結(jié)合自適應(yīng)遺傳算法與彈性BP神經(jīng)網(wǎng)絡(luò)的亞硝酸鹽預(yù)測模型

林志貴，姚芳琴，馮林強(qiáng)，杜軍蘭，李建雄

（1.國家海洋技術(shù)中心 近海海洋環(huán)境觀測與監(jiān)測技術(shù)研究室，天津 300112；2.天津大學(xué)精密儀器與光電子工程學(xué)院，天津 300072；3.天津工業(yè)大學(xué)電子與信息工程學(xué)院，天津 300387）

結(jié)合自適應(yīng)遺傳算法與彈性BP神經(jīng)網(wǎng)絡(luò)的亞硝酸鹽預(yù)測模型

林志貴1，2，3，姚芳琴3，馮林強(qiáng)1，杜軍蘭1，李建雄3

（1.國家海洋技術(shù)中心 近海海洋環(huán)境觀測與監(jiān)測技術(shù)研究室，天津 300112；2.天津大學(xué)精密儀器與光電子工程學(xué)院，天津 300072；3.天津工業(yè)大學(xué)電子與信息工程學(xué)院，天津 300387）

針對(duì)目前營養(yǎng)鹽檢測主要是通過化學(xué)方法實(shí)現(xiàn)，無法獲得在線檢測的問題，利用營養(yǎng)鹽與其影響因子之間的關(guān)系，提出結(jié)合自適應(yīng)遺傳算法與彈性BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型.利用改進(jìn)的自適應(yīng)遺傳算法，通過交叉、變異獲取彈性BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值與閾值，加速預(yù)測過程.該模型通過營養(yǎng)鹽影響因子數(shù)據(jù)，預(yù)測亞硝酸鹽濃度.仿真結(jié)果表明：基于彈性BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型預(yù)測營養(yǎng)鹽濃度是可行的，其預(yù)測得到的亞硝酸鹽濃度值的相對(duì)誤差主要集中于0～30%；結(jié)合自適應(yīng)遺傳算法與彈性BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型的預(yù)測效果好于基于彈性BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型.

亞硝酸鹽；預(yù)測；自適應(yīng)遺傳算法；彈性BP神經(jīng)網(wǎng)絡(luò)

海水中營養(yǎng)鹽的運(yùn)移和轉(zhuǎn)化過程是海洋生態(tài)系統(tǒng)中的一個(gè)重要過程，其不同濃度和組成，對(duì)海洋的初級(jí)生產(chǎn)力產(chǎn)生影響，并對(duì)動(dòng)植物的群落結(jié)構(gòu)產(chǎn)生調(diào)節(jié)作用，影響到整個(gè)海洋生態(tài)系統(tǒng)的結(jié)構(gòu).營養(yǎng)鹽貧泛時(shí)，營養(yǎng)鹽不足以維持浮游植物的生長，浮游植物就會(huì)大大降低.營養(yǎng)鹽過剩時(shí)，營養(yǎng)鹽會(huì)使某種浮游植物過度繁殖，破壞浮游植物的群體結(jié)構(gòu)，導(dǎo)致生態(tài)系統(tǒng)呈富營養(yǎng)態(tài)，甚至赤潮發(fā)生.近海海域受工業(yè)生產(chǎn)及人類生活影響較大，其海水中的營養(yǎng)鹽濃度和組成變化較大.這種變化不僅反映了營養(yǎng)鹽狀況的變化，同時(shí)反映了海水中營養(yǎng)鹽的再生、循環(huán)機(jī)制的改變，對(duì)海區(qū)生態(tài)環(huán)境產(chǎn)生較大的影響.

