(19)國家知識產(chǎn)權(quán)局(12)發(fā)明專利(10)授權(quán)公告號CN114841412B(65)同一申請的已公布的文獻號(73)專利權(quán)人大連大學(xué)地址116622遼寧省大連市經(jīng)濟技術(shù)開發(fā)區(qū)學(xué)府大街10號(72)發(fā)明人李曉梅劉歡汪祖民審查員曹秋瑾(74)專利代理機構(gòu)大連智高專利事務(wù)所(特殊普通合伙)21235專利代理師蓋小靜(54)發(fā)明名稱一種海參生長水質(zhì)中酸堿度的預(yù)測方法本發(fā)明公開了一種海參生長水質(zhì)中酸堿度的預(yù)測方法，包括：對采集的多種水質(zhì)數(shù)據(jù)進行清洗與修復(fù)；篩選出與酸堿度PH相關(guān)的水質(zhì)因子、氣象因子；對修復(fù)的水質(zhì)因子數(shù)據(jù)進行多模態(tài)分解，以獲取各模態(tài)分量IMF;將所述各模態(tài)分量IMF與原始數(shù)據(jù)進行差值校驗，得出殘差校驗數(shù)據(jù)R;所述各模態(tài)分量IMF與水質(zhì)因子、氣象因子、殘差校驗數(shù)據(jù)融合，形成擴展模態(tài)分量數(shù)據(jù)new-IMFs;對所述擴展模態(tài)分量數(shù)據(jù)new-IMFs做歸一標(biāo)準(zhǔn)化處理；將歸一標(biāo)準(zhǔn)化處理后的擴展模態(tài)分量數(shù)據(jù)進行分割，以獲取訓(xùn)練集、測試集與驗證集；本發(fā)明通過高度分解探索目標(biāo)因子PH的特性，融合多關(guān)聯(lián)影響因子與水質(zhì)預(yù)測因子之間2對修復(fù)的水質(zhì)因子數(shù)據(jù)進行多模態(tài)分解，分解為趨勢分量、周向變分模態(tài)分量中的趨勢分量以及周期分量中加入高斯白噪聲，然后將各模態(tài)分量分割后的擴展模態(tài)分量數(shù)據(jù)做格式轉(zhuǎn)換，然后輸入到循環(huán)神經(jīng)網(wǎng)絡(luò)LSTM中進行擬合訓(xùn)對預(yù)測結(jié)果進行重構(gòu)逆歸一化，并且自動還原原始數(shù)據(jù)列，再使用線性插值算法對剔除后的多種水質(zhì)數(shù)據(jù)進行插值操作，所述算法使用到的公式5.根據(jù)權(quán)利要求1或4所述一種海參生長水質(zhì)中酸堿度的預(yù)測方法，其特征在于，獲取根據(jù)下式對分解中所有分量列表u和中心頻率值@進行更新；3式中f指傅里葉變換公式；依據(jù)給定的評判標(biāo)準(zhǔn)，不斷迭代，直至迭代K次以及濾波器迭代精度小于ε,停止迭代；其中評判標(biāo)準(zhǔn)為：6.根據(jù)權(quán)利要求1所述一種海參生長水質(zhì)中酸堿度的預(yù)測方法，其特征在于，將所述各模態(tài)分量IMF與原始數(shù)據(jù)進行差值校驗，得出殘差校驗數(shù)據(jù)R,具體為：將目標(biāo)因子Y進行多模態(tài)分解，形成k個IMF分量，Y的形狀由(n,1)轉(zhuǎn)為(n,k),同時產(chǎn)生一個差值分量R;其數(shù)據(jù)格式轉(zhuǎn)換如下式：7.根據(jù)權(quán)利要求1所述一種海參生長水質(zhì)中酸堿度的預(yù)測方法，其特征在于，所述向變分模態(tài)分量中的趨勢分量以及周期分量中加入高斯白噪聲，然后將各模態(tài)分量IMF與水質(zhì)模態(tài)分量數(shù)據(jù)列的長度，randn代表隨機生成；將矩陣D變?yōu)槿S矩陣T,形狀為(12,q,m)其數(shù)據(jù)格式如下所示：8.