方法无需建立复杂的数学表达式，而是直接对数据进行操作，在水体溶解氧预测方面获得一定成效，但存在维数高、隐藏神经元难以确定等缺点。由于支持向量机在小样本及非线性高维问题中具有明显优势，目前被研究人员广泛应用于水质预测的问题中，但其性能优劣很大程度上取决于惩罚因子与核函数宽度的选择。
6.(2)群集智能组合模型
7.相较单一模型的预测能力，组合模型能结合不同方法的优点，挖掘更多有效信息，为提高预测精度提供新方向。在保留支持向量机优点的基础上，目标函数采用拟合误差的二范数，约束条件用等式代替，建立最小二乘支持向量机(lssvm)。虽极大降低了模型计算量，但同样地，存在参数寻优问题。学者们在不断研究lssvm的改进，从而使之更适合实际应用。
8.目前的问题在于，单一的智能预测模型有一定优势，例如支持向量机在预测精度与收敛速度上均有不错表现，但存在模型泛化能力差、易陷入局部最优等常见问题，并且参数的选择并无可靠的理论支撑，无法满足溶解氧预测的更高要求。现通过群集智能组合模型，可以解决参数寻优问题。不同水域的养殖池塘中溶解氧的预测案例表明，模型的精度不仅有所提升，在泛化能力上也有一定的提高。然而上述基于蚁群算法优化最小二乘支持向量机的溶解氧预测方法在耗时上开销大，即使是训练小样本数据时，其结果往往难以满足实际应用需求。


技术实现要素：

9.本发明的目的在于提供一种水体溶解氧预测方法，该溶解氧预测方法在保证预测结果准确的基础上，能够在较短的时间内得出预测结果，从而能够为获取溶解氧浓度过程中节省时间与经济成本。
10.为了实现上述技术目的，本发明采用如下技术方案：
11.一种水体溶解氧预测方法，包括：
12.对预测目标水体进行监测，以获取预测目标水体的常规水质数据样本；
13.对所述常规水质数据样本进行预处理，获得标准水质数据；
14.构建训练溶解氧预测模型，并且，基于标准水质数据来对溶解氧预测模型进行训练，并且，所构建的溶解氧预测模型为基于改进粒子群算法优化的最小二乘支持向量机模型；
15.利用溶解氧预测模型来对水体的溶解氧进行预测。
16.进一步地，对常规水质数据样本进行的预处理包括：
17.剔除水质数据样本中的突变数据；
18.采用多重插补法弥补数据缺失；
19.对数据进行归一化处理；
20.采用主成分分析法与相关性分析来分析数据，确定影响溶解氧浓度的主要参数。
21.进一步地，所述构建训练溶解氧预测模型，其具体实现的方法包括：
22.构建最小二乘支持向量机模型；
23.采用标准水质数据来训练最小二乘支持向量机模型；
24.构建改进粒子群优化算法；
25.用改进粒子群优化算法来优化经过训练的最小二乘支持向量机模型，得到基于改进粒子群算法优化的最小二乘支持向量机模型，将该模型用作溶解氧预测模型。
26.进一步地，所述构建最小二乘支持向量机模型，其具体实现的方法包括：
27.建立非线性映射关系：将原始数据映射到高维空间，转化为线性问题，采用非线性函数，构造出最优决策函数，非线性函数估计建模的形式为
[0028][0029]
式中，ω＝(ω1,ω2,
…
ω
l
)为权重向量；b为偏移量；是由低维到高维的非线性映射函数；符号
·
为点乘运算；
[0030]
优化决策函数：引入松弛变量与正则化参数，建立lssvm优化方程
[0031][0032]
式中，ξ为松弛变量，γ为正则化参数，约束条件中xi与yi分别为模型的输入向量与输出向量；
[0033]
构造拉格朗日函数：引入拉格朗日乘子α＝[α1,α1,
…
α
l
]，写成对应的拉格朗日函数为
[0034][0035]
求解方程：将拉格朗日函数中ω、b、ξ、α一阶偏导设为0，得到问题最优解的条件，解得α与b的值为
[0036][0037]
式中，i＝[1,1,
…
1]
t
，e为l阶单位矩阵，y＝[y1,y2,
…yl
]
t
为输出向量，为核函数；
[0038]
采用高斯径向基函数作为核函数，
[0039]
所述高斯径向基函数为
[0040][0041]
式中，σ为核宽度；
[0042]
得到最小二乘支持向量机模型：将决策函数转化为
[0043][0044]
最小二乘支持向量机模型构建完成。
