(19)國(guó)家知識(shí)產(chǎn)權(quán)局(12)發(fā)明專(zhuān)利(72)發(fā)明人鄒小彤徐開(kāi)偉方長(zhǎng)青趙少華(普通合伙)441003基于機(jī)器學(xué)習(xí)的微藻浮珠浮選采收效率預(yù)別是基于機(jī)器學(xué)習(xí)的微藻浮珠浮選采收效率預(yù)不同的機(jī)器學(xué)習(xí)算法對(duì)篩選后的多維微藻浮珠率值以確定每種既定浮珠性質(zhì)以及既定操作條度降序排列篩選的最優(yōu)浮珠浮選采收條件豐富21.基于機(jī)器學(xué)習(xí)的微藻浮珠浮選采收效率預(yù)測(cè)與優(yōu)化方法，其特S102:獲取微藻浮珠浮選的文獻(xiàn)數(shù)據(jù)庫(kù)，通過(guò)所述文獻(xiàn)數(shù)據(jù)庫(kù)查閱微藻浮珠浮選的微S104:引入不同的機(jī)器學(xué)習(xí)算法，基于不同的機(jī)器學(xué)習(xí)算法對(duì)篩選后的多維微藻浮珠浮選數(shù)據(jù)包進(jìn)行訓(xùn)練計(jì)算，得到每一種機(jī)器學(xué)習(xí)算法所對(duì)應(yīng)訓(xùn)練完成的采收效率預(yù)測(cè)模S106:獲取微藻浮珠浮選的既定輸入特征，將既定輸入特征導(dǎo)入所述訓(xùn)練完成的理想S108:基于所述影響程度降序排列獲取出排序靠前的優(yōu)選既定輸入特征，引入窮舉法改變所述優(yōu)選既定輸入特征的特征值并通過(guò)理想采收效率預(yù)測(cè)模型預(yù)測(cè)篩選出最優(yōu)浮珠基于微藻浮珠浮選的采收需求設(shè)定劃分比例，根據(jù)劃分比例引入不同的機(jī)器學(xué)習(xí)算法，以篩選后的多維微藻浮珠浮選數(shù)據(jù)包中的微藻特性數(shù)據(jù)、浮珠性質(zhì)數(shù)據(jù)與操作參數(shù)數(shù)據(jù)為輸入特征、采收效率為輸出根據(jù)所述微藻浮珠浮選的采收需求建立期望采收效率預(yù)測(cè)模率預(yù)測(cè)模型確定期望采收效率預(yù)測(cè)性能的多個(gè)評(píng)價(jià)指標(biāo)以及各通過(guò)期望采收效率預(yù)測(cè)性能的多個(gè)評(píng)價(jià)指標(biāo)對(duì)每一種機(jī)器學(xué)習(xí)算法所對(duì)應(yīng)訓(xùn)練完成利用網(wǎng)格搜索模型對(duì)所述每一種機(jī)器學(xué)習(xí)算法所對(duì)應(yīng)訓(xùn)練完成的采收效率預(yù)測(cè)模型其中，所述利用網(wǎng)格搜索模型對(duì)所述每一種機(jī)器學(xué)習(xí)算法所對(duì)應(yīng)訓(xùn)練完成的采收效率評(píng)估過(guò)程中，通過(guò)網(wǎng)格搜索模型對(duì)每一種機(jī)器學(xué)習(xí)算法所對(duì)應(yīng)3效率能力，此時(shí)獲取每一訓(xùn)練完成的采收效率預(yù)測(cè)模型輸出各評(píng)估指標(biāo)的優(yōu)化后評(píng)價(jià)指標(biāo)構(gòu)建雷達(dá)導(dǎo)圖，將所述各評(píng)估指標(biāo)的理想化閾值擬合于雷達(dá)導(dǎo)圖中，生成理想化評(píng)價(jià)指標(biāo)雷達(dá)導(dǎo)圖；在理想化評(píng)價(jià)指標(biāo)雷達(dá)導(dǎo)圖中擬合所述每一訓(xùn)練完成的采收效率預(yù)測(cè)模型輸出各評(píng)價(jià)指標(biāo)的優(yōu)化后評(píng)價(jià)指標(biāo)值，得到每一訓(xùn)練完成的采收效率預(yù)測(cè)模型對(duì)應(yīng)的優(yōu)化后評(píng)價(jià)指標(biāo)雷達(dá)導(dǎo)圖；獲取理想化評(píng)價(jià)指標(biāo)雷達(dá)導(dǎo)圖的雷達(dá)面積值，定義為第一雷達(dá)面積值，以及獲取每個(gè)優(yōu)化后評(píng)價(jià)指標(biāo)雷達(dá)導(dǎo)圖的雷達(dá)面積值，定義為第二雷達(dá)面積值，并逐一計(jì)算第二雷達(dá)面積值相較于第一雷達(dá)面積值之間的面積差，得到多個(gè)面積差值；只提取最小面積差值的優(yōu)化后評(píng)價(jià)指標(biāo)雷達(dá)導(dǎo)圖對(duì)應(yīng)訓(xùn)練完成的采收效率預(yù)測(cè)模型，標(biāo)記該提取的訓(xùn)練完成的采收效率預(yù)測(cè)模型為理想采收效率預(yù)測(cè)模型。2.根據(jù)權(quán)利要求1所述的基于機(jī)器學(xué)習(xí)的微藻浮珠浮選采收效率預(yù)測(cè)與優(yōu)化方法，其通過(guò)在WebofScience平臺(tái)獲取微藻浮珠浮選的文獻(xiàn)數(shù)據(jù)庫(kù)，通過(guò)所述文獻(xiàn)數(shù)據(jù)庫(kù)查閱微藻浮珠浮選文獻(xiàn)的相關(guān)數(shù)據(jù)，以獲取微藻浮珠浮選的微藻特性數(shù)據(jù)、浮珠性質(zhì)數(shù)據(jù)、操作參數(shù)數(shù)據(jù)以及采收效率數(shù)據(jù)；引入微藻浮珠浮選實(shí)驗(yàn)的數(shù)據(jù)單位換算工具，利用數(shù)據(jù)單位換算工具對(duì)所述微藻特性數(shù)據(jù)、浮珠性質(zhì)數(shù)據(jù)、操作參數(shù)數(shù)據(jù)與采收效率數(shù)據(jù)進(jìn)行單位統(tǒng)一換算，輸出統(tǒng)一單位后的微藻特性數(shù)據(jù)、浮珠性質(zhì)數(shù)據(jù)、操作參數(shù)數(shù)據(jù)與采收效率數(shù)據(jù)；獲取微藻浮珠浮選的采收需求，根據(jù)采收需求構(gòu)建數(shù)據(jù)值缺失識(shí)別庫(kù)，通過(guò)數(shù)據(jù)值缺失識(shí)別庫(kù)對(duì)統(tǒng)一單位后的微藻特性數(shù)據(jù)、浮珠性質(zhì)數(shù)據(jù)、操作參數(shù)數(shù)據(jù)與采收效率數(shù)據(jù)進(jìn)填補(bǔ)完成后，最小-最大歸一化處理所述統(tǒng)一單位后的微藻特性數(shù)據(jù)、浮珠性質(zhì)數(shù)據(jù)、操作參數(shù)數(shù)據(jù)以及采收效率數(shù)據(jù)并執(zhí)行捆綁操作，得到多維微藻浮珠浮選數(shù)據(jù)包；預(yù)設(shè)影響采收效率的斯皮爾曼相關(guān)系數(shù)閾值，計(jì)算所述多維微藻浮珠浮選數(shù)據(jù)包中每一微藻特性數(shù)據(jù)、浮珠性質(zhì)數(shù)據(jù)以及操作參數(shù)數(shù)據(jù)與采收效率之間的斯皮爾曼相關(guān)系數(shù)，得到若干個(gè)斯皮爾曼相關(guān)系數(shù)；若斯皮爾曼相關(guān)系數(shù)小于斯皮爾曼相關(guān)系數(shù)閾值，則在多維微藻浮珠浮選數(shù)據(jù)包中刪除該斯皮爾曼相關(guān)系數(shù)對(duì)應(yīng)的數(shù)據(jù)；若斯皮爾曼相關(guān)系數(shù)大于斯皮爾曼相關(guān)系數(shù)閾值，則在多維微藻浮珠浮選數(shù)據(jù)包中保留該斯皮爾曼相關(guān)系數(shù)對(duì)應(yīng)的數(shù)據(jù)，最終得到篩選后的多維微藻浮珠浮選數(shù)據(jù)包。