技术领域
[0001] 本
发明涉及水体叶绿素a浓度预测领域，尤其是涉及一种基于云模型和声搜索的水体叶绿素a浓度预测方法。
背景技术
[0002] 水体叶绿素a浓度与海洋、湖泊和水库等的水环境
质量有密切的关系，并且水体叶绿素a浓度的预测对控制富营养化和藻类
生物量有重要的实际意义。然而，水体中叶绿素a浓度的变化过程是一个极其复杂的物理、化学和生物过程，传统水质数学模型难以较精确有效地描述水体叶绿素a浓度的变化规律。
[0003] 针对传统水质数学模型在预测水体叶绿素a浓度时存在的不足，许多研究人员将现代
人工智能的方法应用于水体叶绿素a浓度的预测，并且取得了一定的效果。例如：赵乐军等发明了一种基于BP神经网络的水体中叶绿素a浓度预测方法(
专利号:200710150185.4)；许晓毅提出了基于遗传－BP神经网络的叶绿素a浓度变化预测方法(许晓毅,韩亮华,罗固源,卜发平,豆俊峰.遗传-BP神经网络法预测叶绿素a浓度变化[J].中国给水排水,2012,01:59-62.)；王琦等利用BP神经网络来预测大伙房水库叶绿素a质量浓度(王琦,孟伟,
马云峰,胡筱敏.利用BP神经网络预测大伙房水库叶绿素a质量浓度[J].东北大学学报(自然科学版),2013，12:1792-1795+1800)；张成成等提出了基于
支持向量机的太湖梅梁湾叶绿素a浓度预测方法(张成成,陈求稳,徐强,张晓晴.基于支持向量机的太湖梅梁湾叶绿素a浓度
预测模型[J].环境科学学报,2013,10:2856-2861.)。
[0004] 支持向量机(SVM)是一种近年来兴起的现代人工智能方法，它已经成功地解决了许多分类和预测的工程实际问题。众多研究结果表明SVM在许多回归和预测的工程实际问题中能够比其他方法表现出更优的性能。然而，在利用SVM进行水体叶绿素a浓度预测时，其预测
精度往往取决于SVM中惩罚因子C、径向基核参数g和不敏感损失函数中参数ε的选择，这三个参数会极大地影响SVM的泛化能
力及预测性能，而如何有效地对这三个参数进行取值目前还没有完善的理论体系，因此如何准确有效地为惩罚因子C、径向基核参数g和不敏感损失函数中参数ε进行取值是有效利用SVM预测水体叶绿素a浓度的难题。针对这个难题，一些研究人员采用和声搜索
算法来优化SVM参数C、g和ε的值，但传统和声搜索算法在优化过程中容易出现收敛速度慢，陷入局部最优的缺点。
发明内容
[0005] 本发明主要是解决
现有技术所存在的技术问题；针对传统和声搜索算法在优化SVM参数C、g和ε的值时容易出现收敛速度慢，陷入局部最优的缺点，提出一种基于云模型和声搜索的水体叶绿素a浓度预测方法。本发明能够提高水体叶绿素a浓度的预测精度。
[0006] 本发明的技术方案：一种基于云模型和声搜索的水体叶绿素a浓度预测方法，包括以下步骤：
[0007] 步骤1，连续ND天采集需要预测区域的水样，每天检测采集水样中的叶绿素a浓度，以及与叶绿素a相关联的水质指标：
氨氮、总氮、总磷、正
磷酸盐、高锰酸盐指数、
硝酸盐氮、水温、溶解
氧、pH值、五日
生化需氧量，并将检测的水质指标作为样本数据集；
[0008] 步骤2，对采集到的水质指标样本数据集进行归一化处理，并将前70％设置为支持向量机的
训练数据集，后30％设置为测试数据集；
[0009] 步骤3，用户初始化预测跨度天数AN，和声库大小Popsize，记忆库学习率HMCR，
音调调整率PAR，最大评价次数MAX_FEs；
[0010] 步骤4，当前演化代数t＝0，并令支持向量机的待优化参数个数D＝3；
[0011] 步骤5，当前评价次数FEs＝0，
[0012] 步骤6，随机产生初始和声库 其中：个体下标i＝1,2,...,Popsize，并且 为和声库Pt中的第i个个体，其随机初始化公式
为：
[0013]
[0014] 其中下标j＝1,2,3； 为在和声库Pt中的第i个个体，存储了支持向量机的3个待优化参数的值，即 存储了支持向量机的惩罚因子C， 存储了支持向量机的径向基核参数g， 存储了支持向量机的不敏感损失函数中参数ε；rand(0,1)为在[0,1]之间服从均匀分布的随机实数产生函数，Loj和Upj分别为支持向量机的第j个待优化参数的取值范围的下界和上界；
[0015] 步骤7，计算和声库Pt中每个个体 的适应值 其中个体下标i＝1,2,...,Popsize，个体 的适应值 的计算方法如下：
