[发明专利]南美白对虾围塘养殖水质预测方法

说明书

本发明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。

技术领域

本发明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。

背景技术

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。

发明内容

本发明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，本发明采用了以下技术方案：

这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：

其中，l_l为规范后的下线，l_h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，分成四种处理方式：

当误差增长过大时，将步长进行削减，把动量项置为零，并且取消这四次收敛，回到之前从新收敛；