技术特征：
1.一种基于rs粗糙集和cpa算法的稻虾水质预测方法，其特征在于，包括如下步骤：步骤1：对稻虾水域随机两块区域进行测量ph值、浑浊度、气压、温度、氨氮以及溶解氧六项指标，各区域每次重复测量一组，一天测量多次，分别记为a
1-a
12
和a
13-a
24
；步骤2：对测量的水质数据预处理，将数据归一化以文本的形式存储，将数据转换至0-1之间；步骤3：根据稻虾对不同水质的生存情况，将指标划分等级；步骤4：通过rs粗糙集对a
1-a
24
属性约简，找出几组最简属性集；步骤5：将步骤4几组最简属性集代入rbf神经网络进行mse比较，得出一组最优属性集，并将一组最优属性集的属性分为训练集和测试集；步骤6：确定rbf神经网络的拓扑结构，将rbf神经网络的径向基函数的中心、宽度以及隐层到输出层的权值作为cpa算法的初始种群，使用cpa算法进行优化得到优化后的中心、权值和宽度；步骤7：最终得出优化模型，利用该优化模型及步骤5中划分的训练集和测试集进行预测虾稻水质。2.根据权利要求1所述的基于rs粗糙集和cpa算法的稻虾水质预测方法，其特征在于，所述a
1-a
12
为两组六参数水质指标，a
1-a
12
为同一块区域，a
13-a
24
为另一块区域两组六参数水质指标。3.根据权利要求1所述的基于rs粗糙集和cpa算法的稻虾水质预测方法，其特征在于，所述步骤3中指标划分为：i(优)、ii(良)、iii(差)三个等级。4.根据权利要求1所述的基于rs粗糙集和cpa算法的稻虾水质预测方法，其特征在于，所述步骤4对对a
1-a
24
的属性约简步骤如下：步骤1)将预处理之后的水质数据按照各个属性对应的区间进行划分，并进行编号，获得试验数据决策表；步骤2)通过遗传算法，对试验数据决策表进行约简；步骤3)根据公式γ
c
(d)＝|pos
c
(d)|/|u|，计算出决策属性d({d1，d2，d3，
…
d
i
})对条件属性c({c1，c2，c3，
…
c
j
})的依赖度γ
c
(d)，其中，d1，d2，d3，
…
d
i
表示所有决策属性集合，c1，c2，c3，
…
c
j
表示所有条件属性集合，d表示决策属性，u表示论域；步骤4)定义rduct(c)＝c-{c
j
}为条件属性c的约简集，将条件属性c
j
逐个去除，比较γ
reduct(c)
(d)与γ
c
(d)的大小，若γ
reduct
(d)＝γ
c
(d)，则终止运算；若不等，将执行步骤1)；步骤5)使用染色.体编码方法，根据公式其中，x表示对象子集，x表示对象，u表示论域，将每个条件属性对每个个体编码，通过二进制字符串[0，1]的形式；若条件属性属于本个体，就表示为1；否则表示0；从而得到个体适应度f(r)值：f(r)＝(l-l
τ
)/l+γ
c
(d)其中，编码1的染色体个数为l
τ
，条件属性个数为l；初始种群由pop_size的长度为|c|的二进制个体构成，且pop_size＝2
|c|
；步骤6)计算下一代种群个体的适应度值，通过轮盘赌法从中选择，使用交叉概率γ
c
来表示交叉点处染色体交叉概率，某个等位属性编码值反转概率用p
m
表示，也就是变异概率；
步骤7)选择最优个体，将它代入下一代种群，观察适应度，若不再变化或迭代步数到最大值，将最优个体输出，否则跳转执行步骤6)。5.根据权利要求1所述的基于rs粗糙集和cpa算法的稻虾水质预测方法，其特征在于，所述步骤6中cpa算法优化步骤为：1)初始化：初始化待求解问题的可能解，这里待求解问题的可能解分别为rbf神经网络的径向基函数的中心、宽度以及隐层到输出层的权值，随机初始化n个cplant食肉植物和n个prey猎物个体，位置表示如下：其中，d为变量个数，n为ncplant和nprey总和，每个个体使用下式随机初始化：individual