3.根據(jù)權(quán)利要求1所述的基于機(jī)器學(xué)習(xí)的微藻浮珠浮選采收效率預(yù)測(cè)與優(yōu)化方法，其獲取微藻浮珠浮選的既定微藻特性數(shù)據(jù)、既定浮珠性質(zhì)數(shù)據(jù)以及既定操作參數(shù)數(shù)據(jù)，并捆綁標(biāo)記為既定輸入特征；通過(guò)理想采收效率預(yù)測(cè)模型對(duì)所述既定輸入特征進(jìn)行估算預(yù)測(cè)，得到微藻浮珠浮選的既定采收效率值；基于訓(xùn)練完成的理想采收效率預(yù)測(cè)模型在大數(shù)據(jù)網(wǎng)絡(luò)中引入SHAP庫(kù)，通過(guò)SHAP庫(kù)計(jì)算4既定浮珠性質(zhì)以及既定操作條件與所述既定采收效率值之間的SHAP,得到多個(gè)SHAP值；通過(guò)所述SHAPSummaryPlot可視化圖提取出代表既定浮珠性質(zhì)以及既定操作條件與所述既定采收效率值之間的多個(gè)SHAP值的分布，得到SHAP值分布格局圖，根據(jù)SHAP值分布格局圖的多個(gè)SHAP值分布格局確定出每種既定浮珠性質(zhì)以及既定操作條件對(duì)既定采收效率的影響程度。4.根據(jù)權(quán)利要求1所述的基于機(jī)器學(xué)習(xí)的微藻浮珠浮選采收效率預(yù)測(cè)與優(yōu)化方法，其基于所述影響程度降序排列每種既定浮珠性質(zhì)以及既定操作條件對(duì)既定采收效率對(duì)應(yīng)預(yù)測(cè)的既定輸入特征，得到既定輸入特征降序排列表；預(yù)設(shè)最佳輸入特征排序名次界限，在既定輸入特征降序排列表中提取出位于最佳輸入特征排序名次界限之上的一個(gè)或者多個(gè)既定輸入特征，標(biāo)定為優(yōu)選既定輸入特征；引入窮舉法改變所述一個(gè)或者多個(gè)優(yōu)選既定輸入特征的特征值，得到改變后的優(yōu)選既定輸入特征，通過(guò)訓(xùn)練完成的理想采收效率預(yù)測(cè)模型對(duì)一個(gè)或者多個(gè)所述改變后的優(yōu)選既定輸入特征進(jìn)行預(yù)測(cè)，得到新生采收效率值；只選取最大新生采收效率值下的浮珠性質(zhì)和操作參數(shù)值，并設(shè)置最大新生采收效率值下的浮珠性質(zhì)和操作參數(shù)值作為最優(yōu)浮珠浮選采收條件；將所述最優(yōu)浮珠浮選采收條件應(yīng)用至實(shí)驗(yàn)室的微藻浮珠浮選相關(guān)試驗(yàn)，以獲取微藻浮珠浮選相關(guān)試驗(yàn)生成的實(shí)際采收效率值，計(jì)算所述實(shí)際采收效率值與既定采收效率值之間若所述采收效率偏差值大于預(yù)設(shè)采收效率偏差值，則根據(jù)采收效率偏差值豐富微藻浮珠浮選的數(shù)據(jù)集，并優(yōu)化理想采收效率預(yù)測(cè)模型的預(yù)測(cè)性能以及提升采收效率。5.基于機(jī)器學(xué)習(xí)的微藻浮珠浮選采收效率預(yù)測(cè)與優(yōu)化系統(tǒng)，其特征在于，所述微藻浮珠浮選采收效率預(yù)測(cè)與優(yōu)化系統(tǒng)包括存儲(chǔ)器與處理器，所述存儲(chǔ)器中儲(chǔ)存基于機(jī)器學(xué)習(xí)的微藻浮珠浮選采收效率預(yù)測(cè)與優(yōu)化方法程序，所述微藻浮珠浮選采收效率預(yù)測(cè)與優(yōu)化方法程序被所述處理器執(zhí)行時(shí)，實(shí)現(xiàn)如權(quán)利要求1-4任一項(xiàng)所述的微藻浮珠浮選采收效率預(yù)測(cè)與優(yōu)化方法步驟。5基于機(jī)器學(xué)習(xí)的微藻浮珠浮選采收效率預(yù)測(cè)與優(yōu)化方法技術(shù)領(lǐng)域[0001]本發(fā)明涉及微藻生物固液分離技術(shù)領(lǐng)域，尤其涉及基于機(jī)器學(xué)習(xí)的微藻浮珠浮選采收效率預(yù)測(cè)與優(yōu)化方法。背景技術(shù)燃料、化妝品和藥品的重要生物質(zhì)來(lái)源。此外，微藻在環(huán)境保護(hù)方面具有重要作用，其能夠從廢水中回收氮、磷等營(yíng)養(yǎng)物質(zhì)，有效緩解水體富營(yíng)養(yǎng)化問(wèn)題。作為光合自養(yǎng)生物的微藻能夠利用太陽(yáng)能進(jìn)行光合作用，吸收二氧化碳，成為一種潛在的碳捕獲與利用技術(shù)，具有應(yīng)對(duì)氣候變化的巨大潛力。[0003]然而，微藻產(chǎn)業(yè)的一個(gè)主要瓶頸是生物質(zhì)的收獲過(guò)程，該過(guò)程通常占總生產(chǎn)成本小、表面帶負(fù)電荷及細(xì)胞密度接近水等。目前，浮珠浮選技術(shù)作為一種新興的微藻收獲方法，展示了其在微藻采收方面的潛力。該技術(shù)與傳統(tǒng)的溶氣浮選類(lèi)似，但通過(guò)使用浮珠替代微氣泡，顯著減少了微氣泡產(chǎn)生的能耗。[0004]目前，研究發(fā)現(xiàn)微藻浮珠浮選采收效率通常收到多種因素綜合影響，而對(duì)每個(gè)因素的個(gè)體貢獻(xiàn)的強(qiáng)調(diào)有限。試驗(yàn)分析通常需要完善的生化平臺(tái)，專(zhuān)業(yè)的技術(shù)人員，該過(guò)程是耗時(shí)且昂貴。此外，在單個(gè)實(shí)驗(yàn)中分析所有變量對(duì)采收效率的影響在時(shí)間、成本和可行性方面也是不切實(shí)際的。因此，很難通過(guò)試驗(yàn)手段在微藻浮珠浮選中對(duì)所有影響變量和采收效率之間建立可靠的聯(lián)系，從而導(dǎo)致了在實(shí)踐過(guò)程中針對(duì)目標(biāo)微藻利用浮珠浮選篩選合適的操作條件實(shí)現(xiàn)高效微藻采收成為一大難題，阻礙了微藻浮珠浮選技術(shù)的發(fā)展。發(fā)明內(nèi)容[0005]本發(fā)明克服了現(xiàn)有技術(shù)的不足，提供了基于機(jī)器學(xué)習(xí)的微藻浮珠浮選采收效率預(yù)測(cè)與優(yōu)化方法。