基于禁忌搜索和遺傳算法的湖庫(kù)藻類水華生成機(jī)理時(shí)變模型優(yōu)化及預(yù)測(cè)方法
【專利摘要】本發(fā)明公開了一種基于禁忌搜索和遺傳算法的湖庫(kù)藻類水華生成機(jī)理時(shí)變模型優(yōu)化及預(yù)測(cè)方法，包括步驟一、構(gòu)建水華生成機(jī)理時(shí)變模型；步驟二、建立影響因素函數(shù)模型庫(kù)；步驟三、基于遺傳算法優(yōu)化水華生成機(jī)理時(shí)變模型參數(shù)；步驟四、基于禁忌搜索算法優(yōu)化水華生成機(jī)理時(shí)變模型結(jié)構(gòu)及影響因素分析；步驟五、最優(yōu)水華生成機(jī)理時(shí)變模型預(yù)測(cè)；本發(fā)明對(duì)水華生成機(jī)理模型引入時(shí)間變量，建立水華生成機(jī)理時(shí)變模型，使其不僅適用于模擬水華生成過程，且可用于水華預(yù)測(cè)，解決基于數(shù)據(jù)驅(qū)動(dòng)模型的水華預(yù)測(cè)不夠準(zhǔn)確而機(jī)理驅(qū)動(dòng)模型無法進(jìn)行水華預(yù)測(cè)的問題。
【專利說明】基于禁忌搜索和遺傳算法的湖庫(kù)藻類水華生成機(jī)理時(shí)變模型優(yōu)化及預(yù)測(cè)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種湖庫(kù)藻類水華生成機(jī)理時(shí)變模型優(yōu)化及水華預(yù)測(cè)方法，屬于環(huán)境工程【技術(shù)領(lǐng)域】。
【背景技術(shù)】
[0002]隨著經(jīng)濟(jì)社會(huì)的發(fā)展，水體富營(yíng)養(yǎng)化已經(jīng)成為一個(gè)全球性的重大水環(huán)境問題。隨著全球水體富營(yíng)養(yǎng)化的加劇，湖泊發(fā)生水華現(xiàn)象也越來越普遍。水華的暴發(fā),破壞了水體中的生物多樣性，嚴(yán)重制約了經(jīng)濟(jì)建設(shè)和社會(huì)發(fā)展。因此，深入研究藻類水華生成過程，對(duì)藻類水華暴發(fā)這一非常規(guī)突發(fā)事件進(jìn)行有效模擬和預(yù)測(cè)，對(duì)促進(jìn)水環(huán)境保護(hù)和技術(shù)進(jìn)步具有
重要意義。
[0003]目前水華生成過程建模研究主要包括機(jī)理驅(qū)動(dòng)模型和數(shù)據(jù)驅(qū)動(dòng)模型。機(jī)理驅(qū)動(dòng)模型包含生態(tài)變量和待定參數(shù)，通過描述水華生成機(jī)理過程進(jìn)行機(jī)理建模；而數(shù)據(jù)驅(qū)動(dòng)模型采用數(shù)據(jù)挖掘技術(shù)，從大量的實(shí)測(cè)數(shù)據(jù)中通過智能算法搜索隱藏于其中的相關(guān)信息，尤其適用于機(jī)理不明確的高維非線性系統(tǒng)。上述兩類建模方法各有所長(zhǎng)，但機(jī)理驅(qū)動(dòng)模型多是針對(duì)湖庫(kù)水體的環(huán)境、化學(xué)、物理及營(yíng)養(yǎng)因素與水華生成的作用機(jī)理方面展開研究，建模過程復(fù)雜且模型結(jié)構(gòu)固定，難以保證模型的環(huán)境適應(yīng)性；而基于數(shù)據(jù)驅(qū)動(dòng)的分析模型缺乏機(jī)理支撐，無法合理解釋各種影響因素與水華生成的因果關(guān)系，難以保證模型的準(zhǔn)確性。