[0045]
进一步地，在采用标准水质数据来训练最小二乘支持向量机模型时，将标准水质数据划分为训练集和测试集，所述训练集用于训练最小二乘支持向量机模型，所述测试集用于测试最小二乘支持向量机模型的训练效果。
[0046]
进一步地，所述构建改进粒子群优化算法，其具体实现的方法包括：
[0047]
基本参数设置：随机初始化种群的速度与位置、初始化全局最优解与局部最优解、设置种群规模、迭代次数、边界条件；
[0048]
计算粒子群中所有粒子的适应度：根据个体得到的参数，用训练数据对最小二乘支持向量机模型进行训练，得到预测输出与期望输出，适应度值的计算公式为
[0049][0050]
式中，n为样本数，yi为真实值，为预测输出；
[0051]
根据适应度的计算公式，更新粒子群中每个个体的速度与位置：粒子群中每一个粒子xi＝(x
i1
,x
i2
,
…
,x
in
)的迁移过程由vi＝(v
i1
,v
i2
,
…
,v
in
)与pbesti＝(pbest
i1
,pbest
i2
,
…
,pbest
in
)两个变量表示，其中xi为第i个粒子的n维位置向量，vi为粒子i的飞行速度，pbesti为粒子i此刻搜索到的最优位置；
[0052]
粒子群迁移的过程根据适应度值进行更新，速度与位置根据公式
[0053]vij
(t+1)＝v
ij
(t)+c1r
1j
(t)[pbest
ij
(t)-x
ij
(t)]+c2r
2j
(t)[gbestj(t)-x
ij
(t)]
[0054]
x
ij
(t+1)＝x
ij
(t)+v
ij
(t+1)
[0055]
来进行更新，式中，j表示粒子的第j维；t为迭代次数；gbesti为搜索到整个粒子群的最优位置；c1与c2为学习因子，c1调节粒子向自身最好位置运动的步长，c2调节粒子向全局最好位置运动的步长，r1与r2为[0,1]中的随机数，用于保持群体的多样性；
[0056]
改进算法，构造改进的粒子群算法：给出带有收敛因子的粒子群算法，粒子速度公式改进为
[0057]vij
(t+1)＝χ[v
ij
(t)+c1r
1j
(t)[pbest
ij
(t)-x
ij
(t)]+c2r
2j
(t)[gbestj(t)-x
ij
(t)]]
[0058]
其中，为收敛因子，φ＝c1+c2＞4；
[0059]
判断改进后的算法结果是否能满足粒子的适应度：当个体适应度小于目标适应度或迭代次数达到最大值时，即为满足退出循环条件，则退出循环，输出全局的参数最优组合，否则继续执行循环体，直到满足结束条件。
[0060]
本发明的溶解氧预测方法，其中所构建的溶解氧预测模型为基于改进粒子群算法优化的最小二乘支持向量机模型，由于粒子群算法是一种原理简单的启发式算法，相较其他仿生类算法，迭代周期时间短，所需代码与参数少，这样一来，相较于传统算法而言(诸如蚁群优化算法)，算法实施的耗时则明显减少。本发明要解决的预测溶解氧的问题中，面对小样本数据更具针对性，能表现出明显优势。
[0061]
本发明的溶解氧预测方法相对现有技术，其有益效果在于：采用本发明的溶解氧预测方法来预测溶解氧，在保证预测结果准确的基础上，能够在较短的时间内得出预测结果，从而能够为获取溶解氧浓度过程中节省时间与经济成本。
附图说明
[0062]
图1为本发明的水体溶解氧预测方法的具体实施流程图；
[0063]
图2为本发明的溶解氧预测方法中采用的改进粒子群算法流程图；
[0064]
图3为本发明的溶解氧预测方法中采用的改进粒子群算法的适应度曲线示意图；
[0065]
图4为本发明的溶解氧预测方法之ipso-lssvm预测溶解氧的结果示意图。
具体实施方式
[0066]
下面用具体实施例对本发明做进一步说明：
[0067]
本实施方式提供了一种水体溶解氧预测方法，该溶解氧预测方法能够在较短的时间内得出预测结果。
[0068]
参见图1，图1中示出的是本实施方式的溶解氧预测方法的具体实施流程。
[0069]
本实施方式的溶解氧预测方法具体包括步骤s1至s4。
[0070]
s1，对于预测目标水体，设置水质监测仪器设备，利用该设备对预测目标水体进行实时监测，以获取预测目标水体的常规水质数据样本。