[0007]本發(fā)明第一方面提供了基于機(jī)器學(xué)習(xí)的微藻浮珠浮選采收效率預(yù)測(cè)與優(yōu)化方法，包括以下步驟：[0008]S102:獲取微藻浮珠浮選的文獻(xiàn)數(shù)據(jù)庫(kù)，通過(guò)所述文獻(xiàn)數(shù)據(jù)庫(kù)查閱微藻浮珠浮選的微藻特性數(shù)據(jù)、浮珠性質(zhì)數(shù)據(jù)、操作參數(shù)數(shù)據(jù)以及采收效率數(shù)據(jù)，并對(duì)所述微藻特性數(shù)據(jù)、浮珠性質(zhì)數(shù)據(jù)、操作參數(shù)數(shù)據(jù)以及采收效率數(shù)據(jù)進(jìn)行單位統(tǒng)一、缺失值填補(bǔ)以及歸一化處理后篩選，得到篩選后的多維微藻浮珠浮選數(shù)據(jù)包；[0009]S104:引入不同的機(jī)器學(xué)習(xí)算法，基于不同的機(jī)器學(xué)習(xí)算法對(duì)篩選后的多維微藻浮珠浮選數(shù)據(jù)包進(jìn)行訓(xùn)練計(jì)算，得到每一種機(jī)器學(xué)習(xí)算法所對(duì)應(yīng)訓(xùn)練完成的采收效率預(yù)測(cè)模型，并通過(guò)多個(gè)評(píng)價(jià)指標(biāo)以及網(wǎng)格搜索模型評(píng)估優(yōu)化每一種所述采收效率預(yù)測(cè)模型并進(jìn)行最優(yōu)分析篩選，得到訓(xùn)練完成的理想采收效率預(yù)測(cè)模型；6[0010]S106:獲取微藻浮珠浮選的既定輸入特征，將既定輸入特征導(dǎo)入所述訓(xùn)練完成的理想采收效率預(yù)測(cè)模型進(jìn)行預(yù)測(cè)，得到既定采收效率值，使用SHAP庫(kù)計(jì)算既定采收效率值以構(gòu)建SHAPSummaryPlot可視化圖并分析SHAP值的分布格局，以確定每種既定浮珠性質(zhì)以及既定操作條件對(duì)既定采收效率的影響程度；[0011]S108:基于所述影響程度降序排列獲取出排序靠前的優(yōu)選既定輸入特征，引入窮舉法改變所述優(yōu)選既定輸入特征的特征值并通過(guò)理想采收效率預(yù)測(cè)模型預(yù)測(cè)篩選出最優(yōu)浮珠浮選采收條件，基于最優(yōu)浮珠浮選采收條件豐富微藻浮珠浮選的數(shù)據(jù)集并優(yōu)化理想采收效率預(yù)測(cè)模型。[0013]通過(guò)在WebofScience平臺(tái)獲取微藻浮珠浮選的文獻(xiàn)數(shù)據(jù)庫(kù)，通過(guò)所述文獻(xiàn)數(shù)據(jù)庫(kù)查閱微藻浮珠浮選文獻(xiàn)的相關(guān)數(shù)據(jù)，以獲取微藻浮珠浮選的微藻特性數(shù)據(jù)、浮珠性質(zhì)數(shù)[0014]引入微藻浮珠浮選實(shí)驗(yàn)的數(shù)據(jù)單位換算工具，利用數(shù)據(jù)單位換算工具對(duì)所述微藻特性數(shù)據(jù)、浮珠性質(zhì)數(shù)據(jù)、操作參數(shù)數(shù)據(jù)與采收效率數(shù)據(jù)進(jìn)行單位統(tǒng)一換算，輸出統(tǒng)一單位后的微藻特性數(shù)據(jù)、浮珠性質(zhì)數(shù)據(jù)、操作參數(shù)數(shù)據(jù)與采收效率數(shù)據(jù)；[0015]獲取微藻浮珠浮選的采收需求，根據(jù)采收需求構(gòu)建數(shù)據(jù)值缺失識(shí)別庫(kù)，通過(guò)數(shù)據(jù)值缺失識(shí)別庫(kù)對(duì)統(tǒng)一單位后的微藻特性數(shù)據(jù)、浮珠性質(zhì)數(shù)據(jù)、操作參數(shù)數(shù)據(jù)與采收效率數(shù)據(jù)進(jìn)行數(shù)值識(shí)別并填充，以填補(bǔ)缺失值；[0016]填補(bǔ)完成后，最小-最大歸一化處理所述統(tǒng)一單位后的微藻特性數(shù)據(jù)、浮珠性質(zhì)數(shù)據(jù)、操作參數(shù)數(shù)據(jù)以及采收效率數(shù)據(jù)并執(zhí)行捆綁操作，得到多維微藻浮珠浮選數(shù)據(jù)包；[0017]預(yù)設(shè)影響采收效率的斯皮爾曼相關(guān)系數(shù)閾值，計(jì)算所述多維微藻浮珠浮選數(shù)據(jù)包中每一微藻特性數(shù)據(jù)、浮珠性質(zhì)數(shù)據(jù)以及操作參數(shù)數(shù)據(jù)與采收效率之間的斯皮爾曼相關(guān)系[0018]若斯皮爾曼相關(guān)系數(shù)小于斯皮爾曼相關(guān)系數(shù)閾值，則在多維微藻浮珠浮選數(shù)據(jù)包中刪除該斯皮爾曼相關(guān)系數(shù)對(duì)應(yīng)的數(shù)據(jù)；若斯皮爾曼相關(guān)系數(shù)大于斯皮爾曼相關(guān)系數(shù)閾值，則在多維微藻浮珠浮選數(shù)據(jù)包中保留該斯皮爾曼相關(guān)系數(shù)對(duì)應(yīng)的數(shù)據(jù)，最終得到篩選后的多維微藻浮珠浮選數(shù)據(jù)包。[0020]基于微藻浮珠浮選的采收需求設(shè)定劃分比例，根據(jù)劃分比例將所述篩選后的多維微藻浮珠浮選數(shù)據(jù)包隨機(jī)劃分為訓(xùn)練集、測(cè)試集與驗(yàn)證集；[0021]引入不同的機(jī)器學(xué)習(xí)算法，以篩選后的多維微藻浮珠浮選數(shù)據(jù)包中的微藻特性數(shù)據(jù)、浮珠性質(zhì)數(shù)據(jù)與操作參數(shù)數(shù)據(jù)為輸入特征、采收效率為輸出特征的訓(xùn)練規(guī)則，基于所述訓(xùn)練規(guī)則在不同的機(jī)器學(xué)習(xí)算法中對(duì)訓(xùn)練集進(jìn)行模型訓(xùn)練，得到每一種機(jī)器學(xué)習(xí)算法所對(duì)應(yīng)訓(xùn)練完成的采收效率預(yù)測(cè)模型；[0022]根據(jù)所述微藻浮珠浮選的采收需求建立期望采收效率預(yù)測(cè)模型，根據(jù)所述期望采收效率預(yù)測(cè)模型確定期望采收效率預(yù)測(cè)性能的多個(gè)評(píng)價(jià)指標(biāo)以及各評(píng)價(jià)指標(biāo)的理想化閾[0023]通過(guò)期望采收效率預(yù)測(cè)性能的多個(gè)評(píng)價(jià)指標(biāo)對(duì)每一種機(jī)器學(xué)習(xí)算法所對(duì)應(yīng)訓(xùn)練完成的采收效率預(yù)測(cè)模型進(jìn)行評(píng)估，并同步引入網(wǎng)格搜索模型；7[0024]利用網(wǎng)格搜索模型對(duì)所述每一種機(jī)器學(xué)習(xí)算法所對(duì)應(yīng)訓(xùn)練完成的采收效率預(yù)測(cè)模型進(jìn)行最優(yōu)超參數(shù)搜索并基于多個(gè)評(píng)價(jià)指標(biāo)與對(duì)應(yīng)的理想化閾值進(jìn)行評(píng)估，得到每一個(gè)采收效率預(yù)測(cè)模型的優(yōu)化后評(píng)價(jià)指標(biāo)值，通過(guò)雷達(dá)導(dǎo)圖擬合分析所述優(yōu)化后評(píng)價(jià)指標(biāo)值并篩選最優(yōu)模型，得到訓(xùn)練完成的理想采收效率預(yù)測(cè)模型。