买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京工商大学申请的专利基于SMRELM模型的湖库蓝藻水华预测系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115587538B 。

龙图腾网通过国家知识产权局官网在2025-08-01发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211248275.8，技术领域涉及：G06F30/27；该发明授权基于SMRELM模型的湖库蓝藻水华预测系统是由张慧妍;刘明伟;王小艺;王立;许继平;孙茜;王昭洋设计研发完成，并于2022-10-12向国家知识产权局提交的专利申请。

本基于SMRELM模型的湖库蓝藻水华预测系统在说明书摘要公布了：本发明公开了一种基于SMRELM模型的湖库蓝藻水华预测系统，是在传统蓝藻水华预测中增加了蓝藻水华时序特征信息提取模块100、S－ELM模型200和ECM模型30。本发明预测步骤：将叶绿素a浓度作为描述蓝藻水华形成的表征指标用于构建时序特征集；通过滑动窗对叶绿素a浓度时间序列进行重构，采用流形正则化极限学习机对重构后的输入样本进行训练；根据相似度条件，结合时序特征集和流形正则化极限学习机实现蓝藻水华的切换预测；采用改进的模糊C均值聚类与T－S模糊神经网络建立误差补偿模型，对预测模型的结果进行修正。本发明解决了传统批量式极限学习机在蓝藻水华预测时精度较低的问题。

