外文翻译优化方法水产养殖..doc

第六届世界大会 智能控制学报，2006年，自动化,6月21日- 23日,大连,中国 基于PSO算法的神经网络在鱼池中溶解氧的预测模型 邓长辉，大连水产学院信息工程学院, 中国，辽宁大连，116023chdeng@126.com 魏鑫江，郭连喜，信息工程学院，烟台师范大学，中国烟台，264025，weixinjiang@163.com 摘要——基于在鱼池溶解氧浓度的影响因素的研究,提出了利用模糊神经网络，在鱼池利用模糊神经网络的非线性逼近能力预测模型。神经网络(NNs)是在建模工具输入和期望的输出之间的非线性关系。然而,反向传播方法,即BP-NNs内部具有收敛速度慢和局部极小值的缺点。在这项工作中,利用粒子群优化(PSO)算法提出,具有更快的收敛速度。实验结果表明,该方法是比BP-NNs更准确且有效。提出的方法为发展智能测量仪器和应用工业化的海水养殖奠定了基础。 关键词——粒子群优化(PSO)算法，模糊神经网络,溶解氧,预测模型 介绍 溶解氧在渔业中是一个重要的水质参数。溶氧的条件影响水质和水中生物[1]。随着池塘养殖的快速发展,在池塘中溶解氧的浓度在一定程度上成为了非常重要水环境的影响因素。目前我们主要采用时间和固定点来测量池塘中溶解氧的浓度。这是在确定观察的基础上，管理人员动态变化溶解氧的监管。因此水产养殖生产中急需解决的问题是主动态变化的监管溶解氧浓度和作出预测前的氧气浓度。 池塘溶解氧的预测是一个多变量、非线性和长期滞后问题。这是一个很好的预测的人工神经网络应用程序解决方案。国外有研究应用人工神经网络预测水产养殖[2]。在中国有人应用神经网络(NNs)预测在池塘溶解氧[3]。本文应用模糊神经网络来预测池塘溶解氧浓度。模糊神经网络具有很好的逼近能力。然而,NNs传统神经网络的训练方法,BP-NNs,内在具有脆弱疲软缓慢收敛性和局部最小值[4]。 粒子群优化(PSO)是于1995年由肯尼迪和Eberhart共同提出的一种进化理论，这种算法技术成功地用于非线性函数化和神经网络训练[5]。这是一个模拟迁移和收集鸟类群体在寻求食物的过程。它通过模拟搜索全局最优的解决方案由简单的个人和相互作用的行为之间组成，这种算法类似于遗传算法。它没有复杂的编码、交叉和变异等遗传算法。粒子在解空间进行搜索的情况很容易实现,不需要调整的参数,并具有快速的收敛特点[6][7]。 粒子群优化(PSO)算法应用于训练模糊神经网络，然后用BP算法进行比较，其效果是令人满意的。 基于模糊神经网络溶解氧预测模型 分析池塘溶解氧因素的影响过程是复杂的。它有各种原因,包括:物理,生物学和化学等的主要因素,如:池塘的水温度、氮含量、大气中的水和氧气压力等在池塘里也依赖于资源和消耗氧气,解散和溢出速度的氧气等,溶解氧是相对于不同季节,测量时间、位置、测点的深度,风速、池塘的深度和面积而变化。 由于溶解氧影响因素的复杂性和非线性,很难用精确的数学模型来定量描述溶解氧。人工神经网络是一个非线性优化工具。通过其良好的非线性映射的特点,自组织,高并行处理的能力,人工神经网络连接各种影响因素。它可以成功地通过开展学习和联想记忆网络实现对溶解氧的预测[8]。 对于某些池塘和测点,上述溶解氧的影响因素作为不变时在某些条件下进行了分析。经过综合分析和考虑所有变量的可测性,我们选择水温,亚硝酸盐、氨值(NO2-N)和总氮的价值作为神经网络的输入变量,溶解氧气在池塘作为神经网络的输出变量[9]。 B.模糊神经网络模型 1）模糊神经网络的体系结构:它是近年来对模糊系统智能领域的重要研究内容,人工神经网络技术和模糊神经网络的相互的组合(也叫神经模糊系统)[10][11]。模糊神经网络不仅具有模糊的系统和人工神经网络优点,但也抵消缺点造成的影响。它收集学习、联想、自适应和模糊信息处理作为一个整体。在此基础上,来选择模糊神经网络技术的建模方法预测溶解氧。 图1假设4层神经网络来实现网络结构的模糊推理。四层是输入层、模糊层、模糊推理层和输出层。我们假设模糊系统有两个输入变量x1,x2,一个输出变量y。每一个输入变量分为两个模糊子集。 图1 模糊神经网络 我们假设系统的输入和输出描述如下:X = x1， x,2∈U ，y∈V。他们分别对应于前提和模糊规则的结果。然后系统中的规则j被表示为R 若 x1 = X1j ，x 2= X2j ，那么y = Yj。 通常模糊神经网络的学习算法采用梯度下降算法。它的计算,很容易陷入局部最小值并且学习陷效率很低。因此它成为在模糊神经网络采用全局搜索方向算法优化模糊神经网络的参数。大