[0025]更具體地，所述利用網(wǎng)格搜索模型對(duì)所述每一種機(jī)器學(xué)習(xí)算法所對(duì)應(yīng)訓(xùn)練完成的采收效率預(yù)測(cè)模型進(jìn)行最優(yōu)超參數(shù)搜索并基于多個(gè)評(píng)價(jià)指標(biāo)與對(duì)應(yīng)的理想化閾值進(jìn)行評(píng)估，得到每一個(gè)采收效率預(yù)測(cè)模型的優(yōu)化后評(píng)價(jià)指標(biāo)值，通過(guò)雷達(dá)導(dǎo)圖擬合分析所述優(yōu)化后評(píng)價(jià)指標(biāo)值并篩選最優(yōu)模型，得到訓(xùn)練完成的理想采收效率預(yù)測(cè)模型，具體包括以下步[0026]評(píng)估過(guò)程中，通過(guò)網(wǎng)格搜索模型對(duì)每一種機(jī)器學(xué)習(xí)算法所對(duì)應(yīng)訓(xùn)練完成的采收效率預(yù)測(cè)模型的最優(yōu)超參數(shù)進(jìn)行搜索，以根據(jù)最優(yōu)超參數(shù)提高優(yōu)化機(jī)器學(xué)習(xí)算法模型的預(yù)測(cè)采收效率能力，此時(shí)獲取每一訓(xùn)練完成的采收效率預(yù)測(cè)模型輸出各評(píng)估指標(biāo)的優(yōu)化后評(píng)價(jià)指標(biāo)值；[0027]構(gòu)建雷達(dá)導(dǎo)圖，將所述各評(píng)估指標(biāo)的理想化閾值擬合于雷達(dá)導(dǎo)圖中，生成理想化評(píng)價(jià)指標(biāo)雷達(dá)導(dǎo)圖；[0028]在理想化評(píng)價(jià)指標(biāo)雷達(dá)導(dǎo)圖中擬合所述每一訓(xùn)練完成的采收效率預(yù)測(cè)模型輸出各評(píng)價(jià)指標(biāo)的優(yōu)化后評(píng)價(jià)指標(biāo)值，得到每一訓(xùn)練完成的采收效率預(yù)測(cè)模型對(duì)應(yīng)的優(yōu)化后評(píng)價(jià)指標(biāo)雷達(dá)導(dǎo)圖；[0029]獲取理想化評(píng)價(jià)指標(biāo)雷達(dá)導(dǎo)圖的雷達(dá)面積值，定義為第一雷達(dá)面積值，以及獲取每個(gè)優(yōu)化后評(píng)價(jià)指標(biāo)雷達(dá)導(dǎo)圖的雷達(dá)面積值，定義為第二雷達(dá)面積值，并逐一計(jì)算第二雷達(dá)面積值相較于第一雷達(dá)面積值之間的面積差，得到多個(gè)面積差值；[0030]只提取最小面積差值的優(yōu)化后評(píng)價(jià)指標(biāo)雷達(dá)導(dǎo)圖對(duì)應(yīng)訓(xùn)練完成的采收效率預(yù)測(cè)模型，標(biāo)記該提取的訓(xùn)練完成的采收效率預(yù)測(cè)模型為理想采收效率預(yù)測(cè)模型。[0032]獲取微藻浮珠浮選的既定微藻特性數(shù)據(jù)、既定浮珠性質(zhì)數(shù)據(jù)以及既定操作參數(shù)數(shù)[0033]通過(guò)理想采收效率預(yù)測(cè)模型對(duì)所述既定輸入特征進(jìn)行估算預(yù)測(cè)，得到微藻浮珠浮選的既定采收效率值；[0034]基于訓(xùn)練完成的理想采收效率預(yù)測(cè)模型在大數(shù)據(jù)網(wǎng)絡(luò)中引入SHAP庫(kù)，通過(guò)SHAP庫(kù)計(jì)算既定浮珠性質(zhì)以及既定操作條件與所述既定采收效率值之間的SHAP,得到多個(gè)SHAP[0036]通過(guò)所述SHAPSummaryPlot可視化圖提取出代表既定浮珠性質(zhì)以及既定操作條分布格局圖的多個(gè)SHAP值分布格局確定出每種既定浮珠性質(zhì)以及既定操作條件對(duì)既定采收效率的影響程度。[0038]基于所述影響程度降序排列每種既定浮珠性質(zhì)以及既定操作條件對(duì)既定采收效8率對(duì)應(yīng)預(yù)測(cè)的既定輸入特征，得到既定輸入特征降序排列表；[0039]預(yù)設(shè)最佳輸入特征排序名次界限，在既定輸入特征降序排列表中提取出位于最佳輸入特征排序名次界限之上的一個(gè)或者多個(gè)既定輸入特征，標(biāo)定為優(yōu)選既定輸入特征；[0040]引入窮舉法改變所述一個(gè)或者多個(gè)優(yōu)選既定輸入特征的特征值，得到改變后的優(yōu)選既定輸入特征，通過(guò)訓(xùn)練完成的理想采收效率預(yù)測(cè)模型對(duì)一個(gè)或者多個(gè)所述改變后的優(yōu)選既定輸入特征進(jìn)行預(yù)測(cè)，得到新生采收效率值；[0041]只選取最大新生采收效率值下的浮珠性質(zhì)和操作參數(shù)值，并設(shè)置最大新生采收效率值下的浮珠性質(zhì)和操作參數(shù)值作為最優(yōu)浮珠浮選采收條件；[0042]將所述最優(yōu)浮珠浮選采收條件應(yīng)用至實(shí)驗(yàn)室的微藻浮珠浮選相關(guān)試驗(yàn)，以獲取微藻浮珠浮選相關(guān)試驗(yàn)生成的實(shí)際采收效率值，計(jì)算所述實(shí)際采收效率值與既定采收效率值[0043]若所述采收效率偏差值大于預(yù)設(shè)采收效率偏差值，則根據(jù)采收效率偏差值豐富微藻浮珠浮選的數(shù)據(jù)集，并優(yōu)化理想采收效率預(yù)測(cè)模型的預(yù)測(cè)性能以及提升采收效率。[0044]本發(fā)明第二方面提供了基于機(jī)器學(xué)習(xí)的微藻浮珠浮選采收效率預(yù)測(cè)與優(yōu)化系統(tǒng)，所述微藻浮珠浮選采收效率預(yù)測(cè)與優(yōu)化系統(tǒng)包括存儲(chǔ)器與處理器，所述存儲(chǔ)器中儲(chǔ)存基于機(jī)器學(xué)習(xí)的微藻浮珠浮選采收效率預(yù)測(cè)與優(yōu)化方法程序，所述微藻浮珠浮選采收效率預(yù)測(cè)與優(yōu)化方法程序被所述處理器執(zhí)行時(shí)，實(shí)現(xiàn)任一項(xiàng)所述的微藻浮珠浮選采收效率預(yù)測(cè)與優(yōu)化方法步驟。