基于EEMD和螢火蟲算法優(yōu)化SVM的溶解氧預(yù)測(cè)

劉 晨，李 莎，叢孫麗，朱正偉

(1. 無錫太湖學(xué)院江蘇省物聯(lián)網(wǎng)應(yīng)用技術(shù)重點(diǎn)建設(shè)實(shí)驗(yàn)室，江蘇 無錫 214064；2. 常州大學(xué)信息科學(xué)與工程學(xué)院， 江蘇 常州213164)

1 引言

溶解氧(DO)濃度是漁業(yè)養(yǎng)殖水質(zhì)安全的重要指標(biāo)，也是影響?zhàn)B殖水產(chǎn)品品質(zhì)的關(guān)鍵因素，對(duì)其進(jìn)行實(shí)時(shí)預(yù)測(cè)具有重要的意義[1-2]。而影響水中溶解氧含量的各因素關(guān)系比較復(fù)雜，很難進(jìn)行數(shù)學(xué)建模，水中溶解氧預(yù)測(cè)模型是一個(gè)復(fù)雜的非線性系統(tǒng)[3-4]。針對(duì)養(yǎng)殖池塘中溶解預(yù)測(cè)問題，國(guó)內(nèi)外學(xué)者將研究都集中在溶解氧含量預(yù)測(cè)上，取得了很大的成就。

目前溶解氧預(yù)測(cè)方法主要有模糊方法、貝葉斯模型、人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)(SVM)等。神經(jīng)網(wǎng)絡(luò)法雖然在非線性預(yù)測(cè)領(lǐng)域應(yīng)用較廣，但是基于樣本無限大的假設(shè)和經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則為基礎(chǔ)，存在易于局部最優(yōu)值、過學(xué)習(xí)、不適于高維數(shù)、小樣本預(yù)測(cè)等缺陷嚴(yán)重影響了其應(yīng)用效果[5]。支持向量機(jī)具有計(jì)算復(fù)雜度低、魯棒性強(qiáng)、收斂精度較高、非線性擬合能力較好等特點(diǎn)[6]。文獻(xiàn)[7]采用支持向量機(jī)作為水質(zhì)預(yù)警方法，對(duì)漁業(yè)養(yǎng)殖池塘中水質(zhì)參數(shù)進(jìn)行預(yù)測(cè)。文獻(xiàn)[8]提出了基于支持向量機(jī)的花粉濃度預(yù)報(bào)模型。雖然支持向量機(jī)有較好地預(yù)測(cè)效果，但它對(duì)核函數(shù)參數(shù)的選取十分敏感，不合適的SVM核函數(shù)參數(shù)將會(huì)使得預(yù)測(cè)性能大大降低[9]。如何獲得最優(yōu)的參數(shù)組合，目前比較常見的包括遺傳算法、粒子群算法、蛙跳算法等群智能算法[10]。這些算法雖然在不同程度上滿足SVM核函數(shù)參數(shù)選取的要求，但算法精度偏低、局部性能較差，很容易陷入局部極值，出現(xiàn)早熟現(xiàn)象，對(duì)于全局與局部性能的平衡，以及魯棒性、簡(jiǎn)易性和計(jì)算精度的兼顧上有所欠缺。而螢火蟲算法以其極強(qiáng)的局部與全局優(yōu)化性能、較高的魯棒性等天然優(yōu)勢(shì)受到了學(xué)者的廣泛關(guān)注，目前以及成功應(yīng)用于多模態(tài)函數(shù)優(yōu)化、傳感器的噪聲測(cè)試、計(jì)算機(jī)模擬人工機(jī)器人等人工智能領(lǐng)域。本文利用螢火蟲算法進(jìn)行 SVM 核函數(shù)參數(shù)優(yōu)化，通過改進(jìn)螢火蟲位置更新公式大幅提升收斂速度，并且在移動(dòng)過程中引入亮度特征，避免算法后期出現(xiàn)的收斂不穩(wěn)定現(xiàn)象，顯著地提升了算法的求解精度，從而確定了最佳的 SVM 核函數(shù)參數(shù)，提高SVM的預(yù)測(cè)性能。