[0004]在機(jī)理驅(qū)動(dòng)模型的基礎(chǔ)上，采用數(shù)據(jù)驅(qū)動(dòng)模型的智能算法對(duì)其進(jìn)行優(yōu)化可實(shí)現(xiàn)兩種模型的優(yōu)勢(shì)互補(bǔ)。機(jī)理模型的優(yōu)化可分為模型結(jié)構(gòu)的優(yōu)化和模型參數(shù)的優(yōu)化兩個(gè)方向?，F(xiàn)有機(jī)理模型優(yōu)化方法多是針對(duì)模型參數(shù)的優(yōu)化，即模型結(jié)構(gòu)固定不變，僅優(yōu)化模型參數(shù)，而很少有針對(duì)模型結(jié)構(gòu)的優(yōu)化。然而僅優(yōu)化模型參數(shù)，模型的環(huán)境適應(yīng)性并不能得到大幅提高，當(dāng)水體環(huán)境與模型結(jié)構(gòu)不匹配時(shí)，其模型準(zhǔn)確性也無從談起，因此需對(duì)模型結(jié)構(gòu)和模型參數(shù)均進(jìn)行優(yōu)化。
[0005]在對(duì)水華預(yù)測(cè)的研究中，現(xiàn)有的水華預(yù)測(cè)方法大多基于數(shù)據(jù)驅(qū)動(dòng)模型，存在預(yù)測(cè)結(jié)果不夠準(zhǔn)確的問題。而在現(xiàn)有水華生成過程的機(jī)理驅(qū)動(dòng)模型研究中，所建的水華生成機(jī)理模型大多沒有引入時(shí)間變量，由于水華生成過程是一個(gè)具有時(shí)變特性的動(dòng)態(tài)過程，因此現(xiàn)有水華生成機(jī)理模型僅適用于模擬水華生成過程，而難以將其用于水華預(yù)測(cè)。
[0006]因此，如何建立一個(gè)環(huán)境適應(yīng)性高且能夠用于水華預(yù)測(cè)的水華生成機(jī)理模型，需綜合考慮對(duì)水華生成機(jī)理模型引入時(shí)間變量后其模型結(jié)構(gòu)優(yōu)化和模型參數(shù)優(yōu)化的方法，是湖庫(kù)藻類水華研究領(lǐng)域中亟待解決的問題。

【發(fā)明內(nèi)容】

[0007]本發(fā)明的目的是為了解決現(xiàn)有的水華生成機(jī)理模型環(huán)境適應(yīng)性不高以及無法用于水華預(yù)測(cè)的問題，對(duì)水華生成機(jī)理模型引入時(shí)間變量，并基于禁忌搜索和遺傳算法對(duì)水華生成機(jī)理時(shí)變模型進(jìn)行模型結(jié)構(gòu)優(yōu)化和模型參數(shù)優(yōu)化，以提高模型的環(huán)境適應(yīng)性及準(zhǔn)確性，并實(shí)現(xiàn)基于水華生成機(jī)理時(shí)變模型的水華預(yù)測(cè)。
[0008]本發(fā)明提供的基于禁忌搜索和遺傳算法的湖庫(kù)藻類水華生成機(jī)理時(shí)變模型優(yōu)化及預(yù)測(cè)方法，主要包括以下五個(gè)步驟:
[0009]步驟一、構(gòu)建水華生成機(jī)理時(shí)變模型；
[0010]葉綠素是表征水體中藻類現(xiàn)存量的最直接指標(biāo)，可采用葉綠素作為反映藻類水華生成的表征因素。葉綠素的變化率與葉綠素的生長(zhǎng)率、死亡率以及凈損失率密切相關(guān)，其中葉綠素生長(zhǎng)率由水溫、總磷、總氮和溶解氧等水華影響因素決定，考慮到葉綠素生長(zhǎng)率、葉綠素含量及葉綠素死亡率的隨時(shí)間變化的特點(diǎn)，對(duì)葉綠素變化率、葉綠素含量及葉綠素死亡率構(gòu)建帶有時(shí)間函數(shù)的水華生成機(jī)理時(shí)變模型。
[0011]步驟二、建立影響因素函數(shù)模型庫(kù)；
[0012]不同環(huán)境下水華影響因素對(duì)水華生成機(jī)理影響的效果不同，為建立適應(yīng)不同環(huán)境下的水華生成機(jī)理時(shí)變模型，需構(gòu)建水華影響因素的函數(shù)模型庫(kù)?？紤]到影響因素的隨時(shí)間變化的特點(diǎn)，函數(shù)模型庫(kù)分為兩部分，一部分是反映影響因素與時(shí)間關(guān)系的時(shí)間函數(shù)模型庫(kù)，另一部分是反映影響因素與葉綠素生長(zhǎng)率關(guān)系的作用函數(shù)模型庫(kù)。之后，為每個(gè)影響因素從函數(shù)模型庫(kù)中隨機(jī)選取一個(gè)時(shí)間函數(shù)模型和一個(gè)作用函數(shù)模型作為水華生成機(jī)理時(shí)變模型結(jié)構(gòu)的初始解。