i，j
＝lb
j
+(ub
j-lb
j
)
×
rand其中，lb和ub分别为自变量的最小值和最大值，i∈[1，2，...，n]，j∈[1，2，...，d]，rand为[0，1]之间的随机数；对于第i个个体，通过将每一行作为适应度函数的输入来评估适应度值，计算得到的适应度值存在如下矩阵中：2)分类与分组：每个个体按照其适应度值升序排序，排在前面的n个cplant食肉植物作为食肉植物cp，剩余的nprey作为猎物prey，排序后的适应度值和种群通过下列两式表示：
分组的过程模拟每个肉食植物以及猎物的环境，将适合度最高的猎物分配给排名第一的食肉植物，类似地，第二名和第三名猎物属于第二和第三肉食植物；以此类推，直到排名ncplant的猎物分配给第ncplant的肉食植物，然后在猎物多余的情况下，ncplant+1名猎物分配给第一名肉食植物；3)成长：每一个种群都随机选择一个猎物，如果吸引率高于随机生成的数字，食肉植物就会捕获猎物并消化生长，食肉植物成长模型为：newcp
i，j
＝growth
×
cp
i，j
+(1-growth)
×
prey
v，j
growth＝growth_rate
×
rand
i，j
其中，cp
i，j
是排名第i的食肉植物，prey
v，j
为随机选择的猎物，成长率growth_rate为预定义的值，rand为[0，1]之间的随机数，每一个种群内部只有一个食肉植物，而猎物的数量必须多于两个，如果吸引率低于产生的随机值，则猎物逃跑并成长，表示为：newprey
i，j
＝growth
×
prey
u，j
+(1-growth)
×
prey
v，j
，u≠v其中，prey
u，j
是第i个种群中随机选择的另一个猎物；食肉植物和猎物生长过程持续到group_iter代(预定义值)，且两式将新的解向高质量解空间方向指导；4)繁殖：排名第一的食肉植物，才允许繁殖，最优食肉植物繁殖过程如下：newcp
i，j
＝cp
1，j
+re production_rate
×
rand
i，j
×
mate
i，j
其中，cp
1，j
为最优解，cp
v，j
为随机选择的食肉植物，繁殖率reproduction_rate是预定义的值，繁殖过程重复ncplant次，繁殖过程中，每个维度j都随机选择一个食肉植物v；5)适应度更新和合并：将新生成的食肉植物和猎物和之前的种群合并，得到新的维度种群，按照适应度值升序排序，选择排名前n的个体作为新的候选解，保准种群大小不变；6)重复1)到4)过程，每一次重复的结果作为rbf神经网络的最优三参数，直到满足停止准则。6.根据权利要求1至5任一所述的基于rs粗糙集和cpa算法的稻虾水质预测方法，其特征在于，通过rs粗糙集对a
1-a
24
属性约简时，所抽取的数据量大于24。
技术总结
本发明涉及水质预测技术领域，公开了一种基于RS粗糙集和CPA算法的稻虾水质预测方法，包括测量六项指标并对其进行预处理，通过RS粗糙集结合遗传算对数据进行属性约简，找出几组最简属性集，将其代入RBF神经网络进行MSE比较，得出一组最优属性集，确定RBF神经网络的拓扑结构，将RBF神经网络的径向基函数的中心、宽度以及隐层到输出层的权值作为CPA算法的初始种群，利用CPA算法优化后得到最优的中心、宽度和权值并将其作为RBF神经网络模型的参数，进而得到网络模型的最优参数，构建优化网络模型。与现有技术相比，本发明降低了不确定数据对数据融合的影响，简化输入特征，提高对稻虾水质预测的抗干扰性和准确性。水质预测的抗干扰性和准确性。水质预测的抗干扰性和准确性。
技术研发人员：张青春 王刚 孟凡东 刘晓洋 周玲 吴峥 文张源 张洪源
受保护的技术使用者：淮阴工学院
技术研发日：2022.04.14
技术公布日：2022/6/10