目前，區(qū)域水域營養(yǎng)鹽的檢測經(jīng)歷了實(shí)驗(yàn)室測定法、現(xiàn)場非在線檢測、單個(gè)營養(yǎng)鹽的在線檢測及分析預(yù)測和多個(gè)營養(yǎng)鹽的在線檢測及分析預(yù)測4個(gè)階段.實(shí)驗(yàn)室測定法[1]存在著化學(xué)反應(yīng)時(shí)間長、試劑用量大、化學(xué)試劑的穩(wěn)定性差等缺點(diǎn)，且測定采用手工方法，造成效率低、準(zhǔn)確度差、穩(wěn)定性不高等問題[2].營養(yǎng)鹽現(xiàn)場非在線檢測階段提高了檢測精度和省去了人工對(duì)營養(yǎng)鹽化學(xué)反應(yīng)的干預(yù)，但不能提供連續(xù)數(shù)據(jù)，花費(fèi)較大的人力、物力、財(cái)力；且檢測手段也是通過化學(xué)方法實(shí)現(xiàn)的.該方法具有投資小、操作簡便的優(yōu)點(diǎn)，但檢出限高、靈敏度較低[3-4].單個(gè)營養(yǎng)鹽的在線檢測及分析預(yù)測階段利用單營養(yǎng)鹽分析儀采集數(shù)據(jù)，并將其通過總線送給遠(yuǎn)程終端，實(shí)現(xiàn)對(duì)營養(yǎng)鹽的在線檢測.隨著營養(yǎng)鹽預(yù)測研究的不斷深入，營養(yǎng)鹽分析儀由檢測單參數(shù)的發(fā)展為檢測多參數(shù)，提高了集成度，實(shí)現(xiàn)對(duì)多種營養(yǎng)鹽的檢測.相應(yīng)地，營養(yǎng)鹽的在線檢測也由單營養(yǎng)鹽發(fā)展為多營養(yǎng)鹽的在線檢測.如有學(xué)者[5]建立了一套基于PROFIBUS-DP現(xiàn)場總線的PLC控制海水營養(yǎng)鹽自動(dòng)分析系統(tǒng)，該系統(tǒng)采用化學(xué)方法實(shí)現(xiàn)營養(yǎng)鹽的檢測，通過有線方式傳輸數(shù)據(jù).這種方法因人為因素易帶來數(shù)據(jù)誤差.

上述檢測方法都是點(diǎn)檢測，并且測量方法是通過化學(xué)方法實(shí)現(xiàn)的，無法在線獲得區(qū)域水域營養(yǎng)鹽的連續(xù)分布情況.有學(xué)者[6]利用不同波段遙感圖像數(shù)據(jù)進(jìn)行反演，間接獲取營養(yǎng)鹽數(shù)據(jù)，得到了除磷酸鹽以外的其他4種鹽的單參數(shù)線性擬合函數(shù)，但營養(yǎng)鹽測定的精度不高、花費(fèi)高，而且受到天氣、海況以及衛(wèi)星過境時(shí)間等多種因素影響.近年來，國內(nèi)外開展了大量關(guān)于營養(yǎng)鹽變化及限制因子的研究[7-14]，研究表明，營養(yǎng)鹽的賦存狀態(tài)與其他水體環(huán)境因子之間存在著雙向的內(nèi)在聯(lián)系：水體的環(huán)境因子影響著營養(yǎng)鹽的水平和賦存狀態(tài)，營養(yǎng)鹽的水平和狀態(tài)的改變將在一定程度上改變了水體的理化性質(zhì)，進(jìn)而影響著水體中其他物質(zhì)的形態(tài)分布.因此，本文分析亞硝酸鹽與其影響因子間的數(shù)據(jù)特點(diǎn)，引入人工智能方法，結(jié)合自適應(yīng)遺傳算法與彈性BP神經(jīng)網(wǎng)絡(luò)，建立一種亞硝酸鹽預(yù)測模型.基于該模型，由亞硝酸鹽影響因子數(shù)據(jù)間接預(yù)測區(qū)域水域的亞硝酸分布情況，為近海海域生態(tài)系統(tǒng)平衡管理及漁業(yè)生產(chǎn)規(guī)劃提供依據(jù)，也為其他無法測量的海水參數(shù)（如有機(jī)物、重金屬等）提供了一種新的測量方法.