[0016] 步骤7.1，令支持向量机的惩罚因子 支持向量机的径向基核参数支持向量机的不敏感损失函数中参数
[0017] 步骤7.2，以惩罚因子C、径向基核参数g和不敏感损失函数中参数ε作为支持向量机的训练参数，并以样本数据集中的前70％作为训练数据集来训练支持向量机，其中支持向量机的输入变量为归一化的一天的水质指标数据：氨氮、总氮、总磷、正磷酸盐、高锰酸盐指数、硝酸盐氮、水温、溶解氧、pH值、
五日生化需氧量、叶绿素a浓度；支持向量机的输出为归一化的AN天后的叶绿素a浓度值；
[0018] 步骤7.3，将样本数据集中的后30％作为测试数据集，然后把训练好的支持向量机在测试数据集上的均方误差作为个体 的适应值
[0019] 步骤8，当前评价次数FEs＝FEs+Popsize；
[0020] 步骤9，将和声库Pt中适应值最小的个体保存为最优个体Bestt；
[0021] 步骤10，结合基于云模型
采样的音调调整策略产生一个试验个体Ut，并计算试验t t个体U的适应值Fit(U )，具体步骤如下：
[0022] 步骤10.1，令计数器j＝1；
[0023] 步骤10.2，在[0,1]之间随机产生一个实数r1，如果r1小于记忆库学习率HMCR，则转到步骤10.3，否则转到步骤10.13；
[0024] 步骤10.3，在[1，Popsize]之间随机产生一个正整数RI1；
[0025] 步骤10.4，令
[0026] 步骤10.5，在[0,1]之间随机产生一个实数r2，如果r2小于音调调整率PAR，则转到步骤10.6，否则转到步骤10.14；
[0027] 步骤10.6，令优秀个体数量pBestN＝max(2,Popsize×r3)，实数r3为[0.05,0.2]之间随机产生的一个实数，其中max为取最大值函数；
[0028] 步骤10.7，从当前和声库的前pBestN个优秀个体中随机选择出一个个体[0029] 步骤10.8，令随机权值RK＝rand(0,1)；
[0030] 步骤10.9，令期望
[0031] 步骤10.10，令熵
[0032] 步骤10.11，令超熵He＝En/10.0；
[0033] 步骤10.12，以Ex为期望，En为熵，He为超熵，采用正态云发生器产生一个云滴Val，如果云滴Val的值超出了[Loj,Upj]之间的范围，则采用同样的方法重新产生云滴Val，直到云滴Val的值不超出[Loj,Upj]之间的范围，然后 转到步骤10.14；
[0034] 步骤10.13，令
[0035] 步骤10.14，令计数器j＝j+1，如果计数器j小于或等于D，则转到步骤10.2，否则转到步骤10.15；
[0036] 步骤10.15，计算试验个体Ut的适应值Fit(Ut)，转到步骤11；
[0037] 步骤11，令当前评价次数FEs＝FEs+1；
[0038] 步骤12，找到当前和声库中适应值最差个体的下标WI；
[0039] 步骤13，按以下公式在当前和声库中的最差个体 与个体Ut两者之间选择出更优个体进入下一代和声库：
[0040]
[0041] 步骤14，随机选择出一个个体，然后对选择出来的个体执行混沌局部搜索操作得到个体CUt，具体步骤如下：
[0042] 步骤14.1，在[1，Popsize]之间随机产生一个正整数RI2，并令中间混沌因子TCK为在[0,1]之间随机产生的一个实数，如果TCK等于0.25，0.50或0.75，则再重新产生直到TCK不等于0.25，0.50或0.75；
[0043] 步骤14.2，令计数器i＝1，并令混沌局部搜索最大次数CLN＝6；
[0044] 步骤14.3，如果计数器i小于或等于CLN，则转到步骤14.4，否则转到步骤15；
[0045] 步骤14.4，在[1，Popsize]之间随机产生两个互不相等，并且也不等于RI2的正整数RI3和RI4，并令当前混沌因子CK＝4.0×TCK×(1-TCK)；
[0046] 步骤14.5，令个体
[0047] 步骤14.6，在1到D之间的产生一个随机正整数RJ；
[0048] 步骤14.7，令
[0049] 步骤14.8，计算混沌局部搜索操作得到的个体CUt的适应值，并令当前评价次数FEs＝FEs+1；
[0050] 步骤14.9，如果个体CUt的适应值比个体 的适应值更优秀，则在当前和声库中用个体CUt替换个体 然后转到步骤15，否则转到步骤14.10；
