基于粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的水產(chǎn)養(yǎng)殖水溫及pH預(yù)測模型

徐大明， 周 超， 孫傳恒， 杜永貴

(1 國家農(nóng)業(yè)信息化工程技術(shù)研究中心，農(nóng)業(yè)部農(nóng)業(yè)信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，北京市農(nóng)業(yè)物聯(lián)網(wǎng)工程技術(shù)研究中心，北京 100000;2 太原理工大學(xué)信息工程學(xué)院，山西 太原 030000)

?

基于粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的水產(chǎn)養(yǎng)殖水溫及pH預(yù)測模型

徐大明1,2， 周 超1， 孫傳恒1， 杜永貴2

(1 國家農(nóng)業(yè)信息化工程技術(shù)研究中心，農(nóng)業(yè)部農(nóng)業(yè)信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，北京市農(nóng)業(yè)物聯(lián)網(wǎng)工程技術(shù)研究中心，北京 100000;2 太原理工大學(xué)信息工程學(xué)院，山西 太原 030000)

針對養(yǎng)殖水質(zhì)、水溫及pH預(yù)測準(zhǔn)確性低的問題，提出了一種基于粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的養(yǎng)殖水質(zhì)參數(shù)預(yù)測方法。首先應(yīng)用粒子群算法優(yōu)化得出BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，然后對得到的數(shù)據(jù)進(jìn)行預(yù)處理，修復(fù)異常數(shù)據(jù)信息，再以當(dāng)前時(shí)間的多個(gè)水質(zhì)參數(shù)作為輸入，下個(gè)時(shí)間點(diǎn)的水溫、pH作為輸出，建立養(yǎng)殖水質(zhì)預(yù)測模型，最后利用采集的水質(zhì)數(shù)據(jù)在BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，并通過實(shí)驗(yàn)檢驗(yàn)水質(zhì)預(yù)測模型的可行性和預(yù)測性能。與支持向量回歸(SVR)和傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)相比，基于粒子群優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)在預(yù)測水溫方面，均方根誤差(RMSE)下降幅度分別為64.4%和86.7%；在預(yù)測pH方面，RMSE下降幅度分別為11.1%和78.9%。研究表明，基于粒子群優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)養(yǎng)殖水質(zhì)預(yù)測模型具有靈活簡便、預(yù)測精度高、易于實(shí)現(xiàn)的特點(diǎn)，同時(shí)具有很好的預(yù)測能力。

粒子群算法；BP神經(jīng)網(wǎng)絡(luò)；水產(chǎn)養(yǎng)殖；漁情預(yù)警；水質(zhì)預(yù)測模型

隨著物聯(lián)網(wǎng)的發(fā)展，信息技術(shù)以其直觀、快速、準(zhǔn)確的特點(diǎn)，在水產(chǎn)養(yǎng)殖方面應(yīng)用越來越廣泛。因此，利用現(xiàn)代化信息技術(shù)對集約化養(yǎng)殖水質(zhì)進(jìn)行預(yù)測是十分必要和成熟的[1-3]。目前水產(chǎn)養(yǎng)殖水質(zhì)預(yù)測系統(tǒng)是一個(gè)開放復(fù)雜的非線性、多參數(shù)、大時(shí)延的系統(tǒng)[4-5]，利用傳統(tǒng)的數(shù)學(xué)方法很難準(zhǔn)確構(gòu)建水質(zhì)模型。常用水質(zhì)預(yù)測方法有水質(zhì)模擬法、專家評估法、歷史平均法、回歸分析法等，這些方法對于模糊不確定性的養(yǎng)殖水質(zhì)的預(yù)測精度，效果不甚理想[6-7]。

人工神經(jīng)網(wǎng)絡(luò)[8-10]具有非常強(qiáng)的自適應(yīng)學(xué)習(xí)能力和對非線性函數(shù)的逼近能力，常被作為挖掘數(shù)據(jù)關(guān)系、構(gòu)建預(yù)測模型的有力工具。國內(nèi)學(xué)者在水質(zhì)預(yù)測方面有大量的研究，如：構(gòu)建了基于優(yōu)化支持向量機(jī)的河蟹養(yǎng)殖水質(zhì)預(yù)測模型，利用優(yōu)化算法改進(jìn)最小二乘支持向量機(jī)挖掘時(shí)間序列上的水質(zhì)參數(shù)之間的關(guān)系[11-12]；提出了基于貝葉斯網(wǎng)絡(luò)的海水養(yǎng)殖水質(zhì)預(yù)測方法，解決了用間斷采集數(shù)據(jù)預(yù)測連續(xù)水質(zhì)參數(shù)的問題[13]；將模糊集理論中級別特征值的概念引入馬爾可夫模型，提出一種基于投影距離的方法, 使之能夠用于水質(zhì)的定量預(yù)測[14]。這些研究都取得了非常好的預(yù)測效果。

