[发明专利]南美白对虾围塘养殖水质预测方法

摘要

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。

主权项

1.一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：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；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，适当的加快学习速率，并且把动量项置为预设值的一半；当 误差出现大范围的下降时，适当加快学习速率，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经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、权值低速下降、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。