基于神经网络的溶解氧预测方法

文摘

溶解氧(做)氧气溶解在水中,这是水产养殖的一个重要因素。用BP神经网络方法的结合purelin, logsig和tansig激活函数的预测提出了水产养殖的溶解氧。输入层、隐层和输出层详细介绍了包括体重调整过程。三个池塘的育种数据在实际连续10天被用于实验;这些池塘坐落在北海,广西,中国南方传统的水产养殖基地。第一个7天的数据用于训练,和后者3天的数据用于测试。与常见的预测模型相比,曲线拟合(CF),自回归(AR),灰色模型(GM)和支持向量机(SVM),实验结果表明,神经网络的预测精度最高,和所有的预测值小于5%的误差范围,可以满足实际应用的需要,其次是基于“增大化现实”技术、通用、支持向量机和CF。预测模型可以帮助提高水产养殖水质监测水平,防止水质的恶化和疾病的爆发。

1。前言

溶解氧(1)指的是溶解在水中的氧气,通常在做表达。这是一个重要指标研究水的自然净化能力。的水平直接影响水产养殖的食物摄入,饲料转化率和抗病性。低或低氧水环境对水产养殖生物有很大的影响。作为一个例子,如果水产养殖虾通常生长在低水环境,它将摄入的食物很少,这将导致食物转化率低,增长缓慢,和较低的抗病性。缺氧可直接或间接地导致大量的活虾。

基于研究的最低时间在水产养殖水和低的日变化值的分析,我们可以估计和预测它的发展趋势。提供了决策依据为防止水质恶化与改善水质的低。它有助于控制和降低养殖风险。目前,常见的预测模型包括曲线拟合(CF) [2),自回归(AR) [3),神经网络(NN) [4- - - - - -8],灰色模型(GM) [9,10),支持向量机(SVM) [11,12),和其他模型13]。但是没有文献对这些方法的比较和实验。因此,为了研究做预测的准确和实用的方法,在本文中,神经网络方法,CF方法,基于“增大化现实”技术的方法,通用方法和支持向量机方法相比,使用连续10天的水产养殖数据中国南方传统的水产养殖基地三个虾文化池塘在北海,广西。实验结果表明,神经网络预测精度高,预测值低于5%,最大可接受预测错误率。所以该方法可以满足实际应用的需要。

2。人工神经网络

人工神经网络(14,15)是一个仿生智能信息处理系统,模拟了人类大脑的神经网络的结构和功能。适用于描述复杂的非线性映射关系和拥有强大的集成信息和容错能力。它具有很好的自适应性非正规的、非线性结构。这是计算智能的一个重要研究方法。

反向传播神经网络是目前应用最广泛的神经网络。在1986年,它是Rumelhart和麦克勒兰德等人提出的。这是一个由误差反向传播算法训练的多层前馈神经网络。它解决问题的多层神经网络的隐层连接系统并给出完整的数学推导。多层前馈网络使用这种算法纠错称为BP网络。BP神经网络具有复杂的模式分类能力和优秀的多维函数的映射能力,解决异或(XOR)和一些其他问题,不能简单的传感器。结构,BP网络输入层、隐藏层和输出层。从本质上说,BP算法是基于网络的平方误差作为目标函数,采用梯度下降法来计算目标函数的最小值。

本文中使用的BP神经网络有三个层次,即层,输入层,l_B层,隐藏层,l_C层、输出层。这些层完全紧密联系在一起的,没有神经元之间的连接在每个层次结构。l_一个层神经元,l_B层神经元,l_C层神经元,神经元之间的重量吗在l_一个层和神经元在l_B层,神经元之间的重量吗在层和神经元在l_C层。以下是特定于BP网络学习算法:

()随机初始化BP网络的重量,然后一个更小的随机数一般。

()获得的输入向量 和相应的预期输出向量 从学习样本。

()计算神经元的输出值层根据(1), 。这个函数是一个s形函数。

()计算神经元的输出值层根据(2), 。

()计算广义误差的神经元l_C层根据(3), 。

()计算的误差相对于每一层的神经元根据(4), 。这一步的错误传播层的神经元回层。

必须是可诱导的神经元的激活函数的BP算法,因此,常见的应用BP网络purelin, logsig, tansig。它有以下属性:

