一种水质预测方法技术

本发明专利技术提出一种水质预测方法，所述方法利用回归型支持向量机

【技术实现步骤摘要】
一种水质预测方法


[0001]本专利技术涉及水质检测
，尤其是一种水质预测方法
。

技术介绍

[0002]湖泊水质影响了其周围生物包括人类的用水安全，为了能够提前做出防范措施，需要对水质进行预测
。
传统的预测算法由于水质系统的复杂性而难以形成有效的非线性系统
。
[0003]目前，现有的技术包括利用灰色神经网络对水质做出预报，然后通过马尔科夫矫正误差残值，这种方法可以修正数值比较容易接近真实数值；有利用灰色神经网络和人工神经网络相结合，利用该算法对水质进行预测；还有通过细分外推极限法和多参考数加权的模糊预测法对时间序列进行了优选
,
检测结果表明细分外推极限法设计的时间序列预测能够获得良好的检测结论
。

技术实现思路

[0004]本专利技术提出一种水质预测方法，其预测值更接近真实值，性能更优越
。
改进后的算法可用于溶解氧的早期预报
。
[0005]本专利技术采用以下技术方案
。
[0006]一种水质预测方法，所述方法利用回归型支持向量机
SVR
算法来预测水中的溶解氧，通过人工免疫算法
AIA
来优化回归型支持向量机
SVR
中的参数
C
和参数
g
以减少人为因素的主观影响并提高支持向量机的泛用性和性能，所述方法将向量机模型的输出与各类水质参数进行相关性计算，选出相关性系数较高的水质参数作为模型的输入，以提升算法的准确性
。
[0007]所述方法包括以下步骤；
[0008]步骤
S1、
选取与溶解氧相关系数较高的水质数据作为算法的输入节点，水质数据包括水温
、
电导率
、
总磷
、
化学需氧量，溶解氧则为算法的输出节点；将这些水质历史数据进行归一化处理得到测试集与训练集；
[0009]步骤
S2、
构建
SVR
水质预测模型，将人工免疫算法产生的抗体作为回归型支持向量机
SVR
模型中的参数
c
和参数
g
；
[0010]步骤
S3、
将步骤
S1
中得到的训练集的数据带入到模型当中，对比分析不同参数
c
与参数
g
作用下的
SVR
模型对溶解氧的预测精确度；
[0011]步骤
S4、
将
SVR
产生的预测精确度作为人工免疫算法的亲和度函数，将繁殖概率高的参数保留下来作为记忆细胞；
[0012]步骤
S5、
同时为了避免算法陷入局部最优解，对记忆细胞中亲和度较低的抗体进行随机变异，最后形成新的父代群；
[0013]步骤
S6、
对人工免疫算法新生成的父代群应用步骤
c
进行重新筛选，直到迭代结束；
[0014]步骤
S7、
迭代结束后得到的参数
c
和参数
g
即为最优值，也即最优的算法模型，将测试集的数据带入模型中即可得到溶解氧的预测值
。
[0015]步骤
S1
所述的相关性系数为引入的相关系数
CC
，用于选取合适的水质数据作为输入节点，相关系数
CC
用来显示两个变量间关系的密切度，特别是这些变量的趋势；
[0016]相关系数
CC
定义为：
[0017][0018]其中
X,Y
是需要对比的水质数据与溶解氧数据，
cov(X,Y)
为两数据间的协方差，
σ
x
和
σ
y
为两数据的方差；相关系数
|CC|<0.4
为弱相关，
0.4<|CC|<0.7
为中等强度相关，
|CC|>0.7
为强相关
。
[0019]所述步骤
S2
所述的回归型支持向量机的水质预测模型具体为：
[0020]假设存在一组训练样本
L(x,y)
，其中
x
表示训练样本的输入数据，也即其他水质数据，
y
表示训练样本对应的输出数据，也即溶解氧数据；为了确定二者对应的关系，设在高维特征空间中建立线性回归函数：
[0021]f(x)
＝
w
φ
(x)+b
公式二；
[0022]其中
φ
(x)
为非线性映射函数
。
为了求解
w
和
b
，这里引入松弛变量
ξ
i
，数学表达式为：
[0023][0024]上式约束条件为：
[0025][0026]为了求解公式四，同样引入
Largrange
函数，并转换为对偶形式：
[0027][0028]上式约束条件为：
[0029][0030]其中
K(x
i
,z
i
)
为核函数
。
[0031]步骤
S3
所述的不同的参数
c
和参数
g
作用下的
SVR
模型，具体表现为：
c
为惩罚因子，决定整个
SVR
模型函数对误差的要求，随着
c
的数值增大，函数对出现的误差值要求越严格，易导致过多地错过真实数据；随着
c
的数值减小，函数对出现的误差值要求越宽松，易使函
数的筛选作用失效；
[0032]核函数
K(x
i
,z
i
)
采用
RBF
，其中高斯核函数
RBF
使离平面较远的数据点权重降低，以使得
RBF
对高低频数据的处理快于其他核函数，能
RBF
核函数相比于其他核函数更快的帮回归型支持向量机找到合适的平面；所述
RBF
的参数
g
通过影响高斯函数作用的范围来影响泛化性能，参数
g
的数值太大易使高斯函数的作用范围太小使得其他一些数据并没有得到分类，参数
g
的数值太小易使高斯函数作用到过多的数据而降低数据分类的效果，无法在训练集上得到较好的训练效果，使测试集的预测结果劣化
。
[0033]步骤
S4
所述的繁殖概率计算具体步骤如下：
[0034]步骤
A1、
分析问题
。
...