[0013]步驟三、基于遺傳算法優(yōu)化水華生成機(jī)理時(shí)變模型參數(shù)；
[0014]對(duì)已確定模型結(jié)構(gòu)的水華生成機(jī)理時(shí)變模型進(jìn)行參數(shù)優(yōu)化。水華生成機(jī)理時(shí)變模型參數(shù)優(yōu)化分為兩個(gè)部分，即首先對(duì)影響因素時(shí)間函數(shù)模型參數(shù)采用最小二乘法進(jìn)行優(yōu)化，再對(duì)水華生成機(jī)理時(shí)變模型中(除影響因素時(shí)間函數(shù)模型參數(shù)以外)其余參數(shù)采用遺傳算法進(jìn)行優(yōu)化。
[0015]步驟四、基于禁忌搜索算法優(yōu)化水華生成機(jī)理時(shí)變模型結(jié)構(gòu)及影響因素分析；
[0016]建立水華生成機(jī)理時(shí)變模型需要確定最優(yōu)模型的結(jié)構(gòu)，即在函數(shù)模型庫(kù)中搜索影響因素的時(shí)間函數(shù)模型和作用函數(shù)模型的最優(yōu)組合，以提高對(duì)水華生成機(jī)理描述的準(zhǔn)確性和環(huán)境適應(yīng)性。本發(fā)明采用禁忌搜索算法實(shí)現(xiàn)水華生成機(jī)理時(shí)變模型結(jié)構(gòu)的優(yōu)化。此外，通過對(duì)水華生成機(jī)理時(shí)變模型結(jié)構(gòu)的優(yōu)化，可實(shí)現(xiàn)對(duì)水華影響因素種類的取舍，即水華影響因素分析。
[0017]步驟五、最優(yōu)水華生成機(jī)理時(shí)變模型預(yù)測(cè)；
[0018]對(duì)由葉綠素變化率表示的最優(yōu)水華生成機(jī)理時(shí)變模型，將其視為齊次微分方程，根據(jù)該齊次微分方程的解，得到由葉綠素含量表示的最優(yōu)水華生成機(jī)理時(shí)變模型的預(yù)測(cè)公式。
[0019]本發(fā)明的優(yōu)點(diǎn)在于:
[0020]1、本發(fā)明對(duì)水華生成機(jī)理模型引入時(shí)間變量，建立水華生成機(jī)理時(shí)變模型，使其不僅適用于模擬水華生成過程，且可用于水華預(yù)測(cè)，解決基于數(shù)據(jù)驅(qū)動(dòng)模型的水華預(yù)測(cè)不夠準(zhǔn)確而機(jī)理驅(qū)動(dòng)模型無法進(jìn)行水華預(yù)測(cè)的問題。
[0021]2、本發(fā)明對(duì)水華生成機(jī)理時(shí)變模型進(jìn)行模型結(jié)構(gòu)優(yōu)化和模型參數(shù)優(yōu)化，提高模型的環(huán)境適應(yīng)性和準(zhǔn)確性。
[0022]3、本發(fā)明將水華影響因素函數(shù)模型庫(kù)分為時(shí)間函數(shù)模型庫(kù)和作用函數(shù)模型庫(kù)，使模型結(jié)構(gòu)的分類更符合實(shí)際，對(duì)葉綠素生長(zhǎng)率隨時(shí)間變化的描述更準(zhǔn)確。[0023]4、本發(fā)明將常數(shù)模型加入到影響因素函數(shù)模型庫(kù)中，通過對(duì)水華生成機(jī)理時(shí)變模型結(jié)構(gòu)的優(yōu)化，可實(shí)現(xiàn)對(duì)水華影響因素種類的取舍，即水華影響因素分析。
[0024]5、本發(fā)明采用禁忌搜索算法對(duì)水華生成機(jī)理時(shí)變模型進(jìn)行模型結(jié)構(gòu)優(yōu)化，可大幅提高搜索速度，并增加獲得模型結(jié)構(gòu)全局最優(yōu)解的概率。
[0025]6、本發(fā)明針對(duì)模型參數(shù)較少的影響因素時(shí)間函數(shù)模型采用最小二乘法進(jìn)行模型參數(shù)優(yōu)化，使得模型參數(shù)優(yōu)化速度快，計(jì)算存儲(chǔ)量小。
