基于智慧全景的巢湖藍藻水華生態大數據融合算法

劉運

(巢湖學院, 信息工程學院， 安徽， 巢湖 238024)

0 引言

藍藻水華生態是指一種不被人們喜歡的生態現象，其呈聚生體或者絲狀體在淡水體系特定條件下形成的過多生物量，并且會偶爾凝聚成片狀或者塊狀漂浮在水面上[1]。這些藍藻水華存在很多種類，會產生藻毒素，對人類健康造成威脅，對生態系統的持續發展造成破壞以及造成許多城市供水影響。其形成的過程分為2個部分，分別為起始和發展。當下我國98%的自來水的處理程序為絮凝→沉淀→過濾→消毒，但該處理程序無法解決藍藻水華造成的供水安全問題。巢湖東部水源作為巢湖市唯一的供水水源，其也存在藍藻水華而造成供水安全問題[2-3]。為了解決該問題，需對造成藍藻水華的形成原因進行分析，并根據分析的結果制定處理方案。但是由于巢湖藍藻水華生態大數據受到多種因素影響，可直接用于分析的數據較少，因此需融合巢湖藍藻水華生態大數據，提升數據的利用率。文獻[4]研究基于自適應ABC/FOA融合算法，該算法通過ABC算法和FOA算法的融合完成目標融合，由于其不具備分布式數據處理器，因此其融合后的誤差相對較高。文獻[5]研究多層概率決策的大數據協作融合算法，該算法通過多層概率決策模型完成目標融合，但是該算法的計算過程相對復雜，導致目標融合所需時間相對較長。

由于巢湖水體富營養化程度的加劇，藍藻水華存在易暴發的情況，導致巢湖藍藻水華生態數據量龐大，計算過程繁瑣。為此提出基于智慧全景的巢湖藍藻水華生態大數據融合算法。全景是一種新的視覺展示技術，可用于態勢感知或者智能呈現。該技術能夠利用智能手段或者方法、設備等完成全景數據的感知、采集等。螢火蟲優化算法是通過模擬螢火蟲發光的特性而設計的隨機優化算法，結構簡單，需要調節的參數較少，尋優搜索能力較好，為此通過智慧全景還原了巢湖藍藻水華的真實狀態，利用螢火蟲優化算法優化神經網絡融合過程實現了巢湖藍藻水華生態大數據融合，并通過跨平臺應用實現人機交互。

1 基于智慧全景的巢湖藍藻水華生態大數據融合算法

1.1 基于智慧全景的生態數據感知

基于智慧全景的巢湖藍藻水華生態數據感知過程，具備感知、采集、異構數據的快速計算、存儲以及歸一化格式下藍藻水華的實時數據感知和全景復現等全方位生態數據的監測和感知功能[6]，其流程如圖1所示。

巢湖藍藻水華生態數據實時感知以全鏈條運維為指引，將其劃分為生態數據感知、數據傳送、數據復現、人機交互4個步驟。數據感知通過基于正交基前向神經網絡的數據融合算法對環境溫度、環境濕度、水體溫度、空氣指數、光照指數、土壤性質等多個數據進行快速計算與存儲；數據傳送通過ZigBee對多節點無線互聯自組網，對存儲的多維生態數據實行數據包格式化處理并通過多線程傳送至監測中心；數據復現步驟采取解碼手段對多維生態數據包實行解碼處理，并利用MapReduce分布式數據處理模型完成智慧全景的大數據控制，全景還原巢湖藍藻水華的真實狀態；人機交互步驟通過跨平臺應用實現人機交互。

1.2 基于正交基前向神經網絡的數據融合

1.2.1 Hermite正交基前向神經網絡模型

數據的表現形式和數據的冗余度決定了BP神經網絡的學習能力，并且神經網絡權值的個數、神經元節點的個數決定了神經網絡訓練時間[7]。因為某種參數值限定了網絡的訓練時間與學習能力，所以需要通過Hermite正交基前向神經網絡對網絡的參數進行優化，該網絡模型如圖2所示。其中，X以及Y分別表示網絡的輸入值和輸出值，W表示權值，φ(x)表示隱含層值。