1 相關(guān)理論基礎(chǔ)

1.1 彈性BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)[15]由輸入信號(hào)的正向傳播和誤差信號(hào)的反向傳播構(gòu)成.其基本原理是：在信號(hào)正向傳播中，輸入信號(hào)從輸入層傳入，經(jīng)過隱含層的一系列變換后，將得到的結(jié)果傳向輸出層，在輸出層經(jīng)運(yùn)算后產(chǎn)生輸出信號(hào).通過比較輸出層各個(gè)神經(jīng)元的實(shí)際輸出與期望輸出，獲得兩者間的誤差，若誤差未能滿足設(shè)定的精度要求或未達(dá)到預(yù)先設(shè)定的迭代次數(shù)，則轉(zhuǎn)入誤差的反向傳播過程，對(duì)誤差進(jìn)行反向調(diào)節(jié).在誤差的反向傳播中，誤差信號(hào)從輸出層以某種方式逐層向前傳播，并逐層修正各個(gè)權(quán)值與閾值，最后回到輸入層.通過反復(fù)的信號(hào)的正向傳播和誤差的反向調(diào)節(jié)，神經(jīng)元間的權(quán)值與閾值得到不斷的調(diào)節(jié)和修正.當(dāng)輸出信號(hào)的誤差滿足設(shè)定的精度要求或達(dá)到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)時(shí)，停止學(xué)習(xí).

BP神經(jīng)網(wǎng)絡(luò)的隱含層通常采用S型激勵(lì)函數(shù)，當(dāng)輸入很大時(shí)，可能導(dǎo)致算法中的梯度幅值很小，造成修正權(quán)值的過程停滯不前.針對(duì)這一問題，彈性BP算法當(dāng)連續(xù)兩次迭代的梯度方向相同時(shí)，將權(quán)值與閾值的修正量乘以增量因子，增加修正值；當(dāng)連續(xù)兩次迭代的梯度方向相反時(shí)，將權(quán)值與閾值的修正量乘以減量因子，減小修正值；當(dāng)梯度幅值為零時(shí)，則保持修正值固定不變，從而克服梯度幅度的不利影響.權(quán)值與閾值修正量的調(diào)節(jié)如公式（1）所示：

式中：g（n）為第n次和第n+1次迭代的變化梯度；w（n+1）和w（n）分別表示第n次和第n+1次迭代的權(quán)值修正量；kwinc為權(quán)值增量因子，其取值一般選為1.2；kwdec為權(quán)值減量因子，0

彈性BP神經(jīng)網(wǎng)絡(luò)通常由輸入層、隱含層和輸出層三層結(jié)構(gòu)組成，根據(jù)Kolmogorov定理，具有一個(gè)隱含層（隱含層節(jié)點(diǎn)足夠多）的三層BP神經(jīng)網(wǎng)絡(luò)能在閉集上以任意精度逼近任意非線性連續(xù)函數(shù).因此，本文采用單隱含層的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，構(gòu)建亞硝酸鹽與其影響因子間關(guān)系模型.

1.2 改進(jìn)的自適應(yīng)遺傳算法

遺傳算法（GA）[16]首先隨機(jī)選取一種群作為初始種群，再對(duì)該初始種群進(jìn)行隨機(jī)選擇操作、交叉操作和變異操作，讓新產(chǎn)生的種群進(jìn)化到搜索空間中更好的區(qū)域中，按照上述過程對(duì)種群進(jìn)行不斷的優(yōu)化，使該種群進(jìn)化成一個(gè)最能適應(yīng)環(huán)境的種群，這一過程就是一個(gè)尋求最優(yōu)解的過程.在尋優(yōu)過程中存在一定的隨機(jī)性和盲目性，導(dǎo)致搜索后期在局部最優(yōu)解的附近停滯不前，群體進(jìn)化速度減慢，甚至出現(xiàn)不進(jìn)化現(xiàn)象，最終找不到最優(yōu)解.其隨機(jī)性和盲目性主要體現(xiàn)在固定參數(shù)的設(shè)置上，尤其是固定的交叉概率和變異概率.因此，為了避免過早收斂，改善算法收斂性，常常采用適當(dāng)?shù)慕徊婧妥儺愄岣咂湫阅?

