基于BP神经元网络鱼塘溶氧预测模型研究.docVIP

基于BP神经元网络鱼塘溶氧预测模型研究 　　【摘 要】为了能够提高水产养殖中水体溶氧量短期预测精度，提出将遗传算法和反向传播（BP）神经网络相结合的预测模型。根据相关研究，采用对池水含氧量影响较大的几个影响因素，作为预测模型的输入端变化量；BP神经网络优化的阈值和初始权值通过遗传算法来获得，遗传算法具有全局搜索能力。采用改进后的BP神经网络建立起短期鱼塘含氧量预测模型，该方法具有较高的预测精度。 　　【关键词】鱼塘增氧；BP神经网络；短期预测；遗传算法 　　现代化的水产养殖中普遍使用增氧机作为鱼塘水体增氧设备。多数增氧机的运行控制多为手动，或者根据时间程控，或者依靠传感器采集的含氧量数据作为启动依据。但是由于现代水产养殖中单位水面投放密度大，养殖场气候变化快，水体藻类繁殖等因素，对水体的溶氧量影响大，而且具有突发性特点。增氧机不能及时反应，往往导致增氧不及时，造成翻塘事故，造成极大损失。 　　因此通过传感器采集影响鱼塘水体溶氧量因素的数据，通过控制手段进行短期的水体溶氧量预测。可以根据环境和水体变化及时或者提前启动增氧机，避免大规模翻塘事故的发生。因此鱼塘中水含氧量的短期预测是具有现实意义的。 　　1 BP神经网络 　　通过研究表明，水产养殖中影响水体溶氧量的因素比较多。包含养殖场实时气温、湿度、日照、气压等气象参数，以及水体藻类水平，水体富营养化条件以及生化需氧量等水体参数。属于典型的多输入，强耦合型的非线性映射关系。 　　神经元是模仿人神经元工作原理提出的模型。将许多神经元之间按照层级互相连接，可以构成具有非线性、自适应、自组织的信息处理能力的神经网络。利用人工神经网络能够模拟人脑的工作特性，BP神经网络是具有代表性的人工神经网络。当它的隐含层数和隐节点数具有相当规模（足够多），就可以以任意的精度逼近非线性映射关系。 　　BP神经网络初始权值和阈值通过遗传算法GA来确定，就可以避免BP网络存在的收敛速度慢、容易陷入局部最优值等问题。通过动量因子在BP学习算法中的引入，可以有效避免局部最优，达到较快搜索到全局最优解。根据水体溶氧理论选取了气压、气温、溶氧量、季节、时间等气象因素作为模型输入，使用遗传算法改进的BP 神经网络来建立鱼塘水体溶氧预测模型。 　　2 遗传算法改进型BP神经网络 　　在BP神经网络构建中，选择不合理的输入层和隐含层之间，隐含层和输出层之间的连接权值初值；设置了不恰当的隐含层与输出层的阈值初值，容易出现网络收敛速度很慢及陷入局部最优等问题。 　　“优胜劣汰，适者生存”是自然界遗传规律，遗传算法是模拟自然界进化规律提出的。使用遗传算法改进的BP神经网络鱼塘水体溶氧预测模型按照遗传规律方式进行参数优化。按照遗传规律，选取适应度函数，通过选择、交叉、变异方式对个体数据进行筛选。最优的个体会在筛选中被保留，较差的个体会被迭代、淘汰[1]。经过筛选后的种群就是在继承而且更优的一代，经过反复筛选、直到满足条件。 　　本文需要建设的是鱼塘水体溶氧量短期预测模型，所以BP网络的输出量为未来某一时刻的水体溶氧量，选择k=1。按照习惯水体溶氧量预测模型设计为包含输入、隐含、输出在内的3层结构的BP神经网络，隐层节点为2n+1。神经网络的数目选择为。隐含层的作用函数使用tansig型，使用pureline型函数作?槭涑霾愕谋浠缓?数[2]。 　　具体构建步骤如下： 　　1）种群初始化。种群的个体是由网络的输入层和隐含层之间的连接权值，隐含层神经元的阈值，隐含层和输出层之间的连接权值，输出层神经元的阈值组成的数字串。采用实数编码的方式对个体编码，每个个体就是一个实数串。个体表达形式为： 　　w■w■…w■w■w■…w■a■…a■w■…w■（1） 　　2）适应度函数的确定。适应度函数F使用该网络的输出和期望输出之间的绝对误差和的倒数。 　　F=1/？撞■■■（2） 　　3）操作选择。使用常规的轮盘赌注法从种群中随机选择若干个体，将选择的个体设定为双亲，用来繁殖后代。按照适应度函数的选择，适应度高的个体有更高的概率被遗传下去，而适应度低的个体被遗传的概率就比较小[2]。个体i能够被选择的概率为pi： 　　pi=F■/？撞■■F■（3） 　　式中：F■为个体i 的适应度值C，为种群个体的数目。 　　4）交叉操作。被选择的个体以交叉概率pc来交换个体内的数据（基因），于是产生两个新的个体。按照实数交叉法，两个个体k1和k2的第j位基因进行交叉，方式如下： 　　基因交叉的操作方法如下： 　　gk■j=gk■jr+gk■j（1-r）gk■j=gk■jr■+gk■j（1-r）（4） 　　式中：gk■j，gk■j分别表示第k■，k■个个体的第j位基因，r为随机数取值在[0，1]之间。 　　5