[发明专利]基于MapReduce和BP神经网络的人工养殖水产生长预测方法及系统

权利要求书

1.一种基于MapReduce和BP神经网络的人工养殖水产生长预测方法，其特征在于，包括以下步骤：

获取影响养殖水产生物生长的特征因子，并将获取的特征因子进行归一化处理；所述影响养殖水产生物生长的特征因子包括：日龄、存活率、饵料直径、投喂量、养殖密度、温度、光照强度、溶解氧、盐度、PH值、亚硝酸盐、氨氮、弧菌数、细菌总数以及投喂次；

将归一化处理后的特征因子输入至训练好的融合MapReduce算法的BP神经网络中，得出预测的养殖水产生物的体重；还包括以养殖时间为横轴，将预测得出的养殖水产生物的体重作为纵轴，进行曲线拟合，得出预测生长曲线与实际生长曲线进行对比，根据对比结果，调整批量梯度；

所述融合MapReduce算法的BP神经网络在进行训练时包括如下步骤：

S201、对BP神经网络进行并行化预处理；所述并行化预处理包括按照批处理梯度设定MapReduce读取每行数据中包含样本的个数；

S202、在Map阶段，将每行中包含的样本进行分割并组成一个新的数组，再使用小批量梯度下降算法进行BP神经网络训练，按照批处理数量更新平均权值并输出；在组成一个新的数组时，采用如下方法：

利用split函数将样本分割成多行的列表；

利用numpy.array函数将列表转化为数组形式；其中，数组行数为批处理梯度，列数为数据的自变量个数；

S203、在Reduce阶段，将Map阶段的输出权值作为输入，并求其算术平均值作为输出，重复Map和Reduce阶段直至达到最大训练次数或达到规定精度。

2.根据权利要求1所述的人工养殖水产生长预测方法，其特征在于，所述BP神经网络为三层神经网络，包括输入层、隐藏层和输出层；将特征因子的个数表示神经网络的输入层节点个数，神经网络的输出层节点个数为1，表示实际体重。

3.根据权利要求2所述的人工养殖水产生长预测方法，其特征在于，在BP神经网络中按照如下公式计算隐藏层节点个数：

其中，h为隐藏节点个数，n为整数。

4.一种基于MapReduce和BP神经网络的人工养殖水产生长预测系统，其特征在于，包括数据预处理模块、融合MapReduce算法的BP神经网络模型；

所述数据预处理模块用于获取影响养殖水产生物生长的特征因子，并将获取的特征因子进行归一化处理；

所述BP神经网络模型用于获取归一化处理后的特征因子，利用训练好的融合MapReduce算法的BP神经网络的网络参数，得出预测的养殖水产生物的体重；所述融合MapReduce算法的BP神经网络在进行训练时包括：

对BP神经网络进行并行化预处理；所述并行化预处理包括按照批处理梯度设定MapReduce读取每行数据中包含样本的个数；

在Map阶段，将每行中包含的样本进行分割并组成一个新的数组，再使用小批量梯度下降算法进行BP神经网络训练，按照批处理数量更新平均权值并输出；在组成一个新的数组时，利用split函数将样本分割成多行的列表；利用numpy.array函数将列表转化为数组形式；其中，数组行数为批处理梯度，列数为数据的自变量个数；

在Reduce阶段，将Map阶段的输出权值作为输入，并求其算术平均值作为输出，重复Map和Reduce阶段直至达到最大训练次数或达到规定精度；

还包括曲线拟合模块，用于以养殖时间为横轴，将预测得出的养殖水产生物的体重作为纵轴，进行曲线拟合，得出预测生长曲线与实际生长曲线进行对比，输出对比结果。

5.根据权利要求4所述的人工养殖水产生长预测系统，其特征在于，所述BP神经网络模型为三层神经网络，所述BP神经网络为三层神经网络，包括输入层、隐藏层和输出层；将特征因子的个数表示神经网络的输入层节点个数，神经网络的输出层节点个数为1，表示实际体重。