CN103778482A - 基于多尺度分析的水产养殖溶解氧短期预测方法 - Google Patents

Abstract

本发明公开了一种基于多尺度分析的水产养殖溶解氧短期预测方法，其中该方法包括：在线获取集约化水产养殖溶解氧时间序列数据；对所述溶解氧时间序列数据进行小波分解，得到不同频率尺度的溶解氧的高频细节分量和低频近似分量；根据所述的溶解氧的高频细节分量和低频近似分量，采用柯西粒子群优化最小二乘支持向量回归建立溶解氧短期预测模型，以进行水产养殖溶解氧短期预测。上述基于多尺度分析的水产养殖溶解氧短期预测方法，根据具有非线性和大时滞特征的溶解氧时间序列数据进行高精度预测，为后续集约化水产养殖水质智能调控提供决策依据，可广泛应用于集约化水产领域。

Description

基于多尺度分析的水产养殖溶解氧短期预测方法

技术领域

本发明涉及水产养殖和数据处理领域，特别涉及水产养殖中的水质预测方法。

背景技术

养殖水体是水产品栖息场所，存在复杂的物理、化学和生物过程，养殖水体水质的好坏直接决定着水产品的生长状况及其产品质量。快速、准确的水质预测可以为水质调控管理提供决策依据，在防范水质恶化，提高水产品质量和水产品健康养殖、推进渔业信息现代化中将发挥重要的作用。

目前，对水质预测主要有基于机理预测模型和基于数值定量预测模型，但基于机理预测模型要求测量水质参数较多，计算量大，误差累积率高，不满足水产养殖企业对溶解氧短期预测的需求。而基于数值定量预测方法常采用多项式回归、数理统计法、灰色***理论法、神经网络模型法、水质模拟模型法等方法，它们各自有各自的研究特点和使用条件，但是上述预测的效果都不是很好，预测精度不能满足集约化水产养殖短期预测的需要。

发明内容

（一）要解决的技术问题

本发明要解决的技术问题为：提高溶解氧短期预测的精度，实现准确、快速的预测。

（二）技术方案

为了解决该技术问题，本发明提出了一种基于多尺度分析的水产养殖溶解氧短期预测方法，所述预测方法包括以下步骤：

获取集约化水产养殖池塘的溶解氧数据，按照时间顺序排列成溶解氧时间序列数据；

使用多贝西小波分解模型对所述溶解氧时间序列数据进行四层小波分解，获得不同尺度下的所述溶解氧时间序列数据的四组高频细节分量和一组低频近似分量；

将所述四组高频细节分量和一组低频近似分量中的一部分数据作为训练样本集，另一部分数据作为测试样本集，用柯西粒子群优化最小二乘支持向量回归机算法根据训练样本集建立四组高频细节分量和一组低频近似分量的非线性预测模型，分组输入所述测试样本集中的四组高频细节分量数据和一组低频近似分量数据，得到四组高频细节分量和一组低频近似分量的预测结果；

采用小波逆变换法将所述四组高频细节分量和一组低频近似分量的预测结果进行小波重构，得到最终的水体中溶解氧预测值。

优选地，该方法进一步包括：

生成溶解氧时间序列数据后，对所述溶解氧时间序列数据中的残缺值进行修复处理。

优选地，该方法进一步包括：

设定自相关度阈值，对应每一个可能的嵌入维数的取值计算溶解氧时间序列数据的自相关度，将自相关度大于自相关度阈值时对应的所有嵌入维数取值中最大的一个选定为嵌入维数。

优选地，作为训练样本集的一部分数据占总数的60%-90%，作为测试样本集的另一部分数据占总数的10%-40%。

优选地，所述用柯西粒子群优化最小二乘支持向量回归机算法根据训练样本集建立四组高频细节分量和一组低频近似分量的非线性预测模型包括：

选择径向基函数作为所述最小二乘支持向量回归机的核函数，选择最小二乘支持向量回归机的正则化参数和径向基核函数参数作为优化选择参数，将最小二乘支持向量回归机的正则化参数和核函数参数别作为粒子的x轴和y轴坐标，随机产生粒子的初始位置和速度；

确定基于最小二乘支持向量回归机算法输入参数维数，建立预测模型，得到对应支持向量回归机模型的输入向量和输出向量；

分别将溶解氧时间序列数据的高频细节分量和低频近似分量的训练样本集输入所述的最小二乘支持向量回归机中，计算每个粒子的适应度值，如果该粒子的适应度小于它经过的最好位置，则将其作为当前的最好位置，如果该粒子的适应度小于群体所经过的最好位置，则将其作为当前的最好位置；如果达到设定的最大迭代次数，则停止迭代，获得最佳组合参数；

