本发明涉及溶解氧预测，尤其是涉及一种基于二次分解与lstm融合的溶解氧预测方法及装置。
背景技术：
1、随着现代工业化、城市化进程的加快，大量未经处理的工业废水、生活污水以及其他有害物质，直接或间接排放入河，容易致使河流受到不同程度的污染，且污染程度随时间不断变化、扩散快，使得水污染问题引起了广泛关注。科学、准确的水质预测有利于认识水质变化规律和发展态势，增加水污染防治决策的主动性、提高水质治理效率。溶解氧（do）能反映水质污染程度和水体自身净化能力，是衡量河流、水库等水体环境质量的重要指标之一。
2、目前，溶解氧预测模型可预测水体的溶解氧，然而，水质数据具有长期依赖性，常规模型进行溶解氧预测，不具有捕捉长期依赖的能力。此外，溶解氧（do）序列变化过程较为复杂，单一的机器学习模型无法满足精度要求，许多专家将数据分解技术与机器学习模型相结合，来提高模型的预测精度。常用分解方法有小波分解（wpd）、经验模态分解（emd）、集成经验模式分解（eemd）等。然而，这些分解技术在分解复杂信号时可能难以完美区分不同特征尺度的信号成分，常存在模态混叠和虚假分量的问题。
技术实现思路
1、为解决上述技术问题，本发明的目的在于提供一种基于二次分解与lstm融合的溶解氧预测方法及装置，能够对样本充分分解，揭示更深层次的数据结构和关联性，适应较为复杂的溶解氧序列变化过程。还考虑了溶解氧样本的局部细微变化和整体趋势，能够在复杂和变化多端的水质环境中做出更为准确的预测。
2、第一方面，本发明实施例提供了一种基于二次分解与lstm融合的溶解氧预测方法，该方法包括：采集目标水体水质样本，构建溶解氧数据集；对溶解氧数据集进行数据分解处理，得到多个分解样本，计算每个分解样本的模糊熵；基于模糊熵，从多个分解样本中提取满足预设模糊熵阈值的分解样本作为目标样本，对目标样本进行二次分解，获得二次分解样本；将二次分解样本和分解样本合并，得到溶解氧数据集对应的分解样本序列；通过预设的预测模型对分解样本序列进行预测，输出目标水体水质样本对应的溶解氧预测结果。
3、结合第一方面，本发明实施例提供了第一方面的第一种实施方式，其中，对溶解氧数据集进行数据分解处理，得到多个分解样本的步骤，包括：对溶解氧数据集采用鲁棒经验模态分解方法进行分解处理，得到信号分量；计算信号分量的均方根和超额峰度，基于均方根和超额峰度生成目标函数；基于目标函数确定筛选阈值，利用筛选阈值对溶解氧数据集进行分解，获得溶解氧数据集的多个分解样本。
4、结合第一方面，本发明实施例提供了第一方面的第二种实施方式，其中，计算每个分解样本的模糊熵的步骤，包括：对每个分解样本进行时间序列重构，生成每个分解样本分别对应的滑动窗口序列；基于滑动窗口序列，通过模糊隶属度函数定义分解样本的序列距离；基于序列距离，确定分解样本的模糊熵。
5、结合第一方面，本发明实施例提供了第一方面的第三种实施方式，其中，对目标样本进行二次分解，获得二次分解样本的步骤，包括：对目标样本进行变分模态分解，得到初始分解结果；其中，变分模态分解的变分问题包括惩罚因子，惩罚因子基于目标样本自适应确定；判断初始分解结果是否满足预设的分解要求，如果是，将初始分解结果确定为目标样本的二次分解样本。
6、结合第一方面，本发明实施例提供了第一方面的第四种实施方式，其中，基于目标样本自适应确定惩罚因子的步骤，包括：计算目标样本的初始分解结果对应的适应度值；基于适应度值，采用北方苍鹰算法对变分模态分解的参数进行参数寻优；直到参数寻优满足预设的迭代条件，保持北方苍鹰算法的最佳苍鹰位置，获得变分模态分解对应的惩罚因子。
7、结合第一方面，本发明实施例提供了第一方面的第五种实施方式，其中，方法还包括：采用北方苍鹰算法对变分模态分解的分解个数进行寻优。