[0071]
所述水质数据样本包括有水温、ph值、高锰酸钾、氨氮、总磷、总氮、电导率、浊度、溶解氧9项数据。
[0072]
具体来说，
[0073]
选取需要预测的水产品养殖水体，布置一套水质监测仪器设备，用于获取水质常规参数。在选定的养殖池塘试验区中，采用搭载有溶解氧传感器、ph传感器、温度传感器等的水产养殖专门环境监控设备，传感器均置于水下1.0m处。实验采用的传感器可获得水温、ph、高锰酸钾、氨氮、总磷、总氮、电导率、浊度、溶解氧9个参数，采集间隔为1h。
[0074]
s2，对于步骤s1所获取的水质数据样本，采用现有技术的数据清理方式来剔除其中的突变数据，并用“多重插补法”弥补数据缺失，之后，对数据进行“归一化处理”，之后，使用主成分分析法与相关性分析来分析数据，以确定影响溶解氧浓度的主要参数，经过上述预处理之后得出的水质数据称其为标准水质数据。
[0075]
具体来说，
[0076]
使用获取到的水质数据样本作为原始数据集，将步骤s1中采集到的不同参数通过数据清理剔除样本中的突变数据，并用多重插补法弥补数据缺失，之后进行归一化处理。使用主成分分析法与相关性分析，通过得出各参数与溶解氧浓度的相关性系数，确定影响溶解氧浓度的主要参数。通过上述数据预处理步骤，获得标准的水质数据。归一化处理的公式为
[0077][0078]
式中，xi为原始数据，xi为归一化后数据，x
max
和x
min
分别为数据集中的最大值与最小值。
[0079]
针对由于天气变化或传感器接受异常而产生的异常突变值，利用箱式图可以明显识别。将异常值看作缺失值做同样处理，利用spss软件中的插值功能，对缺失值进行多重插补法补齐。对于选取水质指标中影响溶解氧因素的特征选择方法没有具体定义，且输入模型的变量参数个数是影响预测结果的关键因素。利用一种基于降维的多元统计分析的主成分分析法，应用到本方法的确定变量特征维数上。随后用计算各参数间的皮尔森相关系数，判断各因子之间的相关程度，从而最终得到标准的预测溶解氧样本集，即，标准水质数据。
[0080]
s3，构建训练一个用于预测水体中溶解氧含量的模型，该构建的模型称其为“溶解氧预测模型”，并且，基于步骤s2得出的标准水质数据来对溶解氧预测模型进行训练。
[0081]
需要说明的是，所述“溶解氧预测模型”实质是一个基于神经网络模型原理的机器学习模型，尤其是基于改进粒子群算法优化的最小二乘支持向量机模型，即，利用粒子群算法优化最小二乘支持向量机模型中的重要参数，尤其是改进了粒子群算法，将改进的粒子群算法与最小二乘支持向量机融合，这是本实施方式的溶解氧预测方法解决预测溶解氧问题的重要创新之处。
[0082]
该溶解氧预测模型的具体构建方法包括如下步骤s31至s33。
[0083]
s31，构建一个最小二乘支持向量机模型(lssvm)，其中包括步骤s311至s315。
[0084]
s311，建立非线性映射关系。
[0085]
具体来说，就是将原始数据x映射到高维空间，转化为线性问题，采用非线性函数，构造出最优决策函数，非线性函数估计建模的形式为
[0086][0087]
式中，ω＝(ω1,ω2,
…
ω
l
)为权重向量；b为偏移量；是由低维到高维的非线性映射函数；符号
·
为点乘运算。
[0088]
s312，优化决策函数。
[0089]
具体来说，就是引入松弛变量与正则化参数，建立lssvm优化方程：
[0090][0091]
式中，ξ为松弛变量，进行柔性分割；γ为正则化参数，控制对误差的惩罚程度。二者都用于提高模型灵活性；约束条件中xi与yi分别为模型的输入向量与输出向量。
[0092]
步骤s312的实施是基于结构化风险最小化原则，评估问题被描述为优化问题。
[0093]
s313，构造拉格朗日函数，以解决优化问题。
[0094]
具体来说，为了求解步骤s312中建立的lssvm优化方程的约束条件的优化，引入拉格朗日乘子α＝[α1,α1,
…
α
l
]，写成对应的拉格朗日函数为：
[0095][0096]
s314，求解方程，得到问题最优解的条件。
[0097]
