【摘要】：近年來，伴隨國家對養(yǎng)殖產(chǎn)業(yè)的大力扶持，集約化工廠化水產(chǎn)養(yǎng)殖得到了飛快地發(fā)展，并已逐漸成為養(yǎng)殖業(yè)的主體之一。養(yǎng)殖水體水質(zhì)的好壞對魚類生長起著決定性的影響，隨著養(yǎng)殖密度的不斷增大，對于養(yǎng)殖水體水質(zhì)預測技術的要求也越來越高。研究養(yǎng)殖水體氨氮含量預測精確度問題，可作為指導水產(chǎn)養(yǎng)殖提供科學依據(jù)。由于養(yǎng)殖水體影響水質(zhì)的各個因素高度關聯(lián)耦合，因而難以建立具有通用性的水質(zhì)預測模型對其進行精確地預測。本文先對水質(zhì)預測中常用的預測方法進行了介紹，并對其優(yōu)缺點做了分析比較，最后選擇了具有運算速度較快、推廣能力較強的最小二乘支持向量機(LS-SVM)對養(yǎng)殖水體水質(zhì)進行預測。 建立在統(tǒng)計學理論基礎上的支持向量機(SVM)是一種新型機器學習算法。它遵循結構風險最小化原則，能解決傳統(tǒng)機器學習中在小樣本、非線性等情形下常見的陷入局部最優(yōu)以及過學習等問題，具有較強的泛化能力。LS-SVM是基于SVM的一種擴展，將其約束條件由不等式改為等式，從而避免了求解二次規(guī)劃的問題，能夠得到模型的解析解。LS-SVM的性能很大程度上取決于其參數(shù)的選擇，不合適的參數(shù)往往難以達到理想的預測效果。然而，目前參數(shù)的選擇方法多是依賴經(jīng)驗，效率低下。 量子粒子群優(yōu)化(QPSO)算法作為粒子群優(yōu)化(PSO)算法一種改進算法，具有較快的收斂速度與較好的魯棒性,越來越多地被應用于LS-SVM的參數(shù)尋優(yōu)。但它作為一種新型的優(yōu)化算法，很多方面還不夠完善。所以為了更好地平衡QPSO算法的局部搜索和全局搜索能力，改善其綜合優(yōu)化性能，提出一種復合權值自調(diào)整策略的量子粒子群優(yōu)化(ACWQSPO)算法，，采用復合策略的收縮-擴張系數(shù)，算法的收斂精度和魯棒性均獲得一定程度的提升。而針對建模樣本數(shù)據(jù)集難免存在差錯以及由此產(chǎn)生的對模型性能的影響，提出了一種Laplace分布函數(shù)的加權最小二乘支持向量機(LWLS-SVM)。新算法利用了Laplace分布的特性，降低了奇異樣本對模型性能的副作用，使得其稀疏性和魯棒性得到加強。 最后，本文列出了影響?zhàn)B殖水體水質(zhì)的主要因素，并分析了它們之間的復雜關聯(lián)關系，選取了對水質(zhì)影響較大的氨氮含量作為預測對象。針對樣本數(shù)據(jù)在采集過程中難免出現(xiàn)差錯的問題，在使用之前先對它們進行了預處理。本文研究了養(yǎng)殖水體水質(zhì)的特點以及LWLS-SVM的參數(shù)選擇對回歸預測精度的影響，選用ACWQPSO優(yōu)化獲取LWLS-SVM的參數(shù)組合，提出一種ACWQPSO優(yōu)化LWLS-SVM預測模型，并將該預測模型用于某地區(qū)的養(yǎng)殖水體水質(zhì)預測中。通過實驗比較分析，表明了本文所建立的預測模型應用于養(yǎng)殖水體水質(zhì)預測的可行性，具有良好的實用價值。
【圖文】：

圖 3-11f Rosenbrock 函數(shù)尋優(yōu)曲線對比圖Fig.3-1 Comparison chart of optimization curve圖 3-22f Rastrigin 函數(shù)尋優(yōu)曲線對比圖Fig.3-1 Comparison chart of optimization curve圖 3-33f Griewank 函數(shù)尋優(yōu)曲線對比圖Fig.3-3 Comparison chart of optimization curve圖 3-44f Schwefel 函數(shù)尋優(yōu)曲線對圖Fig.3-4 Comparison chart of optimization curve

圖 3-11f Rosenbrock 函數(shù)尋優(yōu)曲線對比圖Fig.3-1 Comparison chart of optimization curve圖 3-22f Rastrigin 函數(shù)尋優(yōu)曲線對比圖Fig.3-1 Comparison chart of optimization curve圖 3-33f Griewank 函數(shù)尋優(yōu)曲線對比圖Fig.3-3 Comparison chart of optimization curve圖 3-44f Schwefel 函數(shù)尋優(yōu)曲線對圖Fig.3-4 Comparison chart of optimization curve
【學位授予單位】：江南大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：S951.2;TP18

【參考文獻】

相關期刊論文 前1條

1 王巧立;陳鐵軍;;基于QPSO組合優(yōu)化的發(fā)酵過程LS-SVM建模[J];計算機工程與設計;2011年01期

本文編號：2706315