[0051] 步骤14.10，令中间混沌因子TCK＝CK，并令计数器i＝i+1，转到步骤14.3；
[0052] 步骤15，将和声库Pt中适应值最小的个体保存为最优个体Bestt，当前演化代数t＝t+1；
[0053] 步骤16，重复步骤10至步骤15直至当前评价次数FEs达到MAX_FEs后结束，执行过程中得到的最优个体Bestt即为支持向量机的惩罚因子C、径向基核参数g和不敏感损失函数中参数ε的优化结果，将优化结果作为支持向量机的训练参数，并用训练数据集来训练支持向量机，训练好支持向量机后，将归一化的一天的水质指标数据输入到训练好的支持向量机，计算支持向量机的输出即可预测AN天后的叶绿素a浓度。
[0054] 本发明利用SVM来预测水体叶绿素a的浓度，将SVM的惩罚因子C、径向基核参数g和不敏感损失函数中参数ε编码成和声搜索算法的个体，设计了基于云模型采样的音调调整策略，从当前和声库的优秀个体中随机选择出一个个体，然后再随机选择出一个个体，将选择出来的两个个体进行算术交叉操作生成一个
基础个体，并结合正向正态云发生器进行产生新个体。此外，利用混沌搜索策略来进行局部搜索，增强算法的局部搜索能力；与同类方法相比，本发明能够提高水体叶绿素a浓度的预测精度。
附图说明
具体实施方式
[0056] 下面通过
实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
[0057] 实施例：
[0058] 步骤1，确定需要预测水体叶绿素a浓度的区域，连续ND＝50天采集该区域的水样，每天检测采集水样中的叶绿素a浓度，以及与叶绿素a相关联的水质指标：氨氮、总氮、总磷、正磷酸盐、高锰酸盐指数、硝酸盐氮、水温、溶解氧、pH值、五日生化需氧量，并将检测的水质指标作为样本数据集；
[0059] 步骤2，对采集到的水质指标样本数据集进行归一化处理，并将前70％设置为支持向量机的训练数据集，后30％设置为测试数据集；
[0060] 步骤3，用户初始化预测跨度天数AN＝2，和声库大小Popsize＝50，记忆库学习率HMCR＝0.95，音调调整率PAR＝0.6，最大评价次数MAX_FEs＝200000；
[0061] 步骤4，当前演化代数t＝0，并令支持向量机的待优化参数个数D＝3；
[0062] 步骤5，当前评价次数FEs＝0，
[0063] 步骤6，随机产生初始和声库 其中：个体下标i＝1,2,...,Popsize，并且 为和声库Pt中的第i个个体，其随机初始化公式
为：
[0064]
[0065] 其中下标j＝1,2,3； 为在和声库Pt中的第i个个体，存储了支持向量机的3个待优化参数的值，即 存储了支持向量机的惩罚因子C， 存储了支持向量机的径向基核参数g， 存储了支持向量机的不敏感损失函数中参数ε；rand(0,1)为在[0,1]之间服从均匀分布的随机实数产生函数，Lo＝[000]，Up＝[100011]，其中Loj和Upj分别为支持向量机的第j个待优化参数的取值范围的下界和上界；
[0066] 步骤7，计算和声库Pt中每个个体 的适应值 其中个体下标i＝1,2,...,Popsize，个体 的适应值 的计算方法如下：
[0067] 步骤7.1，令支持向量机的惩罚因子 支持向量机的径向基核参数支持向量机的不敏感损失函数中参数
[0068] 步骤7.2，以惩罚因子C、径向基核参数g和不敏感损失函数中参数ε作为支持向量机的训练参数，并以样本数据集中的前70％作为训练数据集来训练支持向量机，其中支持向量机的输入变量为归一化的一天的水质指标数据：氨氮、总氮、总磷、正磷酸盐、高锰酸盐指数、硝酸盐氮、水温、溶解氧、pH值、五日生化需氧量、叶绿素a浓度；支持向量机的输出为归一化的AN＝2天后的叶绿素a浓度值；
[0069] 步骤7.3，将样本数据集中的后30％作为测试数据集，然后把训练好的支持向量机在测试数据集上的均方误差作为个体 的适应值
[0070] 步骤8，当前评价次数FEs＝FEs+Popsize；
[0071] 步骤9，将和声库Pt中适应值最小的个体保存为最优个体Bestt；
[0072] 步骤10，结合基于云模型采样的音调调整策略产生一个试验个体Ut，并计算试验个体Ut的适应值Fit(Ut)，具体步骤如下：
