刘 晨，李 莎，丛孙丽，朱正伟

(1. 无锡太湖学院江苏省物联网应用技术重点建设实验室，江苏 无锡 214064；2. 常州大学信息科学与工程学院， 江苏 常州213164)

1 引言

溶解氧(DO)浓度是渔业养殖水质安全的重要指标，也是影响养殖水产品品质的关键因素，对其进行实时预测具有重要的意义[1-2]。而影响水中溶解氧含量的各因素关系比较复杂，很难进行数学建模，水中溶解氧预测模型是一个复杂的非线性系统[3-4]。针对养殖池塘中溶解预测问题，国内外学者将研究都集中在溶解氧含量预测上，取得了很大的成就。

目前溶解氧预测方法主要有模糊方法、贝叶斯模型、人工神经网络和支持向量机(SVM)等。神经网络法虽然在非线性预测领域应用较广，但是基于样本无限大的假设和经验风险最小化原则为基础，存在易于局部最优值、过学习、不适于高维数、小样本预测等缺陷严重影响了其应用效果[5]。支持向量机具有计算复杂度低、鲁棒性强、收敛精度较高、非线性拟合能力较好等特点[6]。文献[7]采用支持向量机作为水质预警方法，对渔业养殖池塘中水质参数进行预测。文献[8]提出了基于支持向量机的花粉浓度预报模型。虽然支持向量机有较好地预测效果，但它对核函数参数的选取十分敏感，不合适的SVM核函数参数将会使得预测性能大大降低[9]。如何获得最优的参数组合，目前比较常见的包括遗传算法、粒子群算法、蛙跳算法等群智能算法[10]。这些算法虽然在不同程度上满足SVM核函数参数选取的要求，但算法精度偏低、局部性能较差，很容易陷入局部极值，出现早熟现象，对于全局与局部性能的平衡，以及鲁棒性、简易性和计算精度的兼顾上有所欠缺。……