在遺傳算法的執(zhí)行過程中，依據(jù)個(gè)體的具體進(jìn)化情況，自適應(yīng)地改變交叉和變異概率的大小，這樣得到的算法就是自適應(yīng)遺傳算法.其基本思想是：當(dāng)種群中的個(gè)體的適應(yīng)度比較分散時(shí)，則減小交叉和變異概率，使得優(yōu)良個(gè)體得以生存；當(dāng)種群中各個(gè)體的適應(yīng)度值趨于一致或趨于局部最優(yōu)解時(shí)，則增大交叉和變異概率，從而跳出局部最優(yōu)解的狀態(tài).

自適應(yīng)遺傳算法在交叉概率和變異概率自調(diào)整的過程中，當(dāng)適應(yīng)度值越接近最大適應(yīng)度值時(shí)，交叉概率和變異概率就越小；當(dāng)?shù)扔谧畲筮m應(yīng)度值時(shí)，交叉概率和變異概率的值為零.這種自適應(yīng)的調(diào)整方法增大了局部最優(yōu)解發(fā)生的可能性.而且，亞硝酸鹽的影響因子的實(shí)際采樣中可能存在誤差，以及環(huán)境因素，造成初始數(shù)據(jù)誤差較大，如果直接使用傳統(tǒng)的自適應(yīng)遺傳算法進(jìn)行數(shù)據(jù)處理，效果不理想.出于此目的，在自適應(yīng)遺傳算法的基礎(chǔ)上，對(duì)自適應(yīng)遺傳算法的交叉概率Pc和變異概率Pm做了進(jìn)一步的改進(jìn)，使群體中最大適應(yīng)度值的個(gè)體的交叉概率和變異概率不為零，分別提高到某個(gè)設(shè)定的值（如Pc2、Pm2），這樣，相應(yīng)的提高群體中的優(yōu)良個(gè)體的交叉概率和變異概率.這種改進(jìn)的自適應(yīng)遺傳算法的交叉概率Pc和變異概率Pm如公式（2）、公式（3）所示.

式中：f′為交叉的兩個(gè)個(gè)體中較大的適應(yīng)度值；f為變異的個(gè)體的適應(yīng)度值；favg為群體的平均適應(yīng)度；Pc1取0.9 ，Pc2取0.6，Pm1取0.1，Pm2取0.001.

因此，本文采用一種改進(jìn)的自適應(yīng)遺傳算法，確定彈性BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值與閾值.利用改進(jìn)的自適應(yīng)遺傳算法彌補(bǔ)彈性BP神經(jīng)網(wǎng)絡(luò)連接權(quán)值和閾值選擇上的隨機(jī)性缺陷，不僅能發(fā)揮彈性BP神經(jīng)網(wǎng)絡(luò)泛化的映射能力，而且使彈性BP神經(jīng)網(wǎng)絡(luò)具有很快的收斂性以及較強(qiáng)的學(xué)習(xí)能力.

2 結(jié)合自適應(yīng)遺傳算法與彈性BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型

基于亞硝酸鹽及其影響因子數(shù)據(jù)，利用改進(jìn)的自適應(yīng)遺傳算法優(yōu)化彈性BP神經(jīng)網(wǎng)絡(luò)的權(quán)值與閾值，將優(yōu)化的權(quán)值與閾值作為彈性BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值與閾值，用于彈性BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練；訓(xùn)練得到的最佳網(wǎng)絡(luò)用于預(yù)測亞硝酸鹽，具體結(jié)構(gòu)如圖1所示.