[0045]本發(fā)明解決了背景技術(shù)中存在的技術(shù)缺陷，本發(fā)明的有益技術(shù)效果在于：[0046]獲取微藻浮珠浮選的微藻特性數(shù)據(jù)、浮珠性質(zhì)數(shù)據(jù)、操作參數(shù)數(shù)據(jù)以及采收效率數(shù)據(jù)并進(jìn)行單位統(tǒng)一、缺失值填補(bǔ)以及歸一化處理后篩選，得到篩選后的多維微藻浮珠浮選數(shù)據(jù)包；引入不同的機(jī)器學(xué)習(xí)算法，基于不同的機(jī)器學(xué)習(xí)算法對(duì)篩選后的多維微藻浮珠浮選數(shù)據(jù)包進(jìn)行訓(xùn)練計(jì)算，得到每一種機(jī)器學(xué)習(xí)算法所對(duì)應(yīng)訓(xùn)練完成的采收效率預(yù)測(cè)模型，評(píng)估優(yōu)化每一種采收效率預(yù)測(cè)模型并進(jìn)行最優(yōu)分析篩選，得到訓(xùn)練完成的理想采收效率預(yù)測(cè)模型；通過(guò)訓(xùn)練完成的理想采收效率預(yù)測(cè)模型對(duì)既定輸入特征進(jìn)行預(yù)測(cè)，得到既定采收效率值，使用SHAP庫(kù)計(jì)算既定采收效率值的SHAP值以確定每種既定浮珠性質(zhì)以及既定操作條件對(duì)既定采收效率的影響程度；基于所述影響程度降序排列獲取出排序靠前的優(yōu)選既定輸入特征，改變所述優(yōu)選既定輸入特征的特征值篩選出最優(yōu)浮珠浮選采收條件，基于最優(yōu)浮珠浮選采收條件豐富微藻浮珠浮選的數(shù)據(jù)集并優(yōu)化理想采收效率預(yù)測(cè)模型。本發(fā)明結(jié)合微藻固液分離領(lǐng)域與計(jì)算機(jī)科學(xué)領(lǐng)域的交叉知識(shí)，克服了傳統(tǒng)單因素和正交試驗(yàn)方法在時(shí)間和勞動(dòng)上的高投入。通過(guò)應(yīng)用機(jī)器學(xué)習(xí)算法，建立了微藻浮珠浮選過(guò)程中各影響因素與采收效率之間的關(guān)系模型，實(shí)現(xiàn)了在已知條件下對(duì)采收效率的精準(zhǔn)預(yù)測(cè)。此外，基于預(yù)測(cè)模型還可針對(duì)特定目標(biāo)微藻種類(lèi)，優(yōu)化浮珠浮選采收效率和微藻資源利用，從而提升整體采收效果。附圖說(shuō)明[0047]為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以9根據(jù)這些附圖獲得其他實(shí)施例的附圖。[0048]圖1示出了基于機(jī)器學(xué)習(xí)的微藻浮珠浮選采收效率預(yù)測(cè)與優(yōu)化方法的流程圖一；[0049]圖2示出了基于機(jī)器學(xué)習(xí)的微藻浮珠浮選采收效率預(yù)測(cè)與優(yōu)化方法的流程圖二；[0050]圖3示出了基于機(jī)器學(xué)習(xí)的微藻浮珠浮選采收效率預(yù)測(cè)與優(yōu)化系統(tǒng)的系統(tǒng)框架[0051]圖4為多維微藻浮珠浮選數(shù)據(jù)包的特征相關(guān)性矩陣示意圖；[0052]圖5為基于反向傳播神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的預(yù)測(cè)數(shù)據(jù)示意圖；[0053]圖6為浮珠性質(zhì)以及操作條件對(duì)采收效率影響的SHAP值分布圖。具體實(shí)施方式[0054]為了能夠更清楚地理解本發(fā)明的上述目的、特征和優(yōu)點(diǎn)，下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明進(jìn)行進(jìn)一步的詳細(xì)描述。需要說(shuō)明的是，在不沖突的情況下，本申請(qǐng)的實(shí)施例及實(shí)施例中的特征可以相互組合。[0055]在下面的描述中闡述了很多具體細(xì)節(jié)以便于充分理解本發(fā)明，但是，本發(fā)明還可以采用其他不同于在此描述的其他方式來(lái)實(shí)施，因此，本發(fā)明的保護(hù)范圍并不受下面公開(kāi)的具體實(shí)施例的限制。[0056]本發(fā)明第一方面提供了基于機(jī)器學(xué)習(xí)的微藻浮珠浮選采收效率預(yù)測(cè)與優(yōu)化方法，[0057]S102:獲取微藻浮珠浮選的文獻(xiàn)數(shù)據(jù)庫(kù)，通過(guò)所述文獻(xiàn)數(shù)據(jù)庫(kù)查閱微藻浮珠浮選的微藻特性數(shù)據(jù)、浮珠性質(zhì)數(shù)據(jù)、操作參數(shù)數(shù)據(jù)以及采收效率數(shù)據(jù)，并對(duì)所述微藻特性數(shù)據(jù)、浮珠性質(zhì)數(shù)據(jù)、操作參數(shù)數(shù)據(jù)以及采收效率數(shù)據(jù)進(jìn)行單位統(tǒng)一、缺失值填補(bǔ)以及歸一化處理后篩選，得到篩選后的多維微藻浮珠浮選數(shù)據(jù)包；[0058]S104:引入不同的機(jī)器學(xué)習(xí)算法，基于不同的機(jī)器學(xué)習(xí)算法對(duì)篩選后的多維微藻浮珠浮選數(shù)據(jù)包進(jìn)行訓(xùn)練計(jì)算，得到每一種機(jī)器學(xué)習(xí)算法所對(duì)應(yīng)訓(xùn)練完成的采收效率預(yù)測(cè)模型，并通過(guò)多個(gè)評(píng)價(jià)指標(biāo)以及網(wǎng)格搜索模型評(píng)估優(yōu)化每一種所述采收效率預(yù)測(cè)模型并進(jìn)行最優(yōu)分析篩選，得到訓(xùn)練完成的理想采收效率預(yù)測(cè)模型；[0059]S106:獲取微藻浮珠浮選的既定輸入特征，將既定輸入特征導(dǎo)入所述訓(xùn)練完成的理想采收效率預(yù)測(cè)模型進(jìn)行預(yù)測(cè)，得到既定采收效率值，使用SHAP庫(kù)計(jì)算既定采收效率值以構(gòu)建SHAPSummaryPlot可視化圖并分析SHAP值的分布格局，以確定每種既定浮珠性質(zhì)以及既定操作條件對(duì)既定采收效率的影響程度；[0060]S108:基于所述影響程度降序排列獲取出排序靠前的優(yōu)選既定輸入特征，引入窮舉法改變所述優(yōu)選既定輸入特征的特征值并通過(guò)理想采收效率預(yù)測(cè)模型預(yù)測(cè)篩選出最優(yōu)浮珠浮選采收條件，基于最優(yōu)浮珠浮選采收條件豐富微藻浮珠浮選的數(shù)據(jù)集并優(yōu)化理想采收效率預(yù)測(cè)模型。