具体来说，通过将步骤s313中拉格朗日函数中ω、b、ξ、α一阶偏导设为0，可以得到问题最优解的条件，解得α与b的值为：
[0098][0099]
式中i＝[1,1,
…
1]
t
，e为l阶单位矩阵，y＝[y1,y2,
…yl
]
t
为输出向量，为核函数。
[0100]
不同的核函数对模型的性能存在一定影响，因此在本实施方式中，采用在实际中应用广泛的高斯径向基(rbf)函数作为核函数，巧妙避免了向量映射的复杂问题，高斯径向基(rbf)函数为
[0101][0102]
式中，σ为核宽度，其决定了映射的复杂程度。
[0103]
s315，得到最小二乘支持向量机模型。
[0104]
具体来说，通过步骤s312、s313、s314，最终将步骤s311中构造的决策函数转化为
[0105][0106]
即最小二乘支持向量机模型构建完成。
[0107]
由于参数的选择直接影响了模型的拟合精度与泛化能力，为了确定最小二乘支持向量机模型中如下参数：正则化参数γ、核函数的核宽度σ，选用改进粒子群算法(ipso)作为最优参数的全局搜索算法，如图2所示，其具体的实现方法如下。
[0108]
s32，构建改进粒子群优化算法，其构建的方法包括步骤s321至s325。
[0109]
s321，基本参数设置。
[0110]
具体来说，粒子群算法首先需要初始化参数，包括：随机初始化种群的速度与位置、初始化全局最优解与局部最优解、设置种群规模、迭代次数、边界条件。
[0111]
s322，计算粒子群中所有粒子的适应度。
[0112]
具体来说，
[0113]
适应度函数用来评价当前点的优劣位置，即所优化参数的优劣，根据个体得到的参数，用训练数据对lssvm进行训练，得到预测输出与期望输出，适应度值的计算公式为
[0114][0115]
式中，n为样本数，yi为真实值，为预测输出。
[0116]
s323，根据步骤s322中适应度的计算公式，更新粒子群中每个个体的速度与位置。
[0117]
具体来说，粒子群中每一个粒子xi＝(x
i1
,x
i2
,
…
,x
in
)的迁移过程由vi＝(v
i1
,v
i2
,
…
,v
in
)与pbesti＝(pbest
i1
,pbest
i2
,
…
,pbest
in
)两个变量表示，其中xi为第i个粒子的n维位置向量，vi为粒子i的飞行速度，pbesti为粒子i此刻搜索到的最优位置。
[0118]
粒子群迁移的过程根据适应度值进行更新，速度与位置根据公式
[0119]vij
(t+1)＝v
ij
(t)+c1r
1j
(t)[pbest
ij
(t)-x
ij
(t)]+c2r
2j
(t)[gbestj(t)-x
ij
(t)]
[0120]
x
ij
(t+1)＝x
ij
(t)+v
ij
(t+1)
[0121]
来进行更新，式中，j表示粒子的第j维；t为迭代次数；gbesti为搜索到整个粒子群的最优位置；c1与c2为学习因子，c1调节粒子向自身最好位置运动的步长，c2调节粒子向全局最好位置运动的步长，适当调整可以避免模型陷入局部最小值，增加收敛速度；r1与r2为[0,1]中的随机数，用于保持群体的多样性。
[0122]
s324，改进步骤2.3中的算法，构造改进的粒子群算法。
[0123]
具体来说，在优化过程中，粒子群算法仍存在一定的局限性，迭代后期易陷入局部最优与丢失种群多样性。为克服粒子群算法的局限又不失其优点，给出一种带有收敛因子的粒子群算法(改进粒子群算法)。此时，步骤s323中的粒子速度公式改进为
[0124]vij
(t+1)＝χ[v
ij
(t)+c1r
1j
(t)[pbest
ij
(t)-x
ij
(t)]+c2r
2j
(t)[gbestj(t)-x
ij
(t)]]
[0125]
其中，为收敛因子，φ＝c1+c2＞4。
[0126]
实验表明，增加收敛因子的粒子群算法比修改权重的粒子群算法具有更出色的表现。
[0127]
s325，判断步骤s325中改进后的算法结果是否能满足步骤s322中粒子的适应度，即算法的约束条件。
[0128]
具体来说，
[0129]