Hermite正交基前向神經網絡模型采用3層向前結構，赫爾梅特正交多項式是隱含層的選取函數，線性激勵函數是輸入、輸出層選取的函數[8]。在偽逆的基礎上，由BP算法推導權值修正迭代公式，只需一步即可直接確定權值，因為Hermite正交基前向神經網絡模型具有良好的非線性逼近能力和魯棒性預測能力，可以有效提升精確度和計算速度。

1.2.2 數據融合

Hermite正交基前向神經網絡模型的巢湖藍藻水華生態大數據融合詳細步驟如圖3所示。

圖2 Hermite正交基前向神經網絡模型

圖3 數據融合的整體流程

選取需要處理的數據樣本并判斷其是否屬于被檢測對象樣本，若屬于則設為1，不滿足則為0。然后向神經網絡結構中輸入初始的冗余數據，并對未知樣本實行判定，該判定根據輸出結果決定。決定后對其實行統計和分析，確定分類融合后的結果為對象1、對象2、…、對象n。

在巢湖藍藻水華生態大數據融合過程中，應用Hermite正交基前向神經網絡模型，將巢湖藍藻水華生態大數據集作為模型的輸入值，通過數據歸一化及網絡訓練來處理數據樣本，實現數據分類。

1.3 螢火蟲算法

群體數目對螢火蟲算法的優化精度和迭代速度有重要影響。當種群數目較小時，算法迭代速度較快，但最終優化精度較低；隨著種群規模的增加，算法迭代速度降低，但最終的優化精度將顯著提高。經過現有的實驗研究，可以得出結論：螢火蟲算法的種群規模一般設定在40～50，滿足優化要求。為此，將螢火蟲算法應用至巢湖藍藻水華生態大數據融合之中，能夠實現大數據的快速精準融合。

在螢火蟲算法中，2個重要的因素是吸引度和亮度。吸引度和亮度分別表示螢火蟲位置的優劣并決定其移動方向和距離，通過對吸引度和亮度的迭代更新完成目標優化。其優化機理如下所述。

吸引度公式為

I=I0×e-αrzq

(1)

式中，I0代表當處于r=0位置時的最大熒光亮度，目標函數值與該值相關，螢火蟲自身亮度越高說明了目標函數值越優，通過α來表示光強吸收系數，那么rzq表示的為螢火蟲z和q之間的距離。

得到新的吸引度為

β=β0×e-αrzq

(2)

式中，β0設置為(r=0)處的最大吸引度。

螢火蟲被吸引后從z位置向q位置移動的更新公式[9]為

xq=xz+β×(xq-xz)+μ×(d-1/2)

(3)

式中，位于z點的螢火蟲和位于q點的螢火蟲所處的空間位置為xz和xq，μ表示步長因子是[0,1]上的常數，d是[0,1]上服從均勻分布的隨機因子。

將螢火蟲群體隨機散布在空間中，螢火蟲的位置差異導致了熒光亮度的不同。由式(1)可知，亮度高的螢火蟲會吸引亮度低的螢火蟲，并使其向亮度高的螢火蟲處移動，根據式(2)，吸引度的大小決定了移動的距離。為了避免過早出現局部最優狀態，增加了搜索區域，將擾動項μ×(d-1/2)引入位置更新過程中，并根據式(3)得出受吸引移動后的位置。將此過程重復多次后，在亮度最高的螢火蟲的位置上聚集了所有個體，至此尋優結束。根據以上算法，實現巢湖藍藻水華生態大數據的融合。