由于溶解氧序列具有非線性和非平穩(wěn)性的特點(diǎn)，如果上述方法直接在原始時(shí)序數(shù)據(jù)上建模，難以充分挖掘和利用各時(shí)頻特征信息，會(huì)影響預(yù)測(cè)性能。為了對(duì)溶解氧序列進(jìn)行降噪處理，文獻(xiàn)[11]利用經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition，EMD)處理時(shí)序數(shù)據(jù)，EMD算法使用簡(jiǎn)單方便，分解速度快，能較好地捕捉不同尺度下的特征信息。但經(jīng)驗(yàn)?zāi)B(tài)分解方法會(huì)帶來模態(tài)混疊的問題，集合經(jīng)驗(yàn)?zāi)B(tài)分解(ensemble empirical mode decomposition，EEMD)方法，利用高斯白噪聲的頻率均勻分布的統(tǒng)計(jì)特性彌補(bǔ)模態(tài)經(jīng)驗(yàn)分解的缺陷[12]。

為了提高預(yù)測(cè)精度和泛化性能，本文提出一個(gè)基于EEMD和螢火蟲算法優(yōu)化SVM的組合模型來預(yù)測(cè)溶解氧。利用EEMD將DO時(shí)間序列分解成一組相對(duì)穩(wěn)定的子序列，并利用相空間重構(gòu)PSR重建分解子序列，在相空間中用螢火蟲優(yōu)化SVM對(duì)各子序列進(jìn)行建模預(yù)測(cè)。驗(yàn)證結(jié)果表明本文提出的EEMD-FA-SVM組合預(yù)測(cè)模型能夠滿足現(xiàn)代漁業(yè)養(yǎng)殖水質(zhì)精細(xì)化管理的高需求。

2 相關(guān)基本原理簡(jiǎn)介

2.1 集合經(jīng)驗(yàn)?zāi)B(tài)分解

EEMD算法目的在于能夠根據(jù)信號(hào)自身的特點(diǎn)，自適應(yīng)地將非線性、非平穩(wěn)性的多模態(tài)信號(hào)分解為若干個(gè)平穩(wěn)單一模態(tài)的固有模態(tài)函數(shù)(Intrinsic Mode Function，IMF)分量和一個(gè)余項(xiàng)[13]。傳統(tǒng)的EMD方法中IMF分量的不連續(xù)造成相鄰波形模態(tài)混疊現(xiàn)象。為了彌補(bǔ)這一缺陷，文獻(xiàn)[14]利用高斯白噪聲具有頻率均勻分布的統(tǒng)計(jì)特性，保證模態(tài)分解的準(zhǔn)確性。分解出IMF需要滿足兩個(gè)條件；①在整個(gè)信號(hào)序列中，極值點(diǎn)的個(gè)數(shù)與過零點(diǎn)次數(shù)必須相等或者最多相差一點(diǎn)；②在任意時(shí)間點(diǎn)上，由信號(hào)局部極大值和極小值確定的上下包絡(luò)線的均值為零[15]。

對(duì)選定的DO時(shí)間序列x(t)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，分解步驟如下：

步驟1：添加一個(gè)白色噪聲序列，該序列服從(αε)2)的正態(tài)分布；

步驟2：將原始DO數(shù)據(jù)分解為一組IMF分量和一個(gè)余量Res。

步驟3：將步驟1重復(fù)n 次，每次添加一個(gè)不同振幅的白色噪聲序列。

步驟4：經(jīng)過 n 次分解后，將不同IMF分量的平均值作為最終結(jié)果。

2.2 相空間重構(gòu)