当个体适应度小于目标适应度或迭代次数达到最大值时，即为满足退出循环条件，则退出循环，输出全局的参数最优组合(gbest)。否则继续执行循环体，直到满足结束条件。
[0130]
至此，得到改进的粒子群优化算法模型，输出的全局的参数最优组合即为全局最优值。
[0131]
s33，用步骤s32构建的改进粒子群优化算法优化步骤s31所述最小二乘支持向量机模型，最终得到基于改进粒子群算法优化的最小二乘支持向量机模型，将其用作“溶解氧预测模型”。
[0132]
其中包括：
[0133]
s331，对步骤s31、s32所构建的两个模型的参数进行初始化。
[0134]
s332，采用步骤s2得出的标准水质数据来训练最小二乘支持向量机模型。
[0135]
具体来说，
[0136]
将步骤s2得出的标准水质数据分为训练集与测试集，划分的比例7:3，训练集所占的比例为7分，测试集所占的比例为3分。
[0137]
用训练集中的数据对最小二乘支持向量机模型进行训练，可得到最小二乘支持向量机模型中的关键参数：正则化参数γ、核函数的核宽度σ。
[0138]
s333，用步骤s32构建的改进粒子群优化算法优化步骤s333中的参数，得到全局最优值。
[0139]
根据步骤s32中的方法输出适用于本数据样本的最优参数组合(γ,σ)。
[0140]
经过步骤s31至s33后，最终得到基于改进粒子群算法优化的最小二乘支持向量机模型，将其用作“溶解氧预测模型”。
[0141]
在完成溶解氧预测模型的构建后，可采用测试集数据来测试模型预测数据的准确度。
[0142]
在本实施方式中，利用处理与选择后的数据包含432条样本，读取数据以7:3划分，前70％(302条)的数据构成训练集，剩余30％(130条)的数据构成测试集，此时样本总数n为432。初始化ipso与lssvm模型参数。设定粒子群种群数目为10，迭代次数为50，学习因子c1＝2.5，c2＝2.0，满足收敛因子大于4；随机初始化种群，且限定位置和速度服从正态分布；正则化参数与核宽度均限定为[10,1000]，核函数为rbf；计算粒子群中所有粒子适应度值，ipso算法更新pbest与gbest以及位置与速度。判断适应度值是否最优，即值越小越佳。若满足，则输出最优的参数组合，若不满足，继续判断速度与位置是否停滞。停滞则重新计算适应度，反则更新最优值。利用ipso算法优化lssvm得到全局最优值，正则化参数最佳优化值γ
best
为9.408e+2，核函数宽度最佳优化值σ
best
为10.8005。
[0143]
代入lssvm模型中，建立ipso-lssvm溶解氧预测模型。利用测试集验证模型，得到预测结果，并用模型评价指标评估其性能。采用平均绝对误差(mae)、均方根误差(rmse)、平均绝对百分比误差(mape)与相关性系数(r2)四个指标对模型进行评价。
[0144]
s4，利用步骤s3中得到的溶解氧预测模型来对水体的溶解氧进行预测。
[0145]
具体来说，将水体的水质数据输入到溶解氧预测模型中，然后，溶解氧预测模型依据水质数据就可输出未来水体中溶解氧含量的预测结果。
[0146]
实验结果采用平均绝对误差(mae)、均方根误差(rmse)、平均绝对百分比误差(mape)与相关性系数(r2)四个指标对模型进行评价，表达式如下：
[0147][0148][0149]
[0150][0151]
其中n为数据样本个数，为建模预测值，yi为数据真实值，为数据平均值。mae、rmse、mape越小，反映模型的准确度越高。r2指数越接近1说明模型稳定性越强。
[0152]
本实施方式的溶解氧预测方法，其中所构建的溶解氧预测模型为基于改进粒子群算法优化的最小二乘支持向量机模型，由于粒子群算法是一种原理简单的启发式算法，相较其他仿生类算法，迭代周期时间短，所需代码与参数少，这样一来，相较于传统算法而言(诸如蚁群优化算法)，算法实施的耗时则明显减少。本实施方式的溶解氧预测方法，其要解决的预测溶解氧的问题中，面对小样本数据更具针对性，能表现出明显优势。
[0153]