由最佳组合参数构建基于最小二乘支持向量回归机的非线性回归模型。

（三）有益效果

本发明的技术方案基于小波分析和柯西粒子群优化最小二乘支持向量回归机对进行预测，具有以下有益效果：（1）通过小波分解，将由历史养殖溶解氧时间序列数据依尺度分解成不同尺度的高频分量和低频分量序列，消除噪音的干扰，提高预测精度；（3）以小波分解的水质高频和低频分量序列分别作为样本集，柯西粒子群可以优化选择最小二乘支持向量回归机模型参数，提高了最小二乘支持向量回归机的预测精度；（4）为水产养殖人员做出准确的水质优化调控决策提供可靠、有效的技术支撑。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明一个实施例的基于多尺度分析的水产养殖溶解氧短期预测方法的流程图。

图2是根据本发明另一个实施例的基于多尺度分析的水产养殖溶解氧短期预测方法的流程图。。

图3是根据本发明另一个实施例的基于多尺度分析的水产养殖溶解氧短期预测方法中的建立基于柯西粒子群优化最小二乘支持向量回归机模型的流程图。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。

下面结合图1说明本发明的基于多尺度分析的水产养殖溶解氧短期预测方法的一个实施例，如图1所示，该方法包括：

步骤1：获取集约化水产养殖溶解氧时间序列数据。具体为：获取集约化水产养殖池塘的溶解氧数据，按照时间顺序排列成溶解氧时间序列数据。

步骤2：对所述溶解氧时间序列数据进行小波分解，得到高频细节分量和低频近似分量。具体为：使用多贝西小波分解模型对所述溶解氧时间序列数据进行四层小波分解，获得不同尺度下的所述溶解氧时间序列数据的四组高频细节分量和一组低频近似分量；

步骤3：用柯西粒子群优化最小二乘支持向量回归机算法建立高频细节分量和低频近似分量的非线性预测模型。具体为：将所述四组高频细节分量和一组低频近似分量中的一部分数据作为训练样本集，另一部分数据作为测试样本集，用柯西粒子群优化最小二乘支持向量回归机算法根据训练样本集建立四组高频细节分量和一组低频近似分量的非线性预测模型，分组输入所述测试样本集中的四组高频细节分量数据和一组低频近似分量数据，得到四组高频细节分量和一组低频近似分量的预测结果；

步骤4：小波重构，得到水产养殖溶解氧预测值。具体为：采用小波逆变换法将所述四组高频细节分量和一组低频近似分量的预测结果进行小波重构，得到最终的水体中溶解氧预测值。

该方法还可以包括：在生成溶解氧时间序列数据后，对所述溶解氧时间序列数据中的残缺值进行修复处理。这是因为数据传输过程中会有些数据丢失，或因为传感器老化造成数据出现一些残缺值和奇异值，如一些数据为零，或某个数据突然变的很大等情况都认为是是残缺值，这样会影响预测的准确度，所以要进行残缺值修复预处理。当然，若数据没有残缺值，或容许一定的残缺值和奇异值导致的误差，那么就可以不需要这个步骤。

该方法还可以包括：设定自相关度阈值，对应每一个可能的嵌入维数的取值计算溶解氧时间序列数据的自相关度，将自相关度大于自相关度阈值时对应的所有嵌入维数取值中最大的一个选定为嵌入维数。嵌入维数作用是确定预测模型在输入时，确定预测时刻前面的几个时刻的数据作为同时输入模型的参数，维数太多或太少对模型训练和优化效果不好，所以要确定嵌入维数。通过自相关度计算选择的嵌入维数会使得预测模型更加精确的同时减少不必要的计算量。当然也可以通过经验值或其他方法来选择嵌入维数，或者直接把嵌入维数定位0，此时该步骤就不是必须的了。

另外。可以设定作为训练样本集的一部分数据占总数的80%，作为测试样本集的另一部分数据占总数的20%。当然也可以选择其他的比例，但上述比例通过实验证明是比较理想的取值。

在该实施例中，所述用柯西粒子群优化最小二乘支持向量回归机算法根据训练样本集建立四组高频细节分量和一组低频近似分量的非线性预测模型包括：

选择径向基函数作为所述最小二乘支持向量回归机的核函数，选择最小二乘支持向量回归机的正则化参数和径向基核函数参数作为优化选择参数，将最小二乘支持向量回归机的正则化参数和核函数参数别作为粒子的x轴和y轴坐标，随机产生粒子的初始位置和速度；

