面向預(yù)測的水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)數(shù)據(jù)預(yù)處理方法

高 霞， 邸玉琦， 成艷君， 程倩倩， 袁明波， 曹麗英

(1.山東電子職業(yè)技術(shù)學(xué)院自動化工程系，山東濟(jì)南 250200； 2.吉林農(nóng)業(yè)大學(xué)信息技術(shù)學(xué)院，吉林長春 130118；3.中國農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院，北京 100083； 4.山東電子職業(yè)技術(shù)學(xué)院電子工程系，山東濟(jì)南 250200)

準(zhǔn)確高效的水質(zhì)預(yù)測對于研究水產(chǎn)養(yǎng)殖水質(zhì)的變化規(guī)律，防范水體惡化以及病害危險具有十分重要的現(xiàn)實(shí)意義和經(jīng)濟(jì)價值，目前國內(nèi)外關(guān)于水產(chǎn)養(yǎng)殖水質(zhì)預(yù)測模型的研究已經(jīng)日趨成熟，并取得了一系列的實(shí)際應(yīng)用成果。而水質(zhì)預(yù)測模型的建立離不開大量的實(shí)測數(shù)據(jù)，與物聯(lián)網(wǎng)結(jié)合的數(shù)據(jù)采集可以大大提升其工作效率和數(shù)據(jù)質(zhì)量[1]，但冗余較多和數(shù)據(jù)缺失的問題會嚴(yán)重導(dǎo)致預(yù)測模型準(zhǔn)確性的降低。作為預(yù)測模型的基礎(chǔ)，數(shù)據(jù)質(zhì)量直接影響最終的建模效果，因此試驗(yàn)數(shù)據(jù)的預(yù)處理顯得尤為重要。

但目前關(guān)于水質(zhì)預(yù)測模型的研究主要集中在水質(zhì)預(yù)測核心階段，著力于預(yù)測算法的選擇和優(yōu)化而忽視了對水質(zhì)數(shù)據(jù)預(yù)處理的研究，針對預(yù)測模型的數(shù)據(jù)預(yù)處理方法研究相對較少。姚亞利用線性插值法和均值法對水產(chǎn)養(yǎng)殖水質(zhì)數(shù)據(jù)進(jìn)行修復(fù)，但未涉及數(shù)據(jù)的結(jié)構(gòu)化處理以及冗余消除等方面[2]。在特征識別與提取方面多采用聚類分析的方法[3]，而未涉及其他數(shù)據(jù)質(zhì)量問題方面的研究。

水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)數(shù)據(jù)受傳感器本身和傳輸環(huán)境影響，易發(fā)生數(shù)據(jù)的缺失和異常，因此數(shù)據(jù)修復(fù)必不可少。另外，水質(zhì)預(yù)測模型需要環(huán)境因子作為輸入，而水產(chǎn)養(yǎng)殖環(huán)境因子之間關(guān)系復(fù)雜，存在著非線性、非穩(wěn)定性等特點(diǎn)[4]，且各個影響因子之間存在一定的冗余，給水質(zhì)預(yù)測模型的建立帶來了很大的困難。數(shù)據(jù)初步修復(fù)后，利用數(shù)據(jù)歸約技術(shù)對數(shù)據(jù)進(jìn)行特征選擇[5]，在盡可能保持?jǐn)?shù)據(jù)原始狀態(tài)的前提下，最大限度地精簡數(shù)據(jù)。其中，系統(tǒng)聚類法和主成分分析法因其高效性和準(zhǔn)確性而備受研究人員青睞。此外，由于系統(tǒng)誤差、隨機(jī)誤差和人為誤差等情況，試驗(yàn)數(shù)據(jù)都不可避免地含有噪聲污染，而噪聲影響會使得模型預(yù)測效果大大降低。鄭勛燁指出，20世紀(jì)80年代初由格羅斯曼提出了小波理論[6]，由于它可以成功區(qū)分噪聲和有用信號，因而在信號處理中得到了廣泛應(yīng)用[7-8]。與其他傳統(tǒng)降噪方法相比，小波分析在時域和頻域上同時具有良好的局部化性質(zhì)[9]，在降噪的同時可以很好地保留原數(shù)據(jù)的時間信息和頻率信息，且誤差較小。因此，本研究選擇小波分析的方法對數(shù)據(jù)進(jìn)行降噪處理。