輸入向量的構(gòu)造方法影響著SVM預(yù)測(cè)模型的預(yù)測(cè)精度和預(yù)測(cè)效率。同時(shí)，在利用SVM實(shí)現(xiàn)多步驟預(yù)測(cè)時(shí)，常常將預(yù)測(cè)值代替實(shí)際值。合理的輸入向量結(jié)構(gòu)是減小多步預(yù)測(cè)累積誤差的有效措施， 可以提高多步預(yù)測(cè)的精度。

相空間重構(gòu)是時(shí)間序列混沌分析和處理的關(guān)鍵步驟，能夠從時(shí)間序列中提取更多有用的信息，根據(jù)Takens嵌入定理建立可靠的數(shù)學(xué)基礎(chǔ)，可以從一維混沌時(shí)間序列中重構(gòu)一個(gè)多維的時(shí)間序列矩陣[16]。混沌時(shí)間序列的分析和預(yù)測(cè)都在這個(gè)重構(gòu)的相空間中進(jìn)行的。文獻(xiàn)[11]通過對(duì)實(shí)測(cè)一維時(shí)間序列X(k)進(jìn)行相空間重構(gòu)，得到的多維數(shù)序列如式(1)和式(2)所示。

X(k)=[x(k)，x(k+τ)，…，x(k+(D-1)τ)]

(1)

Y(k)=x(k+D)

(2)

其中，D為嵌入維數(shù)，τ為延遲參數(shù)，X(k)是D維輸入向量，且t=(D-1)τ+1，(D-1)τ，…，N.

2.3 螢火蟲算法

螢火蟲算法(Firefly Algorithm，F(xiàn)A)是一種基于群智能的隨機(jī)搜索技術(shù)，其思想源于螢火蟲向比更亮的螢火中移動(dòng)這一生物學(xué)特性[17]。在搜索空間，螢火蟲的位置表示優(yōu)化問題的解，亮度對(duì)應(yīng)優(yōu)化問題的適應(yīng)值。螢火蟲不斷向更高的螢火蟲移動(dòng)，直至達(dá)到預(yù)設(shè)的算法終止條件，完成尋優(yōu)任務(wù)。算法的數(shù)學(xué)描述如下：

設(shè)螢火蟲數(shù)量N，維度D，第i只螢火蟲的位置表示為xi=(xi1，xi2，…，xiD)，i=1，2，…，N，和第j只螢火蟲的位置表示為xj=(xj1，xj2，…，xjD)，j=1，2，…，N。螢火蟲i和螢火蟲j的距離rij計(jì)算如式(3)所示

(3)

其中，xid和xjd分別表示第i只和第j只螢火蟲的第d維位置。螢火蟲的亮度及吸引度的計(jì)算如式(4)和式(5)所示

(4)

(5)

其中，I0表示螢火蟲初始亮度，β0表示螢火蟲初始吸引度，γ為光強(qiáng)吸收系數(shù)，熒光會(huì)隨著距離的增加和傳播媒介的吸收而減弱。

在螢火蟲算法中，每只螢火蟲的自身亮度與其所在位置目標(biāo)函數(shù)的適應(yīng)度值有關(guān)。適應(yīng)度值越大熒光素濃度越大，自身亮度越大，位置越優(yōu)。吸引度與亮度有關(guān)，亮度越大，吸引力越強(qiáng)。而在移動(dòng)過程中亮度和吸引度又都與個(gè)體之間的距離成反比。FA算法每次迭代都可以看成是由熒光素濃度更新階段和移動(dòng)位置更新階段組成。

螢火蟲的熒光素濃度更新如式(6)所示。

li(t)=(1-ρ)li(t-1)+γJ(xi(t))

(6)

其中，li(t)表示第t代第i個(gè)螢火蟲的熒光素濃度值；ρ∈(0，1)為熒光素?fù)]發(fā)因子，主要控制熒光素值；γ為熒光素更新率，J(xi(t))為目標(biāo)適應(yīng)函數(shù)，對(duì)熒光素值有決定性作用。

xid(t+1)=xid(t)+β(xjd(t)-xid(t))+αi(t)ε

(7)