[0062]S202:通過(guò)在WebofScience平臺(tái)獲取微藻浮珠浮選的文獻(xiàn)數(shù)據(jù)庫(kù)，通過(guò)所述文獻(xiàn)數(shù)據(jù)庫(kù)查閱微藻浮珠浮選文獻(xiàn)的相關(guān)數(shù)據(jù)，以獲取微藻浮珠浮選的微藻特性數(shù)據(jù)、浮珠性質(zhì)數(shù)據(jù)、操作參數(shù)數(shù)據(jù)以及采收效率數(shù)據(jù)；[0063]S204:引入微藻浮珠浮選實(shí)驗(yàn)的數(shù)據(jù)單位換算工具，利用數(shù)據(jù)單位換算工具對(duì)所述微藻特性數(shù)據(jù)、浮珠性質(zhì)數(shù)據(jù)、操作參數(shù)數(shù)據(jù)與采收效率數(shù)據(jù)進(jìn)行單位統(tǒng)一換算，輸出統(tǒng)一單位后的微藻特性數(shù)據(jù)、浮珠性質(zhì)數(shù)據(jù)、操作參數(shù)數(shù)據(jù)與采收效率數(shù)據(jù)；[0064]S206:獲取微藻浮珠浮選的采收需求，根據(jù)采收需求構(gòu)建數(shù)據(jù)值缺失識(shí)別庫(kù)，通過(guò)數(shù)據(jù)值缺失識(shí)別庫(kù)對(duì)統(tǒng)一單位后的微藻特性數(shù)據(jù)、浮珠性質(zhì)數(shù)據(jù)、操作參數(shù)數(shù)據(jù)與采收效率數(shù)據(jù)進(jìn)行數(shù)值識(shí)別并填充，以填補(bǔ)缺失值；[0065]S208:填補(bǔ)完成后，最小-最大歸一化處理所述統(tǒng)一單位后的微藻特性數(shù)據(jù)、浮珠性質(zhì)數(shù)據(jù)、操作參數(shù)數(shù)據(jù)以及采收效率數(shù)據(jù)并執(zhí)行捆綁操作，得到多維微藻浮珠浮選數(shù)據(jù)[0066]S210:預(yù)設(shè)影響采收效率的斯皮爾曼相關(guān)系數(shù)閾值，計(jì)算所述多維微藻浮珠浮選數(shù)據(jù)包中每一微藻特性數(shù)據(jù)、浮珠性質(zhì)數(shù)據(jù)以及操作參數(shù)數(shù)據(jù)與采收效率之間的斯皮爾曼相關(guān)系數(shù)，得到若干個(gè)斯皮爾曼相關(guān)系數(shù)；[0067]S212:若斯皮爾曼相關(guān)系數(shù)小于斯皮爾曼相關(guān)系數(shù)閾值，則在多維微藻浮珠浮選數(shù)據(jù)包中刪除該斯皮爾曼相關(guān)系數(shù)對(duì)應(yīng)的數(shù)據(jù)；若斯皮爾曼相關(guān)系數(shù)大于斯皮爾曼相關(guān)系數(shù)閾值，則在多維微藻浮珠浮選數(shù)據(jù)包中保留該斯皮爾曼相關(guān)系數(shù)對(duì)應(yīng)的數(shù)據(jù)，最終得到篩選后的多維微藻浮珠浮選數(shù)據(jù)包。在不統(tǒng)一且部分相關(guān)數(shù)據(jù)的呈現(xiàn)存在缺失，不利于后續(xù)微藻浮珠浮選采收效率預(yù)測(cè)模型的精準(zhǔn)訓(xùn)練與構(gòu)建。因此本方法首先通過(guò)在WebofScience平臺(tái)檢索近20年來(lái)發(fā)表的同行評(píng)審文獻(xiàn)，收集了微藻浮珠浮選相關(guān)樣本數(shù)據(jù)；利用數(shù)據(jù)單位換算工具對(duì)從文獻(xiàn)數(shù)據(jù)庫(kù)查閱的微藻浮珠浮選的微藻特性數(shù)據(jù)、浮珠性質(zhì)數(shù)據(jù)、操作參數(shù)數(shù)據(jù)以及采收效率數(shù)據(jù)進(jìn)行單位統(tǒng)一換算，有助于消除因單位不同導(dǎo)致的誤差，提高數(shù)據(jù)的可比性。并且根據(jù)微藻浮珠浮選的采收需求構(gòu)建數(shù)據(jù)值缺失識(shí)別庫(kù)對(duì)數(shù)據(jù)進(jìn)行填補(bǔ)，并對(duì)分類(lèi)特征進(jìn)行獨(dú)熱編碼，以使得微藻浮珠浮選的微藻特性數(shù)據(jù)、浮珠性質(zhì)數(shù)據(jù)、操作參數(shù)數(shù)據(jù)以及采收效率數(shù)據(jù)最大限度的遵循于所制定的微藻浮珠浮選采收目標(biāo)要求，確保數(shù)據(jù)的完整性，避免因數(shù)據(jù)缺失影響分析結(jié)果，為后續(xù)的分析和建模提供高質(zhì)量的數(shù)據(jù)基礎(chǔ)，提高數(shù)據(jù)的一致性和可用性，減少人為誤差，同時(shí)更好的服務(wù)于后續(xù)微藻浮珠浮選試驗(yàn)的采收效率優(yōu)化。最后采用斯皮爾曼相關(guān)系數(shù)構(gòu)建特征相關(guān)性矩陣(如圖4所示)來(lái)篩選出影響采收效率的輸入特征，形成特征相關(guān)性矩陣，去除相關(guān)性較低的特征，通過(guò)簡(jiǎn)化數(shù)據(jù)集去除冗余或無(wú)關(guān)特征，能夠有效提高后續(xù)建模或分析的效率和準(zhǔn)確性，降低模型的復(fù)雜程度以及減少模型訓(xùn)練時(shí)間，從而使模型更加簡(jiǎn)潔且具有更好的泛化能力。通過(guò)本方法能夠揭示微藻浮珠浮選過(guò)程中的關(guān)鍵影響因素，一方面為后續(xù)預(yù)測(cè)模型的分析和建模提供高質(zhì)量數(shù)據(jù)基礎(chǔ)，提高數(shù)據(jù)的一致性和可用性，減少人為誤差，另一方面為優(yōu)化浮選技術(shù)和提升效率提供科學(xué)依據(jù)。[0069]需要說(shuō)明的是，若斯皮爾曼相關(guān)系數(shù)小于斯皮爾曼相關(guān)系數(shù)閾值，則說(shuō)明該特征對(duì)采收效率的影響相關(guān)性較低，故而將其刪除；反之則說(shuō)明相關(guān)性較高。其中，微藻特性包括微藻種類(lèi)和微藻密度；浮珠性質(zhì)包括浮珠類(lèi)型、浮珠粒徑以及浮珠濃度；操作參數(shù)包括攪密度范圍為0.15～0.85mg/L,浮珠類(lèi)型為硅硼酸鈉微珠、粉煤灰微珠，浮珠粒徑為6.68~95μm,浮珠濃度為0.1～1.1g/L,攪拌速度為30～200rpm,溫度為25～100℃,絮凝劑為氯化鐵和殼聚糖，絮凝劑濃度為0～100mg/L,離子濃度為0～700mM。統(tǒng)一同一種類(lèi)數(shù)據(jù)的11對(duì)應(yīng)培養(yǎng)基離子濃度。