确定基于最小二乘支持向量回归机算法输入参数维数，建立预测模型，得到对应支持向量回归机模型的输入向量和输出向量；

分别将溶解氧时间序列数据的高频细节分量和低频近似分量的训练样本集输入所述的最小二乘支持向量回归机中，计算每个粒子的适应度值，如果该粒子的适应度小于它经过的最好位置，则将其作为当前的最好位置，如果该粒子的适应度小于群体所经过的最好位置，则将其作为当前的最好位置；如果达到设定的最大迭代次数，则停止迭代，获得最佳组合参数；

由最佳组合参数构建基于最小二乘支持向量回归机的非线性回归模型。

该实施例基于小波分析和柯西粒子群优化最小二乘支持向量回归机对进行预测，具有以下有益效果：（1）通过小波分解，将由历史养殖溶解氧时间序列数据依尺度分解成不同尺度的水质高频分量和低频分量序列，消除噪音的干扰，提高预测精度；（3）以小波分解的水质高频和低频分量序列分别作为样本集，柯西粒子群可以优化选择最小二乘支持向量回归机模型参数，提高了最小二乘支持向量回归机的预测精度；（4）为水产养殖人员做出准确的水质优化调控决策提供可靠、有效的技术支撑。

为了更清楚的说明本发明的技术方案，下面以另一个更为详尽的实施例说明本发明的方法的流程。该实施例包括了上一个实施例的所有内容，其中，步骤S1是对应上一个实施例的步骤1的进一步详尽描述，步骤S4对应于步骤2，步骤S5对应于步骤3，步骤S6对应于步骤4，因此对该实施例的细节描述同样适用于上一个实施例。该实施例的流程如图2所示，包括以下步骤：

步骤S1：在线获取传感器实时且等时间间隔采集的集约化水产养殖池塘的溶解氧数据，按照时间顺序排列成溶解氧时间序列数据X，

所述溶解氧时间序列数据X记为：X＝{xt,t＝1,2,…,N}，其中，N为溶解氧时间序列数据的个数且N为正整数；

步骤S2：对溶解氧时间序列数据X中的残缺值修复处理，残缺值是指按照等时间顺序，某个时间点的数据缺少或者突然过大过小的值；

可以采用计算式

修复溶解氧时间序列数据中的残缺值，其中t为数据残缺的时间点，x(t)为修复后的溶解氧时间序列数据，t₁和t₂分别是与残缺点相邻最近的前后两个有效的观测点，且t₁<t<t₂，x(t₁)和x(t₂)分别为与观测点t₁和t₂相对应别的历史溶解氧时间序列数值。当然也可以采用其他的方法，比如仅对前后两个数据取平均。

步骤S3：选取嵌入维数m。溶解氧数据作为一个时间序列，具有很强的自相关性，因此初始时，嵌入维数m取小于溶解氧时间序列数据的个数时的每个正整数，分别采用下式计算m取不同值时溶解氧时间序列数据X的自相关度：

其中，r_m为自相关度，0≤r_m≤1，μ和

分别为溶解氧时间序列的均值和标准差，m为嵌入维数。

最后选定的嵌入维数m是由数据之间的自相关度来决定的。用户设定一个自相关度阈值r_T，0≤r_T≤1，就可以计算得到相应的嵌入维数

即在大于rT的所有自相关度r_m集合中，取对应的r_m值最大的一个，此时m就是选定的嵌入维数。

步骤S4：将溶解氧时间序列数据X看作离散的数据序列，选择多贝西小波建立小波分解数学模型，对所述溶解氧时间序列数据X进行4层小波分解，获得不同尺度下的所述溶解氧时间序列数据X的高频细节分量d₁、d₂、d₃、d₄和一组低频近似分量a₄；

