【技术实现步骤摘要】
本专利技术涉及水产养殖，尤其涉及基于近邻点的rbf水质参数空间分布预测方法及系统。
技术介绍
1、养殖池水环境是水生物赖以生存的重要场所，水环境的优劣直接影响水生物的正常繁殖和生长，而水环境受众多因素影响，各因子之间的作用错综复杂；为保障水产养殖水环境的安全，对水质关键参数的空间分布模型进行研究对水产养殖具有重要意义。
2、在以往的研究中对水质参数进行二维插值，将人工神经网络用于养殖池水质属性的三维空间插值的应用较少，但对水质参数进行二维插值仅局限于单点监测，无法使养殖管理人员了解整个池塘的水质参数的分布情况。
3、公开号为cn117195973a的基于改进pso的水产养殖水质参数预测方法中核函数选择为两种径向基函数组合，该模型虽然提高了非线性数据建模方面能力，但是存在预测精度不高的问题，且采用改进粒子群算法优化rbf的参数，存在容易陷入局部最优解的问题。
技术实现思路
1、针对现有方法的不足，本专利技术在rbf神经网络中融合混合高斯函数、反常s型函数和逆多二次函数的径向基函数，解决rbf存在过拟合和非线性建模能力弱的问题；并在k-means聚类算法中引入概率选择机选取中心点，使中心点更均匀地覆盖整个样本数据空间，解决rbf神经网络泛化能力差的问题；改进遗传算法的交叉概率和变异概率解决rbf神经网络中参数收敛速度慢的问题。
2、本专利技术所采用的技术方案是：基于近邻点的rbf水质参数空间分布预测方法包括以下步骤：
3、步骤一、构建养殖
4、步骤二、融合混合高斯函数、反常s型函数和逆多二次函数，构建rbf模型的径向基函数，并设置三个函数的权重系数，解决rbf模型的过拟合和提高rbf模型的非线性能力；
5、作为本专利技术的一种优选实施方式，融合混合高斯函数、反常s型函数和逆多二次函数的公式为：
6、
7、式中，和ci表示隐含层第i个神经元输出结果和中心位置；σi表示第i个神经元的基宽，||xt-ci||2表示欧氏距离，m和h为权重系数，n为隐含层神经元个数，x为养殖池任意点的值。
8、步骤三、采用概率选择法对k-means聚类算法进行优化，使径向基函数神经元的中心位置和基宽均匀覆盖数据空间内；
9、作为本专利技术的一种优选实施方式，采用概率选择法对k-means聚类算法进行优化包括：
10、(1)、随机选取一个样本点作为初始聚类中心c1和初始基宽σ1；
11、(2)、对于每一个样本点，计算其与当前已有聚类中心之间的最短距离，计算每个样本点被选为下一个聚类中心的概率，选择最大概率的样本点作为下一个中心点，使离已有中心点距离最远的点成为新的中心；
12、(3)、重复步骤(2)，直到选择了n个中心点为止；
13、(4)、更新rbf神经网络的中心位置ci和基宽σi。
14、作为本专利技术的一种优选实施方式，下一个聚类中心的概率的公式为：
15、
16、式中，d(x)表示样本点与当前已有聚类中心之间的最短距离，∑x∈xd(x)2表示所有数据点与已选择中心点的最短距离的总和。
17、步骤四、采用交叉概率和遗传概率对遗传算法进行优化，对rbf模型的连接权值和径向基函数的权重系数进行寻优，提升rbf模型中参数收敛速度；
18、作为本专利技术的一种优选实施方式，采用交叉概率和遗传概率对遗传算法进行优化，对rbf模型的连接权值和径向基函数的权重系数进行寻优包括：
19、(a)、对连接权值ωi和权重系数m、h进行编码，并初始化种群；
20、(b)、将每个染色体的位置信息映射到rbf神经网络；
21、(c)、利用误差函数计算染色体的适应度函数值；
22、(d)、利用交叉概率和变异概率对个体进行交叉变异；
23、(e)、读取个体中参数信息，并重新计算个体的适应度函数值，利用误差是否在目标范围内进行迭代。
24、作为本专利技术的一种优选实施方式，交叉概率的公式为：
25、
26、其中，式中，favg表示种群的平均适应值，fmax表示种群的最大适应度值，f'为第i条染色体的交叉适应度值，k1、k2为设置参数。
27、作为本专利技术的一种优选实施方式，变异概率的公式为：
28、