根據(jù)權(quán)利要求1所述一種海參生長水質(zhì)中酸堿度的預(yù)測方法，其特征在于，對所述擴展模態(tài)分量數(shù)據(jù)new-IMFs做歸一標(biāo)準(zhǔn)化處理，具體為：4將具有不同量綱的水質(zhì)數(shù)據(jù)變?yōu)閇0,1]之間的同量綱數(shù)據(jù)，x為t時刻的測量值，min[x]為某測量數(shù)據(jù)列中的最小值，max[x]為某測量數(shù)據(jù)列中的最大值。9.根據(jù)權(quán)利要求1所述一種海參生長水質(zhì)中酸堿度的預(yù)測方法，其特征在于，平均絕對其中，y;為目標(biāo)因子的真實值，為目標(biāo)因子的預(yù)測值，通過不同的評判函數(shù)，對所構(gòu)建模型的性能進行評判。10.根據(jù)權(quán)利要求1所述一種海參生長水質(zhì)中酸堿度的預(yù)測方法，其特征在于，預(yù)測結(jié)果pre_Y使用下面公式得出：5一種海參生長水質(zhì)中酸堿度的預(yù)測方法技術(shù)領(lǐng)域[0001]本發(fā)明涉及海參生長水質(zhì)管理技術(shù)領(lǐng)域，具體涉及一種基于變分模態(tài)分解與特征融合的海參生長水質(zhì)中酸堿度的預(yù)測方法。背景技術(shù)[0002]海參屬于生物修復(fù)性物種，其對水質(zhì)的要求極高。如果水質(zhì)受到污染，海參也會出現(xiàn)自溶甚至死亡的現(xiàn)象。隨著信息化的普及，各領(lǐng)域基本實現(xiàn)了智能化甚至智慧系統(tǒng)。PH作為影響海參生長水質(zhì)的重要參數(shù)之一，對其提前做出合理的預(yù)測是實現(xiàn)海參智慧養(yǎng)殖強有力的科學(xué)決策依據(jù)。在研究中發(fā)現(xiàn)，水文的復(fù)雜特性可總結(jié)為：(1)水質(zhì)數(shù)據(jù)屬于時序數(shù)據(jù)，具有很強的周期特性；(2)由于天氣因素波動大，數(shù)據(jù)呈現(xiàn)強不穩(wěn)定性；(3)多種水質(zhì)數(shù)據(jù)中間存在復(fù)雜相關(guān)性。若只是簡單使用原數(shù)據(jù)對海參生長水質(zhì)中PH進行分析預(yù)測，其結(jié)果并不準(zhǔn)確。[0003]目前，對海水的水質(zhì)預(yù)測模型可以劃分為三種類型。第一種是水動力模擬模型，例如S-P、EFDC等，該模型描述多維水質(zhì)指標(biāo)的變化規(guī)律，但對區(qū)域性數(shù)據(jù)要求較高，精度度難以掌握。第二種是基于機器學(xué)習(xí)的回歸分析模型，例如統(tǒng)計回歸、SVR等，該模型簡單，但不適用于非線性問題的應(yīng)用。第三種是神經(jīng)網(wǎng)絡(luò)模型，該模型沒有體現(xiàn)出時間先后時序關(guān)系。發(fā)明內(nèi)容[0004]針對現(xiàn)有技術(shù)存在的上述缺陷，本發(fā)明提出一種海參生長水質(zhì)中酸堿度的預(yù)測方法，其通過高度分解探索目標(biāo)因子PH的特性，融合多關(guān)聯(lián)影響因子與水質(zhì)預(yù)測因子之間的關(guān)系，形成一種“分解-融合-預(yù)測-重構(gòu)”模型，提高對水質(zhì)預(yù)測的精度。