在本实施方式的溶解氧预测方法中，改进的粒子群优化算法为全局搜索算法，这样一来，可解决最小二乘支持向量机中因参数不合适而导致的陷入局部最优问题，并且相较其他优化算法，有更高的效率，在解决小样本问题中有明显优势，从而实现预测水体中溶解氧浓度的良好效果。
[0154]
在本实施方式的溶解氧预测方法中，改进的粒子群优化算法所受具体实际问题的维数影响小，改进的粒子群优化算法与最小二乘支持向量机的融合，能够为后续的回归预测算法研究及实际工程应用提供新思路。
[0155]
以某养殖区域湖试验区域为例，养殖水深为2.0米，溶解氧等传感器均置于水下1.0米处，利用一种基于物联网的浮标水质远程监测系统，采集从2022年9月16日—2022年10月7日的记录，选取时间间隔为1h的数据共432条记录，包括水温、ph、高锰酸钾、氨氮、总磷、总氮、电导率、浊度、溶解氧9个参数。
[0156]
采用本实施方式的溶解氧预测方法来对湖水中的溶解氧进行预测，得到最终结果。适应度结果如图3所示，曲线呈下降状态，且收敛速度快，最终以一个最小值保持稳定。最终结果如图4所示，测试集样本的真实值与预测值呈现出相同的变化趋势，且能准确预测。与bp神经网络、svm、lssvm与pso-lssvm模型对比的结果如表1所示，从表中可知，采用pca特征选择的模型性能均高于未采用，且svm性能在误差与时长上均明显优于bp网络，验证了svm适用于小样本的特点。除此之外，本实施方式的方法的误差均低于所对比预测模型的误差，体现出最优性能。说明该组合模型在预测精度上的可靠性，从而证明本实施方式的溶解氧预测方法是有效的，为获取溶解氧浓度过程中节省时间与经济成本。
[0157]
表1：不同模型性能评价
[0158][0159]
表1中，
[0160]
bp：表示反向传播神经网络，
[0161]
svm：表示支持向量机，
[0162]
lssvm：表示最小二乘支持向量机，
[0163]
pso-lssvm：表示粒子群算法优化的最小二乘支持向量机，
[0164]
ipso-lssvm：表示改进粒子群算法优化的最小二乘支持向量机，
[0165]
pca-bp：表示经主成分分析后的反向传播神经网络，
[0166]
pca-svm：表示经主成分分析后的支持向量机，
[0167]
pca-lssvm：表示经主成分分析后的最小二乘支持向量机，
[0168]
pca-pso-lssvm：表示经主成分分析后的粒子群算法优化的最小二乘支持向量机，
[0169]
pca-ipso-lssvm：表示经主成分分析后的改进粒子群算法优化的最小二乘支持向量机。
[0170]
以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，因此，凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种水体溶解氧预测方法，其特征在于：包括：对预测目标水体进行监测，以获取预测目标水体的常规水质数据样本；对所述常规水质数据样本进行预处理，获得标准水质数据；构建训练溶解氧预测模型，并且，基于标准水质数据来对溶解氧预测模型进行训练，并且，所构建的溶解氧预测模型为基于改进粒子群算法优化的最小二乘支持向量机模型；利用溶解氧预测模型来对水体的溶解氧进行预测。2.根据权利要求1所述水体溶解氧预测方法，其特征在于：对常规水质数据样本进行的预处理包括：剔除水质数据样本中的突变数据；采用多重插补法弥补数据缺失；对数据进行归一化处理；采用主成分分析法与相关性分析来分析数据，确定影响溶解氧浓度的主要参数。3.根据权利要求1所述水体溶解氧预测方法，其特征在于：所述构建训练溶解氧预测模型，其具体实现的方法包括：构建最小二乘支持向量机模型；采用标准水质数据来训练最小二乘支持向量机模型；构建改进粒子群优化算法；用改进粒子群优化算法来优化经过训练的最小二乘支持向量机模型，得到基于改进粒子群算法优化的最小二乘支持向量机模型，将该模型用作溶解氧预测模型。4.根据权利要求3所述水体溶解氧预测方法，其特征在于：所述构建最小二乘支持向量机模型，其具体实现的方法包括：建立非线性映射关系：将原始数据映射到高维空间，转化为线性问题，采用非线性函数，构造出最优决策函数，非线性函数估计建模的形式为式中，ω＝(ω1,ω2,
