基于BP神經(jīng)元網(wǎng)絡的魚塘溶氧預測模型研究

趙宇峰

【摘 要】為了能夠提高水產(chǎn)養(yǎng)殖中水體溶氧量短期預測精度，提出將遺傳算法和反向傳播（BP）神經(jīng)網(wǎng)絡相結合的預測模型。根據(jù)相關研究，采用對池水含氧量影響較大的幾個影響因素，作為預測模型的輸入端變化量；BP神經(jīng)網(wǎng)絡優(yōu)化的閾值和初始權值通過遺傳算法來獲得，遺傳算法具有全局搜索能力。采用改進后的BP神經(jīng)網(wǎng)絡建立起短期魚塘含氧量預測模型，該方法具有較高的預測精度。

【關鍵詞】魚塘增氧；BP神經(jīng)網(wǎng)絡；短期預測；遺傳算法

現(xiàn)代化的水產(chǎn)養(yǎng)殖中普遍使用增氧機作為魚塘水體增氧設備。多數(shù)增氧機的運行控制多為手動，或者根據(jù)時間程控，或者依靠傳感器采集的含氧量數(shù)據(jù)作為啟動依據(jù)。但是由于現(xiàn)代水產(chǎn)養(yǎng)殖中單位水面投放密度大，養(yǎng)殖場氣候變化快，水體藻類繁殖等因素，對水體的溶氧量影響大，而且具有突發(fā)性特點。增氧機不能及時反應，往往導致增氧不及時，造成翻塘事故，造成極大損失。

因此通過傳感器采集影響魚塘水體溶氧量因素的數(shù)據(jù)，通過控制手段進行短期的水體溶氧量預測?？梢愿鶕?jù)環(huán)境和水體變化及時或者提前啟動增氧機，避免大規(guī)模翻塘事故的發(fā)生。因此魚塘中水含氧量的短期預測是具有現(xiàn)實意義的。

1 BP神經(jīng)網(wǎng)絡

通過研究表明，水產(chǎn)養(yǎng)殖中影響水體溶氧量的因素比較多。包含養(yǎng)殖場實時氣溫、濕度、日照、氣壓等氣象參數(shù)，以及水體藻類水平，水體富營養(yǎng)化條件以及生化需氧量等水體參數(shù)。屬于典型的多輸入，強耦合型的非線性映射關系。

神經(jīng)元是模仿人神經(jīng)元工作原理提出的模型。將許多神經(jīng)元之間按照層級互相連接，可以構成具有非線性、自適應、自組織的信息處理能力的神經(jīng)網(wǎng)絡。利用人工神經(jīng)網(wǎng)絡能夠模擬人腦的工作特性，BP神經(jīng)網(wǎng)絡是具有代表性的人工神經(jīng)網(wǎng)絡。當它的隱含層數(shù)和隱節(jié)點數(shù)具有相當規(guī)模（足夠多），就可以以任意的精度逼近非線性映射關系。

BP神經(jīng)網(wǎng)絡初始權值和閾值通過遺傳算法GA來確定，就可以避免BP網(wǎng)絡存在的收斂速度慢、容易陷入局部最優(yōu)值等問題。通過動量因子在BP學習算法中的引入，可以有效避免局部最優(yōu)，達到較快搜索到全局最優(yōu)解。根據(jù)水體溶氧理論選取了氣壓、氣溫、溶氧量、季節(jié)、時間等氣象因素作為模型輸入，使用遺傳算法改進的BP 神經(jīng)網(wǎng)絡來建立魚塘水體溶氧預測模型。

2 遺傳算法改進型BP神經(jīng)網(wǎng)絡

在BP神經(jīng)網(wǎng)絡構建中，選擇不合理的輸入層和隱含層之間，隱含層和輸出層之間的連接權值初值；設置了不恰當?shù)碾[含層與輸出層的閾值初值，容易出現(xiàn)網(wǎng)絡收斂速度很慢及陷入局部最優(yōu)等問題。