[0005]為實現(xiàn)上述目的，本申請的技術(shù)方案為：一種海參生長水質(zhì)中酸堿度的預(yù)測方法，包括：[0006]對采集的多種水質(zhì)數(shù)據(jù)進行清洗與修復(fù)；[0007]篩選出與酸堿度PH相關(guān)的水質(zhì)因子、氣象因子，以用于后期的模型實驗；[0008]對修復(fù)的水質(zhì)因子數(shù)據(jù)進行多模態(tài)分解，以獲取各模態(tài)分量IMF;[0009]將所述各模態(tài)分量IMF與原始數(shù)據(jù)進行差值校驗，得出殘差校驗數(shù)據(jù)R;[0010]所述各模態(tài)分量IMF與水質(zhì)因子、氣象因子、殘差校驗數(shù)據(jù)融合，形成擴展模態(tài)分量數(shù)據(jù)new-IMFs;[0011]對所述擴展模態(tài)分量數(shù)據(jù)new-IMFs做歸一標(biāo)準(zhǔn)化處理；[0012]將歸一標(biāo)準(zhǔn)化處理后的擴展模態(tài)分量數(shù)據(jù)進行分割，以獲取訓(xùn)練集、測試集與驗證集；[0013]分割后的擴展模態(tài)分量數(shù)據(jù)做格式轉(zhuǎn)換，進行擬合訓(xùn)練學(xué)習(xí)；并將每個擴展模態(tài)分量的驗證集與測試集的數(shù)據(jù)使用平均絕對誤差MAE、平均絕對百分比誤差MAPE、均方根誤差RMSE進行性能評價；[0014]對預(yù)測結(jié)果進行重構(gòu)逆歸一化，并且自動還原原始數(shù)據(jù)列，再次對預(yù)測數(shù)據(jù)進行6誤差獲取。[0016]對多種水質(zhì)數(shù)據(jù)中的冗余數(shù)據(jù)進行剔除；[0017]具體的，在對數(shù)據(jù)的清洗工作中，由于自主搭建的無線通信數(shù)據(jù)采集系統(tǒng)會出現(xiàn)信號不穩(wěn)定以及網(wǎng)絡(luò)延遲等，導(dǎo)致非周期性采集數(shù)據(jù)，因此需要對冗余數(shù)據(jù)的進行剔除，以保證數(shù)據(jù)的同步性；[0018]使用線性插值算法對剔除后的多種水質(zhì)數(shù)據(jù)進行插值操作，所述算法使用到的公[0020]其中，f(x)為要填充的數(shù)值，x為某個時刻的目標(biāo)因子值，xt-1xt+1分別為前一時刻與后一時刻的目標(biāo)因子值。[0022]進一步地，篩選出與酸堿度PH相關(guān)的水質(zhì)因子與氣象因子，具體為：采用斯皮爾-曼秩方式對修復(fù)過的數(shù)據(jù)進行相關(guān)性分析，篩選出與溶解氧因子具有強相關(guān)性的水質(zhì)因[0023]進一步地，對修復(fù)的水質(zhì)因子數(shù)據(jù)進行多模態(tài)分解，具體為：首先對修復(fù)的水質(zhì)因子數(shù)據(jù)通過Hilbert變換得到單邊頻譜信號，然后將所述單邊頻譜信號平移到基帶，進而進行帶寬估計。