8、结合第一方面，本发明实施例提供了第一方面的第六种实施方式，其中，计算初始分解结果对应的适应度值的步骤，包括：基于初始分解结果以及对应的目标样本，计算初始分解结果对应的皮尔逊相关系数；基于皮尔逊相关系数，确定初始分解结果对应的适应度值。
9、结合第一方面，本发明实施例提供了第一方面的第七种实施方式，其中，通过预设的预测模型对分解样本序列进行预测，输出目标水体水质样本对应的溶解氧预测结果的步骤，包括：采用lstm神经网络对分解样本序列中的每个序列分别进行预测，得到每个序列分别对应的溶解氧预测数值；按照时间点对每个序列的溶解氧预测数值进行累加，得到目标水体水质样本对应的溶解氧预测结果。
10、第二方面，本发明实施例还提供一种基于二次分解与lstm融合的溶解氧预测装置，其中，该装置包括：数据获取模块，用于采集目标水体水质样本，构建溶解氧数据集；第一处理模块，用于对溶解氧数据集进行数据分解处理，得到多个分解样本，计算每个分解样本的模糊熵；第二处理模块，用于基于模糊熵，从多个分解样本中提取满足预设模糊熵阈值的分解样本作为目标样本，对目标样本进行二次分解，获得二次分解样本；执行模块，用于将二次分解样本和分解样本合并，得到溶解氧数据集对应的分解样本序列；输出模块，用于通过预设的预测模型对分解样本序列进行预测，输出目标水体水质样本对应的溶解氧预测结果。
11、第三方面，本发明实施例还提供一种电子设备，该电子设备包括处理器和存储装置；存储装置上存储有计算机程序，计算机程序在被处理器运行时执行上述任一项实施例的方法。
12、本发明实施例提供的一种基于二次分解与lstm融合的溶解氧预测方法及装置，对溶解氧数据集初次分解后，计算样本的模糊熵并设定阈值，有助于识别和保留含有更多信息量（即低模糊熵）的样本，提高了输入到预测模型中的数据质量，增强了模型对溶解氧浓度变化模式的理解能力。本发明实施例还基于模糊熵对分解样本进一步二次分解，能够揭示更深层次的数据结构和关联性，使得预测模型能够捕捉到更细腻的溶解氧动态变化特征，提高了预测的精确度和鲁棒性，解决了现有技术对数据分解不充分的问题，能够更好地适应较为复杂的do序列变化过程。输入预测模型的数据为初次分解和二次分解合并后的样本，整合了不同分解层次的特征信息，不仅考虑了局部细微变化，也囊括了整体趋势，为预测模型提供了更加全面的数据视角，有助于模型在复杂和变化多端的水质环境中做出更为准确的预测。
13、本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
14、为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
1.一种基于二次分解与lstm融合的溶解氧预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，对所述溶解氧数据集进行数据分解处理，得到多个分解样本的步骤，包括：
3.根据权利要求2所述的方法，其特征在于，计算每个所述分解样本的模糊熵的步骤，包括：
4.根据权利要求1所述的方法，其特征在于，对所述目标样本进行二次分解，获得二次分解样本的步骤，包括：
5.根据权利要求4所述的方法，其特征在于，基于所述目标样本自适应确定惩罚因子的步骤，包括：
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
7.根据权利要求5所述的方法，其特征在于，计算所述初始分解结果对应的适应度值的步骤，包括：
8.根据权利要求1所述的方法，其特征在于，通过预设的预测模型对所述分解样本序列进行预测，输出所述目标水体水质样本对应的溶解氧预测结果的步骤，包括：
9.一种基于二次分解与lstm融合的溶解氧预测装置，其特征在于，所述装置包括：
10.一种电子设备，其特征在于，所述电子设备包括处理器和存储装置；所述存储装置上存储有计算机程序，所述计算机程序在被所述处理器运行时执行权利要求1-8任一项所述的方法。
