GRNN和Elman神经网络在水体溶解氧预测中应用.docVIP

GRNN和Elman神经网络在水体溶解氧预测中应用 　　摘要：针对池塘溶解氧浓度受较多因素影响的复杂性，选择基于广义回归网络（general regression neural network，简称GRNN）、Elman神经网络和BP（back propagation）神经网络算法构建关于溶解氧的预测模型，并将模型应用于水产养殖池塘溶解氧的预测中，力求找到能够长期预测池塘溶解氧浓度的有效方法。研究结果表明，GRNN和Elman神经网络模型的拟合效果均比BPNN（back propagation neural network）的拟合效果好，且有较高的预测精度，平均相对误差绝对值分别为7.48%、11.03%。同时，GRNN和Elman网络模型的算法稳定，计算复杂性低，因此2个模型适合对溶解氧浓度进行预测，有一定的应用价值，可以为水产养殖管理提供依据。 　　关键词：溶解氧；GRNN神经网络；Elman神经网络；BP神经网络；水产养殖管理 　　中图分类号： S126文献标志码： A文章编号：1002-1302（2017）23-0217-05 　　本研究以广义回归神经网络（general regression neural network，简称GRNN）与Elman神经网络为溶解氧的预测模型，并将BP神经网络模型与之进行预测对比，从气象因子和水产养殖环境因子[9]2个方面完成对模型的预测，以期避免BP预测模型极易陷入局部极值点的缺点，为水产养殖的管理和自动化控制提供理论依据，及时预防缺氧情况的发生。 　　1材料与方法 　　1.1研究区域与数据源 　　1.1.1研究区域试验地点选择在江苏省无锡市（地理位置为31.7～32.2°N，119.33～120.38°E）滨湖区南泉试验基地，试验池塘共占地3.4 hm2左右，平均每个池塘深度约 1.5 m。试验基地装置结构如图1所示。试验池塘水面上拉2根绳子，将装有太阳能板和传感器装置的浮筒系在绳子的一端，平均每1 h采集1次水中的溶解氧浓度、pH值以及水温。在池塘岸边安装自动气象站，同步监测区域环境?庀螅?监测内容主要包括气压、气温、湿度、辐射强度、降水强度、风速等。 　　1.1.2数据来源试验基地的数据采集装置包括水质因子数据和气象因子数据2部分，其中水质因子主要由溶解氧、水温、pH值3部分组成，气象因子由气温、气压、湿度、降水强度、太阳辐射、风速等部分组成。本研究以池塘溶解氧浓度为试验预测指标，数据采集时间为2015年8月23日至2015年 　　11月4日，除去采样中出现异常的数据，共计1 643个样本，其中的1 619个样本构成训练集，剩余24个样本组成测试集，现列出2015年11月1日监测指标的原始数据（表1）。 　　1.1.3数据处理基于溶解氧预测的影响因子在量纲和量级上存在差异，本研究对采集的数据采用标准化处理[10]。当前数据的标准化方法较多，本研究采用较为常用的标准分数即Z-score（zero-mean-normalization）方法完成数据的标准化，公式如下： 　　Zmn=Xmn-XnSn，m=1，2，…，i；n=1，2，…，j。（1） 　　式中：m为指标数；n为试验数据集数；Xmn为第i个指标在第j个数据集上的值；Xn为Xmn的平均值；Sn为Xmn的标准差。 　　1.2预测方法 　　1.2.1GRNN神经网络广义回归神经网络由美国学者Specht于1991年提出[11]，属于径向基神经网络中的4层（输入层、模式层、求和层和输出层）前向神经网络，拥有强大的非线性映射能力和柔性网络结构，同时具有较好的容错性和鲁棒性[12-13]。 　　在广义回归网络中，设输入向量为X=[x1，x2，…，xn]T，n为输入向量个数，输出向量为Y=[y1，y2，…，yk]T，k为输出向量个数（图2）。输入向量将各元素传递给模式层Pn，则其模式层传递函数的表达式为： 　　Pi=exp[-（X-Xi）T（X-Xi）/2σ2]，i=1，2，…，n。（2） 　　在求和层SNj中，求和方式基于2种类型的神经元，故其传递函数分别为： 　　SD=∑ni=1Pi；（3） 　　SNj=∑ni=1yijPi，j=1，2，…，k。（4） 　　神经元j的网络输出为对应求和层输出值的比值。 　　yj=SNj/SD。（5） 　　1.2.2Elman神经网络Elman神经网络于1990年由Elman提出，为前向型神经网络，一般包括输入层、隐含层（中间层）、承接层和输出层。隐含层的传递函数使用线性或非线性函数，承接层也可称为上下文层或状态层，用于记忆隐含层单元前一时刻的输出值并返回给网络的输入。Elman神经网络可以任意精度逼近任意非线性映射，具有适应时变特性和处理动态信息的能力[