[0026]7、本發(fā)明針對(duì)水華生成機(jī)理時(shí)變模型除影響因素時(shí)間函數(shù)模型外的其余參數(shù)采用遺傳算法進(jìn)行模型參數(shù)優(yōu)化，可對(duì)多個(gè)模型參數(shù)同時(shí)優(yōu)化，并且優(yōu)化速度快，易得到模型參數(shù)的全局最優(yōu)解。
【專利附圖】

【附圖說明】
[0027]圖1是本發(fā)明基于禁忌搜索和遺傳算法的湖庫(kù)藻類水華生成機(jī)理時(shí)變模型優(yōu)化及預(yù)測(cè)方法的流程圖；
[0028]圖2是最優(yōu)水華生成機(jī)理時(shí)變模型對(duì)葉綠素含量的擬合結(jié)果及最優(yōu)水華生成機(jī)理時(shí)變模型預(yù)測(cè)公式的預(yù)測(cè)結(jié)果；
【具體實(shí)施方式】
[0029]下面將結(jié)合附圖和實(shí)施例1對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說明。
[0030]為便于說明，本說明書中所有未經(jīng)解釋的名詞及字母含義均由下述假設(shè)解釋:總采樣時(shí)間為N,影響因素總個(gè)數(shù)為M。
[0031]本發(fā)明是一種湖庫(kù)藻類水華生成機(jī)理時(shí)變模型優(yōu)化及預(yù)測(cè)方法，具體方法實(shí)施流程如圖1所示，通過如下步驟實(shí)現(xiàn):
[0032]步驟一、構(gòu)建水華生成機(jī)理時(shí)變模型；
[0033]葉綠素是表征水體中藻類現(xiàn)存量的最直接指標(biāo)，可采用葉綠素作為反映藻類水華生成的表征因素。
[0034]葉綠素的變化率與葉綠素的生長(zhǎng)率、死亡率以及凈損失率密切相關(guān)，其變化符合以下方程:
[0035]
【權(quán)利要求】
1.一種湖庫(kù)藻類水華生成機(jī)理時(shí)變模型優(yōu)化及預(yù)測(cè)方法，通過如下步驟實(shí)現(xiàn): 步驟一、構(gòu)建水華生成機(jī)理時(shí)變模型； 水華生成機(jī)理時(shí)變模型為:=(2> 其中，ca(t)為葉綠素含量的時(shí)間函數(shù)，Gp (t)為葉綠素生長(zhǎng)率的時(shí)間函數(shù),Dp (t)為葉綠素死亡率的時(shí)間函數(shù),mp為葉綠素凈損失率，t表不時(shí)間； 葉綠素生長(zhǎng)率的時(shí)間函數(shù)Gp(t)為:
Gp(t) =G(X1U)).G(X2(t)).....G(XM(t))⑶ 其中，Xi (t)為第i個(gè)影響因素的時(shí)間函數(shù)，G(XiU))為第i個(gè)影響因素的作用函數(shù)，i=I, 2,...,M ;葉綠素死亡率的時(shí)間函數(shù)Dp (t)為:
Dpa) =DfflaxX 1.08(T(t)-20) 其中，Dmax為葉綠素最大死亡 率，T(t)為水溫的時(shí)間函數(shù)； 步驟二、建立影響因素函數(shù)模型庫(kù)； 具體為: (1)建立各影響因素的時(shí)間函數(shù)模型庫(kù)，包括常數(shù)模型Xi(t)=ai;正比例函數(shù)模型Xi (t) = ai.t,反比例函數(shù)模型Xi (t) = ai/t,指數(shù)函數(shù)模型Xi(t) = ai.e\對(duì)數(shù)函數(shù)模型Xi (t) = Bi.1η?