磷虾群算法优化的SVR-ARMA模型提升ORP预测精度

磷虾群算法改进的基于支持向量回归（Support Vector Regression, SVR）和自回归滑动平均移动平均（AutoRegressive Moving Average, ARMA）组合预测模型在氧化还原电位（Oxidation Reduction Potential, ORP）预测领域的研究具有重要意义。这篇研究论文由李娜、南新元和李志南三位作者共同完成，他们来自新疆大学电气工程学院，针对生物氧化提金预处理过程中的关键参数预测提出了创新方法。 在传统的ORP预测模型中，可能存在预测精度不足的问题。论文提出了一种优化策略，即利用磷虾群算法，这是一种模仿海洋生物磷虾觅食行为的优化算法，其在连续空间中的非线性寻优性能被应用于SVR模型的参数调优过程中。通过这种方式，模型能够更好地捕捉数据中的复杂关系，提高预测的准确性。 首先，原始数据通过优化后的SVR模型进行预测，得到一组线性估计值。然后，采用ARMA模型对SVR模型产生的线性残差进行进一步的预测。这种方法的创新之处在于将两种模型的预测结果结合，通过几何相加的方式，综合考虑了非线性和线性关系，提高了整体预测效果。 通过对比实验，该改进的SVR-ARMA组合预测模型与基本SVR模型、改进的 KH-SVR（可能是指改进的Kernel-based SVR模型）以及传统的SVR-ARMA模型进行了性能评估。结果显示，李娜等人提出的模型在ORP预测上的精度明显提高，可以满足生物氧化预处理过程对精确度的高要求。这表明，该方法不仅提升了预测的准确性，还展示了在实际工业应用中的潜力。 该论文的研究不仅提供了新的ORP预测技术，而且为其他领域，特别是化工、环境监测或生物工程中的参数预测提供了有价值的参考。此外，论文还遵循了严格的学术规范，如标注了国家自然科学基金项目（61463047）的支持，并使用了国际通用的文献标识码（A）和中图分类号（TF04，TP273），确保了研究成果的可靠性和可检索性。