一种含沙水流对鱼类致死影响预测的方法技术

本发明专利技术涉及一种含沙水流对鱼类致死影响预测的方法，包括：数据采集；模型实验；构建反向传播神经网络模型；对反向传播神经网络模型训练；模型测试；预测应用。本发明专利技术利用反向传播神经网络模型和改进粒子群算法对含沙水流对鱼类致死影响进行预测，并通过多重误差运算对反向传播神经网络模型进行调整，提高了预测的准确度，使预测误差处于

【技术实现步骤摘要】
一种含沙水流对鱼类致死影响预测的方法


[0001]本专利技术涉及一种含沙水流对鱼类致死影响预测的方法，是一种生态评估方法，是一种水利工程建设运行对河流生态影响的评估方法。

技术介绍

[0002]水库在运行阶段为了减少库容淤积、延长水库寿命，在退役拆除阶段为了拆除坝体、恢复河流连续性，往往需要进行水力排沙。排沙时水库下泄产生的高含沙水流，会导致下游河道短时间内含沙量和溶解氧剧烈波动，甚至导致鱼类等水生动植物的大量死亡。而鱼类在河流水生态系统中处于最高层次，对河流物质和能量循环具有重大贡献，也是反应河流生态的指示性生物。
[0003]目前对鱼类受悬移质泥沙影响程度的评估方法主要有两类：第一类是依据水库排沙的可能平均或最高含沙量预估鱼类死亡率。然而以恒定的含沙量阈值来判别鱼类受影响程度显然存在很多不确定性。第二类是统计分析的方法，通过样本数据建立评价因子与目标因子的相关关系，包括：Stress Index(SI)评估模型和Severity of Ill Effects(SEV)评估模型。这两种模型将悬浮泥沙浓度及鱼类暴露时间作为评价因子，比单一采用泥沙浓度更能准确评估对鱼类影响程度。然而，这两个模型存在很大缺陷：由于两个模型过于简单，仅仅考虑泥沙浓度及其持续时间，未能考虑溶解氧、水温等对鱼类生存起到关键作用的因素，致使该模型难于准确的反应鱼类的生存状态，使用时受到诸多限制。由于这两个模型都属通过实测数据评估高含沙水体对鱼类影响程度，无法预测可能出现的不同浓度情况下的高含沙水体对鱼类影响程度，即没有预测评估功能。r/>[0004]如何正确的评估在泥沙水流中的多个因子之间的复杂非线性关系所影响的鱼类生态环境，是一个需要解决的问题。