但是，機(jī)器學(xué)習(xí)的方法依據(jù)大量準(zhǔn)確的數(shù)據(jù)，經(jīng)常由于傳感器的采集傳輸故障或者其它客觀因素的影響，約有1.2%的數(shù)據(jù)有明顯的異常[15]。這些異常數(shù)據(jù)對模型的準(zhǔn)確性和魯棒性都有較大的影響，如何對這些異常數(shù)據(jù)進(jìn)行處理目前還沒有相關(guān)研究。本研究選用BP神經(jīng)網(wǎng)絡(luò)來構(gòu)建養(yǎng)殖水質(zhì)預(yù)測模型，利用粒子群算法優(yōu)化其訓(xùn)練時(shí)間長、易陷入局部極值的缺陷，對采集到的異常數(shù)據(jù)進(jìn)行處理，并以水產(chǎn)養(yǎng)殖中重要的參數(shù)(水溫和pH)作為預(yù)測實(shí)例，考察模型的預(yù)測精度。

1 數(shù)據(jù)來源及方法

1.1 數(shù)據(jù)采集

采用的測試數(shù)據(jù)來自北京小湯山國家精準(zhǔn)農(nóng)業(yè)示范基地水質(zhì)監(jiān)測系統(tǒng)。該系統(tǒng)配備YSI6600多參數(shù)水質(zhì)檢測儀傳感器，其技術(shù)指標(biāo)有水溫(WT)、pH、溶氧(DO)、電導(dǎo)率(EC)、分子氨含量(NH3-N)、離子氨含量(NH4+-N)。數(shù)據(jù)采集從2015年4月6日—4月12日，共7 d。系統(tǒng)的采樣周期為5 min，鑒于每個(gè)周期內(nèi)的數(shù)據(jù)變化不大，因此選擇每隔15 min的數(shù)據(jù)作為有效值。樣本總數(shù)為672組。將這些數(shù)據(jù)分成2部分，前572組數(shù)據(jù)作為學(xué)習(xí)樣本，供水溫及pH預(yù)測模型建模訓(xùn)練；后100組數(shù)據(jù)作為測試數(shù)據(jù)，用來檢測水質(zhì)預(yù)測模型的預(yù)測性能。部分原始數(shù)據(jù)見表1。

表1 部分實(shí)驗(yàn)樣本原始數(shù)據(jù)

1.2 數(shù)據(jù)預(yù)處理

在采集的數(shù)據(jù)中，不同水質(zhì)參數(shù)的單位不同，有些數(shù)據(jù)取值較大，這將導(dǎo)致神經(jīng)網(wǎng)絡(luò)收斂慢、訓(xùn)練時(shí)間長。為了消除這一現(xiàn)象對算法的影響，用下面的公式將數(shù)據(jù)標(biāo)準(zhǔn)化，將所有的數(shù)據(jù)歸一化到區(qū)間[0.02，0.98]。

(1)

式中：x—原始數(shù)據(jù)；xmax、xmin—數(shù)據(jù)集的最大值和最小值。

1.3 粒子群算法

粒子群算法(Particle Swarm Optimization, PSO)[16-18]是一種源于模擬鳥群覓食行為的生物進(jìn)化算法。在PSO中，對于優(yōu)化問題的每一個(gè)候選解都是搜索空間上的一個(gè)點(diǎn)，稱之為“粒子”。每一個(gè)粒子都有一個(gè)被目標(biāo)函數(shù)決定的適應(yīng)值，同時(shí)還有一個(gè)決定其飛翔方向和距離的速度，粒子們根據(jù)自身和當(dāng)前的最優(yōu)粒子位置在搜索空間中智能調(diào)整，直至滿足要求為止。

粒子的速度和位置在迭代中的更新：

(2)

(3)

式中：ω—慣性權(quán)重，系保持原來速度的系數(shù)；c1、c2—粒子跟蹤自己和整個(gè)群體最優(yōu)值的權(quán)重系數(shù)；ξ、η—均勻分布在區(qū)間[0,1]內(nèi)的隨機(jī)數(shù)；r—約束因子。