基于上述內(nèi)容，本研究提出一種水產(chǎn)養(yǎng)殖數(shù)據(jù)預(yù)處理方法，分別利用系統(tǒng)聚類法和主成分分析法處理修復(fù)后的水產(chǎn)養(yǎng)殖水質(zhì)數(shù)據(jù)，并對結(jié)果進(jìn)行對比分析，篩選預(yù)測模型的關(guān)鍵影響因子，最后利用小波分析方法對主要影響因子進(jìn)行降噪。同時采用該預(yù)處理方法對天津市寧河縣天祥水產(chǎn)有限責(zé)任公司銀鱈魚養(yǎng)殖池塘的水產(chǎn)養(yǎng)殖數(shù)據(jù)進(jìn)行實(shí)證分析，驗(yàn)證該預(yù)處理方法的有效性。

1 數(shù)據(jù)獲取

水產(chǎn)養(yǎng)殖樣本數(shù)據(jù)主要來源于天津市寧河縣天祥水產(chǎn)有限責(zé)任公司銀鱈魚養(yǎng)殖池塘。該池塘面積為666.7 m2，水深3 m，溫度適宜時為露天養(yǎng)殖，溫度較低時為大棚溫室養(yǎng)殖，安裝有3個增氧機(jī)，為集約化養(yǎng)殖模式。

以天津市寧河縣天祥水產(chǎn)有限責(zé)任公司銀鱈魚養(yǎng)殖池塘水質(zhì)為研究對象，利用物聯(lián)網(wǎng)技術(shù)進(jìn)行數(shù)據(jù)采集，采集氨態(tài)氮含量、水溫、溶解氧濃度、pH值等4項(xiàng)水質(zhì)因素數(shù)據(jù)，以及降水量、風(fēng)速、風(fēng)向、太陽輻射強(qiáng)度、空氣溫度、空氣濕度、大氣壓強(qiáng)等7項(xiàng)氣象因子水產(chǎn)養(yǎng)殖數(shù)據(jù)。其中水質(zhì)氨態(tài)氮含量使用 DZ-A 型水產(chǎn)養(yǎng)殖水質(zhì)分析儀進(jìn)行檢測，水溫、溶解氧濃度、pH值使用哈希HQ40d雙路輸入多參數(shù)數(shù)字化分析儀進(jìn)行檢測。各因子數(shù)據(jù)檢測如圖1所示。

為保障數(shù)據(jù)準(zhǔn)確性，在池塘中固定一點(diǎn)(岸邊中點(diǎn)距離岸邊1 m、水深1 m處)測量水溫、溶解氧濃度、pH值等水質(zhì)參數(shù)，并采集水樣檢測水質(zhì)氨態(tài)氮含量；將小型氣象站放置在試驗(yàn)池塘旁邊，采集水質(zhì)氨態(tài)氮含量檢測期間的氣象數(shù)據(jù)。

2 數(shù)據(jù)預(yù)處理方法設(shè)計

2.1 數(shù)據(jù)修復(fù)

在水產(chǎn)養(yǎng)殖數(shù)據(jù)采集過程中，由于使用便攜式儀器、傳感器或氣象站測量數(shù)據(jù)時的人為失誤、設(shè)備故障、網(wǎng)絡(luò)中斷等原因，會產(chǎn)生有缺失和異常等情況的“臟數(shù)據(jù)”。臟數(shù)據(jù)會帶來數(shù)據(jù)處理成本的增加和響應(yīng)時間的延長，最終還會影響預(yù)測模型的正確性[10]，因此在預(yù)處理階段必須對數(shù)據(jù)進(jìn)行修復(fù)。

2.1.1 數(shù)據(jù)缺失修復(fù)處理 在單點(diǎn)數(shù)據(jù)缺失或缺失數(shù)據(jù)時間間隔很小的條件下，可由線性插值法對其進(jìn)行修復(fù)，具體計算公式為

(1)

式中：xk、xk+j分別表示k、k+j時采集的實(shí)際水質(zhì)參數(shù)值；yk表示k時水質(zhì)參數(shù)取值；yk+i表示k+i時缺失水質(zhì)參數(shù)取值，如果是少量多點(diǎn)連續(xù)數(shù)據(jù)丟失，可以采用氣象狀況相似的日期中同時刻的數(shù)據(jù)對其進(jìn)行填補(bǔ)修復(fù)；而如果是大量多點(diǎn)連續(xù)數(shù)據(jù)丟失，難以填補(bǔ)，則棄用該日數(shù)據(jù)。