在我们的实验中,我们使用的结合这三个激活功能,极大地提高预测精度,减少了大量的计算。

()之间的权重进行调整l_B和l_C层的神经元根据(6), ,是学习速率。

()之间的权重进行调整l_一个和l_B层的神经元根据(7), 。

()去步骤(),直到错误变得足够小或变成零 。

人工神经网络模型具有自主学习的优势,信息记忆、知识推理、优化计算和非线性拟合能力。它能够预测数据经过学习和训练。但它是不适合小样本、高维数据。其缺点主要是大量的计算,收敛速度慢,容易陷入局部最小值,难以确定隐层神经元的数量,等等。

3所示。实验

北部湾位于北海南部,广西,丰富的海洋资源。这是一个在中国南方传统的水产养殖基地。它是中国四大渔场之一。在2016年,它的水产养殖面积已经超过5000万英亩。从代表三个测量被虾养殖池塘在北海,广西。结果,做的第一个池塘是下午四点恶化,但是做值的第二个和第三个池塘是正常的。

据有关参数,曲线拟合的顺序是2。自回归(AR)和灰色模型(GM)不需要参数。中使用的参数神经网络(NN)将5000年的迭代次数,学习速率的0.01,0.000000001的目标价值。支持向量机(SVM)使用不同的惩罚系数和核函数根据训练数据训练误差降到最低。

水产养殖水的做价值易受太阳辐射、温度、压力、风速、和其他环境因素。这是周期性的。通常它到达最高的价值15和17点之间到达最小值3点和5点之间。价值最低的是水污染的一个重要指标。因此,测试是进行研究的基础上,连续七天下午四点做值。通过使用五种型号,CF,基于“增大化现实”技术,神经网络,支持向量机,和通用汽车,下午四点做值第八天,第九天,第十天进行了分析;低溶解氧时期器皿的值预测。这将是能够预测的发展趋势在水。在此基础上,可以防止水质恶化和提前预防疾病暴发。

总做值选择凌晨4点6月中旬连续七天。七天的日照时间大约是16个小时。阳光充足。的平均温度大约是31度。一天水温差是±3度。平均湿度90%左右。平均大气压力是1。风级别是2到3。没有台风和暴雨。鱼饵是现代性在一天三次,早上8点,中午12点,下午18:00。 The aerator runs twice a day, once in the afternoon, 14:00 to 17:00, and once between 3:00 and 5:00. The test assumes that other conditions have no effect on DO.

3.1。第一个实验

虾文化池塘坐落在合浦县党镇,北海,广西,中国。它占地7.5英亩。平均水深1.4米。它的品种与60000年南美白虾虾每英亩。这栽软水草verticillata、磁带草,等等。

输出的实际价值,做的每个模型图所示1。之间的绝对误差预测值和实际值的做在接下来的3天图所示2。从图可以看出2,在第八天的实际值是3.8。每个预测模型的预测数据是准确的。预测精度从高到低如下:尼龙、CF、支持向量机、通用汽车、和AR。神经网络模型的误差是最小的:只有0.005%。通用模型的误差是最大的:它是1.34%。他们都是不到5%。因此,这是完全符合预期要求。做9天的实际值是3.7。预测精度从高到低如下:尼龙、CF、支持向量机、通用汽车、和AR。AR模型的误差为5.25,其余都不到5%。在第十天的实际值是3.5。预测精度从高到低如下:神经网络、基于“增大化现实”技术,CF,支持向量机,和通用汽车。所有模型的误差小于5%。 This meets the forecast requirements.