[0073] 步骤10.1，令计数器j＝1；
[0074] 步骤10.2，在[0,1]之间随机产生一个实数r1，如果r1小于记忆库学习率HMCR，则转到步骤10.3，否则转到步骤10.13；
[0075] 步骤10.3，在[1，Popsize]之间随机产生一个正整数RI1；
[0076] 步骤10.4，令
[0077] 步骤10.5，在[0,1]之间随机产生一个实数r2，如果r2小于音调调整率PAR，则转到步骤10.6，否则转到步骤10.14；
[0078] 步骤10.6，令优秀个体数量pBestN＝max(2,Popsize×r3)，实数r3为[0.05,0.2]之间随机产生的一个实数，其中max为取最大值函数；
[0079] 步骤10.7，从当前和声库的前pBestN个优秀个体中随机选择出一个个体[0080] 步骤10.8，令随机权值RK＝rand(0,1)；
[0081] 步骤10.9，令期望
[0082] 步骤10.10，令熵
[0083] 步骤10.11，令超熵He＝En/10.0；
[0084] 步骤10.12，以Ex为期望，En为熵，He为超熵，采用正态云发生器产生一个云滴Val，如果云滴Val的值超出了[Loj,Upj]之间的范围，则采用同样的方法重新产生云滴Val，直到云滴Val的值不超出[Loj,Upj]之间的范围，然后 转到步骤10.14；
[0085] 步骤10.13，令
[0086] 步骤10.14，令计数器j＝j+1，如果计数器j小于或等于D，则转到步骤10.2，否则转到步骤10.15；
[0087] 步骤10.15，计算试验个体Ut的适应值Fit(Ut)，转到步骤11；
[0088] 步骤11，令当前评价次数FEs＝FEs+1；
[0089] 步骤12，找到当前和声库中适应值最差个体的下标WI；
[0090] 步骤13，按以下公式在当前和声库中的最差个体 与个体Ut两者之间选择出更优个体进入下一代和声库：
[0091]
[0092] 步骤14，随机选择出一个个体，然后对选择出来的个体执行混沌局部搜索操作得到个体CUt，具体步骤如下：
[0093] 步骤14.1，在[1，Popsize]之间随机产生一个正整数RI2，并令中间混沌因子TCK为在[0,1]之间随机产生的一个实数，如果TCK等于0.25，0.50或0.75，则再重新产生直到TCK不等于0.25，0.50或0.75；
[0094] 步骤14.2，令计数器i＝1，并令混沌局部搜索最大次数CLN＝6；
[0095] 步骤14.3，如果计数器i小于或等于CLN，则转到步骤14.4，否则转到步骤15；
[0096] 步骤14.4，在[1，Popsize]之间随机产生两个互不相等，并且也不等于RI2的正整数RI3和RI4，并令当前混沌因子CK＝4.0×TCK×(1-TCK)；
[0097] 步骤14.5，令个体
[0098] 步骤14.6，在1到D之间的产生一个随机正整数RJ；
[0099] 步骤14.7，令
[0100] 步骤14.8，计算混沌局部搜索操作得到的个体CUt的适应值，并令当前评价次数FEs＝FEs+1；
[0101] 步骤14.9，如果个体CUt的适应值比个体 的适应值更优秀，则在当前和声库中用个体CUt替换个体 然后转到步骤15，否则转到步骤14.10；
[0102] 步骤14.10，令中间混沌因子TCK＝CK，并令计数器i＝i+1，转到步骤14.3；
[0103] 步骤15，将和声库Pt中适应值最小的个体保存为最优个体Bestt，当前演化代数t＝t+1；
[0104] 步骤16，重复步骤10至步骤15直至当前评价次数FEs达到MAX_FEs后结束，执行过程中得到的最优个体Bestt即为支持向量机的惩罚因子C、径向基核参数g和不敏感损失函数中参数ε的优化结果，将优化结果作为支持向量机的训练参数，并用训练数据集来训练支持向量机，训练好支持向量机后，将归一化的一天的水质指标数据输入到训练好的支持向量机，计算支持向量机的输出即可预测AN＝2天后的叶绿素a浓度。
[0105] 本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的
修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附
权利要求书所定义的范围。
