1.一种基于改进遗传算法优化LSTM神经网络的水质预测方法,其特征在于:所述方法包括如下步骤:
步骤1)由无人巡航船搭载的水质传感器采集养殖池温度、溶氧、pH三种原始特征数据并存放至HBase集群数据库中,利用CDH大数据集群中Spark内存计算组件对原始特征数据集进行数据预处理,降低数据冗余度和复杂性;
步骤2)将处理过后的数据进行Max‑min标准化处理,利用处理好的数据集构建训练集和测试集;
步骤3)构建基于改进遗传算法优化LSTM神经网络的水质预测模型,优化确定LSTM神经网络和改进的遗传算法的基本结构参数;
步骤4)利用构造的训练集训练构建的基于改进遗传算法优化LSTM神经网络的水质预测模型预测养殖池未来某一时刻的水质数据;
所述步骤1中,利用无人巡航船在养殖池中监测一定时间,获得按时间排序的养殖池温度、溶氧、pH三种原始特征数据集D,D={(Dtemp1,Dox1,Dph1)1,(Dtemp2,Dox2,Dph2)2,...,(Dtempi,Doxi,Dphi)n},其中n表示原始数据集D的记录数量,Dtempi,Doxi,Dphi为第i个时间节点的养殖池温度、溶氧、pH数据;
所述步骤2中,使用Max‑min标准化方法对养殖池温度、溶氧、pH三种原始特征数据集进行标准化处理,通过下式计算E*:其中,Etemp,oxy,ph表示Max‑min标准化前第i个时间节点的养殖池温度、溶氧、pH数据,*Etemp,oxy,ph表示Max‑min标准化后的第i个时间节点的养殖池温度、溶氧、pH数据,Dtemp,oxy,phmin表示养殖池温度、溶氧、pH数据中的样本最小值,Dtemp,oxy,phmax表示养殖池温度、溶氧、pH数据中的样本最大值;
通过对采集的养殖池温度、溶氧、pH数据进行Max‑min标准化,获得标准化后的数据集为:
* * * *
D={(Dtemp1,Dox1,Dph1)1 ,(Dtemp2,Dox2,Dph2)2 ,...,(Dtempi,Doxi,Dphi)n},其中n表示原始* * *数据集D在Max‑min标准化后的记录数量,Dtempi ,Doxi ,Dphi为第i个时间节点在Max‑min标准化后的养殖池温度、溶氧、pH数据;
*
标准化处理完成后将数据集D拆分成训练集Train和测试集Test,训练集的数量为a,则测试集的数量为n‑a,在三个特征数据后增加一列新的特征值y,y的值代表当前水质的情况,y的值取值为0或1,0代表水质不正常情况,1代表水质正常的情况,对原始数据集进行水质情况的判断补充;
所述步骤3中,构造LSTM神经网络模型和改进遗传算法模型,构造改进遗传算法模型用于优化LSTM神经网络的水质预测模型,具体步骤如下:步骤3‑1:构造LSTM神经网络模型,具体步骤如下:步骤3‑1‑1:确定LSTM神经网络的初始网络结构、确定隐藏层层数和输出层层数,初始化训练步长η,确定输出层状态矩阵H=(h1,h2,...,hq);
步骤3‑1‑2:设置LSTM神经网络输入层到隐藏层的连接矩阵U、隐藏层到隐藏层的连接矩阵W、隐藏层到输出层的连接权重V均为随机实数;
步骤3‑1‑3:设置LSTM神经网络的激活函数,规定输入门、遗忘门和输出门的激活函数均为Sigmod函数,单元状态的激活函数为tanh函数;
步骤3‑2:构造改进遗传网络模型,具体步骤如下:步骤3‑2‑1:采用二进制编码初始化种群,设置各个参数;
步骤3‑2‑2:设置适应度函数,计算个个体的适应度值,保留适应度最大的个体;
步骤3‑2‑3:判断是否满足算法结束条件,如果满足收敛条件,则输出结果,否则进入步骤3‑2‑4;
步骤3‑2‑4:判断 是否成立,如果成立,则先执行变异操作,然后进行交叉操作;反之先执行交叉操作,然后执行变异操作,最后执行选择操作;
步骤3‑2‑5:判断选择操作的结果是否满足算法结束条件,若满足结果则结束算法,否则回到步骤3‑2‑2;
步骤3‑3:构造改进遗传算法模型用于优化LSTM神经网络的水质预测模型,具体步骤如下:
步骤3‑3‑1:使用步骤3‑1构建的LSTM神经网络模型作为水质预测模型的主要架构,输入层层数设置为3,输出层输出状态矩阵H;
步骤3‑3‑2:确定RMSE作为误差评价标准,将RMSE同时作为步骤3‑2改进遗传算法的评价函数;
步骤3‑3‑3:使用步骤3‑2改进遗传算法动态计算每次LSTM训练的步长的适应值,确定适应值最优的步长作为LSTM神经网络训练步长η;
所述步骤4中,利用构造的训练集训练构建的基于改进遗传算法优化LSTM神经网络的水质预测模型预测养殖池未来某一时刻的水质数据,具体步骤如下:步骤4‑1:将训练集Train中温度、溶氧、pH数据输入到基于改进遗传算法优化LSTM神经网络的水质预测模型,通过模型得到对应的实际输出步骤4‑2:使用均方根误差 计算水质情况实际预测值与预期输出值的误差;利用反向传播算法将每次运算的误差传递给LSTM每一个神经元,随后利用随机梯度下降法更新每一个连接权重,更新权重后利用改进遗传算法进行训练步长的调整,调整为适应值最大的作为步长;
步骤4‑3:设置迭代1000次,在迭代中不断更新LSTM神经网络连接权重;步骤4‑4:利用测试集数据Test测试模型训练效果,LSTM前向计算输出为h(t):单元状态:g(t)=tanh(Wgxx(t)+Wghh(t‑1)+bg);
输入门:i(t)=σ(Wixx(t)+Wihh(t‑1)+bi);
遗忘门:f(t)=σ(Wfxx(t)+Wfhh(t‑1)+bf);
输出门:o(t)=σ(Woxx(t)+Wohh(t‑1)+bo);
当前状态:s(t)=g(t)*i(t)+s(t‑1)*f(t);
输出:h(t)=tanh(s(t))*o(t);
其中i(t)表示当前水质数据中的第t个时间节点的需要更新的信息,f(t)表示该水质数据中的第t个时间节点需要丢弃的信息,o(t)表示该水质数据中第t个时间节点需要输出的信息,g(t)表示该水质数据在第t个时间节点的单元状态,s(t)表示该水质数据在第t个时间节点的当前状态,h(t)表示该水质数据中第t个时间节点输出的值;
步骤4‑5:将作为测试集的水质数据利用LSTM神经网络前向计算模型进行输出,得到预测的水质数据。