其中Xid(t)表示螢火蟲i第t代第d維位置，αi(t)表示螢火蟲i的第t代步長(zhǎng)因子，ε服從均勻分布，取值范圍為[-0.5，0.5]。此外，動(dòng)態(tài)決策域相當(dāng)于螢火蟲的感知范圍，在此范圍內(nèi)，螢火蟲數(shù)量過多就縮小決策域；反之?dāng)U大決策域，螢火蟲i的動(dòng)態(tài)決策域半徑的更新如式(8)所示

(8)

其中，rs為感知半徑，ni是鄰居數(shù)的閾值，|Ni(t)|為鄰域范圍內(nèi)螢火蟲的個(gè)數(shù)，β為動(dòng)態(tài)決策更新率。

2.4 支持向量機(jī)

支持向量機(jī)核心思想就是尋求某種歸納原則實(shí)現(xiàn)結(jié)構(gòu)風(fēng)險(xiǎn)最小化，本質(zhì)上屬于一種最優(yōu)化問題，將線性不可分的待測(cè)數(shù)據(jù)空間的樣本通過核函數(shù)投影到高維特征空間，使原本不可分的問題在特征空間上實(shí)現(xiàn)線性可分[18]。

對(duì)于訓(xùn)練樣本集：(xi，yi)，i=1，2，…N，其中xi是輸入向量，yi是相關(guān)的輸出向量。由此產(chǎn)生的SVM優(yōu)化問題可以通過以下形式表述

(9)

其中，C為正則化常數(shù)，ei表示所需輸出和實(shí)際輸出之間差異的松弛變量。w是特征空間中分類超平面的系數(shù)向量，b是分類面的閾值，決定了超平面的位置。φ(.)是輸入空間與輸出空間之間的映射函數(shù)。

(10)

從KKT(Karush-Kuhn-Tucher)條件可知，式(10)必須滿足?L/?w=0， ?L/?b=0，?L/?e=0，?L/?a=0。通過以矩陣形式表示的線性方程組(11)求解。

(11)

其中，a=[a1…al]，Y=[y1…yl]和I表示單位矩陣，定義ψkj=K(xk，xj)，k，j=1，2，…，l，滿足Mercer定理。SVM回歸模型如式(12)所示

(12)

3 預(yù)測(cè)模型的構(gòu)建

如上所述，溶解氧時(shí)間序列具有非線性和非平穩(wěn)的特征，導(dǎo)致時(shí)間序列預(yù)測(cè)中的不可克服的困難。為此，本文根據(jù)分解和集成原理，采用了EEMD-FA-SVM混合模型，基于EEMD和螢火蟲算法優(yōu)化SVM的溶解氧預(yù)測(cè)流程圖如圖1所示。

圖1 基于EEMD-FA-SVM的溶解氧預(yù)測(cè)流程圖

3.1 數(shù)據(jù)獲取

以江蘇省溧陽(yáng)市埭頭鎮(zhèn)黃家蕩特種水產(chǎn)養(yǎng)殖場(chǎng)為試驗(yàn)場(chǎng)所，養(yǎng)殖場(chǎng)占地153hm2。養(yǎng)殖池塘中有一個(gè)池塘循環(huán)水系統(tǒng)，配備 pH 傳感器、溶解氧傳感器、水溫傳感器等，增氧泵、無線監(jiān)控系統(tǒng)等現(xiàn)代化漁業(yè)裝置[20]。養(yǎng)殖環(huán)境數(shù)據(jù)來源于水產(chǎn)養(yǎng)殖遠(yuǎn)程無線監(jiān)控系統(tǒng)，每30 min采樣1次，采樣周期為 2018 年 11月1日～2018年11 月30日，共計(jì)1440個(gè)數(shù)據(jù)，取前1392個(gè)數(shù)據(jù)為訓(xùn)練數(shù)據(jù)，后48個(gè)數(shù)據(jù)為測(cè)試數(shù)據(jù)，DO時(shí)間序列如圖2所示。

