一种基于改进极限学习机的溶解氧浓度软测量方法
【技术领域】
[0001] 本发明涉及软测量建模领域，尤其涉及一种基于改进极限学习机的溶解氧浓度软 测量方法。
【背景技术】
[0002] 对于水产养殖中溶解氧浓度的预测，目前大都是基于神经网络建立的黑箱模型， 利用不同的优化算法改进网络的学习效率。这种软测量策略即没有对影响水质各因素数据 之间的相关性和共线性等问题进行特性分析，也没有建立合理有效的数据预处理方法，且 大部分缺少模型校正机制，学习算法也不能保证误差稳定。因此，这类模型的精度随时间不 断下降。实践表明，神经网络很难单独用于水产养殖过程，因为学习算法不够精确，对象响 应比学习过程快，长时间运行会出现发散、不稳定等现象。现有技术虽然对神经网络或极限 学习机的模型参数进行了优化，但是不能保证建模误差的稳定性，随着时间的推移，模型误 差可能会逐渐增大。
【发明内容】
[0003] 根据现有技术存在的问题，本发明公开了一种基于改进极限学习机的溶解氧浓度 软测量方法，包括以下步骤：
[0004] S1 :对影响水质因素的水体温度信息、PH值信息、总氨氮TNHJ-N、亚硝态氮 N02 -N和硝态氮N〇i-N信息进行数据采集；
[0005] S2 :对采集到的数据进行离群点识别、滤波处理操作：首先采用改进的稳健数据 预处理方法对数据中的离群点即异常数据进行识别和删除，再对余下的数据采用中位值滤 波技术进行处理，保留每组数据的中值作为软测量模型的输入输出数据；
[0006] S3:采用上述预处理过的批量历史数据作为软测量模型的输入信息，将检测到的 溶解氧浓度化验值作为输出数据建立溶解氧浓度模型；
[0007] 采用基于改进的极限学习机软测量方法，即利用椭球交集理论，将极限学习机的 模型参数误差定义为一个椭球，建模误差定义为另一个椭球，重新构建极限学习机模型形 式，构造递推辨识算法，找到最优的软测量模型参数，使软测量模型输出溶解氧浓度值；
[0008] S4 :建立模型在线校正机制，水产养殖溶解氧浓度模型的动态校正：基于水产养 殖生产过程中的实时数据信息，将溶解氧浓度化验值和软测量模型输出的溶解氧浓度值进 行误差比较，采用椭球定界稳定学习算法对溶解氧浓度的软测量模型参数进行学习和更 新。
[0009] 进一步的，重新构建极限学习机模型形为如下形式：
[0010] v,(k)^B[0：(k) (1)
[0011] 其中：免⑷为极限学习机的模型输出值，< 为模型已知信息，ΘJk)为模型参数， 根据重构后的模型建立学习算法，保证定义的建模误差
[0012]
(2)
[0013] 稳定有界，其中yi(k)是真值，即溶解氧的化验值。
[0014] 采用基于改进的极限学习机软测量方法具体步骤如下：
[0015]S3中具体方式如下：首先定义极限学习机的模型参数误差椭球Eks:
[0016]
(3):
[0017] 其中贫(幻<是最小化建模误差的未知最优权值，&=JP/>〇为半正 定对称矩阵，建模误差["r,.(/:) - <f]定义为另一个椭球Sk，其形式为：
[0018]
[0019] 其中γi为一正常数，i= 1…n，椭球集SuS2…的中心为&，假设初始参数误差在 椭球Ei之内：
[0020]
(5)
[0021] 其中Pi是给定的对角正定矩阵，P1= P/X)，P# R2mX2m，m是指输入变量的维 数，$〇)=碟，《是椭球集合E1，E2…的共同中心，两个椭球Ejp Sk的交集（l-λ k) Ek+XkSk，满足
[0022]
[0023] 其中0 < 1，根据E#-个定界椭球集时，Ek+1也是定界椭球集的原理，设计 递推辨识算法使两个椭圆的交集组成的新椭球面积越来越小，最终找到满足条件的最小集 合。
[0024] S4中采用椭球定界稳定学习算法对软测量模型参数进行学习和更新采用如下方 式：
[0025] 采用如下递推辨识算法更新匕和Θ Jk)
[0029] 其中，0〈λ〈1，并且Ak>〇,则Ek+1为椭球集，满足
[0026]
[0027]
[0028]
[0030]
y-.
[0031] 软测量模型的归一化的建模误差
逼近于
[0032]
[0033] 其中 0〈λ〈1。
[0034] 由于采用了上述技术方案，本发明提供的基于改进极限学习机的溶解氧浓度软测 量方法，采用的椭球定界稳定学习算法，不仅能够更新模型参数，而且能够保证建模误差稳 定有界。由于水产养殖过程缓慢，且影响水产养殖过程的因素较多，参数之间相互作用又相 互影响，具有不确定性，误差容易出现发散现象。而稳定性是保证模型长期有效的前提，是 算法进行在线应用的基础。本算法涵盖了离群点识别、滤波等数据预处理操作，并且包括稳 定学习算法，不仅能够实现溶解氧浓度的在线测量，而且能使误差在工艺要求范围之内，实 验结果表明本方法学习能力强，泛化能力好。
【附图说明】
[0035] 为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下， 还可以根据这些附图获得其他的附图。
[0036] 图1为本发明公开的方法的流程图；
[0037] 图2为本发明中公开的溶解氧浓度软测量方法的预测结果显示图。
【具体实施方式】
[0038] 为使本发明的技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本 发明实施例中的技术方案进行清楚完整的描述：
[0039] 如图1所示的一种基于改进极限学习机的溶解氧浓度软测量方法，具体采用如下 方案：
[0040] S1 :对影响水质因素的水体温度信息、ΡΗ值信息、总氨氮ΤΝΗ; -Ν、亚硝态氮 ΝΟΙ-Ν和硝态氮Ν03-Ν信息进行数据采集，在实际过程中可以采集其他信息，这里只举 例说明书上述五种水质因素信息。
[0041] S2:对上述采集到的数据进行离群点识别、滤波处理操作，利群点识别和滤波操作 没有先后顺序，我们可以首先采用改进的稳健数据预处理方法对数据中的离群点即异常数 据进行识别和删除，再对余下的数据采用中位值滤波技术进行处理，保留每组数据的中值 作为软测量模型的输入输出数据。即滤波处理采用常用的中位值滤波技术。
[0042] S3 :如图2所示，采用S2预处理过的批量历史数据作为软测量模型的输入信息， 将检测到的溶解氧浓度化验值作为输出数据建立溶解氧浓度模型。具体方案是：采用基于 改进的极限学习机软测量方法，即利用椭球交集理论，将极限学习机的模型参数误差定义 为一个椭球，建模误差定义为另一个椭球，重新构建极限学习机模型形式，构造递推辨识算 法，然后找到最优的软测量模型参数，使软测量模型输出溶解氧浓度值。
[0043] S4 :建立模型在线校正机制，水产养殖溶解氧浓度模型的动态校正：基于水产养 殖生产过程中的实时数据信息，将溶解氧浓度化验值和软测量模型输出的溶解氧浓度值进 行误差比较，采用椭球定界稳定学习算法对溶解氧浓度的软测量模型参