2.1.2 異常數(shù)據(jù)修復(fù)處理 池塘水質(zhì)數(shù)據(jù)具有時序性和延續(xù)性[11]，變化較為平穩(wěn)，不會出現(xiàn)劇烈變化的情況。通常情況下，如果在測量時發(fā)現(xiàn)某時刻水質(zhì)數(shù)據(jù)急劇變化，且范圍超過其前后水質(zhì)監(jiān)測值的±10%，則認(rèn)為該數(shù)據(jù)測量有誤，為異常數(shù)據(jù)。在使用便攜式儀器采集數(shù)據(jù)過程中，應(yīng)時時與歷史測量數(shù)據(jù)進(jìn)行比較，發(fā)現(xiàn)異常數(shù)據(jù)則立即刪除后重新測量。未及時刪除的異常數(shù)據(jù)可采用均值平滑法進(jìn)行水平處理，計算公式為

(2)

式中：yk+1、yk-1分別表示k+1、k-1時采集的水質(zhì)參數(shù)值；yk表示k時補(bǔ)充的水質(zhì)參數(shù)取值。

2.2 特征選擇

采用數(shù)據(jù)歸約方法[12]定性分析水產(chǎn)養(yǎng)殖生態(tài)環(huán)境因子之間的相互作用關(guān)系，進(jìn)而選擇數(shù)據(jù)特征集，該方法可以消除數(shù)據(jù)間的多重共線性，篩選出水質(zhì)預(yù)測模型的關(guān)鍵影響因子，為合理選擇水質(zhì)預(yù)測模型的輸入?yún)?shù)提供有效建議。利用數(shù)據(jù)歸約方法中的系統(tǒng)聚類法和主成分分析法選擇數(shù)據(jù)特征的方式已經(jīng)在實(shí)際生活中有了很好的應(yīng)用[13-15]，有些研究者還將兩者結(jié)合使用[16-18]?？紤]到水產(chǎn)養(yǎng)殖環(huán)境錯綜復(fù)雜，水質(zhì)因子受其他環(huán)境生態(tài)因子以及人為因素影響較多，同時使用2種方法進(jìn)行篩選，并對結(jié)果進(jìn)行綜合對比分析，可增加篩選因子的可靠性，因此本研究利用系統(tǒng)聚類法和主成分分析法同時對數(shù)據(jù)進(jìn)行歸約處理。

利用系統(tǒng)聚類法篩選水質(zhì)因子變化的關(guān)鍵影響因子，步驟如下：(1)修復(fù)試驗(yàn)數(shù)據(jù)中的缺失值，刪除替換異常值，并對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。(2)利用相關(guān)系數(shù)法度量水質(zhì)因子變化相關(guān)因子變量的相似性。(3)使用類平均法對水質(zhì)因子變化的相關(guān)因子變量進(jìn)行聚類分析，根據(jù)需要確定類別數(shù)量。(4)從劃分的類別中篩選出代表性因子，作為影響水質(zhì)因子變化的主要影響因子。

與基于相似性或距離的系統(tǒng)聚類分析方法不同，主成分分析法通過計算數(shù)據(jù)矩陣來分析數(shù)據(jù)間的線性關(guān)系并進(jìn)行數(shù)據(jù)的篩選和壓縮。篩選步驟如下：(1)數(shù)據(jù)預(yù)處理包括修復(fù)缺失值、刪除或替換異常值，并對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。(2)使用下列公式計算各個因子的相關(guān)系數(shù)矩陣。

(3)

(3)計算相關(guān)矩陣的特征值。

|A-λIp|=0；

(4)

(λpIp-A)X=b。

(5)

式中：A是數(shù)據(jù)域P上的一個n階矩陣；λ表示特征值；Ip表示單位矩陣；λp表示數(shù)據(jù)域P上的一個特征值；X為A的對應(yīng)子特征值λp的特征向量；b為特征根。

(4)使用公式(6)、(7)計算貢獻(xiàn)率和累計貢獻(xiàn)率。

(6)

(7)