[0071]基于微藻浮珠浮選的采收需求設(shè)定劃分比例，根據(jù)劃分比例將所述篩選后的多維微藻浮珠浮選數(shù)據(jù)包隨機(jī)劃分為訓(xùn)練集、測(cè)試集與驗(yàn)證集；[0072]引入不同的機(jī)器學(xué)習(xí)算法，以篩選后的多維微藻浮珠浮選數(shù)據(jù)包中的微藻特性數(shù)據(jù)、浮珠性質(zhì)數(shù)據(jù)與操作參數(shù)數(shù)據(jù)為輸入特征、采收效率為輸出特征的訓(xùn)練規(guī)則，基于所述訓(xùn)練規(guī)則在不同的機(jī)器學(xué)習(xí)算法中對(duì)訓(xùn)練集進(jìn)行模型訓(xùn)練，得到每一種機(jī)器學(xué)習(xí)算法所對(duì)應(yīng)訓(xùn)練完成的采收效率預(yù)測(cè)模型；[0073]根據(jù)所述微藻浮珠浮選的采收需求建立期望采收效率預(yù)測(cè)模型，根據(jù)所述期望采收效率預(yù)測(cè)模型確定期望采收效率預(yù)測(cè)性能的多個(gè)評(píng)價(jià)指標(biāo)以及各評(píng)價(jià)指標(biāo)的理想化閾[0074]通過(guò)期望采收效率預(yù)測(cè)性能的多個(gè)評(píng)價(jià)指標(biāo)對(duì)每一種機(jī)器學(xué)習(xí)算法所對(duì)應(yīng)訓(xùn)練完成的采收效率預(yù)測(cè)模型進(jìn)行評(píng)估，并同步引入網(wǎng)格搜索模型；[0075]利用網(wǎng)格搜索模型對(duì)所述每一種機(jī)器學(xué)習(xí)算法所對(duì)應(yīng)訓(xùn)練完成的采收效率預(yù)測(cè)模型進(jìn)行最優(yōu)超參數(shù)搜索并基于多個(gè)評(píng)價(jià)指標(biāo)與對(duì)應(yīng)的理想化閾值進(jìn)行評(píng)估，得到每一個(gè)采收效率預(yù)測(cè)模型的優(yōu)化后評(píng)價(jià)指標(biāo)值，通過(guò)雷達(dá)導(dǎo)圖擬合分析所述優(yōu)化后評(píng)價(jià)指標(biāo)值并篩選最優(yōu)模型，得到訓(xùn)練完成的理想采收效率預(yù)測(cè)模型。[0076]需要說(shuō)明的是，由于機(jī)器學(xué)習(xí)算法的種類(lèi)繁多，且每種機(jī)器學(xué)習(xí)算法所訓(xùn)練出的采收效率預(yù)測(cè)模型存在不同程度的性能差異，因此為了保障微藻浮珠浮選過(guò)程中的采收效率精準(zhǔn)預(yù)測(cè)穩(wěn)定性與可靠性，且能夠進(jìn)一步提升微藻浮珠浮選采收性能前提下，故而需訓(xùn)練構(gòu)建一個(gè)最優(yōu)的采收效率預(yù)測(cè)模型來(lái)應(yīng)用于微藻浮珠浮選試驗(yàn)。其中，劃分比例可按照70:30、75:25亦或者80:20的比例劃分為訓(xùn)練集和測(cè)試集。機(jī)器學(xué)習(xí)算法包括線性回歸、貝近算法。以反向傳播神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型示例(如圖5所述),將給出的已知數(shù)據(jù)，提取所需要的特征值并進(jìn)行預(yù)處理后，作為上述預(yù)測(cè)模型的輸入變量，運(yùn)行后獲得采收效率為84.94%。在目前試驗(yàn)室條件下，按給出已知數(shù)據(jù)作為操作參數(shù)對(duì)微藻進(jìn)行浮珠浮選獲得的采收效率為86.6±2.8%。通過(guò)本方法能夠不同機(jī)器學(xué)習(xí)算法對(duì)篩選后的多維微藻浮珠浮選數(shù)據(jù)包進(jìn)行精準(zhǔn)訓(xùn)練來(lái)獲取微藻浮珠浮選過(guò)程處于不同機(jī)器學(xué)習(xí)下的采收效率預(yù)測(cè)模型，并利用若干評(píng)價(jià)指標(biāo)以及超參數(shù)搜索進(jìn)一步評(píng)估優(yōu)化這些預(yù)測(cè)模型，從而便可選取一個(gè)預(yù)測(cè)性能表現(xiàn)最優(yōu)的機(jī)器學(xué)習(xí)下代表的采收效率預(yù)測(cè)模型；通過(guò)對(duì)比多種算法和模型的表現(xiàn)確保采收效率預(yù)測(cè)模型在實(shí)際應(yīng)用中預(yù)測(cè)準(zhǔn)確性和穩(wěn)定性，使得微藻浮珠浮選過(guò)程的采收效率獲取可信度大幅增加，保障后續(xù)微藻浮珠浮選的優(yōu)化精準(zhǔn)率。[0077]更具體地，所述利用網(wǎng)格搜索模型對(duì)所述每一種機(jī)器學(xué)習(xí)算法所對(duì)應(yīng)訓(xùn)練完成的采收效率預(yù)測(cè)模型進(jìn)行最優(yōu)超參數(shù)搜索并基于多個(gè)評(píng)價(jià)指標(biāo)與對(duì)應(yīng)的理想化閾值進(jìn)行評(píng)估，得到每一個(gè)采收效率預(yù)測(cè)模型的優(yōu)化后評(píng)價(jià)指標(biāo)值，通過(guò)雷達(dá)導(dǎo)圖擬合分析所述優(yōu)化后評(píng)價(jià)指標(biāo)值并篩選最優(yōu)模型，得到訓(xùn)練完成的理想采收效率預(yù)測(cè)模型，具體包括以下步[0078]評(píng)估過(guò)程中，通過(guò)網(wǎng)格搜索模型對(duì)每一種機(jī)器學(xué)習(xí)算法所對(duì)應(yīng)訓(xùn)練完成的采收效率預(yù)測(cè)模型的最優(yōu)超參數(shù)進(jìn)行搜索，以根據(jù)最優(yōu)超參數(shù)提高優(yōu)化機(jī)器學(xué)習(xí)算法模型的預(yù)測(cè)采收效率能力，此時(shí)獲取每一訓(xùn)練完成的采收效率預(yù)測(cè)模型輸出各評(píng)估指標(biāo)的優(yōu)化后評(píng)價(jià)指標(biāo)值；[0079]構(gòu)建雷達(dá)導(dǎo)圖，將所述各評(píng)估指標(biāo)的理想化閾值擬合于雷達(dá)導(dǎo)圖中，生成理想化評(píng)價(jià)指標(biāo)雷達(dá)導(dǎo)圖；[0080]在理想化評(píng)價(jià)指標(biāo)雷達(dá)導(dǎo)圖中擬合所述每一訓(xùn)練完成的采收效率預(yù)測(cè)模型輸出各評(píng)價(jià)指標(biāo)的優(yōu)化后評(píng)價(jià)指標(biāo)值，得到每一訓(xùn)練完成的采收效率預(yù)測(cè)模型對(duì)應(yīng)的優(yōu)化后評(píng)價(jià)指標(biāo)雷達(dá)導(dǎo)圖；[0081]獲取理想化評(píng)價(jià)指標(biāo)雷達(dá)導(dǎo)圖的雷達(dá)面積值，定義為第一雷達(dá)面積值，以及獲取每個(gè)優(yōu)化后評(píng)價(jià)指標(biāo)雷達(dá)導(dǎo)圖的雷達(dá)面積值，定義為第二雷達(dá)面積值，并逐一計(jì)算第二雷達(dá)面積值相較于第一雷達(dá)面積值之間的面積差，得到多個(gè)面積差值；[0082]只提取最小面積差值的優(yōu)化后評(píng)價(jià)指標(biāo)雷達(dá)導(dǎo)圖對(duì)應(yīng)訓(xùn)練完成的采收效率預(yù)測(cè)模型，標(biāo)記該提取的訓(xùn)練完成的采收效率預(yù)測(cè)模型為理想采收效率預(yù)測(cè)模型。