圖1 亞硝酸鹽預(yù)測模型結(jié)構(gòu)Fig.1 Structure of anitrite prediction model

（1）選取亞硝酸鹽的影響因子.亞硝酸鹽的主要影響因子有鹽度、pH值、溶解氧（DO）、葉綠素、溫度等參數(shù).本文選用pH值和DO作為預(yù)測模型的輸入變量，研究亞硝酸鹽與pH、DO間非線性關(guān)系.

（2）輸入變量數(shù)據(jù)歸一化處理.輸入變量數(shù)據(jù)的量綱不同，以及BP神經(jīng)網(wǎng)絡(luò)激勵(lì)函數(shù)的輸出一般都在（-1，1）之間，因此需要對(duì)輸入變量數(shù)據(jù)進(jìn)行歸一化處理，使其全部處于（-1，1）之間.歸一化處理如公式（4）所示.

式中：X為歸一化后的輸入值；Xmax和Xmin為輸入變量的最大值和最小值；Xi為輸入變量的實(shí)際值.

（3）彈性BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值與閾值的獲取.基于改進(jìn)的自適應(yīng)遺傳算法，獲取彈性BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值與閾值.首先，確定遺傳策略，包括選擇群體大小、最大代數(shù)、交叉概率、變異概率等遺傳參數(shù)；選擇編碼策略，對(duì)參數(shù)集合進(jìn)行編碼，本文采用二進(jìn)制編碼方式，對(duì)權(quán)值與閾值的染色體進(jìn)行編碼.其次，定義適應(yīng)度函數(shù)并隨機(jī)產(chǎn)生初始化群體，本文將亞硝酸鹽的輸出值與實(shí)際值差的平方的倒數(shù)之和定義為適應(yīng)度函數(shù).緊接著，計(jì)算群體中所有個(gè)體的適應(yīng)度值.然后，按照確定的遺傳策略，對(duì)群體進(jìn)行選擇、交叉和變異操作，形成新的群體.最后，判斷新產(chǎn)生群體的性能是否滿足指定的指標(biāo)，或者已達(dá)到預(yù)定的迭代次數(shù)，最終得到最大適應(yīng)度個(gè)體的權(quán)值與閾值.將其作為彈性BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值與閾值.

（4）基于彈性BP神經(jīng)網(wǎng)絡(luò)預(yù)測訓(xùn)練.基于改進(jìn)的自適應(yīng)遺傳算法，通過交叉、變異獲取彈性BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值與閾值；訓(xùn)練彈性BP神經(jīng)網(wǎng)絡(luò)，對(duì)每次的訓(xùn)練結(jié)果進(jìn)行比較，直至獲得預(yù)測誤差較小的網(wǎng)絡(luò)模型，停止訓(xùn)練，保存網(wǎng)絡(luò)參數(shù)，得到預(yù)測模型.

（5）亞硝酸鹽預(yù)測.依據(jù)上述的預(yù)測模型，結(jié)合亞硝酸及其影響因子數(shù)據(jù)，預(yù)測亞硝酸的濃度值.

亞硝酸鹽預(yù)測模型的流程圖如圖2所示.

圖2 亞硝酸鹽預(yù)測模型的流程圖Fig.2 Flow chart of a nitrite prediction model

3 預(yù)測模型仿真及分析

仿真平臺(tái)是VS2008和MATLAB 2010a[17]，實(shí)驗(yàn)總共使用90組數(shù)據(jù)，90組數(shù)據(jù)歸一化處理后得到的數(shù)據(jù)見表1，其中，前72組數(shù)據(jù)用于預(yù)測模型的訓(xùn)練，后18組數(shù)據(jù)用于預(yù)測模型的預(yù)測.