“優(yōu)勝劣汰，適者生存”是自然界遺傳規(guī)律，遺傳算法是模擬自然界進化規(guī)律提出的。使用遺傳算法改進的BP神經(jīng)網(wǎng)絡魚塘水體溶氧預測模型按照遺傳規(guī)律方式進行參數(shù)優(yōu)化。按照遺傳規(guī)律，選取適應度函數(shù)，通過選擇、交叉、變異方式對個體數(shù)據(jù)進行篩選。最優(yōu)的個體會在篩選中被保留，較差的個體會被迭代、淘汰[1]。經(jīng)過篩選后的種群就是在繼承而且更優(yōu)的一代，經(jīng)過反復篩選、直到滿足條件。

本文需要建設的是魚塘水體溶氧量短期預測模型，所以BP網(wǎng)絡的輸出量為未來某一時刻的水體溶氧量，選擇k=1。按照習慣水體溶氧量預測模型設計為包含輸入、隱含、輸出在內(nèi)的3層結構的BP神經(jīng)網(wǎng)絡，隱層節(jié)點為2n+1。神經(jīng)網(wǎng)絡的數(shù)目選擇為。隱含層的作用函數(shù)使用tansig型，使用pureline型函數(shù)作為輸出層的變換函數(shù)[2]。

具體構建步驟如下：

1）種群初始化。種群的個體是由網(wǎng)絡的輸入層和隱含層之間的連接權值，隱含層神經(jīng)元的閾值，隱含層和輸出層之間的連接權值，輸出層神經(jīng)元的閾值組成的數(shù)字串。采用實數(shù)編碼的方式對個體編碼，每個個體就是一個實數(shù)串。個體表達形式為：

w■w■…w■w■w■…w■a■…a■w'■…w'■（1）

2）適應度函數(shù)的確定。適應度函數(shù)F使用該網(wǎng)絡的輸出和期望輸出之間的絕對誤差和的倒數(shù)。

F=1/？撞■■■（2）

3）操作選擇。使用常規(guī)的輪盤賭注法從種群中隨機選擇若干個體，將選擇的個體設定為雙親，用來繁殖后代。按照適應度函數(shù)的選擇，適應度高的個體有更高的概率被遺傳下去，而適應度低的個體被遺傳的概率就比較小[2]。個體i能夠被選擇的概率為pi：

pi=F■/？撞■■F■（3）

式中：F■為個體i 的適應度值C，為種群個體的數(shù)目。

4）交叉操作。被選擇的個體以交叉概率pc來交換個體內(nèi)的數(shù)據(jù)（基因），于是產(chǎn)生兩個新的個體。按照實數(shù)交叉法，兩個個體k1和k2的第j位基因進行交叉，方式如下：

基因交叉的操作方法如下：

gk■j=gk■jr+gk■j（1-r）gk■j=gk■jr■+gk■j（1-r）（4）

式中：gk■j，gk■j分別表示第k■，k■個個體的第j位基因，r為隨機數(shù)取值在[0，1]之間。

5）變異操作。為了增加種群的多樣性，對第i 個個體的第j 個基因gij進行變異操作，變異概率為Pv，按照遺傳率變異概率一般較小。變異操作的方法如下：

g■=g■r+（g■-g■）r■（1-■），r■？叟0.5g■r+（g■-g■）r■（1-■），r■<0.5（5）

中：g■，g■分別為基因g■的上界限和下界限，r是一個隨機數(shù)，s■是最大進化次數(shù)，s是當前迭代次數(shù)，r1為隨機數(shù)取值在[0，1]間的。

6）計算并驗證適應度函數(shù)值。如果算法結束條件能夠滿足，將輸出優(yōu)化后的權值和閾值。如果算法結束條件不能夠滿足，就重新返回第3）步運算。

7）通過遺傳算法優(yōu)化后的輸出，來組建BP神經(jīng)網(wǎng)絡。神經(jīng)網(wǎng)絡的權值和閾值來自于GA的輸出，使用樣本來對網(wǎng)絡進行訓練，就可以得到水體溶氧量短期預測模型。