圖2 DO時(shí)間序列

(13)

3.2 數(shù)據(jù)分解

在使用EEMD將原始DO時(shí)間序列分解為9個(gè)IMF分量和一個(gè)余量Res時(shí)，首先確定 n 和α的值。根據(jù)文獻(xiàn)[13]， n 和α的值分別為100和0.25。溶解氧時(shí)間序列由EEMD分解后生成的 IMF 分量較多，分別為 IMF1、IMF2、IMF3、IMF4、IMF5、IMF6、IMF7、IMF8、IMF9和 Res。分解的結(jié)果如圖3所示。

圖3 EEMD分解溶解氧序列結(jié)果

3.3 螢火蟲算法優(yōu)化SVM

將正則化參數(shù)C和核函數(shù)σ設(shè)為螢火蟲的位置坐標(biāo)，螢火蟲亮度由支持向量機(jī)訓(xùn)練返回誤差決定，然后利用FA算法找出使返回誤差最小的螢火蟲位置，其坐標(biāo)所對(duì)應(yīng)的C和σ即為尋找的最優(yōu)參數(shù)[21]。以均方誤差函數(shù)(MSE)作為目標(biāo)函數(shù)F，其表達(dá)式如式(14)所示。

(14)

利用FA算法優(yōu)化RBF核函數(shù)參數(shù)流程如下

1)初始化每個(gè)螢火蟲的熒光素、動(dòng)態(tài)決策域等參數(shù)，設(shè)置最大迭代次數(shù)為iter_max和螢火蟲初始位置，初始位置隨機(jī)分布在預(yù)先設(shè)定好的參數(shù)選擇范圍內(nèi)。位置的x軸范圍是Cmin～Cmax，y軸范圍是σmin～σmax。

2)按照式(6)進(jìn)行亮度的更新，計(jì)算出每個(gè)螢火蟲的適應(yīng)度值J(xi(t))；

4)計(jì)算螢火蟲i向螢火蟲j移動(dòng)的概率pij(t)；

5)朝pij(t)值最大的方向，根據(jù)式7)對(duì)位置進(jìn)行更新，若更新后值優(yōu)于原先位置，則替換；

6)按照式(8)更新動(dòng)態(tài)決策半徑；

7)回到步驟2進(jìn)行循環(huán)，若已經(jīng)到達(dá)最大循環(huán)次數(shù)，則終止循環(huán)，輸出結(jié)果，程序結(jié)束。

3.4 多步預(yù)測(cè)

對(duì)每個(gè)分量的預(yù)測(cè)結(jié)果進(jìn)行疊加，可獲得下一個(gè)時(shí)刻的DO預(yù)測(cè)值。因?yàn)镾VM只能實(shí)現(xiàn)單步預(yù)測(cè)，即一次只能獲得一個(gè)預(yù)測(cè)值，運(yùn)用單點(diǎn)迭代法實(shí)現(xiàn)多步預(yù)測(cè)，即預(yù)測(cè)未來24h的DO值，其原理是利用預(yù)測(cè)值代替真實(shí)值作為預(yù)測(cè)輸入預(yù)測(cè)向量的元素來獲取下一個(gè)的預(yù)測(cè)值。

3.5 誤差分析

為了測(cè)試本文提出的EEMD-FA-SVM模型的預(yù)測(cè)能力，選擇了三種不同的統(tǒng)計(jì)指標(biāo)， 即誤差均方根 (RMSE)、平均相對(duì)誤差 (MAPE)、平均絕對(duì)誤差 (MAE)來評(píng)估預(yù)測(cè)精度。誤差均方根、平均相對(duì)誤差和平均絕對(duì)誤差如式(15)、式(16)和式(17)所示。

(15)

(16)

(17)

