南美白对虾围塘养殖水质预测方法技术

本发明专利技术涉及一种南美白对虾围塘养殖水质预测方法，包括如下步骤：第一步，水质预测模型：为了保证神经网络对样本具有足够的输入敏感性和良好的拟合性，对获得的参数做归一化处理：第二步，改进的BP神经网络算法步骤：1)步长动量项可变；2)模糊控制器；3)调整步长；得到了调整步长的信号，依据信号对步长进行调整。本发明专利技术的有益效果是：1)给出了步长可根据自身环境自动确定的、动量自适应的、具有模糊控制的改进算法，用于养殖水质预测。改进后的算法具有避免学习陷入局部极小点并提高收敛速度优点。2)针对改进的BP神经网络算法进行了水质预测的实验。通过反复检验后的该算法可进行养殖水体的预测和预警。

【技术实现步骤摘要】

本专利技术专利涉及水质预测方法，尤其涉及一种南美白对虾围塘养殖水质预测方 法。
技术介绍
随着水产养殖技术的发展，养殖规模的扩大，如何减小养殖的风险，提高养殖的收 益成了重要的课题，而水产养殖的重中之重，就是为水产提供良好的生存生长的环境，也就 是说，如何保持一个良好的水质是减小养殖风险的关键。农业上可以通过在养殖地设立传 感器组的方式对水质进行监测，然而大范围的养殖用水有体量大，变化缓慢的特点，在发现 水质超出报警边界时采取补救措施可能并不能及时的挽回损失，所以有必要对水质进行前 馈控制，及时发现并消除有可能的水质恶化。 目前人工神经网络因为其良好的非线性拟合特性，对于解决水质问题有出色的表 现，在水质评价，水质预测，水质识别等方面都有应用。但是如果要求神经网络适应整个水 产养殖过程的预测要求，神经网络需要对整个养殖过程的大量数据进行多次的有效学习。 学习的时间成本和空间成本十分巨大。
技术实现思路
本专利技术的目的在于克服现有技术不足，提供一种快速高效的南美白对虾围塘养殖 水质预测方法。 为实现上述目的，本专利技术采用了以下技术方案： 这种，包括如下步骤： 第一步，水质预测模型： 为了保证神经网络对样本具有足够的输入敏感性和良好的拟合性，对获得的参数 做归一化处理： 其中，h为规范后的下线，lh为规范后的上线； 设置神经网络的输入层节点数为5K，K代表输入的数据的组数，每组数据都含有时 间、水温、溶解氧、ΡΗ、和浊度五项因素，输出层结点数设为5Μ，Μ代表输出要求预测的时间长 度;隐含层节点数根据输入和输出的要求确定;通过过去的数据来寻找水质时间上的对应 关系；以若干连续值作为输入数据，寻找下一时段的输出值;调整权值之后，给Τ加1，即把神 经网络向右侧挪动一格，继续进行收敛，在这样的大量次滚动下，神经网络掌握水质变化的 规律； 预测模型为： D(t+m)=F(D(t-l)，D(t-2)，D(t-3)，D(t-4)，· · .，D(t-k)，） 其中，D(t+m)表示预测m个时间单位后的时间信息，F表示神经网络的映射关系，D (t)表示t时间单位前的数据；第二步，改进的BP神经网络算法步骤： 1)步长动量项可变 首先由于串行输入引起的误差变化是随机性的，符合X~N的统计规律，通过概率 统计的方法进行排除；当误差上升过大时，属于小概率事件，认定为是由于随机性造成的； 动量项用在直线下降地带，来加强收敛速度，而在等高线比较密集的地带将动量 项归零，避免它带来的不良影响;根据误差的变化情况，分成五种处理方式：当误差增长过大时，我们步长进行削减，把动量项置为零，并且取消这四次收敛， 回到之前从新收敛； 当误差出现增长，但是增长情况并不大时，判断收敛处于复杂状态，将动量项归 零； 当误差出现小幅下降时，适当的加快学习速录，并且把动量项置为预设值的一半； 但误差出现大范围的下降时，适当加快学习速录，并且把动量项置为预设值；如此循环，直到得到最终结果； 2)模糊控制器 为了判断误差值的变化是由输入的随机性造成的还是由神将网络的收敛性造成 的，通过一个模糊的控制器来除去随机性对算法造成的影响;输入的误差变化信号通过模 糊控制系统，能够输出权值调整的指示信号，具体过程如下： 首先对输入信号进行如下处理，利用本次迭代与上一次的迭代的误差值e作为数 据，考量误差值的变化率： 对其进行归一处理：系统通过隶属度函数，对X(n)信号进行模糊处理，处理成为权值高速上升、权值中 速上升、权值低速上升、权值稳定、误差值低速下降、权值中速下降、权值高速下降七种情 况;并且把信号传输给控制规则； 为了除去随机输入带来的随机性，对输出的七种情况进行计数;计数的量越大，设 定对相应调整的Μ值越尚； 3)调整步长 得到了调整步长的信号，依据信号对步长进行调整。