2 實例測試

以巢湖藍藻水華生態環境數據庫中2018年4月、5月和6月的3組數據為研究對象，3組數據大小分別為100 GB、150 GB和200 GB，總共450 GB。

采用文獻[4]算法和文獻[5]算法，分別為基于自適應ABC/FOA融合算法和多層概率決策的大數據協作融合算法作為本文算法的對比算法，完成相關對比測試。其中：文獻[4]算法采用自適應ABC/FOA融合定位算法，全局尋優能力強；文獻[5]算法采用及SLAM 算法實現數據融合定位，基于期望最大化的匹配算法能夠自動確定要關聯的體素數量。本文算法參數設置：最大吸引度β0和光強吸收系數α均為1；步長因子μ為0.2；迭代次數maxT值為100。分別設置螢火蟲數值m為35、45、55，測試3種情況下螢火蟲優化算法的迭代尋優效果如圖4所示。

圖4 不同螢火蟲數值下的函數尋優過程

分析圖4可知：當螢火蟲數值為35時，在迭代次數為100次時達到函數最優值，但其尋優精度較差；當螢火蟲數值為55時，其尋優次數較好，但迭代次數較大，在150左右次迭代后才達到函數最優值；當螢火蟲數值為45時，函數的迭代次數較低，且尋優效果較好。為此設置螢火蟲數值為35。

2.1 數據融合性能測試

測試3種算法融合不同大小巢湖藍藻水華生態環境數據的所需時間，判斷3種算法的融合效率，測試結果見表1。

表1 三種算法的數據融合時間對比

根據表1可知：3種算法在數據量大小為150 GB以內時，數據融合所需的時間相差不大；當數據量大小超過150 GB后，本文算法的數據融合所需時間呈小幅度平穩上升趨勢，2種對比算法的數據融合所需時間呈現大幅度增加。由于本文方法采用智慧全景技術對數據進行融合，能夠集感知數據、采集數據、快速計算、存儲以及歸一化于一體，全方位實現藍藻水華的實時數據感知和全景復現功能，因此本文算法的數據融合效率優于2種對比算法，可較快地完成數據融合。

2.2 尋優性能測試

采用3種算法對融合后的3組數據尋優，測試3種算法的數據尋優性能。結果如圖5所示。

由圖5可知，本文算法針對3組數據的尋優效果最佳，均可獲取全局最優值，2種對比算法則分別在迭代過程中陷入局部最優解。文獻[4]方法采用ABC算法，其全局尋優能力強，且引入了FOA算法，具有一定的局部搜索能力，但局部搜索能力較差，導致陷入局部最優解；而文獻[5]方法采用多級概率框架，能快速匹配數據，實現數據融合，但當數據量較大時，該方法會由于計算量過大而陷入局部最優解。本文方法利用螢火蟲優化算法優化神經網絡，通過對吸引度和亮度的迭代更新實現了全局尋優，實現巢湖藍藻水華生態大數據的高效融合，因此本文算法具備較好的數據尋優性能，可獲取巢湖藍藻水華生態大數據融合的全局最優解。

2.3 應用性測試

為測試本文算法的應用性，測試本文算法使用前后研究對象3組數據的使用率和管理生態環境管理效果提升程度，結果如圖6、圖7所示。

(a) 4月數據的尋優結果

(b) 5月數據的尋優結果

(c) 6月數據的尋優結果

圖6 應用前后數據的使用率

分析圖6、圖7可知，本文算法應用后可較大程度提高巢湖藍藻水華生態數據的使用率和管理程度。本文方法應用智慧全景技術，實現了巢湖藍藻水華生態大數據的高效融合，利用螢火蟲優化算法對神經網絡進行優化，提升了數據融合的準確性。

圖7 應用前后生態環境管理效果提升程度

3 總結

本文研究基于智慧全景的巢湖藍藻水華生態大數據融合算法，經實驗表明：

(1)本文算法具備較高的數據融合效率，完成450 GB的巢湖藍藻水華生態數據融合只需3.3 ms；

(2)本文算法的數據融合誤差較小，在服務器延時的情況下依舊可保持數據融合的精準度；

(3)本文算法具備較好的尋優性能，可得到巢湖藍藻水華生態大數據融合結果的全局最優解；

(4)本文算法具備較好的應用性，應用后可提高巢湖藍藻水華生態大數據的使用率和管理程度。