因此,上述五个预测模型(CF,基于“增大化现实”技术,神经网络,支持向量机,和通用汽车)能满足设计要求的基础上忽视这一事实AR模型的误差在9天略大。他们可以作出准确的预测未来3天的下午四点,在每一天做的最低价值。通过水质的恶化的预警,池塘里的水是监管。从而提高池塘的水质和水产养殖的风险会降低。事实上,这个虾池塘的水质恶化因为池塘的密度太大,水的监管不及时。最终,爆发了严重的事故,将近一半的虾死亡。水产养殖家庭造成严重的经济损失。

3.2。第二个实验

虾文化池塘坐落在合浦县西镇,北海,广西,中国。它占地4.5英亩。平均水深1.2米。它的品种与40000年南美白虾虾每英亩。水蕴草种植,磁带草,等等。

输出的实际价值,做的每个模型图所示3。之间的绝对误差预测值和实际值的做在接下来的3天图所示4。从图可以看出4,在第八天的实际值是4.49。每个模型的预测精度从高到低如下:NN, CF,基于“增大化现实”技术,支持向量机,和通用汽车。通用模型的误差是最大的:它是6.904%。这是略高于5%。做9天的实际值是4.2。每个模型的预测精度从高到低如下:基于“增大化现实”技术、神经网络、通用、支持向量机、和CF。错误的CF模型是最大的:它是5.391%。其他模型的误差小于5%。在第十天的实际值是4.2。每个模型的预测精度从高到低如下:神经网络、通用、基于“增大化现实”技术,支持向量机,CF。支持向量机模型的误差为7.607%,CF模型的误差为8.902%。他们是高于5%。然而,其他人达到预期要求。

虾池塘没有超过标准的交付。价值最低的是只有在一定的范围内上下波动。可以看出,当前最小波动不是很大。的预测值和实际值之间的误差并不大。虽然支持向量机模型的预测误差和CF模型在第三天略大,神经网络模型的预测精度和AR模型仍保持在一个较高的水平。

3.3。第三个实验

虾文化池塘坐落在合浦县党镇,北海,广西,中国。它占地8.5英亩。平均水深1.1米。它的品种与42000年南美白虾虾每英亩。水蕴草种植,软水草verticillata、磁带草,等等。输出的实际价值,做的每个模型图所示5。之间的绝对误差预测值和实际值的做在接下来的3天图所示6。从图可以看出6,在第八天的实际值是4.08。预测精度从高到低如下:神经网络、通用、支持向量机,基于“增大化现实”技术,和CF。错误的CF模型是最大的:只有7.458%。它是高于5%。做9天的实际值是4.2。预测精度从高到低如下:基于“增大化现实”技术、神经网络、通用、支持向量机、和CF。除了预测值和实际值之间的误差的CF模型是17.46%,其他模型的预测误差小于5%。在第十天的实际值是4.3。预测精度从高到低如下:神经网络、通用、基于“增大化现实”技术,支持向量机,CF。模型的预测误差小于5%,除了神经网络模型的预测误差。

虾池塘没有超过标准的交付。价值最低的是只有在一定的范围内上下波动。预测值和实际值之间的误差小于5%。在模型中,神经网络模型的预测精度是最高的。

总之,三个池塘与白色的腿虾。有几乎相同的测试条件。从比较预测值与实际值之间的三个池塘,我们可以看到,神经网络模型预测精度最高。神经网络模型的预测误差小于5%。在所有的预测的OD值,最大预测误差只出现在第二次实验的第八天。只有2.474%。接下来的AR模型。有两种预测误差的测试值率超过5%。但他们分别是5.25%和6.58%。预测错误率不是高得多。 GM model is ranked third, and SVM model is ranked fourth. Although there are two prediction error rates of test values exceeding 5%, the sum of the prediction errors of SVM model is slightly larger than that of GM model. The predicted value of CF model is relatively poor in the second experiment and the third experiment. But the predicted value of low DO of CF model for the next day (i.e., the eighth day) is satisfactory.