[0025]初始化參數(shù)：分量個數(shù)k=5,雙重上升時間步長tau=0,中心約束強度alpha=[0026]根據(jù)下式對分解中所有分量列表u和中心頻率值@進行更新；[0030]依據(jù)給定的評判標(biāo)準(zhǔn)，不斷迭代，直至迭代K次以及濾波器迭代精度小于ε,停止迭[0032]更進一步地，將所述各模態(tài)分量IMF與原始數(shù)據(jù)進行差值校驗，得出殘差校驗數(shù)據(jù)R,具體為：[0034]將目標(biāo)因子Y進行多模態(tài)分解，形成k個IMF分量，Y的形狀由(n,1)轉(zhuǎn)為(n,k),同時7產(chǎn)生一個差值分量R;其數(shù)據(jù)格式轉(zhuǎn)換如下式：擴展模態(tài)分量數(shù)據(jù)new-IMFs,具體為：[0037]在各模態(tài)分量IMF中加入高斯白噪聲r,融合后形成矩陣D,如公式所示：[0039]式中u為形成的單一模態(tài)分量，ζ;為水質(zhì)因子二維矩陣，s2為模態(tài)分量的計算方[0040]具體的，為防止目標(biāo)因子預(yù)測過擬合，在各模態(tài)分量IMF中加入高斯白噪聲r,分量個數(shù)k設(shè)置為6,分量1代表趨勢分量，分量2-3代表周期分量，分量4-6代表產(chǎn)生的噪音分量，為降低噪音分量加入高斯噪聲產(chǎn)生更大的影響，分量4-6不加高斯噪聲。[0041]將矩陣D變?yōu)槿S矩陣T,形狀為(12,q,m)其數(shù)據(jù)格式如下所示：[0046]將具有不同量綱的水質(zhì)數(shù)據(jù)變?yōu)閇0,1]之間的同量綱數(shù)據(jù)，x為t時刻的測量值，min[x]為某測量數(shù)據(jù)列中的最小值，max[x]為某測量數(shù)據(jù)列中的最大值。[0047]作為更進一步地，平均絕對誤差MAE、平均絕對百分比誤差MAPE、均方根誤差RMSE的評價函數(shù)分別為：[0051]其中，y為目標(biāo)因子的真實值，y為目標(biāo)因子的預(yù)測值，通過不同的評判函數(shù)，對所構(gòu)建模型的性能進行評判。8[0052]作為更進一步地，預(yù)測結(jié)果pre_Y使用下面公式得出：[0056]1.由于海水存在較強腐蝕性會造成傳感器數(shù)據(jù)傳輸不穩(wěn)定，本發(fā)明實現(xiàn)了數(shù)據(jù)的修復(fù)處理。[0057]2.針對海水水質(zhì)所存在的非線性和非機理性結(jié)構(gòu)，使用變分模態(tài)分解技術(shù)提取出海參生長水質(zhì)中酸堿度PH的表層特征。[0058]3.為防止對海參生長水質(zhì)數(shù)據(jù)預(yù)測的過擬合，在部分表層特征中加入高斯白噪聲，進一步融合其他水質(zhì)影響因子，從而進行分量的循環(huán)預(yù)測，提高海參生長水質(zhì)預(yù)測的準(zhǔn)確率。[0059]4.本發(fā)明可為該領(lǐng)域的養(yǎng)殖人員提供科學(xué)決策依據(jù)，為海參養(yǎng)殖業(yè)實現(xiàn)智能化養(yǎng)殖做出良好鋪墊。附圖說明[0060]圖1為基于變分模態(tài)分解與多特征融合長短時記憶網(wǎng)絡(luò)(VLSTM)的水質(zhì)預(yù)測流程[0061]圖2為多特征相關(guān)性分析圖；[0062]圖3為多模態(tài)分解(VMD)分量圖和中心頻率圖；[0063]圖4為單一長短時記憶網(wǎng)絡(luò)(LSTM)和VLSTM對PH預(yù)測對比圖；[0065]圖6為預(yù)測值與原始數(shù)據(jù)的error曲線圖。具體實施方式[0066]為了使本申請的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本申請進行進一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅用以解釋本申請，并不用于限定本申請，即所描述的實施例僅僅是本申請一部分實施例，而不是全部的實施例。