基于改进深度信念网络的池塘养殖水体氨氮预测模型研究.PDFVIP

第 35 卷 第 7 期 农 业 工 程 学 报 Vol.35 No.7 2019 年 4 月 Transactions of the Chinese Society of Agricultural Engineering Apr. 2019 195 基于改进深度信念网络的池塘养殖水体氨氮预测模型研究 1,2 1,3 1,3 1,3 1,2 陈英义 ，成艳君 ，杨 玲 ，刘烨琦 ，李道亮 （1. 中国农业大学信息与电气工程学院，北京 100083 ；2. 农业部农业信息获取技术重点实验室，北京 100083； 3. 北京农业物联网工程技术研究中心，北京 100083 ） 摘 要：水体氨氮是影响水产养殖质量和产量的关键参数之一。然而，池塘养殖环境复杂多变，氨氮含量影响因子众多， 且各因子之间相互关联并呈现非线性变化，同时，获取的数据存在大量噪声。因此，采用数学方法及传统神经网络很难 精准预测氨氮含量，且在进行数据训练时存在局部收敛和计算效率差的问题。针对上述问题，首先，通过主成分分析筛 选影响氨氮含量变化的主要因子作为模型输入，利用小波阈值方法实现噪声消除；然后，提出一种基于粒子群优化算法 （particle swarm optimization, PSO ）并结合多变量深度信念网络（multi-variable deep belief network, MDBN ）预测模型， 对池塘养殖水体溶解氧预测，并与传统最小二乘支持向量机、BP 神经网络、DBNs （deep belief networks ）模型进行了比 较分析。研究结果表明，该文所提方法其平均百分比误差（mean absolute percentage error ，MAPE ）为0.1172 ，与传统最 小二乘支持向量机、BP 神经网络、DBNs 方法进行对比，其 MAPE 分别降低了 0.285 9、0.214 6、0.013 9 。除此之外， 随着样本数量增加，其模型绝对误差不断降低。因此，该文所提方法具有高的预测精度及泛化性能，研究可为池塘水体 氨氮含量精准预测提供理论依据和参数支持。 关键词：模型；主成分分析；水产养殖；氨氮预测；粒子群算法；深度信念网络；小波降噪 doi ：10.11975/j.issn.1002-6819.2019.07.024 + 中图分类号：S959; TP274 .5 文献标志码：A 文章编号：1002-6819(2019)-07-0195-08 陈英义，成艳君，杨 玲，刘烨琦，李道亮. 基于改进深度信念网络的池塘养殖水体氨氮预测模型研究[J]. 农业工程学 报，2019，35(7)：195－202. doi ：10.11975/j.issn.1002-6819.2019.07.024 Chen Yingyi, Cheng Yanjun, Yang Ling, Liu Yeqi, Li Daoliang. Prediction model of ammonia-nitrogen in pond aquaculture water based