4 結(jié)果與討論

采用本文建模方法得到的DO各個(gè)分量的嵌入維數(shù)D、延遲時(shí)間τ、模型參數(shù)C和σ如表1所示。

為了評(píng)估EEMD-FA-SVM預(yù)測(cè)模型的性能，將FA-SVM、EEMD-FA-BP和EEMD-PSO-SVM模型的預(yù)測(cè)結(jié)果與 EEMD-FA-SVM 模型的預(yù)測(cè)結(jié)果進(jìn)行比較。幾種模型采用了相同的訓(xùn)練數(shù)據(jù)集并直接預(yù)測(cè)。EEMD-FA-SVM的預(yù)測(cè)結(jié)果及其誤差如圖4所示，四種模型的預(yù)測(cè)結(jié)果如圖5所示。

圖4 EEMD-FA-SVM的預(yù)測(cè)結(jié)果及其誤差

圖5 四種模型的預(yù)測(cè)結(jié)果圖

從圖4可以看出，本文所提模型EEMD-FA-SVM的預(yù)測(cè)結(jié)果接近真實(shí)結(jié)果，誤差曲線圍繞零點(diǎn)上下波動(dòng)。其中，6：00～12：00時(shí)間段預(yù)測(cè)結(jié)果曲線與實(shí)測(cè)值曲線趨勢(shì)基本一致，波動(dòng)較小。從圖5可以看出，與其它3種模型進(jìn)行對(duì)比，EEMD-FA-SVM的預(yù)測(cè)結(jié)果曲線是最接近實(shí)測(cè)值曲線的。

為了更準(zhǔn)確地評(píng)價(jià)模型的精度，本文還計(jì)算出四種預(yù)測(cè)模型中的均方根誤差(RMSE)[11，22]、平均相對(duì)誤差 (MAPE)、平均絕對(duì)誤差 (MAE)，預(yù)測(cè)未來6h、12h、18h和24h的預(yù)測(cè)誤差結(jié)果如圖6所示。

圖6 預(yù)測(cè)未來6h、12h、18h和24h誤差指標(biāo)

從圖6可以看出，在相似的前提條件下，預(yù)測(cè)24h DO值時(shí)，本文所提模型EEMD-FA-SVM的均方根誤差(RMSE)比FA-SVM模型降低了16.81%，平均相對(duì)誤差(MAPE)降低了2.94%，平均絕對(duì)誤差(MAE)降低了15.87%，這表明EEMD-FA-SVM模型比FA-SVM模型有更好的預(yù)測(cè)效果，即集合經(jīng)驗(yàn)分解對(duì)預(yù)測(cè)模型建立的重要性。此外，本文所提模型的均方根誤差比EEMD-FA-BP模型降低了8.42%，平均相對(duì)誤差降低了2.38%，平均絕對(duì)誤差降低了10.36%，可以看出EEMD-FA-SVM模型比EEMD-FA-BP模型的預(yù)測(cè)精度高。

EEMD-FA-SVM模型的3種誤差指標(biāo)比EEMD-PSO-SVM分別降低了7.69%，1.35%，9.07%，從中可以發(fā)現(xiàn)螢火蟲算法優(yōu)化支持向量機(jī)比粒子群算法優(yōu)化支持向量機(jī)具有更好的預(yù)測(cè)結(jié)果。