表1 實(shí)驗(yàn)數(shù)據(jù)（歸一化后的數(shù)據(jù)）Tab.1 Experimental data（normalized data）

三層BP神經(jīng)網(wǎng)絡(luò)的輸入層為2個(gè)節(jié)點(diǎn)，即DO和pH值；輸出層為1個(gè)節(jié)點(diǎn)，即亞硝酸鹽值.通過多次訓(xùn)練，獲得當(dāng)隱含層為5個(gè)節(jié)點(diǎn)時(shí)，效果最佳，所以，本文最后確定為隱含層為5個(gè)節(jié)點(diǎn).

本文仿真實(shí)驗(yàn)從2個(gè)方面進(jìn)行：一是基于附加動(dòng)量BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型和基于彈性BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型仿真訓(xùn)練及其比較分析；另一個(gè)是基于彈性BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型和結(jié)合自適應(yīng)遺傳算法與彈性BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型仿真訓(xùn)練及其比較分析.

（1）基于附加動(dòng)量BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型和基于彈性BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型仿真訓(xùn)練及其比較分析.分別基于附加動(dòng)量BP神經(jīng)網(wǎng)絡(luò)和彈性BP神經(jīng)網(wǎng)絡(luò)構(gòu)建預(yù)測模型，結(jié)合實(shí)驗(yàn)數(shù)據(jù)，實(shí)驗(yàn)得到權(quán)值與閾值如表2、3所示；基于這2個(gè)模型預(yù)測亞硝酸鹽濃度的相對(duì)誤差如圖3所示.

表2 附加動(dòng)量BP神經(jīng)網(wǎng)絡(luò)模型的權(quán)值和閾值Tab.2 Weights and thresholds of additional momentum BP neural network

表3 彈性BP神經(jīng)網(wǎng)絡(luò)模型的權(quán)值和閾值Tab.3 Weights and thresholds of elastic BP neural network

圖3 附加動(dòng)量和彈性BP網(wǎng)絡(luò)方法建立的亞硝酸鹽預(yù)測模型的相對(duì)誤差圖Fig.3 Relative error of nitrite prediction models based on additional momentum BP neural network and based on elastic BP neural network

通過分析可知，基于附加動(dòng)量BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的均方誤差達(dá)到0.111時(shí)，需要迭代10 000次，花費(fèi)的時(shí)間長達(dá)78 s；基于彈性BP神經(jīng)網(wǎng)絡(luò)構(gòu)建預(yù)測模型的均方誤差達(dá)到0.110時(shí)，需要迭代16次，花費(fèi)的時(shí)間很短，不到1 s，明顯好于前者.從圖3看出，基于這2種模型得到的亞硝酸鹽濃度值的相對(duì)誤差主要集中在0%～30%，因而可得，將BP神經(jīng)網(wǎng)絡(luò)運(yùn)用亞硝酸鹽的預(yù)測具有可行性.

（2）基于彈性BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型和結(jié)合自適應(yīng)遺傳算法與彈性BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型仿真訓(xùn)練及其比較分析

遺傳算法的初始參數(shù)如下：種群大小為200，最大代數(shù)為1 000，交叉概率Pc為0.8，變異概率Pm為0.05；彈性BP神經(jīng)網(wǎng)絡(luò)選為節(jié)點(diǎn)數(shù)為2-5-1的三層結(jié)構(gòu)，網(wǎng)絡(luò)的權(quán)值與閾值的范圍為-10～10.網(wǎng)絡(luò)的權(quán)值與閾值的染色體字節(jié)長度=21（2*5+5*1+5+1=21）；相應(yīng)地，染色體長度為168（8*21=168）.