技术实现思路

[0005]为了克服现有技术的问题，本专利技术提出了一种含沙水流对鱼类致死影响预测的方法。所述的方法提出基于反向传播神经网络模型的高含沙水体对鱼类影响程度的预测方法，能够考虑多个因子之间的复杂非线性问题，通过反向传播神经网络模型对样本数据的学习，不仅可以根据实测数据评估对鱼类的影响，而且可以根据实测数据预测可能发生的不同含沙量情景下对鱼类的影响程度。
[0006]本专利技术的目的是这样实现的：一种含沙水流对鱼类致死影响预测的方法，所述方法的步骤如下：
[0007]步骤1，数据采集：采集研究对象的各项数据，包括：鱼种类、含沙量、泥沙中值粒径、水温、氧溶解度、时间，形成原始数据集；
[0008]步骤2，模型实验：根据原始数据集构建模拟真实环境的实验模型，在实验的模型中模拟被研究对象的生活环境，采集各项实验数据；实验数据至少包括：鱼种类和大小、持续时间、含沙量和沙颗粒级配、水温、溶解氧；由实验数据构建含沙水体中被研究对象死亡
率的实验数据集；
[0009]步骤3，构建反向传播神经网络模型：构建包含输入层、隐含层和输出层的3层反向神经网络，训练算法为Bayes正则化算法，最大迭代次数20000，学习率按照经验设置为0.01；
[0010]1)输入层：输入参数包括鱼种类、持续时间、含沙量、泥沙中值粒径、水温、溶解氧共6个实验观测数据；输入层与隐含层间选用双曲线正切函数Tansig作为传递函数；通过每个样本的6个实验观测数据记录原始的试验信息并传递给神经网络；
[0011]2)隐含层：通过试算法得到隐含层神经元数量p＝12，即隐含层共12个神经元；试算公式：
[0012][0013]式中：p为隐含层神经元数量；m为输入层参数数量，取m＝6；n为输出层参数数量，输出层为鱼类死亡率1个参数，故n＝1；A为[1，10]之间的常数；
[0014]3)输出层：输出层输出值要经过反归一化处理，输出结果为鱼类死亡率；隐含层与输出层间的选取线性函数Purelin作为传递函数；
[0015]4)反向传播神经网络模型的预测能力判断：使用均方根误差、平均相对误差绝对值和纳什效率系数评价反向传播神经网络模型的预测能力，计算公式分别为：
[0016]均方根误差：
[0017][0018]平均相对误差绝对值：
[0019][0020]纳什效率系数：
[0021][0022]式中：y
i
分别为神经网络输出层值和实验数据集的实测值，即鱼类死亡率的模拟值和实测值；为期望值的平均值，即鱼类死亡率实测值的平均值；i为样本数据组数；n为全部样本数据个数；
[0023]步骤4，对反向传播神经网络模型训练：
[0024]1)根据实验数据集中选择数组数据，进行归一化处理，形成训练样本数据集；
[0025]2)将训练样本数据集导入反向传播神经网络模型，对其中粒子群初始化；
[0026]3)利用改进粒子群算法调用反向传播神经网络模型，以反向传播神经网络模型的输出误差作为适宜度函数；适宜度函数F：
[0027][0028]式中：y
ki
分别为反向传播神经网络输出值和训练样本数据集中的期望值，即鱼类死亡率的预测值和实测值；k为改进粒子群算法中的迭代次数；
[0029]改进粒子群算法和反向传播神经网络通过粒子信息和适宜度值进行信息耦合，通过不断迭代寻求最优适宜度的粒子群，即得到使得反向传播神经网络模型误差最小的参数；
[0030]4)判断是否达到最大迭代数或预设精度，否则返回到步骤3)；
[0031]5)将寻优得到的权值和阈值赋予反向传播神经网络，再利用梯度下降法对反向传播神经网络进行训练；
[0032]步骤5，模型测试：实验数据集中另选数组数据形成测试样本数据集，将测试样本数据集输入经过步骤4训练的反向传播神经网络模型中，对反向传播神经网络进行测试，观察是否满足要求，如果不满足要求则调整反向传播神经网络参数并回到步骤4继续进行训练；
[0033]步骤6，预测应用：根据预测需求，结合待预测的水库排沙过程生成多组环境变量数据，并对这些组数据进行归一化处理，输入到训练完成的反向传播神经网络模型中，输出相应的鱼类死亡率预测值。
[0034]本专利技术的优点和有益效果是：本专利技术利用反向传播神经网络模型和改进粒子群算法对含沙水流对鱼类致死影响进行预测，并通过多重误差运算对反向传播神经网络模型进行调整，提高了预测的准确度，使预测误差处于
±
6％以内。本专利技术可用于水库排沙、拆坝等情况下的高含沙水流过程对鱼类影响的评估，相比已有的SI、SEV等评估方法，本专利技术能够综合考虑各种环境因子的影响，在预测精度上有了较大提升，为评估水库排沙的水生态影响提供了新的手段和依据。
附图说明
[0035]下面结合附图和实施例对本专利技术作进一步说明。
[0036]图1是本专利技术实施例所述方法的流程图；
[0037]图2是本专利技术实施例所述应用实例的实验用沙颗粒级配；
[0038]图3是本专利技术实施例所述应用实例的试验工况设置表；
[0039]图4是本专利技术实施例所述应用实例采用试验环境因子和鱼类死亡率的拟合方程对照表；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种含沙水流对鱼类致死影响预测的方法，其特征在于，所述方法的步骤如下：步骤1，数据采集：采集研究对象的各项数据，包括：鱼种类、含沙量、泥沙中值粒径、水温、氧溶解度、持续时间，形成原始数据集；步骤2，模型实验：根据原始数据集构建模拟真实环境的实验模型，在实验的模型中模拟被研究对象的生活环境，采集各项实验数据；实验数据至少包括：鱼种类和大小、持续时间、含沙量和沙颗粒级配、水温、溶解氧；由实验数据构建含沙水体中被研究对象死亡率的实验数据集；步骤3，构建反向传播神经网络模型：构建包含输入层、隐含层和输出层的3层反向审神经网络，训练算法为Bayes正则化算法，最大迭代次数20000，学习率按照经验设置为0.01；1)输入层：输入参数包括鱼种类、持续时间、含沙量、泥沙中值粒径、水温、溶解氧共6个实验观测数据；输入层与隐含层间选用双曲线正切函数Tansig作为传递函数；通过每个样本的6个变量记录原始的试验信息并传递给神经网络；2)隐含层：通过试算法得到隐含层神经元数量p＝12，即隐含层共12个神经元；试算公式：式中：p为隐含层神经元数量；m为输入层参数数量，取m＝6；n为输出层参数数量，输出层为鱼类死亡率1个参数，故n＝1；A为[1，10]之间的常数；3)输出层：输出层输出值要经过反归一化处理，输出结果为鱼类死亡率；隐含层与输出层间的选取线性函数Purelin作为传递函数；4)反向传播神经网络模型的预测能力判断：使用均方根误差、平均相对误差绝对值和纳什效率系数评价反向传播神经网络模型的预测能力，计算公式分别为：均方根误差：平均相对误差绝对值：纳什效率系数：式中：...

【专利技术属性】
技术研发人员：白音包力皋，李晓晨，许凤冉，焦万明，李向东，穆祥鹏，曹平，董志强，
申请(专利权)人：青海省水利水电勘测规划设计研究院有限公司，
类型：发明
国别省市：