式中：貢獻(xiàn)率bj是單個因子分析中抽取出的因子特征值與所有因子特征值之和的比值，累計貢獻(xiàn)率αp是因子分析中抽取出的因子特征值之和與所有因子特征值之和的比值，其中λ表示特征值，p為因子分析中抽取出的因子特征值數(shù)量，m為所有因子特征值數(shù)量，主成分貢獻(xiàn)率越大，說明該主成分越能夠更好地保留原始數(shù)據(jù)的特征信息。

(5)計算主成分載荷矩陣，篩選水質(zhì)因子變化的關(guān)鍵影響因子。計算公式為

(8)

式中：αji表示第j個變量對第i個因子的累積貢獻(xiàn)率；lji表示其標(biāo)準(zhǔn)正交化特征向量。

2.3 小波降噪

在構(gòu)建水產(chǎn)養(yǎng)殖因子預(yù)測模型時，從傳感器上獲取或直接采集的數(shù)據(jù)都會因儀器等問題出現(xiàn)噪聲污染，影響數(shù)據(jù)分析和最終模型的精確性，因此去除數(shù)據(jù)噪聲是預(yù)測模型構(gòu)建的基礎(chǔ)之一[19]。傳統(tǒng)的信號降噪方法包括傅里葉變換等，只能描述信號在頻率域中的變化情況[20]，而無法分辨出信號在時間軸上的突變，有著“一刀切”的缺點(diǎn)，在提高空間分辨率和信噪比上存在矛盾。而小波變換可以同時在頻率域和時間域內(nèi)對信號進(jìn)行分析，具有優(yōu)越的局部化性能，在降噪的同時較好地保留信號中的有用信息。本研究利用小波降噪技術(shù)處理得到的預(yù)測模型關(guān)鍵影響因子數(shù)據(jù)，在保留真實(shí)數(shù)據(jù)特征信息的同時，保證數(shù)據(jù)精度，提高最終預(yù)測模型的正確性。小波降噪的基本過程為：(1)選擇haar、dmey、dbN(N=2～10)、symN(N=1～10)、coifN(N=1～5)小波基對原始數(shù)據(jù)進(jìn)行如圖2所示的3層小波分解。

(2)分別對5種小波基選擇rigrsure閾值，對第1層至第3層的高頻系數(shù)進(jìn)行軟閾值量化處理。

(3)將小波分解得到的第3層低頻信號和經(jīng)過閾值量化后的高頻系數(shù)進(jìn)行信號重構(gòu)。

(4)計算小波降噪后每個因子的均方根誤差(RMSE)和信噪比(SNR)，具體計算公式為

(9)

(10)

2.4 基于特征選擇與小波降噪的數(shù)據(jù)預(yù)處理方法

對水質(zhì)預(yù)測模型的生態(tài)環(huán)境因子數(shù)據(jù)進(jìn)行特征選擇，剔除對水質(zhì)預(yù)測模型影響較小的生態(tài)環(huán)境因子，降低數(shù)據(jù)維度，減少數(shù)據(jù)復(fù)雜度以及數(shù)據(jù)冗余，最終提高水質(zhì)預(yù)測模型輸入的準(zhǔn)確性和預(yù)測效率。然后再將小波降噪技術(shù)應(yīng)用于水質(zhì)預(yù)測模型來處理關(guān)鍵影響因子。作為水質(zhì)預(yù)測模型的輸入?yún)?shù)數(shù)據(jù)，關(guān)鍵影響因子數(shù)據(jù)的降噪可以減少噪聲對預(yù)測模型性能的干擾，提升預(yù)測精度，縮短預(yù)測時間。