本专利技术的有益效果是： 1)提出了一种ΒΡ神经网络改进算法用于水质预测。改进传统ΒΡ神经网络算法存在 的收敛速度慢、步长不可变、易陷入局部极小点等缺陷，给出了步长可根据自身环境自动确 定的、动量自适应的、具有模糊控制的改进算法，用于养殖水质预测。改进后的算法具有避 免学习陷入局部极小点并提高收敛速度优点。 2)针对改进的ΒΡ神经网络算法进行了水质预测的实验。通过反复检验后的该算法 可进行养殖水体的预测和预警。【附图说明】图1是本专利技术神经网络预测模型示意图；图2是模糊控制器示意图； 图3是权值变换的隶属度函数示意图； 图4是步长调整示意图；图5是结合水质模型的改进方案示意图；图6是传统BP神经网络算法和本文改进后的算法效果示意图；图7至图10是拟合结果图； 图11至图14是预测效果图。【具体实施方式】 下面结合实施例对本专利技术做进一步描述。下述实施例的说明只是用于帮助理解本 专利技术。应当指出，对于本
的普通技术人员来说，在不脱离本专利技术原理的前提下，还 可以对本专利技术进行若干改进和修饰，这些改进和修饰也落入本专利技术权利要求的保护范围 内。 为了利用现场移动端获得实时检测数据对养殖用水进行监测和预警，以时间为预 测尺度以神经网络为工具对水温、溶解氧、PH和浊度等因素进行预测，并通过预测值的大小 来对水质参数进行报警，这里各水质指标的检测周期为1分钟。 为了保证神经网络对样本具有足够的输入敏感性和良好的拟合性，对获得的参数 做如下处理： 其中，h为规范后的下线，lh为规范后的上线。 设置神经网络的输入层节点数为5K(K代表输入的数据的组数），每组数据都含有 时间、水温、溶解氧、ΡΗ、和浊度五项因素，输出层结点数设为5Μ(Μ代表输出要求预测的时间 长度）。隐含层节点数根据输入和输出的要求确定。因为水质数据变化是一个渐变的过程， 所以可以通过过去的数据来寻找水质时间上的对应关系。水质预测模型如图1所示。以若干 连续值作为输入数据，寻找下一时段的输出值。调整权值之后，给Τ加1，就是把下图的神经 网络向右侧挪动一格，继续进行收敛，在这样的大量次滚动下，神经网络会掌握水质变化的 规律。 预测模型为： D(t+m)=D(D(t-l)，D(t-2)，D(t-3)，D(t-4)，· · ·，D(t-k)，） 其中，D(t+m)表示预测m个时间单位后的时间信息，F表示神经网络的映射关系，D (t)表示t时间单位前的数据；由于采用串行输入方式，这使得每次输入网络的数据会与上一次有所不同，所以 误差在一定的范围内会出现突变，这种突变是自然而且必须的。但是这会对神经网络的步 长控制提出更高的要求。对于学习速率自适应算法如何才能识别出误差的变化是由于串行的输入模式引 起的还是由于算法本身步长太大引起的成为了一个新的问题。算法的响应速度必须足够快 速，因为预测本身是在和时间赛跑，所以必须采取办法来提高BP算法的运行速度，尽量减少 不成功的收敛时间。步长和动量项可变的BP神经网络算法，结合了动量法和学习速率自适应算法，在 判断误差变化来源的基础上利用学习速录自适应算法的思想实现对于动量和学习速率的 自动变化。期望在不加大原有算法复杂度的情况下，让算法能够智能的选取合适的学习速 率和动量大小，高效的向下收敛，达到加速的效果。 首先我们要判断误差的变化的引起的原因，一般由于串行输入引起的误差变化是 随机性的，符合X~本文档来自技高网...