本发明授权基于SMRELM模型的湖库蓝藻水华预测系统在权利要求书中公布了：1.一种基于SMRELM模型的湖库蓝藻水华预测系统，包括有蓝藻水华动态变化趋势模块（10）、叶绿素a浓度提取指标模块（20）；其特征在于还包括有：蓝藻水华时序特征信息提取模块（100）、S－ELM模型（200）和ECM模型（30）； 所述的蓝藻水华时序特征信息提取模块（100）设置在蓝藻水华动态变化趋势模块（10）中； 所述的S－ELM模型（200）设置在叶绿素a浓度提取指标模块（20）中； 所述的ECM模型（30）设置在叶绿素a浓度提取指标模块（20）的输出端； 蓝藻水华时序特征信息提取模块（100）用于对蓝藻水华动态变化趋势模块（10）中历史的蓝藻水华数据进行有效时序特征的提取； 特征提取步骤1，接收蓝藻水华的叶绿素a浓度信息； 先接收蓝藻水华动态变化趋势模块（10）中存在的构建S－ELM模型的浓度； 特征提取步骤2，设置叶绿素a浓度阈值信息； 至少设置了蓝藻水华上浮复苏阶段的上限临界值，记为；且，表示第一个叶绿素a浓度调节系数，且，表示从中选取的叶绿素a浓度最大值； 蓝藻水华持续生长阶段的持续生长下限临界值，记为；且，表示第二个叶绿素a浓度调节系数，且； 特征提取步骤3，提取持续生长阶段的特征信息； 依据叶绿素a浓度区间，从中提取出蓝藻水华候选 叶绿素a浓度特征信息，记为；为蓝藻水华的暴发阈值； 特征提取步骤4，剔除重复的蓝藻水华特征信息； 依据距离相似度将中存在重复蓝藻水华信息的特征去除，得到蓝藻水华先验时序特征信息，记为； 所述的S－ELM模型（200）的构建包括有下列步骤： 构建步骤A，设置MRELM模型的网络架构； MRELM模型的网络架构设置为输入层、隐含层和输出层； 构建步骤B，设置MRELM模型的输入层信息； MRELM模型的输入层第一方面用于接收构建S－ELM模型的浓度； 第二方面设置MRELM模型的滑动窗宽，记为；滑动窗宽的取值范围为；滑动窗宽的最大值记为； 第三方面依据所述的将所述中的叶绿素a浓度分为训练样本序列，记为； 构建步骤C，设置MRELM模型的隐含层的神经元个数； MRELM模型的隐含层的神经元记为；隐含层神经元个数的取值范围为；隐含层神经元个数的最大值记为；每个隐含层神经元都接受来自全部输入层神经元的兴奋连接，即经过隐含层中神经元的特征映射，得到隐含层输出信息，记为； 构建步骤D，MRELM模型的输出； 流形正则化是使在隐含层的输出空间中，能够保持其在输入层中的局部几何结构，若一个训练样本序列与另一个训练样本序列在输入层中的相似度高，则它们在隐含层输出空间中的相似度也高，从而降低了随机性的影响；改善了极限学习机的泛化性能； MRELM模型的输出层包含1个神经元时，该神经元对应的输出信息记为；而且所述，表示隐含层与输出层之间的权重； 经构建步骤A至构建步骤D后得到了MRELM模型； 构建步骤E，优化MRELM模型； 构建步骤E101，设置基于网格搜索方法的训练样本子集划分个数为； 构建步骤E102，将分成个大小相同的训练样本子集，记为 ； 表示采样时间排序－叶绿素a浓度值，且； 表示采样时间排序－滑窗－叶绿素a浓度值，且 ； 表示基于网格搜索方法划分后的第1个蓝藻水华时间序列训练子集； 表示基于网格搜索方法划分后的第2个蓝藻水华时间序列训练子集； 表示基于网格搜索方法划分后的第个蓝藻水华时间序列训练子集； 表示基于网格搜索方法划分后的第1个蓝藻水华时间序列－滑窗浓度； 表示基于网格搜索方法划分后的第2个蓝藻水华时间序列－滑窗浓度； 表示基于网格搜索方法划分后的第个蓝藻水华时间序列－滑窗浓度； 构建步骤E103，设置训练样本子集和评定样本子集； 置于MRELM中进行学习； 置于训练后的MRELM中进行评定； 是指从中选取出第个蓝藻水华时间序列－浓度－训练样本输入子集；则就是除所述之外的所有蓝藻水华时间序列－浓度－训练样本输入子集； 构建步骤E104，将MRELM模型目标函数中的两个加权系数分别记为第一加权系数，第二加权系数，隐含层与输出层之间的权重记为；将所述置于MRELM模型中进行学习，得到所述； 构建步骤E105，将中置于训练后的MRELM模型中进行评定，输出评定样本对应叶绿素a浓度评定值，记为； 构建步骤E106，计算中与之间的均方根误差值，记为； 越小，表示MRELM模型的预测精度越高； 构建步骤E107，设置加权系数的取值范围并计算不同参数条件下的均方根误差值； 设置加权系数的取值范围分别为，，为第一加权系数的最大值，为第二加权系数的最大值； 依据，，，的取值，将中的样本子集作为输入，考察不同取值条件下，MRELM模型输出对应的评定值，计算所述评定值与的均方根误差值，记为； 构建步骤E108，选取出构建步骤E107中最小的均方根误差值，记为；并将所述对应的，，，作为MRELM模型的参数，则MRELM模型优化完成，即得到训练后的MRELM模型； 所述的ECM模型（30）的构建步骤包括有下列步骤： 构建步骤1，设置ECM模型的输入层信息； ECM模型的输入层第一方面用于接收历史蓝藻水华分析信息； 第二方面用于接收对应的S－ELM模型的输出信息； 第三方面，应用中的叶绿素a浓度值与进行比较求差值，记为； 第四方面，依据、和构建用于ECM模型的训练样本集，记为； 表示ECM模型中输入的训练样本序列； 构建步骤2，设置ECM模型的模糊化层信息； ECM模型中模糊化层的隶属度函数为高斯隶属度函数，记为；为高斯隶属度函数的均值，为高斯隶属度函数的标准差，均值由改进的模糊C均值聚类产生的聚类中心得到，标准差由改进的模糊C均值聚类算法产生的隶属度值作为所述中各列样本中叶绿素a浓度值的权重，而后再进行加权计算得到； 改进模糊C均值聚类算法的目标函数为； 为S－ELM模型输出的叶绿素a浓度的预测值的总个数； 表示训练样本标识号； 表示聚类总个数，即规则数； 表示第类聚类的标识号，表示第类聚类的标识号，且与不是同一聚类； 表示模糊系数； 表示第个训练样本到第类聚类中心的隶属度值的次方； 为第个训练样本的权重； 为第个训练样本到第类聚类中心的欧式距离，且； 为比重系数； 为第个聚类中心到第个聚类中心的欧式距离，且； 为正则项系数； 表示第类聚类中心； 求解得的计算公式为； 表示第类聚类的标识号，表示第类聚类的标识号，表示第类聚类的标识号，且、、不是同一聚类； 为第个训练样本到第类聚类中心的欧式距离，且； 为第个聚类中心到第个聚类中心的欧式距离，且； 第类聚类中心的计算公式为； 表示误差补偿模型中输入层的第个训练样本序列； 表示第类聚类中心； 构建步骤3，设置ECM模型的规则层信息； ECM模型中的规则层中每一个规则都是由模糊化层的输出信息进行连乘运算得到，则经规则层的输出信息记为； 构建步骤4，设置ECM模型的归一化层信息； ECM模型的归一化层的输出信息由规则层中各规则的输出信息分别与全部规则的输出信息之和的比值得到，归一化层的输出信息记为； 构建步骤5，设置ECM模型的去模糊化层信息； ECM模型的去模糊化层第一方面用于接收归一化层的输出信息； 第二方面用于接收ECM模型的训练样本输入序列，以为例； 去模糊化层的输出是由，和去模糊层中的参数计算得到，即；为在去模糊化层的常数项； 构建步骤6，设置ECM模型的输出层信息； 所述经ECM模型的输出层的输出信息由去模糊化层的输出信息求和得到； 训练样本集中的输入数据所述对应的ECM模型输出层的输出信息记为； 经构建步骤1至构建步骤6后得到了误差补偿模型，即ECM模型。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京工商大学，其通讯地址为：100048 北京市海淀区阜成路33号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。