1.4 傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)(Back Propagation neural network，BPNN)[19-21]屬于典型的多層前饋神經(jīng)網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一，包含輸入層、隱含層和輸出層。其學(xué)習(xí)過程由信號的正向傳播和反向傳播連個(gè)過程構(gòu)成：在正向過程中，輸入信號經(jīng)過輸入層，隱含層，經(jīng)過網(wǎng)絡(luò)的權(quán)值、閾值的作用后通過輸出層輸出，若輸出值大于期望誤差，則進(jìn)行反向傳播，如此反復(fù)。在反復(fù)的過程中，網(wǎng)絡(luò)的權(quán)值和閾值都在進(jìn)行自適應(yīng)調(diào)整，直到所有的輸出值都達(dá)到預(yù)定的誤差，確定達(dá)到最小誤差時(shí)相對應(yīng)的網(wǎng)絡(luò)參數(shù)(權(quán)值和閾值)，這就是BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練過程。經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)即能對類似的樣本進(jìn)行擬合，提供相關(guān)輸入數(shù)據(jù)，神經(jīng)網(wǎng)絡(luò)將會(huì)按照訓(xùn)練好的網(wǎng)絡(luò)參數(shù)計(jì)算輸出數(shù)據(jù)。網(wǎng)絡(luò)的輸入和輸出的關(guān)系如公式(4)、(5)所示：

(4)

yi=f(neti)

(5)

式中：xj—從上層神經(jīng)元傳來的輸入信號;wij—從上層神經(jīng)元j到神經(jīng)元i的權(quán)值;θ—閾值，或稱為偏置;neti—凈激活;yi—神經(jīng)元i的輸出;f(x)—激活函數(shù)。激活函數(shù)對于收斂速度和擬合程度有顯著的影響。

由于BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值是隨機(jī)確定的，而它對初始權(quán)值和閾值又非常敏感，在多次迭代的過程中，易陷入局部最優(yōu)解。以不同的權(quán)重初始化網(wǎng)絡(luò)，其往往會(huì)收斂于不同的局部極值，造成了多次訓(xùn)練都會(huì)得到不同的結(jié)果。

1.5 基于PSO的BP神經(jīng)網(wǎng)絡(luò)優(yōu)化

鑒于BP神經(jīng)網(wǎng)絡(luò)在具體運(yùn)用中暴露出來的收斂時(shí)間長、易陷于局部最優(yōu)解等缺點(diǎn)，本文利用PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，來克服相關(guān)問題。具體步驟如下：

步驟1：初始化PSO算法的相關(guān)參數(shù)，包括種群數(shù)量、慣性權(quán)重、學(xué)習(xí)因子、最大迭代次數(shù),以及位置和速度的取值范圍。步驟2：根據(jù)輸入輸出信號的個(gè)數(shù)確定BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，并初始化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值的長度。步驟3：對BP神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值進(jìn)行編碼，得到PSO算法的初始種群。步驟4：運(yùn)用PSO-BPNN對網(wǎng)絡(luò)進(jìn)行尋優(yōu)迭代，計(jì)算每組粒子的適應(yīng)度，根據(jù)初始粒子適應(yīng)度值確定個(gè)體極值和群體極值，并將每個(gè)粒子的最好位置作為其歷史最佳位置。步驟5：根據(jù)公式(2)和公式(3)，更新粒子的速度和位置。步驟6：判斷是否滿足結(jié)束條件，如果適應(yīng)度值達(dá)到預(yù)設(shè)的精度，或者誤差滿足條件，或者達(dá)到最大迭代次數(shù)，則停止尋優(yōu)迭代。此時(shí)粒子所處的位置就是要求的最優(yōu)解，將其解碼后作為BP神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值；如果不滿足結(jié)束條件，回到步驟4。

優(yōu)化算法的流程圖如圖1所示。

圖1 PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)流程圖Fig.1 Flow chart of BP neural network optimized by PSO

2 算法實(shí)現(xiàn)

2.1 基于PSO-BPNN的水產(chǎn)養(yǎng)殖預(yù)測模型的設(shè)計(jì)

對所建立的水質(zhì)預(yù)測模型參數(shù)進(jìn)行設(shè)置。

(1)粒子群算法部分。種群大小個(gè)數(shù)為20，權(quán)重系數(shù)c1=c2=2，約束因子r=0.729，迭代次數(shù)設(shè)置為200，慣性權(quán)重最大值ωmax=1.2，最小值ωmin=0.4，粒子的最大速度Vmax=5，最小速度Vmin=-1。適應(yīng)度函數(shù)就采用BP神經(jīng)網(wǎng)絡(luò)的預(yù)測值和真實(shí)值之間的均方根誤差(RMSE)。