【技术保护点】
一种南美白对虾围塘养殖水质预测方法，其特征在于：包括如下步骤：第一步，水质预测模型：为了保证神经网络对样本具有足够的输入敏感性和良好的拟合性，对获得的参数做归一化处理：x′=ll+(lh-ll)x-xminxmax-xmin]]>其中，ll为规范后的下线，lh为规范后的上线；设置神经网络的输入层节点数为5K，K代表输入的数据的组数，每组数据都含有时间、水温、溶解氧、PH、和浊度五项因素，输出层结点数设为5M，M代表输出要求预测的时间长度；隐含层节点数根据输入和输出的要求确定；通过过去的数据来寻找水质时间上的对应关系；以若干连续值作为输入数据，寻找下一时段的输出值；调整权值之后，给T加1，即把神经网络向右侧挪动一格，继续进行收敛，在这样的大量次滚动下，神经网络掌握水质变化的规律；预测模型为：D(t+m)＝F(D(t‑1),D(t‑2),D(t‑3),D(t‑4),…,D(t‑k),)其中，D(t+m)表示预测m个时间单位后的时间信息，F表示神经网络的映射关系，D(t)表示t时间单位前的数据；第二步，改进的BP神经网络算法步骤：1)步长动量项可变首先由于串行输入引起的误差变化是随机性的，符合X～N的统计规律，通过概率统计的方法进行排除；当误差上升过大时，属于小概率事件，认定为是由于随机性造成的；动量项用在直线下降地带，来加强收敛速度，而在等高线比较密集的地带将动量项归零，避免它带来的不良影响；根据误差的变化情况，分成五种处理方式：当误差增长过大时，我们步长进行削减，把动量项置为零，并且取消这四次收敛，回到之前从新收敛；当误差出现增长，但是增长情况并不大时，判断收敛处于复杂状态，将动量项归零；当误差出现小幅下降时，适当的加快学习速录，并且把动量项置为预设值的一半；但误差出现大范围的下降时，适当加快学习速录，并且把动量项置为预设值；如此循环，直到得到最终结果；2)模糊控制器为了判断误差值的变化是由输入的随机性造成的还是由神将网络的收敛性造成的，通过一个模糊的控制器来除去随机性对算法造成的影响；输入的误差变化信号通过模糊控制系统，能够输出权值调整的指示信号，具体过程如下：首先对输入信号进行如下处理，利用本次迭代与上一次的迭代的误差值e作为数据，考量误差值的变化率：Δ=e(n)-e(n-1)e(n)]]>对其进行归一处理：X(n)=Δ2+0.5=e(n)-e(n-1)2e(n)+0.5]]>系统通过隶属度函数，对X(n)信号进行模糊处理，处理成为权值高速上升、权值中速上升、权值低速上升、权值稳定、误差值低速下降、权值中速下降、权值高速下降七种情况；并且把信号传输给控制规则；为了除去随机输入带来的随机性，对输出的七种情况进行计数；计数的量越大，设定对相应调整的μA值越高；3)调整步长得到了调整步长的信号，依据信号对步长进行调整。...

【技术特征摘要】

【专利技术属性】
技术研发人员：丁金婷，臧泽林，
申请(专利权)人：浙江大学城市学院，
类型：发明
国别省市：浙江;33