基于集合经验模态分解和人工蜂群算法的工厂化养殖pH值预测

摘要：

针对单一预测模型预测养殖pH值精度低等问题，提出集合经验模态分解（ensemble empirical mode decomposition， EEMD）和改进人工蜂群算法（improve artificial bee colony，IABC）相结合的南美白对虾工厂化养殖pH值组合预测模型。在建模过程中，利用EEMD算法对原始pH值时间序列进行多尺度分解，得到一组平稳、互不耦合的子序列；根据各子序列变化特征选择适宜的单项预测方法并建模，通过改进人工蜂群（IABC）算法优化复杂非线性组合预测模型目标函数权重系数，构建了工厂化养殖pH值非线性组合预测模型。利用该模型对广东省湛江市2014年9月8日－2014年9月15日期间工厂化养殖pH值进行预测，结果表明，该预测模型取得了较好的预测效果，与模拟退火优化BP神经网络（simulated Annealing-BP neural network，SA-BPNN）和遗传算法优化最小二乘支持向量回归机（genetic algorithm-least square support vector regression，GA-LSSVR）对比分析，模型评价指标平均绝对百分比误差MAPE、均方根误差、平均绝对误差MAE和相关系数R2分别为0.0035、0.0274、0.0224和0.9923，均表明该文提出的组合预测模型具有更高预测精度，能够满足实际南美白对虾工厂化养殖pH值精细化管理需要，也为其他领域pH值预测提供参考。

关键词：算法、pH值、水产养殖、组合预测、集合经验模态分解、人工蜂群算法、南美白对虾

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金项目61471133，61473331；国家科技支撑计划项目2012BAD35B07；广东省科技计划项目2013B090500127，2013B021600014，2015A070709015，2015A020209171；广东海洋大学创新强校工程项目GDOU2014050227

在线出版日期：2016-04-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：202-209