圖2 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)Fig.2 Topological structure of BP neural network

2.2 基于PSO-BPNN的水產(chǎn)養(yǎng)殖預(yù)測模型設(shè)計(jì)

為了綜合比較PSO-BPNN水質(zhì)預(yù)測模型的性能，我們同時(shí)選取了傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)，支持向量回歸(SVR)，同時(shí)進(jìn)行預(yù)測。將實(shí)際值與預(yù)測值之間的均方根誤差(RMSE)和決定系數(shù)(R2)作為判斷模型性能的準(zhǔn)則，均方根誤差越小、決定系數(shù)越大，則模型的預(yù)測性能越好。計(jì)算公式如下：

(6)

(7)

3 結(jié)果

水質(zhì)預(yù)測分為兩個(gè)部分：

(1)篩選并修復(fù)原始水質(zhì)數(shù)據(jù)中的異常數(shù)據(jù)組。將異常數(shù)據(jù)組的異常水質(zhì)參數(shù)作為目標(biāo)參數(shù)，其它水質(zhì)參數(shù)作為輸入?yún)?shù)，導(dǎo)入正常數(shù)據(jù)組在PSO-BPNN算法中進(jìn)行學(xué)習(xí)，確定各參數(shù)之間的耦合關(guān)系；再將異常數(shù)據(jù)列的正常數(shù)據(jù)作為PSO-BPNN算法的輸入?yún)?shù)，計(jì)算得出的值代替原本的異常數(shù)據(jù)。

(2)選取水產(chǎn)養(yǎng)殖中水溫和pH作為預(yù)測目標(biāo)。在PSO-BPNN預(yù)測模型中，將當(dāng)前時(shí)間點(diǎn)的參數(shù)(WTi、pHi、DOi、ECi、NH3-Ni、NH4+-Ni)作為輸入值，將下個(gè)時(shí)間點(diǎn)的WTi+1、pHi+1作為輸出值，進(jìn)行建模學(xué)習(xí)，然后將得到的預(yù)測結(jié)果與實(shí)際監(jiān)測值進(jìn)行比較分析。預(yù)測結(jié)果如圖3所示。

圖3 預(yù)測結(jié)果對比圖Fig.3 Comparison of the prediction results

表2列出了水溫和pH在3種算法預(yù)測中的RMSE值。在水溫預(yù)測中，PSO-BPNN的RMSE相比較SVR和BPNN，下降幅度分別達(dá)到64.4%和86.7%，R2分別提高了9.2%和17.2%；在pH預(yù)測中，PSO-BPNN的RMSE相比較SVR和BPNN，下降幅度分別達(dá)到11.1%和78.9%，R2分別提高了5.4%和14.0%。

同時(shí)，對三種不同方式處理異常數(shù)據(jù)的預(yù)測精度進(jìn)行預(yù)測精度對比，從結(jié)果(表3)可以看出，PSO-BPNN水質(zhì)預(yù)測模型的容錯(cuò)率較高，在刪除異常數(shù)據(jù)組、保留異常數(shù)據(jù)的情況下，水溫和pH預(yù)測依舊可以保持較高的準(zhǔn)確性。當(dāng)異常數(shù)據(jù)經(jīng)過PSO-BPNN算法修復(fù)后，對比其他兩種處理方式，水溫和pH的RMSE分別下降11.2%、13.7%和72.2%、53.1%。

4 討論

分析可知，(1)對于各項(xiàng)預(yù)測模型評價(jià)指標(biāo)，本文提出的PSO-BPNN算法遠(yuǎn)遠(yuǎn)優(yōu)于BP神經(jīng)網(wǎng)

表2 3種水溫及pH預(yù)測模型的均方根誤差及決定系數(shù)

表3 3種水溫及pH預(yù)測模型的均方根誤差及決定系數(shù)

