[发明专利]一种基于数据修复的池塘溶解氧预测方法

权利要求书

1.一种基于数据修复的池塘溶解氧预测方法，其特征在于包括以下几个步骤：

(1)确定预测对象，针对集约化、工厂化水产中的池塘溶解氧进行预测，定义气象因子和水产养殖环境因子两大影响因素，与两大影响因素相关的b个指标参数构成溶解氧预测的基本输入变量，将溶解氧浓度作为预测输出变量，b为正整数；

(2)定义气象综合指数，获得气象综合指数评价结果；

首先，定义m个气象因素作为气象综合指数的评价指标，确定因子分析法进行气象综合指数的评定，m为小于b的正整数；

其次，确定特征因子，并计算各得分因子的系数；采用因子分析法中的主成分分析为因子提取的方法，以特征值大于1的因子为公共因子，按照特征值大于1为准则，从多个气象综合指数的评价指标中提取j个公因子作为气象综合指数的评价；并定义它们分别为F₁，F₂，…,F_j；j为小于m的正整数；

通过式(1)计算j个公共因子的得分：

F_ij＝∑X_imga_mj (1)

式中：i表示评估气象综合指数的样本数，j表示提取的公共因子数，m代表指标体系的评价指标数，F_ij为第i组样本第j个因子得分，a_mj为第m个变量在第j因子上的得分系数，X_im为第j个因子在第m个变量上的数值；

最后，获得气象综合指数评价结果，确定光照特征因子F₁-F_j这几个公因子的方差贡献率作为公因子权重系数，通过加权法，获得池塘气象综合指数的评价结果，计算公式如下式：

式中：MI_i为气象综合指数得分，W_j为j个公共因子方差贡献率，F_ij为因子得分；

(3)数据修复与数据标准化处理，过程如下：

首先，对数据采集过程中前后时间间隔小的丢失数据，使用线性插值法进行插补，公式如下：

式中，x_k和x_k+j分别为已知k时刻和k+j时刻的监测水质数据，x_k+i为k+i时刻丢失的水质监测数据值；当时间间隔大时，选择气象综合指数差值最小的相同时刻的数据进行填补；

其次，若某时刻水质数据的浮动超过前后相邻时刻监测数据值的10％，则认为该数据为“脏”数据，选择气象综合指数差值最小的相同时刻的数据进行替换，并保证替换数据与前后相邻时刻差值不超过10％；

最后，对指标进行标准化处理，针对逆指标采取取负值的正向化方法，公式如下：

X′＝-X (4)

完成指标的正向化后，使用Z分值法作为标准化方法，标准化公式为：

式中：n为评价年份数；为X_mn的均值；S_n为X_mn的标准差；原数据经标准化处理后，得到的标准化值Z_mn的均值为0，方差为1；

(4)GRNN神经网络模型构建，过程如下：

构建的GRNN网络结构包含输入层、模式层、求和层和输出层；设置输入变量为X＝[X₁,X₂,…,X_n]^T，输出层为Y＝[Y₁,Y₂,…,Y_k]^T，X_i,Y_i分别为神经网络的输入变量值和输出变量值，σ为高斯函数的宽度系数，也可称为光滑因子,评价年份数n作为模式层神经元数目，各神经元对应不同的样本，则其模式层传递函数表达式为：

p_i＝exp[-(X-X_i)^T(X-X_i)/2σ²]i＝1,2,...,n (6)

在求和层中，求和方式是基于两种类型的神经元，在计算公式为的一类中，它对所有模式层神经元的输出进行算数求和，其模式层与各神经元的连接权值为1，传递函数为：

在计算公式为的这类中，它是对所有模式神经元进行加权求和，模式层中第i个神经元与求和层中第j个分子求和神经元之间的连接权值为第i个输出样本Y_i中的第j个元素，其传递函数为：

输出层中的神经元数目等于样本中输出向量维数k，将各神经元求和层的输出相除，即得到神经元j输出对应估计结果的第j个元素：

y_j＝S_Nj/S_D (9)

(5)初始化GRNN神经网络：

确定神经网络输入层神经元n个，输出层神经元为1个，确定初始参数SPREAD＝0.1；GRNN神经网络输入表示为x₁，x₂,…,x_n，神经网络期望输出表示为y；

(6)训练神经网络：

基于数据处理的GRNN神经网络，采用线性插值法对丢失或发生异常的数据进行修复；以GRNN神经网络输出的误差为迭代依据，从而确定最优参数SPREAD值，再将参数用于GRNN网络，最终输出符合精度要求的结果。