本文方法在預(yù)測(cè)不同時(shí)長(zhǎng)溶解氧的均方根誤差、平均相對(duì)誤差、平均絕對(duì)誤差隨預(yù)測(cè)時(shí)長(zhǎng)的增加，大體呈現(xiàn)遞增趨勢(shì)。即在不同的預(yù)測(cè)時(shí)間下，預(yù)測(cè)精度有明顯變化，預(yù)測(cè)時(shí)長(zhǎng)越短，預(yù)測(cè)值和實(shí)測(cè)值吻合度越好，預(yù)測(cè)精度越高；當(dāng)預(yù)測(cè)時(shí)長(zhǎng)為24h時(shí)，預(yù)測(cè)結(jié)果和實(shí)測(cè)結(jié)果偏差較大，這是由于多步預(yù)測(cè)采用的單點(diǎn)迭代法，起初預(yù)測(cè)值再輸入向量中占比不大，越往后預(yù)測(cè)值占比就越來越多，導(dǎo)致預(yù)測(cè)精度下降，其它三種模型也存在著相同的問題。但是，本文提出的模型在預(yù)測(cè)12h時(shí)的平均相對(duì)誤差比預(yù)測(cè)6h增加了0.1%，預(yù)測(cè)18h時(shí)比預(yù)測(cè)6h 增加0.17%，預(yù)測(cè)24h時(shí)比預(yù)測(cè)6h增加0.26%，而FA-SVM在預(yù)測(cè)12、18和24h 時(shí)的平均相對(duì)誤差比預(yù)測(cè)6h分別增加 0.35%，0.84%和0.92%。EEMD-FA-BP在預(yù)測(cè)12、18和24h 時(shí)的平均相對(duì)誤差比預(yù)測(cè)6h分別增加0.29%，0.92%和1.28%，EEMD-PSO-SVM在在預(yù)測(cè)12、18和24h 時(shí)的平均相對(duì)誤差比預(yù)測(cè)6h分別增加0.27%，0.36%，0.59%。在長(zhǎng)時(shí)間的預(yù)測(cè)中，本文提出的模型誤差遞增速度比其它三種模型慢，所以本文所提出的模型更具有穩(wěn)定性，比其它三種模型更加適合長(zhǎng)時(shí)間的預(yù)測(cè)。此外，預(yù)測(cè)未來6h、12h、18h和24h溶解氧的均方根誤差分別為 0.1444，0.1301，0.1745 和 0.1860，預(yù)測(cè)時(shí)長(zhǎng)在12h的預(yù)測(cè)值與實(shí)際值之間的偏差小于6h，可能由于本時(shí)段其它偶然因素，比如水的溫度，水生生物的活動(dòng)情況等。也可能由于建立的模型在該時(shí)刻的預(yù)測(cè)值與實(shí)際值偏差過大所致。

各項(xiàng)誤差指標(biāo)證明了EEMD-FA-SVM的組合預(yù)測(cè)模型的可行性，預(yù)測(cè)精度要高于常用預(yù)測(cè)模型。EEMD-FA-SVM模型可以對(duì)DO值進(jìn)行有效預(yù)測(cè)，在溶解氧預(yù)測(cè)系統(tǒng)中應(yīng)用顯著，為水產(chǎn)養(yǎng)殖調(diào)控提供科學(xué)決策。

5 結(jié)論

本文提出了一種“分解-預(yù)測(cè)-重建”的組合模型，該模型結(jié)合了集成經(jīng)驗(yàn)?zāi)Ｊ椒纸夂臀灮鹣x算法優(yōu)化的支持向量機(jī)。先利用EEMD對(duì)DO時(shí)間序列進(jìn)行分解，EEMD可以有效地降低溶解氧時(shí)序的非平穩(wěn)特性，再對(duì)分解出來的各個(gè)分量進(jìn)行空間重構(gòu)，構(gòu)造輸入輸出向量，利用螢火蟲算法對(duì)SVM的超參數(shù)進(jìn)行優(yōu)化后，再將優(yōu)化后的SVM用于溶解氧的預(yù)測(cè)。與傳統(tǒng)方法相比，螢火蟲算法優(yōu)化后的SVM網(wǎng)絡(luò)收斂速度快，預(yù)測(cè)精度高，泛化能力強(qiáng)。在今后的研究中，將改進(jìn)螢火算法對(duì)支持向量機(jī)參數(shù)進(jìn)行優(yōu)化，進(jìn)一步提高預(yù)測(cè)精度和準(zhǔn)確性。