絡(luò)算法，略優(yōu)于支持向量回歸算法，說明PSO-BPNN在養(yǎng)殖水溫及pH預(yù)測運(yùn)用上具有更好的泛化能力和預(yù)測精度。(2)在選取的2個(gè)預(yù)測參數(shù)中，3種算法對水溫的預(yù)測結(jié)果都比pH的預(yù)測結(jié)果效果更好。參考相關(guān)文獻(xiàn)[22]，這種情況是因?yàn)樗疁厥艿酵饨缥锢砘瘜W(xué)因素的影響較小，而pH往往受到外界的環(huán)境變化影響較大。(3)使用PSO-BPNN算法對異常數(shù)據(jù)進(jìn)行修復(fù)處理后，預(yù)測模型的準(zhǔn)確性大大提高，說明PSO-BPNN算法對包含異常數(shù)據(jù)的水質(zhì)參數(shù)預(yù)測更加有效。

5 結(jié)論

水產(chǎn)養(yǎng)殖過程中，預(yù)測水溫和pH對預(yù)防水質(zhì)惡化及疾病爆發(fā)有著十分重要的現(xiàn)實(shí)意義和經(jīng)濟(jì)價(jià)值。本文介紹的一種基于粒子群優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)養(yǎng)殖水質(zhì)預(yù)測模型，先用粒子群算法選擇BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，再將優(yōu)化好的BP神經(jīng)網(wǎng)絡(luò)運(yùn)用到水溫和pH的預(yù)測。結(jié)果表明，PSO-BPNN水質(zhì)預(yù)測模型對非線性時(shí)間序列上的養(yǎng)殖水質(zhì)預(yù)測是可行的，相比于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)和支持向量回歸預(yù)測，具有更好的精度。同時(shí)，該算法還通過修復(fù)異常數(shù)據(jù)，提高了水質(zhì)的預(yù)測精度。然而，在PSO-BPNN模型的訓(xùn)練過程中，對粒子群算法的參數(shù)選擇目前還是依靠經(jīng)驗(yàn)和拼湊法。因此，如何對粒子群算法的參數(shù)進(jìn)行自適應(yīng)調(diào)整是下一步研究的重要方向。

□

[1] HUANG G H, XIA J. Barries to sustainable water quality management[J].Journal of Environmental Management, 2001, 61(1)：1-23.

[2] 楊琛,白波,匡興紅.基于互聯(lián)網(wǎng)的水產(chǎn)養(yǎng)殖環(huán)境智能監(jiān)控系統(tǒng)[J].漁業(yè)現(xiàn)代化,2014,41(1)：35-39.

[3] 劉雙印.基于計(jì)算智能的水產(chǎn)養(yǎng)殖水質(zhì)預(yù)測預(yù)警方法研究[D].北京：中國農(nóng)業(yè)大學(xué),2014.

[4] 李道亮.物聯(lián)網(wǎng)與智慧農(nóng)業(yè)[J].漁業(yè)工程,2012(1)：35-39.

[5] 曾洋泱,匡迎春,沈岳,等.水產(chǎn)養(yǎng)殖水質(zhì)監(jiān)控技術(shù)研究現(xiàn)狀及發(fā)展趨勢[J].漁業(yè)現(xiàn)代化,2013,40(1)：40-44.

[6] 李如忠.水質(zhì)預(yù)測模式理論研究進(jìn)展與趨勢分析[J].合肥大學(xué)學(xué)報(bào),2006,29(1)：26-30.

[7] 王立,劉載文,吳成瑞.基于多元時(shí)序分析的水華預(yù)測及因素分析方法[J].化工學(xué)報(bào),2013,64(12)：4649-4655.

[8] 薛鵬松,馮民權(quán),邢肖鵬.基于馬爾科夫鏈改進(jìn)灰色神經(jīng)網(wǎng)絡(luò)的水質(zhì)預(yù)測模型[J].武漢大學(xué)學(xué)報(bào)工學(xué)版,2012,45(3)：19-24.

[9] SHUANGYIN LIU, HAIJIANG TAI, QISHENG DING,etal. A hybrid approach of support vector regression with genetic algorithm optimization for aquaculture water quality prediction[J].Mathematical and Computer Modelling, 2013, 58(1)：458-465.

[10]楊柳,韓瑜,汪祖茂,等.基于BP神經(jīng)網(wǎng)絡(luò)的溫榆河水質(zhì)參數(shù)反演模型研究[J].水資源與水工程學(xué)報(bào),2013,24(6)：25-28.

[11]李道亮,王劍秦,段青鈴,等.集約化水產(chǎn)養(yǎng)殖數(shù)字化系統(tǒng)研究[J].中國科技成果,2008(2)：8-12.

[12]劉雙印,徐龍琴,李振波,等.基于PCA_MCAFA_LSSVM的養(yǎng)殖水質(zhì)pH值預(yù)測模型[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2014,45(5)：239-246.