可使用多贝西小波(Daubechies Wavelet)对所述训练水质样本序列数据进行4层尺度小波分解，以得到不同尺度下的水质高频细节分量值序列和一组低频细节分量值序列。离散小波分解公式：

a_4(t)=f[a_4(t-1),a_4(t-2),...,a_4(t-m)]

d_l(t)=f[d_l(t-1),d_l(t-2),...,d_l(t-m)]，l＝1,2,3,4

S5：首先对预测模型进行初始化，建立预测模型，采用柯西粒子群算法对预测模型进行训练与优化，检查算法终止条件，若满足终止条件则得到最佳组合参数的预测模型。即将溶解氧时间序列数据X的80%的高频细节分量d₁、d₂、d₃、d₄和低频近似分量a₄数据分别作为训练样本集，剩下的分别作为测试样本集，用柯西粒子群优化最小二乘支持向量回归机算法分别建立溶解氧时间序列数据X的高频细节分量d₁、d₂、d₃、d₄和低频近似分量a₄的非线性预测模型，分别输入所述溶解氧时间序列数据X的高频细节分量d₁、d₂、d₃、d₄和低频近似分量a₄的测试样本，得到所述的溶解氧时间序列数据X的高频细节分量d₁、d₂、d₃、d₄和低频近似分量a₄的测试样本预测结果；

S6：采用小波逆变换法将溶解氧时间序列数据X的高频细节分量d₁、d₂、d₃、d₄和低频近似分量a₄预测结果进行小波重构，得到最终的集约化水产养殖溶解氧预测值。

图3为本发明基于柯西粒子群优化最小二乘支持向量回归机模型的流程图。如图2所示，根据本发明实施例柯西粒子群优化最小二乘支持向量回归机算法，包括以下步骤：

S51：模型参数初始化，该步骤主要包括选择最小二乘支持向量回归机核函数和粒子群初始化两部分。

1）首先选择径向基函数

（δ为核函数参数）作为所述最小二乘支持向量回归机的核函数，最小二乘支持向量回归机的正则化参数γ和径向基核函数参数δ作为优化选择参数；

$\min J(\mathrm{\&omega;},\mathrm{\&xi;})=\frac{1}{2}{\mathrm{\&omega;}}^T\mathrm{\&omega;}+\frac{\mathrm{\&gamma;}}{2}\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{\mathrm{\&xi;}}^T\mathrm{\&xi;}---\left(2\right)$

式中，x_i∈R^l和y_i∈R¹分别为***的输入输出向量，R^l和R¹分别为多维空间的数据和1维空间的数据，ξ_i∈R为经验误差，b为偏置量，γ∈R+是正则化参数，

为输入空间到特征空间的非线性映射。

2）粒子群初始化，将最小二乘支持向量回归机的正则化参数γ和核函数参数δ分别作为粒子的x轴和y轴坐标，随机产生粒子的初始位置x和速度v，设置粒子群体规模为M，最大迭代次数为t_max，正则化参数γ∈[0,500],核函数参数δ∈[0,1]；

S52：预测模型的建立，确定基于最小二乘支持向量回归机算法输入参数维数，对于溶解氧时间序列数据X＝{x_t,t＝1,2,…,N},假设t时刻的所述溶解氧时间序列数据x_t可由t-1，t-2，…，t-m时刻的溶解氧时间序列数据x_t-1,x_t-2,…,x_t-m来进行预测，则可建立映射f：R^m→R,

预测模型可表示为：

x_t=f[x_t-1,x_t-2,...,x_t-m]

式中，m为嵌入维数。

经过小波分解后的溶解氧时间序列数据X的高频细节分量d₁、d₂、d₃、d₄和一组低频近似分量a₄，则预测模型为：

a_4(t)=f[a_4(t-1),a_4(t-2),...,a_4(t-m)]

d_l(t)=f[d_l(t-1),d_l(t-2),...,d_l(t-m)]，l＝1,2,3,4

以溶解氧时间序列数据x的低频近似分量a₄为例，按照表1可以得到对应支持向量回归机模型的输入向量和输出向量。

表1最小二乘支持向量回归机输入向量和输出向量的结构

S53：基于柯西粒子群的预测模型训练与优化，该步骤主要包括最小二乘支持向量回归机的训练，计算粒子适应度、自适应和柯西变异操作，粒子适应度重新计算及确定全局最优粒子的位置，检查算法终止条件等四部分。1）分别将溶解氧时间序列数据X的高频细节分量d₁、d₂、d₃、d₄和低频近似分量a₄的训练样本集输入所述的最小二乘支持向量回归机中，采用计算式