通常在此處附圖中描述和示出的本申請實施例的組件可以以各種不同的配置來布置和設(shè)計。[0067]因此，以下對在附圖中提供的本申請的實施例的詳細(xì)描述并非旨在限制要求保護的本申請的范圍，而是僅僅表示本申請的選定實施例?；诒旧暾埖膶嵤├?，本領(lǐng)域技術(shù)人員在沒有做出創(chuàng)造性勞動的前提下所獲得的所有其他實施例，都屬于本申請保護的范圍。[0068]實施例1[0069]如圖1所示，本實施例提供一種海參生長水質(zhì)中酸堿度的預(yù)測方法，首先對水質(zhì)歷史數(shù)據(jù)分解為趨勢分量、周期分量和噪音分量三類變分模態(tài)分量IMFs,其次將模態(tài)分量做特征融合處理，然后將處理后的時間序列數(shù)據(jù)通過循環(huán)神經(jīng)網(wǎng)絡(luò)LSTM進行多模態(tài)回歸建模分析，最后對各模態(tài)分量的預(yù)測值進行拼接重構(gòu)，同時將殘差值輸入模型進行循環(huán)預(yù)測，最CN114841412B說9終完成對海參生長水質(zhì)指標(biāo)數(shù)據(jù)進行點預(yù)測。[0070]以研究團隊搭建的智慧水產(chǎn)養(yǎng)殖監(jiān)測平臺，對大連市金州區(qū)一海參養(yǎng)殖圈的水質(zhì)數(shù)據(jù)進行采集，采集周期為30分鐘，采集數(shù)據(jù)包括水溫、鹽分、PH、空氣溫度、風(fēng)速、氣壓、降雨量、空氣濕度以及溶解氧等十二維相關(guān)數(shù)據(jù)，實驗數(shù)據(jù)選擇2021年06月22日至2021年07月05日的數(shù)據(jù)，該時間段屬于海參生長旺盛的周期段，其數(shù)據(jù)具有一定的代表性，數(shù)據(jù)長度為645。在模型訓(xùn)練之前，將其整個數(shù)據(jù)分為訓(xùn)練集、測試集和驗證集，分割的比例為7:2:1,最終使用驗證集和三個評價函數(shù)(mae、mape、rmse)進行性能的判定。該方法對于短期實時的水質(zhì)預(yù)測具有一定的參考性與實用性。[0071]首先對數(shù)據(jù)進行清洗與分析，可發(fā)現(xiàn)數(shù)據(jù)存在異常缺失以及數(shù)據(jù)冗余等情況。針對此現(xiàn)象，對多種水質(zhì)數(shù)據(jù)中的冗余數(shù)據(jù)進行剔除，并使用線性插值法進行了數(shù)據(jù)修復(fù)工作，如下表所示。[0072]表1酸堿度PH數(shù)據(jù)修復(fù)值時間修正值[0075]對數(shù)據(jù)進行修復(fù)之后，使用斯皮爾-曼秩相關(guān)性分析法篩選出對酸堿度PH影響相關(guān)性較大的水質(zhì)因子和氣象因子，分析結(jié)果如圖2所示。根據(jù)水質(zhì)相關(guān)性評判標(biāo)注，若相關(guān)性|r|小于0.2,則認(rèn)為該因子與酸堿度PH不相關(guān)，否則互為相關(guān)。圖中觀察得出空氣濕度、室內(nèi)濕度、露點以及總降雨量與酸堿度PH呈負(fù)相關(guān)，其|r|大于0.2,可分析出隨著空氣濕度和降雨量的增大，酸堿度會逐漸降低。相對氣壓、溶解氧以及鹽度與酸堿度PH呈正相關(guān)，其|r|大于0.2,可證明隨著氣壓、溶解氧和鹽度的增大，海參生長水質(zhì)中的酸堿度PH會逐漸增大。通過分析，可篩選出空氣和室內(nèi)濕度、相對氣壓、露點、總降雨量、溶解氧以及鹽度七維數(shù)據(jù)。[00