…
ω
l
)为权重向量；b为偏移量；是由低维到高维的非线性映射函数；符号
·
为点乘运算；优化决策函数：引入松弛变量与正则化参数，建立lssvm优化方程式中，ξ为松弛变量，γ为正则化参数，约束条件中x
i
与y
i
分别为模型的输入向量与输出向量；构造拉格朗日函数：引入拉格朗日乘子α＝[α1,α1,
…
α
l
]，写成对应的拉格朗日函数为求解方程：将拉格朗日函数中ω、b、ξ、α一阶偏导设为0，得到问题最优解的条件，解得α与b的值为
式中，i＝[1,1,
…
1]
t
，e为l阶单位矩阵，y＝[y1,y2,
…
y
l
]
t
为输出向量，为核函数；采用高斯径向基函数作为核函数，所述高斯径向基函数为式中，σ为核宽度；得到最小二乘支持向量机模型：将决策函数转化为最小二乘支持向量机模型构建完成。5.根据权利要求4所述水体溶解氧预测方法，其特征在于：在采用标准水质数据来训练最小二乘支持向量机模型时，将标准水质数据划分为训练集和测试集，所述训练集用于训练最小二乘支持向量机模型，所述测试集用于测试最小二乘支持向量机模型的训练效果。6.根据权利要求5所述水体溶解氧预测方法，其特征在于：所述构建改进粒子群优化算法，其具体实现的方法包括：基本参数设置：随机初始化种群的速度与位置、初始化全局最优解与局部最优解、设置种群规模、迭代次数、边界条件；计算粒子群中所有粒子的适应度：根据个体得到的参数，用训练数据对最小二乘支持向量机模型进行训练，得到预测输出与期望输出，适应度值的计算公式为式中，n为样本数，y
i
为真实值，为预测输出；根据适应度的计算公式，更新粒子群中每个个体的速度与位置：粒子群中每一个粒子x
i
＝(x
i1
,x
i2
,
…
,x
in
)的迁移过程由v
i
＝(v
i1
,v
i2
,
…
,v
in
)与pbest
i
＝(pbest
i1
,pbest
i2
,
…
,pbest
in
)两个变量表示，其中x
i
为第i个粒子的n维位置向量，v
i
为粒子i的飞行速度，pbest
i
为粒子i此刻搜索到的最优位置；粒子群迁移的过程根据适应度值进行更新，速度与位置根据公式v
ij
(t+1)＝v
ij
(t)+c1r
1j
(t)[pbest
ij
(t)-x
ij
(t)]+c2r
2j
(t)[gbest
j
(t)-x
ij
(t)]x
ij
(t+1)＝x
ij
(t)+v
ij
(t+1)来进行更新，式中，j表示粒子的第j维；t为迭代次数；gbest
i
为搜索到整个粒子群的最优位置；c1与c2为学习因子，c1调节粒子向自身最好位置运动的步长，c2调节粒子向全局最
好位置运动的步长，r1与r2为[0,1]中的随机数，用于保持群体的多样性；改进算法，构造改进的粒子群算法：给出带有收敛因子的粒子群算法，粒子速度公式改进为v
ij
(t+1)＝χ[v
ij
(t)+c1r
1j
(t)[pbest
ij
(t)-x
ij
(t)]+c2r
2j
(t)[gbest
j
(t)-x
ij
(t)]]其中，为收敛因子，φ＝c1+c2＞4；判断改进后的算法结果是否能满足粒子的适应度：当个体适应度小于目标适应度或迭代次数达到最大值时，即为满足退出循环条件，则退出循环，输出全局的参数最优组合，否则继续执行循环体，直到满足结束条件。

技术总结
本发明公开了一种水体溶解氧预测方法。该溶解氧预测方法中包括：对预测目标水体进行监测，以获取预测目标水体的常规水质数据样本；对所述常规水质数据样本进行预处理，获得标准水质数据；构建训练溶解氧预测模型，并且，基于标准水质数据来对溶解氧预测模型进行训练，并且，所构建的溶解氧预测模型为基于改进粒子群算法优化的最小二乘支持向量机模型；利用溶解氧预测模型来对水体的溶解氧进行预测。采用本发明的溶解氧预测方法来预测溶解氧，在保证预测结果准确的基础上，能够在较短的时间内得出预测结果，从而能够为获取溶解氧浓度过程中节省时间与经济成本。省时间与经济成本。省时间与经济成本。


技术研发人员：李永国 李祥燕 徐彩银 汤璇
受保护的技术使用者：上海海洋大学
技术研发日：2023.07.18
技术公布日：2023/10/19