计算每个粒子的适应度值Fitness，其中

和分别为t时刻所述的溶解氧时间序列数据X的某个分量的真实值（即采集的数据）和预测值，z为该子序列训练样本的个数。

2）对于所有的粒子，如果每个粒子的适应度与它经过的适应度最小的位置即最好位置作比较，如果该粒子的适应度小于它经过的最好位置

则将其作为当前的最好位置

将每个粒子的适应度与群体所经过的最好位置

（即群体中所有粒子的最好位置中适应度最小的位置）作比较，如果该粒子的适应度小于群体所经过的最好位置

则将其作为群体当前的最好位置

3）：每个粒子的t+1时刻的位置

和速度

计及惯性权重

的计算式分别为：

$v_{\mathrm{ij}}^{t+1}=(1-\mathrm{\&lambda;})\&CenterDot;w_{\mathrm{ij}}^t\&CenterDot;v_{\mathrm{ij}}^t+\mathrm{\&lambda;}\&CenterDot;\mathrm{Cauchy}\left(\mathrm{0,1}\right)+c_1\&CenterDot;{\mathrm{\&eta;}}_1\&CenterDot;(P_{{\mathrm{best}}_{\mathrm{ij}}}-x_{\mathrm{ij}}^t)+c_2\&CenterDot;{\mathrm{\&eta;}}_2\&CenterDot;(G_{{\mathrm{best}}_j}-x_{\mathrm{ij}}^t)$

$x_{\mathrm{ij}}^{t+1}=x_{\mathrm{ij}}^t+v_{\mathrm{ij}}^{t+1}$

其中，η₁和η₂为[0,1]之间的随机数，c₁，c₂为加速度系数，Cauchy(0,1)为产生柯西分布的随机数，w为惯性权重，λ为增量系数，β为自适应系数，

为速度衰减系数，

和分别为第i个粒子和第m个粒子在时间t时刻的适应度函数。

4）：检查算法终止条件，如果达到设定的最大迭代次数t_max，则停止迭代，获得最佳组合参数（γ，δ）；否则，跳转到步骤S54；

S54：由最佳组合参数（γ，δ），构建基于最小二乘支持向量回归机的非线性回归模型：

$Y_j=f\left(x_j\right)=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i-{\mathrm{\&alpha;}}_i^{*})K(x_j,x_i^{*})+b$

其中x_j为输入向量，是溶解氧数据X_t经过分解后的分量中任一数据，Y_j为对应的输出向量，代表溶解氧预测值，α_i、

为Lagrange乘子，b是相应的偏差值，K是最小二乘支持向量回归机的核函数符号。

为了使得本发明实施例的有益效果更加明显，下面举例说明。

以某河蟹养殖池塘2012年9月份的获取的溶解氧时间序列数据作为原始数据，训练样本数为1728，预测样本数为423。

本实施例设置自相关阈值r_T为65％，根据嵌入维数

计算得到此时对应的嵌入维数m＝4。由嵌入维数m得到最小二乘支持向量回归机模型训练样本输入矩阵IP和输出矩阵OP为：

$\left[\begin{array}{cccc}{x}_1,& x_2,& x_3,& x_4\\ x_2,& x_3,& x_4,& x_5\\ ...& ...& ...& ...\\ x_{1796},& x_{1797},& x_{1798},& x_{1799}\end{array}\right]=\left[\begin{array}{c}{\mathrm{IP}}_1\\ {\mathrm{IP}}_2\\ ...\\ {\mathrm{IP}}_{1796}\end{array}\right],\mathrm{OP}=\left[\begin{array}{c}{x}_5\\ x_6\\ ...\\ x_{1800}\end{array}\right]=\left[\begin{array}{c}{\mathrm{OP}}_1\\ {\mathrm{OP}}_2\\ ...\\ {\mathrm{OP}}_{1796}\end{array}\right]$

采用多贝西小波(Daubechies Wavelet)对溶解氧时间序列X的训练数据集进行4层深度小波分解，得到溶解氧时间序列X的高频细节分量值序列d₁、d₂、d₃、d₄和一个低频细节分量值序列a₄。

以小波分解后的分量序列数据作为训练样本集，采用柯西粒子群优化算法确定最小二乘支持向量回归机模型参数（γ，δ），在本实施例中，柯西粒子群算法参数初始化为;种群规模size_pop=80，粒子维数m₁=2，惯性权重最大值和最小值分别为w_max=0.92和ω_min=0.3，最大迭代次数t_max=200，加速度常量c₁＝c₂=1.41。获得最佳参数组合见表2。

表2最佳参数组合

根据最佳的模型参数，分别构建最小二乘支持向量回归机预测模型，并采用测试集对预测模型性能测试。

本实施例中，采用均方根误差（RMSE）,平均绝对误差百分比(MAPE),以及相关性系数(R²)作为衡量水质预测结果误差的标准。

$\mathrm{RMSE}=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{(x_i-{\hat{x}}_i)}^2}$