，冪函數(shù)模型X⑴-P，以及以上多個(gè)模型的組合模型，其中％表示第i個(gè)影響因素的時(shí)間函數(shù)模型參數(shù)，并給每一種時(shí)間函數(shù)模型編號(hào)； (2)建立各影響因素的作用函數(shù)模型庫(kù)，包括常數(shù)模型G(XJt))=bi;正比例函數(shù)模型G(Xi(t)) = h.t,反比例函數(shù)模型G(Xi (t)) = bi/t,指數(shù)函數(shù)模型G(XiU)) =IDi ^et,對(duì)數(shù)函數(shù)模型G(Xi (t))=匕.Int,冪函數(shù)模型(/)) =tb'，以及以上多個(gè)模型的組合模型，其中4表示第i個(gè)影響因素的作用函數(shù)模型參數(shù)，并給每一種作用函數(shù)模型編號(hào)； (3)產(chǎn)生水華生成機(jī)理時(shí)變模型結(jié)構(gòu)的初始解；水華生成機(jī)理時(shí)變模型結(jié)構(gòu)的解表示為M個(gè)影響因素的時(shí)間函數(shù)模型編號(hào)和作用函數(shù)模型編號(hào)的一種組合，解的表示形式為一個(gè)包含2.Μ個(gè)元素的向量，即K第i個(gè)影響因素時(shí)間函數(shù)模型編號(hào)，第i個(gè)影響因素作用函數(shù)模型編號(hào))J，i = 1，2，...，M ;為每個(gè)影響因素從函數(shù)模型庫(kù)中隨機(jī)產(chǎn)生一個(gè)時(shí)間函數(shù)模型編號(hào)和一個(gè)作用函數(shù)模型編號(hào)，將所產(chǎn)生的M個(gè)影響因素的時(shí)間函數(shù)模型編號(hào)和作用函數(shù)模型編號(hào)按解的表示形式組合成一個(gè)包含2.M個(gè)元素的向量作為初始解； 步驟三、基于遺傳算法優(yōu)化水華生成機(jī)理時(shí)變模型參數(shù)； 對(duì)已確定模型結(jié)構(gòu)的水華生成機(jī)理時(shí)變模型進(jìn)行參數(shù)優(yōu)化； 首先對(duì)影響因素時(shí)間函數(shù)模型參數(shù)進(jìn)行優(yōu)化，對(duì)每一個(gè)影響因素分別進(jìn)行時(shí)間函數(shù)模型參數(shù)優(yōu)化，采用最小二乘法，優(yōu)化判據(jù)為誤差平方和?；(馬— HO)2達(dá)到最小，其中，Xit





t=\為第i個(gè)影響因素在t時(shí)刻的真實(shí)值，Xi (t)為第i個(gè)影響因素在t時(shí)刻的函數(shù)值； 將參數(shù)優(yōu)化后的各影響因素時(shí)間函數(shù)模型參數(shù)代入水華生成機(jī)理時(shí)變模型，再對(duì)水華生成機(jī)理時(shí)變模型中其余參數(shù)進(jìn)行優(yōu)化，采用遺傳算法，對(duì)同時(shí)進(jìn)行優(yōu)化；步驟四、基于禁忌搜索算法優(yōu)化水華生成機(jī)理時(shí)變模型結(jié)構(gòu)及影響因素分析； 禁忌搜索算法優(yōu)化水華生成機(jī)理時(shí)變模型結(jié)構(gòu)的基本流程為: (1)初始狀態(tài)設(shè)定；將步驟二中產(chǎn)生的初始解作為當(dāng)前最優(yōu)解；禁忌表中的元素為所有解的任期，將禁忌表中所有元素初值設(shè)為O，設(shè)置禁忌長(zhǎng)度為固定值L以及設(shè)置最大搜索步數(shù)；若某一個(gè)解被加入禁忌表，則將該解在禁忌表中的任期設(shè)為L(zhǎng)，每執(zhí)行一次搜索將其任期減1，該解在被禁忌了 L次以后將自動(dòng)解禁，再次參與搜索，從而使搜索算法跳出局部最優(yōu)解； (2)鄰域解的產(chǎn)生；首先要產(chǎn)生當(dāng)前最優(yōu)解的鄰域，即隨機(jī)選取m個(gè)影響因素作為需改變的影響因素的個(gè)數(shù)，m〈M，然后隨機(jī)產(chǎn)生這m個(gè)影響因素的時(shí)間函數(shù)模型和作用函數(shù)模型在函數(shù)模型庫(kù)中的編號(hào)，再與當(dāng)前最優(yōu)解中未改變的影響因素的時(shí)間函數(shù)模型和作用函數(shù)模型的編號(hào)組合即為鄰域解； (3)候選解的確定；對(duì)鄰域解進(jìn)行禁忌檢查，若領(lǐng)域解不在禁忌表中，即該鄰域解在禁忌表中的任期為零，則將其作為候選解；若鄰域解已在禁忌表中，即該鄰域解在禁忌表中的任期非零，則將禁忌表中所有非零的元素減1，并重新產(chǎn)生鄰域解，重復(fù)第(2)、(3)步直至得到候選解； (4)適應(yīng)度檢查；對(duì)候選解所確定的水華生成機(jī)理時(shí)變模型結(jié)構(gòu)按步驟三進(jìn)行模型參數(shù)優(yōu)化，并得到該候選解對(duì) 