养殖池塘中溶氧(DO)与鱼、蟹等水产品的生长有着十分密切的关系。为了提高DO的预测精度和有效性,提出了一种基于经验模态分解(EMD)和自适应扰动粒子群优化最小二乘支持向量机(LSSVM)的组合预测模型。首先将DO时间序列通过EMD分解成若干...养殖池塘中溶氧(DO)与鱼、蟹等水产品的生长有着十分密切的关系。为了提高DO的预测精度和有效性,提出了一种基于经验模态分解(EMD)和自适应扰动粒子群优化最小二乘支持向量机(LSSVM)的组合预测模型。首先将DO时间序列通过EMD分解成若干分量,接着对各个分量进行相空间重构,在相空间中用LSSVM对各分量进行建模预测,并使用自适应扰动粒子群算法对LSSVM的超参数进行优化,采用单点迭代法进行多步预测。结果显示:该模型与单一LSSVM预测模型相比,具有良好的预测效果。预测未来4 h DO值时,各项性能指标误差均方根(RMSE)、平均相对误差均值(MAPE)和平均绝对误差(MAE)三项指标分别降低了13.4%、11.3%和1.8%;预测未来24 h DO值时,三项指标分别降低了12.9%、12.1%和2.7%。研究表明:该组合模型可有效提取DO序列特性,具有较高的预测精度和泛化性能。展开更多
文摘养殖水体中溶解氧浓度一直是最重要的水质参数之一。为了精准地对水体溶解氧进行调控,提高养殖生产效率,降低养殖风险,该研究考虑外部天气条件对溶解氧的影响以及溶解氧自身的昼夜变化特征,提出一种基于正则化极限学习机(principal component analysis and clustering method optimized regularized extreme learning machine,PC-RELM)的养殖水体溶解氧数据流预测模型。首先,采用主成分分析法判断影响溶解氧浓度的强重要性因子,降低预测模型的数据维度;其次,利用熵权法计算各时刻点的天气环境指数,并利用快速动态时间规整算法(fast dynamic time warping,FastDTW)完成时间序列数据流在不同天气环境下的相似度度量;然后使用k-means算法对时间序列的相似度进行聚类分簇,并基于分簇结果完成正则化极限学习机预测模型的构建,实现溶解氧浓度的估算。最后将PC-RELM模型应用到无锡南泉试验基地养殖池塘的溶解氧预测调控过程中。试验结果表明:PC-RELM的预测均方根误差值(root mean square error,RMSE)为0.9619,与PLS-ELM(partial least squares optimized ELM)、最小二乘支持向量机(least square support vector machine,LSSVM)以及BP神经网络模型进行对比,其RMSE值分别降低了41.54%、54.58%和67.16%。该预测模型可以有效地捕捉不同天气条件下溶解氧的变化特点,具有较高的预测精度和效率。
文摘养殖池塘中溶氧(DO)与鱼、蟹等水产品的生长有着十分密切的关系。为了提高DO的预测精度和有效性,提出了一种基于经验模态分解(EMD)和自适应扰动粒子群优化最小二乘支持向量机(LSSVM)的组合预测模型。首先将DO时间序列通过EMD分解成若干分量,接着对各个分量进行相空间重构,在相空间中用LSSVM对各分量进行建模预测,并使用自适应扰动粒子群算法对LSSVM的超参数进行优化,采用单点迭代法进行多步预测。结果显示:该模型与单一LSSVM预测模型相比,具有良好的预测效果。预测未来4 h DO值时,各项性能指标误差均方根(RMSE)、平均相对误差均值(MAPE)和平均绝对误差(MAE)三项指标分别降低了13.4%、11.3%和1.8%;预测未来24 h DO值时,三项指标分别降低了12.9%、12.1%和2.7%。研究表明:该组合模型可有效提取DO序列特性,具有较高的预测精度和泛化性能。