基于特征選擇和小波降噪數(shù)據(jù)預(yù)處理方法的具體實(shí)現(xiàn)步驟如下：(1)對數(shù)據(jù)進(jìn)行修復(fù)處理，利用線性插值法填補(bǔ)缺失數(shù)據(jù)，剔除或采用均值平滑法修改異常數(shù)據(jù)。(2)利用系統(tǒng)聚類法對數(shù)據(jù)進(jìn)行歸約處理。數(shù)據(jù)標(biāo)準(zhǔn)化處理后，計算相關(guān)因子變量的相似性，確定關(guān)鍵影響因子個數(shù)后根據(jù)聚類分析劃分類別，然后從中選取關(guān)鍵影響因子。(3)利用主成分分析法處理數(shù)據(jù)。利用(1)中修復(fù)后的數(shù)據(jù)計算相關(guān)系數(shù)矩陣、特征值以及各因子貢獻(xiàn)率，最終根據(jù)載荷矩陣篩選關(guān)鍵影響因子。(4)對(2)和(3)中分別得到的關(guān)鍵影響因子進(jìn)行分析評價，綜合對比之后得到最終結(jié)果。如果兩者差距較大，則計算有誤，返回(2)、(3)重新計算。(5)將(4)中得到的關(guān)鍵影響因子數(shù)據(jù)輸入到小波降噪模型中，進(jìn)行小波分解，然后根據(jù)相應(yīng)去噪規(guī)則對關(guān)鍵影響因子數(shù)據(jù)進(jìn)行噪聲消除。(6)將降噪后的關(guān)鍵影響因子數(shù)據(jù)作為水質(zhì)因子預(yù)測模型的訓(xùn)練或測試輸入數(shù)據(jù)。基于特征選擇和小波降噪的預(yù)處理方法流程如圖3所示。

3 結(jié)果與分析

3.1 試驗(yàn)數(shù)據(jù)

采集天津市寧河縣天祥水產(chǎn)有限責(zé)任公司銀鱈魚養(yǎng)殖池塘2015年9月29日至10月10日共12 d的數(shù)據(jù)，每天從 00：00 開始，每隔4 h采集1次水質(zhì)氨態(tài)氮含量、水溫、溶解氧濃度、pH值等數(shù)據(jù)，小型氣象站數(shù)據(jù)采集間隔為10 min。

3.2 數(shù)據(jù)預(yù)處理方法實(shí)現(xiàn)

本研究以采集的池塘水質(zhì)氨態(tài)氮含量作為研究對象進(jìn)行實(shí)證分析：首先對試驗(yàn)采集的氨態(tài)氮含量進(jìn)行數(shù)據(jù)修復(fù)，修補(bǔ)缺失數(shù)據(jù)，剔除或更正異常數(shù)據(jù)，并進(jìn)行氨態(tài)氮含量的數(shù)據(jù)初步篩選。然后對氨態(tài)氮含量進(jìn)行數(shù)據(jù)歸約處理，選擇有效特征。按照系統(tǒng)聚類分析步驟對試驗(yàn)采集的數(shù)據(jù)進(jìn)行聚類分析，把影響水質(zhì)氨態(tài)氮含量變化的水質(zhì)因子和氣象因子劃分為5類，結(jié)果如圖4、表1所示。從圖4、表1可知，第1類因子為溶解氧濃度、pH值，第2類因子為風(fēng)速、太陽輻射強(qiáng)度，第3類因子為風(fēng)向，第4類因子為水溫、空氣溫度，第5類因子為空氣濕度、大氣壓強(qiáng)。從第1類中選擇溶解氧濃度、第2類中選擇太陽輻射強(qiáng)度、第3類中選擇風(fēng)向、第4類中選擇水溫、第5類中選擇空氣濕度作為水質(zhì)氨態(tài)氮含量變化的主要影響因子。同時利用主成分分析法對氨態(tài)氮含量進(jìn)行數(shù)據(jù)降維，通過對試驗(yàn)采集的水質(zhì)因素數(shù)據(jù)和氣象因子水產(chǎn)養(yǎng)殖數(shù)據(jù)進(jìn)行主成分分析計算生態(tài)環(huán)境因子的特征根和貢獻(xiàn)率，結(jié)果如表2所示。按照累計貢獻(xiàn)率達(dá)到85%以上作為提取主成分的原則較為合適，因此選取5個有效成分。

表1 系統(tǒng)聚類分析結(jié)果

由表3可知，氨態(tài)氮含量、水溫對主因子1影響較大，太陽輻射強(qiáng)度對主因子2貢獻(xiàn)最大，溶解氧濃度對主因子3有最大貢獻(xiàn)，風(fēng)向?qū)χ饕蜃?貢獻(xiàn)最大，太陽輻射強(qiáng)度對主因子5貢獻(xiàn)最大。因此，選擇水質(zhì)氨態(tài)氮含量、水溫、太陽輻射強(qiáng)度、溶解氧濃度、風(fēng)向?yàn)橹饕蜃?，其中水溫、太陽輻射?qiáng)度、溶解氧濃度、風(fēng)向?yàn)榘睉B(tài)氮含量變化的主要影響因子。