8）水體溶氧量短期預測模型的泛化能力要使用檢驗樣本來檢測。

3 仿真

用于網(wǎng)絡訓練和檢驗的樣本來自于真實的魚塘的傳感器采集到氣象數(shù)據(jù)，這些數(shù)據(jù)記錄了20天左右魚塘的氣象參數(shù)變化，由于氣象數(shù)據(jù)變化較為緩慢，按照離散做法，選擇每一段時間間隔的數(shù)據(jù)，組成采樣樣本。從中選擇200組數(shù)據(jù)用作對網(wǎng)絡的訓練，30組數(shù)據(jù)用作對訓練后網(wǎng)絡的檢測。以此建立起魚塘水體溶氧量預測模型。

魚塘水體溶氧量的預測依據(jù)參數(shù)主要是當前含氧量變化率，氣溫、氣壓、濕度。以t時刻為時間起點，選擇該點的溫度、氣壓、濕度等參數(shù)作為起始數(shù)據(jù)，組合t-3，…，t時刻的溶氧量作為預測模型輸入變量，進行t+1h 時刻的溶氧量的預測。

為了避免因為輸入量絕對值過大造成的神經(jīng)元輸出飽和，以及因此引起的取值調(diào)整進入水平區(qū)。對樣品數(shù)據(jù)進行歸一化處理是有必要的，使輸入層、輸出層數(shù)據(jù)都映射到[0，1]。在網(wǎng)絡訓練完成后，模型的輸出再映射回原始數(shù)據(jù)的范圍。

在遺傳算法中，如果初始種群數(shù)目不夠，將會導致后續(xù)計算的可變異基數(shù)少，得到性能良好的算法；但是如果種群數(shù)多，計算量又過大。按照經(jīng)驗，種群數(shù)一般選在20-60之間較為合理。因為做原理驗證，避免大規(guī)模計算故選擇20組，40次進化。

選擇合適的交叉頻率，可以控制交叉?zhèn)€體的更新速度。如果交叉概率過大，會造成高適應個體被快速破壞，而交叉概率過低，又會造成高適應個體搜索無效。一般按照經(jīng)驗，交叉概率選擇為0.5。同樣，變異率與交叉率類似，太大會造成搜索困難，太小優(yōu)秀個體又產(chǎn)生不出來。按照經(jīng)驗，變異率選擇為0.05。

經(jīng)過仿真驗證，遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡參數(shù)較為合理的。再經(jīng)過樣本訓練后，在一定的時間內(nèi)，溶氧量預測模型的輸出精度比較高。

4 結論

本文根據(jù)水體溶氧量理論，選取對水體影響較大，且容易由傳感器采集的濕度、溫度和氣壓等參數(shù)作為魚塘水體溶氧量短期預測模型的輸入量。減少了輸入變量的個數(shù)，降低了預測模型的難度。利用遺傳算法改進了預測模型的神經(jīng)網(wǎng)絡的初始參數(shù)，如神經(jīng)網(wǎng)絡的權值和閾值。經(jīng)驗證神經(jīng)網(wǎng)絡具有更快的收斂速度和一定的精度。為魚塘短期氧容量預測提供了一種解決辦法。

【參考文獻】

[1]王宇，尹曉峰，黃鵬程.神經(jīng)網(wǎng)絡和遺傳算法在膠粘劑設計中的應用[J].中國膠粘劑，2011-2-28.

[2]王德明，王莉，張廣明.基于遺傳BP神經(jīng)網(wǎng)絡的短期風速預測模型[J].浙江大學學報（工學版），2012-5-15.

[3]LightbodyL，IwinGW.Direet Neural Model Referenee Adaptive Control[J].IEEE Proc.Pt.D.Control Theory and pplieation，1995，142（l）：31-43.

[4]周東華.自適應遺傳算法的策略和應用研究[D].合肥：中國科學技術大學，2006：26-47.

[5]席裕庚，柴天佑.遺傳算法綜述[J].控制理論與應用，1996，13（6）：11-27.

[6]李士勇.模糊控制.神經(jīng)控制和智能控制論[M].哈爾濱：哈爾濱工業(yè)大學出版社，2004：254-264.

[責任編輯：田吉捷]