[0083]需要說(shuō)明的是，對(duì)于每一種機(jī)器學(xué)習(xí)算法訓(xùn)練完成的采收效率預(yù)測(cè)模型的評(píng)估對(duì)比而言，傳統(tǒng)方法通常需要對(duì)每一個(gè)預(yù)測(cè)模型進(jìn)行每一項(xiàng)評(píng)價(jià)指標(biāo)的逐一計(jì)算比對(duì)，且優(yōu)化過(guò)程需依靠人工干預(yù)手動(dòng)調(diào)整預(yù)測(cè)模型的超參數(shù)來(lái)實(shí)現(xiàn)優(yōu)化，這使得不同機(jī)器學(xué)習(xí)算法之間預(yù)測(cè)模型評(píng)估優(yōu)化的篩選速率大幅降低，耗費(fèi)大量人力輸出成本，同時(shí)評(píng)估和優(yōu)化的結(jié)果存在較大的人為干預(yù)誤差，導(dǎo)致最終篩選出的采收效率預(yù)測(cè)模型的預(yù)測(cè)性能差強(qiáng)人意，不利于微藻浮珠浮選過(guò)程中采收效率和數(shù)據(jù)集的精準(zhǔn)優(yōu)化應(yīng)用。對(duì)此，本方法通過(guò)網(wǎng)格搜索模型的最優(yōu)超參數(shù)提高機(jī)器學(xué)習(xí)算法模型的預(yù)測(cè)采收效率能力，其中搜索的超參數(shù)包數(shù)、核函數(shù)與鄰居數(shù)，從而能夠使每種機(jī)器學(xué)習(xí)算法下預(yù)測(cè)模型的評(píng)估比對(duì)均實(shí)現(xiàn)最大限度趨于最優(yōu)化狀態(tài)，減少對(duì)比篩選時(shí)預(yù)測(cè)性能誤差較大的現(xiàn)象。本方法以雷達(dá)導(dǎo)圖的形式擬合各機(jī)器學(xué)習(xí)算法所訓(xùn)練出的預(yù)測(cè)模型優(yōu)化后的指標(biāo)數(shù)值，雷達(dá)導(dǎo)圖能夠在同一平面上同時(shí)展示各項(xiàng)評(píng)價(jià)指標(biāo)的評(píng)估值和變化幅度，因此只需比較每個(gè)預(yù)測(cè)模型對(duì)應(yīng)雷達(dá)導(dǎo)圖之間的雷達(dá)面積差異，便可快速知曉每個(gè)模型之間的預(yù)測(cè)性能評(píng)估優(yōu)劣，相較于傳統(tǒng)人工每一項(xiàng)評(píng)價(jià)指標(biāo)的逐一比對(duì)而言大大提升了評(píng)估速率和評(píng)估準(zhǔn)確率。通過(guò)本方法能夠使微藻浮珠浮選采收預(yù)測(cè)優(yōu)化所應(yīng)用的預(yù)測(cè)模型更加可靠精準(zhǔn)，提高微藻浮珠浮選的采收質(zhì)量。[0085]獲取微藻浮珠浮選的既定微藻特性數(shù)據(jù)、既定浮珠性質(zhì)數(shù)據(jù)以及既定操作參數(shù)數(shù)[0086]通過(guò)理想采收效率預(yù)測(cè)模型對(duì)所述既定輸入特征進(jìn)行估算預(yù)測(cè)，得到微藻浮珠浮選的既定采收效率值；[0087]基于訓(xùn)練完成的理想采收效率預(yù)測(cè)模型在大數(shù)據(jù)網(wǎng)絡(luò)中引入SHAP庫(kù)，通過(guò)SHAP庫(kù)計(jì)算既定浮珠性質(zhì)以及既定操作條件與所述既定采收效率值之間的SHAP,得到多個(gè)SHAP[0089]通過(guò)所述SHAPSummaryPlot可視化圖提取出代表既定浮珠性質(zhì)以及既定操作條分布格局圖的多個(gè)SHAP值分布格局確定出每種既定浮珠性質(zhì)以及既定操作條件對(duì)既定采收效率的影響程度。[0090]需要說(shuō)明的是，微藻浮珠浮選的浮珠性質(zhì)和操作條件對(duì)采收效率有著至關(guān)重要的影響，例如浮珠密度過(guò)高可能導(dǎo)致浮珠下沉，降低采收效率；又例如微藻濃度過(guò)高可能導(dǎo)致浮珠表面過(guò)飽和，反而降低效率等。因此為了實(shí)現(xiàn)進(jìn)一步提升微藻浮珠浮選的采收效率和優(yōu)化質(zhì)量，故而對(duì)于浮珠性質(zhì)以及操作條件對(duì)采收效率的影響程度計(jì)算非常必要。本方法布格局，由于SHAPSummaryPlot中的特征按照其對(duì)預(yù)測(cè)模型影響的重要性排序。重要且影響較大的特征排在頂部，影響較小的特征排在底部，因此通過(guò)查看每個(gè)特征的SHAP值分布便可得知特征與預(yù)測(cè)結(jié)果之間的關(guān)系；例如，如果一個(gè)特征的SHAP值在較高的特征值時(shí)呈現(xiàn)正向的分布，那么說(shuō)明該特征的較高取值有助于提高采收效率預(yù)測(cè)結(jié)果，故而本方法通過(guò)多個(gè)SHAP值的分布格局圖(如圖6所示)便能夠快速精準(zhǔn)的確定出每種既定浮珠性質(zhì)以及既定操作條件對(duì)既定采收效率的影響程度，為后續(xù)進(jìn)一步提升微藻浮珠浮選的采收效率和優(yōu)化質(zhì)量提供穩(wěn)定可靠的分析依據(jù)，更好的提高微藻浮珠浮選的采收效率，且使得微藻浮圖，用于對(duì)采收效率預(yù)測(cè)模型中所有特征的重要性及其對(duì)預(yù)測(cè)結(jié)果的影響進(jìn)行全面總結(jié)。[0092]基于所述影響程度降序排列每種既定浮珠性質(zhì)以及既定操作條件對(duì)既定采收效率對(duì)應(yīng)預(yù)測(cè)的既定輸入特征，得到既定輸入特征降序排列表；[0093]預(yù)設(shè)最佳輸入特征排序名次界限，在既定輸入特征降序排列表中提取出位于最佳輸入特征排序名次界限之上的一個(gè)或者多個(gè)既定輸入特征，標(biāo)定為優(yōu)選既定輸入特征；[0094]引入窮舉法改變所述一個(gè)或者多個(gè)優(yōu)選既定輸入特征的特征值，得到改變后的優(yōu)選既定輸入特征，通過(guò)訓(xùn)練完成的理想采收效率預(yù)測(cè)模型對(duì)一個(gè)或者多個(gè)所述改變后的優(yōu)選既定輸入特征進(jìn)行預(yù)測(cè)，得到新生采收效率值；[0095]只選取最大新生采收效率值下的浮珠性質(zhì)和操作參數(shù)值，并設(shè)置最大新生采收效率值下的浮珠性質(zhì)和操作參數(shù)值作為最優(yōu)浮珠浮選采收條件；[0096]將所述最優(yōu)浮珠浮選采收條件應(yīng)用至實(shí)驗(yàn)室的微藻浮珠浮選相關(guān)試驗(yàn)，以獲取微藻浮珠浮選相關(guān)試驗(yàn)生成的實(shí)際采收效率值，計(jì)算所述實(shí)際采收效率值與既定采收效率值之間的差異，得到采收效率偏差值；[0097]若所述采收效率偏差值大于預(yù)設(shè)采收效率偏差值，則根據(jù)采收效率偏差值豐富微藻浮珠浮選的數(shù)據(jù)集，并優(yōu)化理想采收效率預(yù)測(cè)模型的預(yù)測(cè)性能以及提升采收效率。[0098]需要說(shuō)明的是，通過(guò)本方法能夠利用訓(xùn)練完成