表2 水產(chǎn)養(yǎng)殖氨態(tài)氮含量生態(tài)環(huán)境因子的特征根與貢獻(xiàn)率

表3 水產(chǎn)養(yǎng)殖水質(zhì)氨態(tài)氮影響因子載荷矩陣

從表4可以看出，系統(tǒng)聚類分析法和主成分分析法選出的關(guān)鍵影響因子相似，最后根據(jù)調(diào)研情況和專家評分綜合分析，篩選出水溫、溶解氧濃度、風(fēng)向、太陽輻射等4項(xiàng)因子為影響水質(zhì)氨態(tài)氮含量變化的關(guān)鍵影響因子。

最后對氨態(tài)氮含量按照小波降噪步驟進(jìn)行數(shù)據(jù)小波降噪分析。由表5可知，小波基dmey對氨態(tài)氮含量的數(shù)據(jù)降噪信噪比最大，為25.888 6，均方根最小，為0.044 8，因此對氨態(tài)氮含量來說，小波基dmey的數(shù)據(jù)降噪效果最好。

表4 關(guān)鍵因子篩選

表5 不同小波基水質(zhì)氨態(tài)氮含量的數(shù)據(jù)降噪情況

同時，對篩選得到的預(yù)測模型影響因子數(shù)據(jù)進(jìn)行小波降噪分析。在氨態(tài)氮含量預(yù)測中，對水溫、溶解氧濃度、風(fēng)向和太陽輻射強(qiáng)度等的數(shù)據(jù)進(jìn)行小波降噪，采用小波基coif2對水溫和溶解氧濃度進(jìn)行數(shù)據(jù)降噪處理(表6)，采用小波基haar對風(fēng)向和太陽輻射強(qiáng)度進(jìn)行數(shù)據(jù)降噪。

3.3 試驗(yàn)結(jié)果

利用特征選擇和小波降噪相結(jié)合的方法對采集的氨態(tài)氮含量進(jìn)行數(shù)據(jù)預(yù)處理，具體篩選結(jié)果如表7所示，將水質(zhì)氨態(tài)氮含量變化的關(guān)鍵影響因子降為4個，降低了預(yù)測模型輸入?yún)?shù)選擇的復(fù)雜度。

由表6可知，氨態(tài)氮含量的RMSE、信噪比分別為0.044 8、25.888 6，降噪效果良好。另外，由圖5至圖9可知，數(shù)據(jù)進(jìn)行小波降噪處理后，變化曲線變得光滑，消除了噪聲和雜峰的影響。

表6 水產(chǎn)養(yǎng)殖氨態(tài)氮含量關(guān)鍵影響因子小波降噪情況

表7 關(guān)鍵影響因子篩選結(jié)果

4 結(jié)論

為提高水產(chǎn)養(yǎng)殖水質(zhì)因子預(yù)測模型的精度和準(zhǔn)確性，本研究針對水產(chǎn)養(yǎng)殖環(huán)境錯綜復(fù)雜、各環(huán)境因子之間相互作用影響、數(shù)據(jù)冗余嚴(yán)重的特點(diǎn)，提出利用數(shù)據(jù)修復(fù)、特征選擇以及小波降噪對水產(chǎn)養(yǎng)殖數(shù)據(jù)進(jìn)行組合處理的預(yù)處理方法，并以天津市銀鱈魚養(yǎng)殖池塘氨態(tài)氮含量為例，利用該方法進(jìn)行預(yù)處理。最終將氨態(tài)氮含量變化的關(guān)鍵影響因子個數(shù)降為4個，減少氨態(tài)氮含量預(yù)測模型輸入?yún)?shù)的個數(shù)，同時降噪后氨態(tài)氮含量的RMSE降低為0.044 8，信噪比達(dá)到25.888 6。結(jié)果表明，該方法可以剔除臟數(shù)據(jù)，降低數(shù)據(jù)復(fù)雜度，減少噪聲干擾，能夠較好地滿足水產(chǎn)養(yǎng)殖環(huán)境中氨態(tài)氮含量數(shù)據(jù)精度需要，為后續(xù)氨態(tài)氮含量預(yù)測模型的構(gòu)建提供數(shù)據(jù)基礎(chǔ)。

參考文獻(xiàn)：

[1]辛金國，龔 愷. 基于物聯(lián)網(wǎng)技術(shù)統(tǒng)計數(shù)據(jù)采集的影響因素[J]. 統(tǒng)計與決策，2015(23)：34-37.