4所示。结论

本文提出的方法基于BP神经网络的预测在水产养殖。这三个激活函数的结合大大提高了预测精度,减少了大量的计算。它需要更少的培训和训练数据。它是有限的计算和预测精度是最高的。预测错误率小于5%。因此,该方法完全满足实际应用的需要,适合大范围的推广。未来为我们工作要做的就是在水产养殖中应用神经网络方法。特别是,我们可以进一步使用氧气机来抑制厌氧细菌的生长在水里,防止水恶化,提高水产养殖的生产效率。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由中国国家自然科学基金(赠款。61772147,没有。51478132,没有。61100150),广东省高校创新团队建设项目(批准号2015 kcxtd014),广东省自然科学基金项目(无重大基础研究和培养。2015 a030308016),广州局合作创新项目(批准号1201610005),广州教育局研究项目(批准号1201620222)。

引用

1. a . m .艾哈迈德”预测塞尔玛河的溶氧生化需氧量和化学需氧量使用人工神经网络(ann),“沙特国王大学工程科学杂志》上卷,29号2、151 - 158年,2017页。视图:出版商的网站|谷歌学术搜索
2. 问:叮,h . Tai d·马·d·李,和l .赵”发展智能溶解氧传感器基于IEEE1451.2,”传感器信,9卷,不。3、1049 - 1054年,2011页。视图:出版商的网站|谷歌学术搜索
3. 美国鲜花广场”,自回归移动平均离散动力系统和自相关函数矩阵实值黎曼流形,”离散和连续动力系统。系列b连接数学和科学》杂志上,19卷,不。9日,第2808 - 2785页,2014年。视图:出版商的网站|谷歌学术搜索|MathSciNet
4. 学术界。Ko和j。陈,“抓力操纵多点手部和臂部的机器人使用神经网络为基础,“数值代数、控制和优化,4卷,不。1,59 - 74年,2014页。视图:出版商的网站|谷歌学术搜索|MathSciNet
5. f . Ascione:比安科,c . De Stasio g·m·毛罗·g·p·Vanoli,“人工神经网络来预测能量性能和改造方案的任何成员建筑类别:一个新颖的方法,”能源卷,118年,第1017 - 999页,2017年。视图:出版商的网站|谷歌学术搜索
6. r . Pino-Mejias a . Perez-Fargallo c . Rubio-Bellido和j·a . Pulido-Arcas”比较线性回归和人工神经网络模型预测的加热和冷却的能源需求,能源消耗和二氧化碳排放,”能源卷。118年,24-36,2017页。视图:出版商的网站|谷歌学术搜索
7. l·c·杨x Wang程,h·马”Neural-learning-based远程控制与保证性能,”IEEE控制论卷,47号10日,2017年。视图:出版商的网站|谷歌学术搜索
8. c·杨、李z和j .李”轨迹规划和优化的自适应控制的轮式倒立摆车模型,”IEEE控制论,43卷,不。1,24-36,2013页。视图:出版商的网站|谷歌学术搜索
9. F.-M。曾,H.-C。Yu, G.-H。Tzeng”,应用混合季节性时间序列预测的灰色模型,”技术预测和社会变革,卷67,不。2 - 3、291 - 302年,2001页。视图:出版商的网站|谷歌学术搜索
10. y Lei, m .郭D.-D。胡锦涛et al。”,短期预测UT1-UTC灰色模型和神经网络的结合,“太空研究的进步卷,59号2、524 - 531年,2017页。视图:出版商的网站|谷歌学术搜索
11. j.p.绿色”,支持向量机的预测信号肽裂解位点为字符串,使用一个新的内核”太平洋生物运算太平洋研讨会研讨会上生物运算,7卷,不。4、649 - 660年,2002页。视图:谷歌学术搜索
12. 研究。王,Z.-X。杨和纽约。邓”,支持向量机预测酶功能的联合三位一体的功能和层次的背景下,“BMC系统生物学,5卷,不。1,文章S6, 2011。视图:出版商的网站|谷歌学术搜索
13. 刘y, z赵和f·罗,“输出反馈边界的轴向运动系统的控制输入饱和约束,“ISA事务卷。68年,22-32,2016页。视图:出版商的网站|谷歌学术搜索
14. c·杨,李z, r .崔,徐,”神经网络运动控制的驱动轮式倒立摆模型,”IEEE神经网络和学习系统,25卷,不。1,2004。视图:出版商的网站|谷歌学术搜索
15. c·h·肖,z Li Yang et al .,”鲁棒镇定的轮式移动机器人基于神经动力学优化使用模型预测控制,”IEEE工业电子产品,卷64,不。1,第516 - 505页,2017。视图:出版商的网站|谷歌学术搜索

版权

版权©2017钟小et al。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。