彈性BP神經(jīng)網(wǎng)絡(luò)的權(quán)值與閾值如表3所示；結(jié)合改進(jìn)的自適應(yīng)遺傳算法優(yōu)化彈性BP神經(jīng)網(wǎng)絡(luò)（AGA）的權(quán)值與閾值如表4所示.將表4中的權(quán)值與閾值作為彈性BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值與閾值，訓(xùn)練預(yù)測模型，訓(xùn)練得到的權(quán)值與閾值如表5所示.基于這2個(gè)網(wǎng)絡(luò)構(gòu)建的亞硝酸鹽預(yù)測模型的相對(duì)誤差如圖4所示.

表4 AGA仿真得到的權(quán)值和閾值Tab.4 Weights and thresholds obtained by AGA

表5 AGA優(yōu)化后的彈性BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的權(quán)值和閾值Tab.5 Weights and thresholds obtained by Elastic BP neural network optimized by AGA

通過網(wǎng)絡(luò)訓(xùn)練可得：2種方法的訓(xùn)練時(shí)間都在1 s之內(nèi).由圖4可知，基于這2種預(yù)測模型，得到的亞硝酸鹽濃度值的相對(duì)誤差主要集中在0%～30%，彈性BP神經(jīng)網(wǎng)絡(luò)方法得到的均方誤差為0.110，改進(jìn)的自適應(yīng)遺傳算法優(yōu)化彈性BP神經(jīng)網(wǎng)絡(luò)方法得到的均方誤差為0.087 3，其均方誤差比前者小.結(jié)合自適應(yīng)遺傳算法與彈性BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型的預(yù)測結(jié)果好于基于彈性BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型.

圖4 彈性BP網(wǎng)絡(luò)和AGA優(yōu)化彈性BP網(wǎng)絡(luò)方法建立的亞硝酸鹽預(yù)測模型的預(yù)測結(jié)果相對(duì)誤差圖Fig.4 Relative error of nitrite prediction models based on elastic BP neural network and based on elastic BP neural network optimized by AGA

4 結(jié)束語

從基于附加動(dòng)量BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型和基于彈性BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型仿真，以及基于彈性BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型和結(jié)合自適應(yīng)遺傳算法與彈性BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型兩方面，做實(shí)驗(yàn)仿真，得到亞硝酸鹽預(yù)測的相對(duì)誤差主要集中在0%～30%.前者仿真結(jié)果表明基于彈性BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型預(yù)測亞硝酸鹽濃度是可行的；后者仿真結(jié)果表明，通過改進(jìn)的自適應(yīng)遺傳算法獲取彈性BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型的初始權(quán)值與閾值，預(yù)測時(shí)間縮短.

[1]王洪亮，高楊，程同蕾，等.營養(yǎng)鹽傳感器在海洋監(jiān)測中的研究進(jìn)展[J].山東科學(xué)，2011，24（3）：32-36.

[2]李鴻妹，石曉勇，陳鵬，等.春季東海赤潮發(fā)生前后營養(yǎng)鹽及溶解氧的平面分布特征[J].環(huán)境科學(xué)，2013，34（6）：2159-2165.

[3]KAZEMZADEH A，ALI A Ensafi.Sequeential flow injection spectrophotometric determination of nitrite and nitate in various smaple[J].Analytica Chimica Acta，2001，442（2）：319-326.

[4] 王亞林，高錦章.甲基紫用作光度法測定亞硝酸根[J].分析化學(xué)，1998，26（11）：1384-1387.

[5]王智麗，韓永輝，杜振輝，等.海水營養(yǎng)鹽自動(dòng)分析系統(tǒng)的研究[J].現(xiàn)代儀器，2004（2）：32-34.

[6]王林，趙冬至，楊建洪.基于環(huán)境一號(hào)衛(wèi)星的大洋河河口海域營養(yǎng)鹽遙感反演 [J].中國環(huán)境科學(xué)，2012，32（1）：136-141.

[7]劉超.東海黑潮區(qū)營養(yǎng)鹽月際變化及其影響因素研究[D].上海：上海師范大學(xué)，2012.

