曹守启，周礼馨，张 铮

（1.上海海洋大学工程学院，上海 201306；2.上海海洋可再生能源工程技术研究中心，上海 201306）

0 引 言

在水产养殖中，溶解氧（Dissolved Oxygen，DO）已成为预测水质的重要参数[1]。水中溶解氧过高或不足，都会影响生物的繁殖和新陈代谢等生理功能，甚至严重影响生物的正常生长[2-3]。然而，溶解氧易受天气、水质、人类活动等多种因素的影响[4]，具有非线性、大惯性、强耦合、时变性等特点[5-7]。因此，加强溶解氧预测模型研究[8]，提高水产养殖减灾防灾能力，保障水产养殖的安全，已成为农业生产的关键内容[9]。

预测水质变化是一项艰巨的任务，涉及多参数动态时延过程，很难用简单的数学公式或传递函数来体现其模型。此外，传感器的准确度会受到环境因素的影响而降低，导致数据丢失或产生不确定的异常值，这对预测精度提出了挑战。

在现有的解决上述 2个问题的方法中，支持向量机（Support Vector Machine，SVM）和人工神经网络（Artificial Neural Network，ANN）是2种广泛应用于水质预测的方法[10]。为了提高预测精度，Yu等[11]提出了一种基于径向基函数神经网络（Radial Basis Function Neural Network，RBFNN）数据融合方法和最小二乘支持向量机的混合溶解氧预测模型。但是支持向量机容易出现对数据丢失敏感、训练耗时、预测性能差等问题，很难为各种应用选择合适的核函数[12]。相较于支持向量机模型，ANN可以容忍一定程度的数据缺失[13]。Faruk等[10]提出了季节性的平均自回归模型（Autoregressive Integrated Moving Average Model，ARIMA）和神经网络反向传播模型相结合的水质参数月度预测方法。然而，由于网络拓扑和数据的复杂性，人工神经网络模型往往存在过拟合、稳定性差和耗时等问题。……