$\mathrm{MAPE}(\%)=\frac{100}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\left|\frac{x_i-{\hat{x}}_i}{x_i}\right|$

$R^2=\frac{{\left(\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}(x_i-\stackrel{\&OverBar;}{x})({\hat{x}}_i-\tilde{x})\right)}^2}{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{(x_i-\stackrel{\&OverBar;}{x})}^2\&CenterDot;\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{({\hat{x}}_i-\tilde{x})}^2}$

式中，N是样本集中样本的数量，

是观察数据的平均值，是预测结果的平均值，x_i and 

分别是观测值和预测值。MAPE和RMSE更注重预测模型的总体平均性能，R²体现预测值和观测值的相关性程度。

为验证本发明的有效性，分别使用标准最小二乘支持向量回归机(Standard LSSVR)、复杂结构径向基神经网络（FS-RBFNN）、小波混沌遗传算法优化最小二乘支持向量回归机(WA-CGA-LSSVR)模型进行对比分析，其预测误差统计结果如表3所示。由表3可以看出：采用柯西粒子群优化最小二乘支持向量回归机方法（WA-CPSO-LSSVR）的水质预测方法在RMSE、MAPE和R²都优于Standard LSSVR，FS-RBFNN、WA-CGA-LSSVR模型。

表3各种预测方法对数据的预测误差比较

本领域技术人员可以理解，本发明的实施例可以采用硬件、软件、固件或三者任意组合的方式实现。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (5)

1.一种基于多尺度分析的水产养殖溶解氧短期预测方法，其特征在于，所述预测方法包括以下步骤：

获取集约化水产养殖池塘的溶解氧数据，按照时间顺序排列成溶解氧时间序列数据；

使用多贝西小波分解模型对所述溶解氧时间序列数据进行四层小波分解，获得不同尺度下的所述溶解氧时间序列数据的四组高频细节分量和一组低频近似分量；

将所述四组高频细节分量和一组低频近似分量中的一部分数据作为训练样本集，另一部分数据作为测试样本集，用柯西粒子群优化最小二乘支持向量回归机算法根据训练样本集建立四组高频细节分量和一组低频近似分量的非线性预测模型，分组输入所述测试样本集中的四组高频细节分量数据和一组低频近似分量数据，得到四组高频细节分量和一组低频近似分量的预测结果；

采用小波逆变换法将所述四组高频细节分量和一组低频近似分量的预测结果进行小波重构，得到最终的水体中溶解氧预测值。

2.根据权利要求1所述的基于多尺度分析的水产养殖溶解氧短期预测方法，其特征在于，该方法进一步包括：

生成溶解氧时间序列数据后，对所述溶解氧时间序列数据中的残缺值进行修复处理。

3.根据权利要求1所述的基于多尺度分析的水产养殖溶解氧短期预测方法，其特征在于，该方法进一步包括：

设定自相关度阈值，对应每一个可能的嵌入维数的取值计算溶解氧时间序列数据的自相关度，将自相关度大于自相关度阈值时对应的所有嵌入维数取值中最大的一个选定为嵌入维数。

4.根据权利要求1所述的基于多尺度分析的水产养殖溶解氧短期预测方法，其特征在于，作为训练样本集的一部分数据占总数的60%-90%，作为测试样本集的另一部分数据占总数的10%-40%。

5.根据权利要求1所述的基于多尺度分析的水产养殖溶解氧短期预测方法，其特征在于，所述用柯西粒子群优化最小二乘支持向量回归机算法根据训练样本集建立四组高频细节分量和一组低频近似分量的非线性预测模型包括：

选择径向基函数作为所述最小二乘支持向量回归机的核函数，选择最小二乘支持向量回归机的正则化参数和径向基核函数参数作为优化选择参数，将最小二乘支持向量回归机的正则化参数和核函数参数别作为粒子的x轴和y轴坐标，随机产生粒子的初始位置和速度；

确定基于最小二乘支持向量回归机算法输入参数维数，建立预测模型，得到对应支持向量回归机模型的输入向量和输出向量；

分别将溶解氧时间序列数据的高频细节分量和低频近似分量的训练样本集输入所述的最小二乘支持向量回归机中，计算每个粒子的适应度值，如果该粒子的适应度小于它经过的最好位置，则将其作为当前的最好位置，如果该粒子的适应度小于群体所经过的最好位置，则将其作为当前的最好位置；如果达到设定的最大迭代次数，则停止迭代，获得最佳组合参数；

由最佳组合参数构建基于最小二乘支持向量回归机的非线性回归模型。

Images