[8]賴廷和，韋蔓新.廉州灣五項(xiàng)營養(yǎng)鹽變化與環(huán)境因子的關(guān)系[J].廣西科學(xué)院學(xué)報(bào)，2003，19（1）：35-39.

[9]曲麗梅，姚德，叢丕福.遼東灣氮磷營養(yǎng)鹽變化特征及潛在性富營養(yǎng)評(píng)價(jià)[J].環(huán)境科學(xué)，2006，27（2）：263-267.

[10]吳金浩，王年斌，張玉鳳，等.夏季大連灣溶解氧分布變化特征及其與營養(yǎng)鹽的關(guān)系[J].海洋通報(bào)，2013，32（1）：66-71.

[11]SANDFORD R C，EXENBERGER A，WORSFOLD P J.Nitrogen cycling in natural waters using in situ，reagentless UV spectrophotometry with simultaneous determination of nitrate and nitrite[J].Environmental Science&Technology，2007，41（24）：4045-4052.

[12]JOHNSON K S，NEEDOBA J A，RISER S C，et al.Chemical sensor networks for the aquatic environment[J].Chemical Reviews，2007，107（2）：623－640.

[13]米鐵柱，于志剛，姚慶禎，等.春季萊州灣南部溶解態(tài)營養(yǎng)鹽研究[J].海洋環(huán)境科學(xué)，2001，20（3）：14-18.

[14]闞文靜，張秋豐，石海明，等.近年來渤海灣營養(yǎng)鹽變化趨勢研究[J].海洋環(huán)境科學(xué)，2010，29（2）：238-241.

[15]陳明.MATLAB神經(jīng)網(wǎng)絡(luò)原理與實(shí)例精解[M].北京：清華大學(xué)出版社，2013.

[16]王小平，曹立明.遺傳算法——理論、應(yīng)用與軟件實(shí)現(xiàn)[M].西安：西安交通大學(xué)出版社，2000.

[17]陳明.MATLAB神經(jīng)網(wǎng)絡(luò)原理與實(shí)例精解[M].北京：清華大學(xué)出版社，2013.

Nitrite prediction model based on adaptive genetic algorithm and elastic BP neural network

LIN Zhi-gui1，2，3，YAO Fang-qin3，F(xiàn)ENG Lin-qiang1，DU Jun-lan1，LI Jian-xiong3
（1.Laboratory of marine environment observation and monitoring technology of offshore，National Ocean Technology Center，Tianjin 300112，China；2.School of Precision Instrument&Opto-Electronics Engineering，Tianjin University，Tianjin 300072，China；3.School of Electronicsand Information Engineering，Tianjin Polytechnic University，Tianjin 300387，China）

Currently nutrients are detected by the chemical method.A chemical method cannot get online detection.To solve the problem，based on the relationship between nutrients and their impact factors，a prediction model which combined Adaptive Genetic Algorithm and Elastic BP Neural Network is put forward in this paper.Using the improved Adaptive Genetic Algorithm，the initial weights and thresholds of Elastic BP Neural Network are obtained by the crossover and mutation to accelerate the prediction process.The imporoved model predicts the nitrite by using the data of its impact factors.Simulation results show that it is feasible to predict the nutrient concentration by using the prediction model based on the Elastic BP Neural Network.The relative error of nitrite concentration value mainly focuses on 0-30%.The prediction model based on Adaptive Genetic Algorithm and Elastic BP neural network is better than that based on Elastic BP Neural Network.

nitrite；prediction；adaptive genetic algorithm（AGA）；elastic BP neural network

TP391

A

1671－024X（2015）03－0067－06

10.3969/j.issn.1671-024x.2015.03.015

2014-12-18

國家自然科學(xué)基金項(xiàng)目資助（61372011）

林志貴（1974—），男，博士，副教授，研究方向?yàn)榄h(huán)境信息處理及應(yīng)用.E-Mail：linzhigui@tjpu.edu.cn