[13]滕麗華,程利江,王海麗,等.象山港海水養(yǎng)殖區(qū)貝葉斯網(wǎng)絡(luò)水質(zhì)評價(jià)及預(yù)測[J].水土保持通報(bào),2012,32(1)：189-191.

[14]岳遙,李天宏.基于模糊集理論的馬爾可夫模型在水質(zhì)定量預(yù)測中的應(yīng)用[J].應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào),2011,19(2)：231-242.

[15]AYDILEK IB, ARSLAN A. A hybrid method for imputation of missing values using optimized fuzzy c-means with support vector regression and a genetic algorithm[J].Information Sciences, 2013, 233(2)：25-35.

[16]許兆美,劉永志,楊剛,等.粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的激光銑削質(zhì)量預(yù)測模型[J].紅外與激光工程,2013,42(9)：2370-2374.

[17]祁金秀,陳晶.基于粒子群算法優(yōu)化的徑向基函數(shù)水質(zhì)預(yù)測模型[J].甘肅水利水電技術(shù),2014,50(5)：1-5.

[18]劉偉,王建平,劉長虹,等.基于粒子群尋優(yōu)的支持向量機(jī)番茄紅素含量預(yù)測[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2012,43(4)：143-147.

[19]徐聰.數(shù)據(jù)挖掘方法在傳統(tǒng)預(yù)測模型中的應(yīng)用[J].河北工業(yè)科技,2009,26(4)：280-283.

[20]REN CHAO, AN NING, WANG JIANZHOU,etal. Optimal parameters selection for BP neural network based on particle swarm optimization：A case study of wind speed forecasting [J].Knowledge-Based Systems, 2014, 56：226-239.

[21]BAI TIECHENG, MENG HONGBING, YAO JIANGHE. A forecasting method of forest pests based on the rough set and PSO-BP neural network[J].Neural Computing and Applications, 2014, 25(7-8)：1699-1707.

[22]王銳剛.環(huán)境監(jiān)測中水質(zhì)指標(biāo)間關(guān)系分析[J].能源環(huán)境保護(hù),2011,25(6)：58-60.

Prediction model of aquaculture water temperature and pH based on BP neural network optimized by particle swarm algorithm

XU Daming1,2, ZHOU Chao1, SUN Chuanheng1, DU Yonggui2

(1 National Engineering Research Center for Information Technology in Agriculture， Key Laboratory of Agri-informatics, Ministry of Agriculture, Beijing Engineering Research Center of Agricultural Internet of Things, Beijing 100000,China 2 College of Information and Technology, Taiyuan University of Technology, Taiyuan 030000, China;)

Focused on the problem of inaccurate aquaculture water temperature and pH prediction, a mixed algorithm for water quality parameters prediction which was based on particle swarm optimization BP neural network (PSO-BPNN) was proposed. Firstly, the particle swarm optimization (PSO) algorithm was applied in calculating the initial weights and thresholds of BP neural network (BPNN).Secondly, the abnormal data were fixed andthe six parameters of water quality as inputs were used, the temperature and pH value of the next time point were used as outputs to establish aquaculture water quality prediction model. Finally, the collected water quality data were used to conduct training in BP neural network, and the feasibility and performance of water quality prediction model was tested through experiments. Compared with support vector regression (SVR) and normal BP neural network, in the aspect of predicting water temperature using PSO-BPNN, the decreasing amplitudes of RMSE were 64% and 80% respectively, while in the aspect of predicting pH value, the decreasing amplitudes of RMSE were 32% and 65% respectively. The results of experiments show that aquaculture water quality prediction model based on PSO-BPNN is flexible, simple, convenient and it also has a good capacity of prediction.

particle swarm optimization (PSO); BP neural network (BPNN); aquaculture; fishing condition warning; water quality prediction model

2015-09-28

2016-01-10

國家863計(jì)劃項(xiàng)目(2012AA101905-02)；北京市自然科學(xué)基金資助項(xiàng)目(6152009)；國家現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)技術(shù)體系建設(shè)專項(xiàng) (CARS-49-03A)

徐大明(1991—)，男，碩士研究生，研究方向：算法優(yōu)化，智能控制。E-mail：xudaming@vip.qq.com

孫傳恒(1978—)，男，研究員，博士，研究方向：農(nóng)業(yè)信息化。E-mail：sunch@nercita.org.cn

10.3969/j.issn.1007-9580.2016.01.005

TP181；S934

A

1007-9580(2016)01-024-06