應(yīng)的適應(yīng)度值，若適應(yīng)度值不小于適應(yīng)度閾值，則將該候選解作為最優(yōu)解，得到相應(yīng)的最優(yōu)水華生成機(jī)理時(shí)變模型，終止禁忌搜索；若候選解的適應(yīng)度值未達(dá)到適應(yīng)度閾值，則執(zhí)行第(5)步； (5)當(dāng)前最優(yōu)解的獲得；首先將禁忌表中所有非零的元素減I;當(dāng)候選解對(duì)應(yīng)的適應(yīng)度值差于當(dāng)前最優(yōu)解，即候選解的適應(yīng)度值小于當(dāng)前最優(yōu)解的適應(yīng)度值，則把候選解加入禁忌表，即將候選解的任期設(shè)為L(zhǎng) ;若候選解對(duì)應(yīng)的適應(yīng)度值優(yōu)于當(dāng)前最優(yōu)解，即候選解的適應(yīng)度值大于等于當(dāng)前最優(yōu)解的適應(yīng)度值，則將當(dāng)前最優(yōu)解加入禁忌表，即將當(dāng)前最優(yōu)解的任期設(shè)為L(zhǎng)，再用候選解替代當(dāng)前最優(yōu)解； (6)禁忌搜索終止；禁忌搜索重復(fù)次數(shù)達(dá)到最大的搜索步數(shù)則終止搜索，由當(dāng)前最優(yōu)解得到相應(yīng)的最優(yōu)水華生成機(jī)理時(shí)變模型；若未達(dá)到最大搜索步數(shù)，則重復(fù)第(2)-(5)步； 步驟五、最優(yōu)水華生成機(jī)理時(shí)變模型預(yù)測(cè)； 將最優(yōu)水華生成機(jī)理時(shí)變模型寫成齊次微分方程形式為:
2.根據(jù)權(quán)利要求1所述的一種湖庫(kù)藻類水華生成機(jī)理時(shí)變模型優(yōu)化及預(yù)測(cè)方法，所述的步驟三中，采用遺傳算法，對(duì)IvDm^mp同時(shí)進(jìn)行優(yōu)化的具體步驟如下:(1)給定初始化條件；確定個(gè)體數(shù)目K、最大遺傳代數(shù)、待優(yōu)化參數(shù)個(gè)數(shù)、代溝、適應(yīng)度閾值； (2)初始化種群個(gè)體；采用多參數(shù)級(jí)聯(lián)浮點(diǎn)數(shù)編碼；隨機(jī)產(chǎn)生K種不同的參數(shù)組合作為初始種群，構(gòu)成待選參數(shù)空間； (3)個(gè)體適應(yīng)度評(píng)價(jià)；建立適應(yīng)度函數(shù):

3.根據(jù)權(quán)利要求1所述的一種湖庫(kù)藻類水華生成機(jī)理時(shí)變模型優(yōu)化及預(yù)測(cè)方法，所述的步驟四中，還包括水華影響因素分析，由于影響因素作用函數(shù)模型庫(kù)中包含了常數(shù)模型，當(dāng)最優(yōu)水華生成機(jī)理時(shí)變模型中某一個(gè)或多個(gè)影響因素的作用函數(shù)模型為常數(shù)模型時(shí)，說明該影響因素并未對(duì)水華生成機(jī)理產(chǎn)生影響，從而通過對(duì)水華生成機(jī)理時(shí)變模型結(jié)構(gòu)的優(yōu)化，實(shí)現(xiàn)對(duì)水華影響因素種類的取舍，即水華影響因素分析。
【文檔編號(hào)】G06N3/12GK103984996SQ201410225546
【公開日】2014年8月13日 申請(qǐng)日期:2014年5月26日 優(yōu)先權(quán)日:2014年5月26日
【發(fā)明者】王小藝, 施彥, 王立, 許繼平, 于家斌, 姚俊楊 申請(qǐng)人:北京工商大學(xué)