【技术保护点】

【技术特征摘要】
1.
一种水质预测方法，其特征在于：所述方法利用回归型支持向量机
SVR
算法来预测水中的溶解氧，通过人工免疫算法
AIA
来优化回归型支持向量机
SVR
中的参数
C
和参数
g
以减少人为因素的主观影响并提高支持向量机的泛用性和性能，所述方法将向量机模型的输出与各类水质参数进行相关性计算，选出相关性系数较高的水质参数作为模型的输入，以提升算法的准确性
。2.
根据权利要求1所述的一种水质预测方法，其特征在于：所述方法包括以下步骤；步骤
S1、
选取与溶解氧相关系数较高的水质数据作为算法的输入节点，水质数据包括水温
、
电导率
、
总磷
、
化学需氧量，溶解氧则为算法的输出节点；将这些水质历史数据进行归一化处理得到测试集与训练集；步骤
S2、
构建
SVR
水质预测模型，将人工免疫算法产生的抗体作为回归型支持向量机
SVR
模型中的参数
c
和参数
g
；步骤
S3、
将步骤
S1
中得到的训练集的数据带入到模型当中，对比分析不同参数
c
与参数
g
作用下的
SVR
模型对溶解氧的预测精确度；步骤
S4、
将
SVR
产生的预测精确度作为人工免疫算法的亲和度函数，将繁殖概率高的参数保留下来作为记忆细胞；步骤
S5、
同时为了避免算法陷入局部最优解，对记忆细胞中亲和度较低的抗体进行随机变异，最后形成新的父代群；步骤
S6、
对人工免疫算法新生成的父代群应用步骤
c
进行重新筛选，直到迭代结束；步骤
S7、
迭代结束后得到的参数
c
和参数
g
即为最优值，也即最优的算法模型，将测试集的数据带入模型中即可得到溶解氧的预测值
。3.
根据权利要求2所述的一种水质预测方法，其特征在于：步骤
S1
所述的相关性系数为引入的相关系数
CC
，用于选取合适的水质数据作为输入节点，相关系数
CC
用来显示两个变量间关系的密切度，特别是这些变量的趋势；相关系数
CC
定义为：其中
X,Y
是需要对比的水质数据与溶解氧数据，
cov(X,Y)
为两数据间的协方差，
σ
x
和
σ
y
为两数据的方差；相关系数
|CC|<0.4
为弱相关，
0.4<|CC|<0.7
为中等强度相关，
|CC|>0.7
为强相关
。4.
根据权利要求2所述的一种水质预测方法，其特征在于：所述步骤
S2
所述的回归型支持向量机的水质预测模型具体为：假设存在一组训练样本
L(x,y)
，其中
x
表示训练样本的输入数据，也即其他水质数据，
y
表示训练样本对应的输出数据，也即溶解氧数据；为了确定二者对应的关系，设在高维特征空间中建立线性回归函数：
f(x)
＝
w
φ
(x)+b
公式二；其中
φ
(x)
为非线性映射函数
。
为了求解
w
和
b
，这里引入松弛变量
ξ
i
，
ξ
i*
，数学表达式为：
上式约...

【专利技术属性】
技术研发人员：陈爱华，郑金洪，黄健萌，占沛远，范贵源，张传琦，何惺，
申请(专利权)人：福州大学，
类型：发明
国别省市：