[2]姚 亞. 數(shù)據(jù)預(yù)處理和直方圖時間序列在水質(zhì)預(yù)測中的應(yīng)用[D]. 杭州：浙江大學(xué)，2013.

[3]楊爭光. 養(yǎng)殖水質(zhì)數(shù)據(jù)處理與預(yù)測技術(shù)研究[D]. 太原：太原科技大學(xué)，2015.

[4]劉雙印，徐龍琴，李振波，等. 基于PCA-MCAFA-LSSVM的養(yǎng)殖水質(zhì)pH值預(yù)測模型[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2014，45(5)：239-246.

[5]游 欣，羅念龍，王映雪. 教學(xué)決策支持系統(tǒng)中數(shù)據(jù)預(yù)處理的方法研究[J]. 計算機(jī)工程與設(shè)計，2007，28(16)：3985-3988，3993.

[6]鄭勛燁. 經(jīng)典與新型小波理論及其在圖像處理中的應(yīng)用[D]. 北京：中國地質(zhì)大學(xué)(北京)，2014.

[7]Grossmann A，Morlet J. Decomposition of hardy functions into square integrable wavelets of constant shape[J]. SIAM Journal on Mathematical Analysis，2006，15(4)：723-736.

[8]D?kmen F，Aslan Z. Evaluation of the parameters of water quality with wavelet techniques[J]. Water Resources Management，2013，27(14)：4977-4988.

[9]李 衡，趙毅強(qiáng)，楊瑞霞，等. 基于小波降噪數(shù)據(jù)預(yù)處理的硬件木馬檢測優(yōu)化[J]. 計算機(jī)工程與應(yīng)用，2017(1)：49-53.

[10]姚李孝，薛美娟，馮繼安. 基于人工神經(jīng)網(wǎng)絡(luò)的負(fù)荷數(shù)據(jù)預(yù)處理[J]. 西安理工大學(xué)學(xué)報，2007，23(3)：277-281.

[11]趙 英. 地表水源水質(zhì)預(yù)測模型數(shù)據(jù)挖掘技術(shù)及其適用性研究[D]. 哈爾濱：哈爾濱工業(yè)大學(xué)，2008.

[12]康睿智，郝文寧. 數(shù)據(jù)歸約效果評估方法研究[J]. 計算機(jī)工程與應(yīng)用，2016(15)：93-96.

[13]de Morsier F，Tuia D，Borgeaud M，et al. Cluster validity measure and merging system for hierarchical clustering considering outliers[J]. Pattern Recognition，2015，48(4)：1478-1489.

[14]袁曉慶，李奇峰，李 琳，等. 基于主成分分析法的農(nóng)業(yè)信息化評價研究[J]. 江蘇農(nóng)業(yè)科學(xué)，2015，43(3)：398-402.

[15]Gazzah M，Jaouachi B，Schacher L，et al. Study of the influential inputs on the bagged denim fabric behaviors using the principal component analysis method[J]. International Journal of Clothing Science and Technology，2015，27(6)：922-939.

[16]Zhang J，Tuo X，Yuan Z，et al. Analysis of FMRI data using an integrated principal component analysis and supervised affinity propagation clustering approach[J]. IEEE Transactions on Biomedical Engineering，2011，58(11)：3184-3196.

[18]鄧愛林，朱揚(yáng)勇，施伯樂. 基于項(xiàng)目評分預(yù)測的協(xié)同過濾推薦算法[J]. 軟件學(xué)報，2003，14(9)：1621-1628.

[19]趙恒平，俞金壽. 化工數(shù)據(jù)預(yù)處理及其在建模中的應(yīng)用[J]. 華東理工大學(xué)學(xué)報(自然科學(xué)版)，2005，31(2)：223-226.

[20]劉守道，張來斌，王朝暉. 小波降噪技術(shù)在柴油機(jī)故障診斷中的應(yīng)用[J]. 機(jī)械強(qiáng)度，2001，23(2)：134-137.