基于QPSOGRNN水质氨氮预测建模.docVIP

基于QPSOGRNN水质氨氮预测建模 　　摘要： BP（Back Propagation）网络在用于水质预测时，存在运算速度慢和易陷入局部最优的缺点，与传统的BP网络相比，广义回归神经网络（General Regression Neural Network，GRNN）的计算速度快，预测精度较高。光滑因子[σ]是广义回归神经网络的唯一待确定参数，它对网络的预测性能影响很大，本文采用量子粒子群算法（quantum particle swarm algorithm，QPSO）优化算法对光滑因子进行估算，并通过GRNN构建水质预测模型。实验表明：该模型能较好地预测氨氮变化趋势，为科学管理水质提供必要依据。 　　关键词：BP神经网络；广义回归神经网络；量子粒子群算法；水质预测 　　中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2013）23-5373-04 　　在水产养殖中， 水体环境直接影响到养殖水产品的产量及质量，渔业健康养殖要求能够对水质的变化进行实时的监控及预测预警。物理、生物及化学等多方面因素会对养殖环境的水质产生影响，其主要包括：水温、PH值、溶解氧含量、硝氮含量、氨氮含量等。作为水质预测预警的工具，水质预测模型的研究一直受到各国专家学者的广泛关注。国内外已有不少学者对水质预测模型构建进行了研究，Karul C等[1]应用BP网络建立水库富营养化模型。Kuo等[2]使用BP人工神经网络以水体中五种物质的浓度为特征参数来预测台湾乌脚病区地下水水质变化；殷高方等[3]将BP神经网与水体环境因子的高频实测数据相结合，构建了巢湖水华的短期动态预测模型；张升东等[4]建立适用于水库水质评价的 BP 人工神经网络模型，将模型应用于卧虎山水库 2010年 8月到2011年12月的水质评价。虽然到目前为止BP网络在水质预测中已得到了广泛的应用，但由于其自身存在收敛速度慢和容易陷入局部极小的不足，其预测性能还有待进一步提高。 　　GRNN[5]由The Lockheed Palo Alto研究实验室的Donald Specht在1991年提出，它建立在数理统计的基础上，具有良好的逼近性能，学习能力很强；另外，由于其只需确定合适的光滑因子而无需对权值进行反复训练，故收敛速度较快，上述优点使其在预测方面比BP网络具有更高的预测精度及更快的运行速度[6-7]。 　　平滑因子是GRNN唯一待确定的参数，平滑因子的确定对整个预测模型的性能具有关键性作用。该文采用QPSO来确定合适的平滑因子，以提高GRNN模型的预测能力，使之能够更好地做好养殖水环境参数的预测工作。 　　1 BP神经网络及其改进 　　BP神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。其主要思想是：输入学习样本，使用反向传播算法对网络的权值和偏差进行反复的调整训练，使网络的误差平方和最小。但是，BP算法是一种梯度下降算法，并且由于非线性隐层单元的存在，导致网络存在多个最小点，故最后可能会产生局部最小值。其次，对于一些复杂问题，由于学习速率太小会造成学习过程收敛速度较慢等问题，另外对网络隐含层层数和单元数的选择尚无理论上的指导，需通过经验或不断实验来确定，故可能对预测结果产生影响的人为干扰因素较多。针对上述问题，不少学者对BP神经网络进行了一些改进，如采用L-M优化算法（又称阻尼最小二乘法）改进BP神经网络，降低网络对误差曲面局部细节的敏感性，以提高中等规模神经网络的收敛速度和泛化能力[8]。 　　2 基于QPSO-GRNN的氨氮预测模型 　　2.1 量子粒子群算法 　　QPSO算法[9-10]是在经典的PSO算法基础上所提出的一种有较高收敛性和稳定性的进化算法，在许多优化问题中，QPSO已经证明比PSO要优越。 　　2.2 基于QPSO-GRNN的氨氮预测模型 　　氨氮是渔业养殖中一项十分重要的水质指标，它对鱼类的生长有着重要的作用，由于用来监测氨氮的设备要比监测溶氧等其他因子的设备昂贵很多，故可以通过其他因子与氨氮之间存在的相互关系来预测氨氮值。 　　本文收集了国家罗非鱼产业技术研发中心无锡养殖基地25天内连续监测的100组数据作为建模数据。其中输入数据为PH值、温度值、硝氮值和溶氧值，输出数据为氨氮，把前90个样本作为训练样本进行训练，后10个样本作为预测样本。 　　3 结论 　　针对BP网络用于预测水质时存在的收敛速度慢和易陷入局部极小的不足，提出基于QPSO-GRNN的水质预测模型，实验结果证明：该模型与BP网络和L-M BP网络相比较，预测的精度较准确，运行速度也得到较大提高。 　　参考文献： 　　[1] K