29、式中，favg表示种群的平均适应值，fmax表示种群的最大适应度值，f表示第i条染色体的变异适应度值，k3、k4为设置参数。
30、步骤五、利用训练集数据对改进后的rbf模型进行训练，利用预测均方根误差对rbf模型评估。
31、作为本专利技术的一种优选实施方式，基于近邻点的rbf水质参数空间分布预测系统，包括：存储器，用于存储可由处理器执行的指令；处理器，用于执行指令以实现基于近邻点的rbf水质参数空间分布预测方法。
32、作为本专利技术的一种优选实施方式，存储有计算机程序代码的计算机可读介质，计算机程序代码在由处理器执行时实现基于近邻点的rbf水质参数空间分布预测方法。
33、本专利技术的有益效果：
34、1、在rbf神经网络中引入混合高斯函数、反常s型函数和逆多二次函数的径向基函数，将三种径向基核函数根据权重的形式进行融合，使得模型获得更高的预测精度；
35、2、在k-means聚类算法中采用概率选择机制选择中心位置，这种概率选择机制有助于避免所有中心点聚集在数据分布的某一部分，而是更均匀地覆盖整个数据空间，提高模型的泛化能力；
36、3、在遗传算法中采用自适应交叉概率和变异概率，采取动态调整的方式对交叉概率和变异概率做出改进，在早期阶段，较高的交叉和变异概率可以帮助算法更快地探索搜索空间，而在进化的后期，概率的减小帮助种群在寻找完最优解后快速收敛，提高模型的收敛速度。
本文档来自技高网...【技术保护点】
1.基于近邻点的RBF水质参数空间分布预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于近邻点的RBF水质参数空间分布预测方法，其特征在于，融合混合高斯函数、反常S型函数和逆多二次函数的公式为：
3.根据权利要求1所述的基于近邻点的RBF水质参数空间分布预测方法，其特征在于，采用概率选择法对K-Means聚类算法进行优化包括：
4.根据权利要求1所述的基于近邻点的RBF水质参数空间分布预测方法，其特征在于，采用交叉概率和遗传概率对遗传算法进行优化，对RBF模型的连接权值和径向基函数的权重系数进行寻优包括：
5.根据权利要求3所述的基于近邻点的RBF水质参数空间分布预测方法，其特征在于，下一个聚类中心的概率的公式为：
6.根据权利要求4所述的基于近邻点的RBF水质参数空间分布预测方法，其特征在于，交叉概率的公式为：
7.根据权利要求4所述的基于近邻点的RBF水质参数空间分布预测方法，其特征在于，变异概率的公式为：
8.根据权利要求1所述的基于近邻点的RBF水质参数空间分布预测方法，其
9.基于近邻点的RBF水质参数空间分布预测系统，其特征在于，包括：存储器，用于存储可由处理器执行的指令；处理器，用于执行指令以实现如权利要求1-8任一项所述的基于近邻点的RBF水质参数空间分布预测方法。
10.存储有计算机程序代码的计算机可读介质，其特征在于，计算机程序代码在由处理器执行时实现如权利要求1-8任一项所述的基于近邻点的RBF水质参数空间分布预测方法。
...【技术特征摘要】
1.基于近邻点的rbf水质参数空间分布预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于近邻点的rbf水质参数空间分布预测方法，其特征在于，融合混合高斯函数、反常s型函数和逆多二次函数的公式为：
3.根据权利要求1所述的基于近邻点的rbf水质参数空间分布预测方法，其特征在于，采用概率选择法对k-means聚类算法进行优化包括：
4.根据权利要求1所述的基于近邻点的rbf水质参数空间分布预测方法，其特征在于，采用交叉概率和遗传概率对遗传算法进行优化，对rbf模型的连接权值和径向基函数的权重系数进行寻优包括：
5.根据权利要求3所述的基于近邻点的rbf水质参数空间分布预测方法，其特征在于，下一个聚类中心的概率的公式为：
6.根据权利要求4所述的基于近邻点的rbf水质参数...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。