(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111356824.9 (22)申请日 2021.11.16 (71)申请人 浙江智谱工程 技术有限公司 地址 313000 浙江省湖州市吴兴区 区府路 1188号总部自由港B幢10楼 (72)发明人 黄劲松　陈优良　 (74)专利代理 机构 北京东方盛凡知识产权代理 事务所(普通 合伙) 11562 代理人 李娜 (51)Int.Cl. G06F 17/10(2006.01) G06K 9/62(2022.01) G06N 3/12(2006.01) G06N 20/00(2019.01) G01N 33/18(2006.01) (54)发明名称 一种水体中叶绿素a浓度预测方法 (57)摘要 本发明公开一种水体中叶绿素a浓度预测方 法， 包括以下步骤： S1、 采集原始水质监测数据， 其中， 所述原始水质监测数据包括若干水质特 征； S2、 提取所述原始水质监测数据的特征子集， 所述特征子集用于表示预测效果更佳的所述水 质特征； S3、 构建预测叶绿素a浓度模型， 优化所 述预测叶绿素a浓度模型的参数， 利用所述特征 子集训练所述预测叶绿素a浓度模型， 获得训练 好的预测叶绿素a浓度模型； S4、 将待检测的所述 特征子集输入 所述训练好的预测叶绿素a浓度模 型， 获得叶绿素a浓度的预测结果。 本发 明大幅减 少学习时间， 增强学习效率， 并提高了对叶绿素a 浓度预测的准确性。 权利要求书2页 说明书8页 附图7页 CN 114417227 A 2022.04.29 CN 114417227 A 1.一种水体中叶绿素a浓度预测方法， 其特 征在于， 包括以下步骤： S1、 采集原 始水质监测数据， 其中， 所述原 始水质监测数据包括若干水质特 征； S2、 提取所述原始水质监测数据的特征子集， 所述特征子集用于表示预测效果更佳的 所述水质特 征； S3、 构建预测叶绿素a浓度模型， 优化所述预测叶绿素a浓度模型的参数， 利用所述特征 子集训练所述预测叶绿素a浓度模型， 获得训练好的预测叶绿素a浓度模型； S4、 将待检测的所述特征子集输入所述训练好的预测叶绿素a浓度模型， 获得叶绿素a 浓度的预测结果。 2.根据权利要求1所述的水体中叶绿素a浓度预测方法， 其特征在于， 所述原始水质监 测数据的水质特征包括温度数据、 压强数据、 P H值数据、 氧化还原电位数据、 溶解氧数据、 电 导率数据、 盐度数据、 浊度数据、 硝酸盐数据、 高锰酸盐指数数据、 氨氮数据、 总磷数据、 总氮 数据、 叶绿素a数据。 3.根据权利要求1所述的水体中叶绿素a浓度预测方法， 其特征在于， 采用基于互信息 的最大相关最小冗余方法提取 所述原始水质监测数据的特 征子集。 4.根据权利要求2所述的水体中叶绿素a浓度预测方法， 其特征在于， 所述S2中提取所 述原始水质监测数据的特 征子集包括： 基于所述原始水质监测数据， 按照式(1)所示的方法获取除叶绿素a以外的其他所述水 质特征与所述叶绿素a的互信息值： 其中， I(a,b)表示变量a和b之间的互信息值， p(a)和p(b)分别为变量a和变量b的概率 密度， p(a,b)为 其联合概率密度； 按照式(2)所示的方法计算 最大相关： 其中， maxD(S,r)表示最大相关， S为特征子集， r为目标特征， |S|表示为特征数目， xi表 示特征集， I(xi,r)表示特 征集和目标 特征之间的互信息； 按照式(3)所示的方法计算 最小冗余： 其中， minR(S)表示最小冗余， 其中S是特征子集， |S|表示为特征数目， xi表示特征集， I (xi,xj)表示各特征值之间的互信息； 基于所述最大相关和所述最小冗余， 按照式(4)所示的方法计算数据集之间的最大相 关和最小冗余度： maxφ(D， R)＝D ‑R         (4) 其中， maxφ为 最大相关度 ‑最小冗余度的集 合， D为最大相关， R为 最小冗余。 5.根据权利要求1所述的水体中叶绿素a浓度预测方法， 其特征在于， 所述S3中采用极权　利　要　求　书 1/2 页 2 CN 114417227 A 2限学习机网络构建所述预测叶绿素a浓度模型。 6.根据权利要求5所述的水体中叶绿素a浓度预测方法， 其特征在于， 所述S3中采用精 英遗传方法和模拟退火方法优化所述预测叶绿素a浓度模型的参数。 7.根据权利要求1所述的水体中叶绿素a浓度预测方法， 其特征在于， 优化所述预测叶 绿素a浓度模型的参数包括： S3.1、 初始化种群X＝{x1,x2,…,xn},其中， n 为种群的个 体数量； S3.2、 按照式(6)所示的方法计算所述种群中每 个个体的适应度fitnes s: 其中， N表示测试样本数； yi表示测试样本的实测值； yi'表示测试样本的预测值； 将适应度最优的个体记为xi， 判断是否达到最大进化次数， 若达到最大进化次数， 则输 出最优个 体及其解， 并结束运 算， 否则， 进行S3.3； S3.3、 使用选择、 交叉、 变异算子对所述种群中的个体进化， 产生一个新种群X1＝{x1， x2，…， xm}； S3.4、 计算所述 新种群X1的适应度， 获得最优个 体为xj,最劣个体为xk； S3.5、 将所述S3.2中的最优个 体xi取代步骤S3.4中的最劣个 体xk； S3.6、 结合模拟退火机制， 按照式(7)所示的Metroplis准则判断是否接受所述最优个 体xj： 其中， P为接受当前最优个体的概率； f(xi)为上一代种群最优个体的适应度； f(xj)为当 前种群的最优个 体的适应度； T为当前的温度； S3.7、 采用T＝0.9 9·T的线性函数退火， 返回步骤S3.2。 8.根据权利要求1所述的水体中叶绿素a浓度预测方法， 其特征在于， 所述S4中还包括 对所述预测结果进行评估。 9.根据权利要求7所述的水体中叶绿素a浓度预测方法， 其特征在于， 对所述预测结果 进行评估 包括： 使用平均绝对误差、 均方误差、 决定系数对所述预测结果进行评估。权　利　要　求　书 2/2 页 3 CN 114417227 A 3