《外文翻译优化方法水产养殖》由会员分享，可在线阅读，更多相关《外文翻译优化方法水产养殖（6页珍藏版）》请在金锄头文库上搜索。
1、 第六届世界大会 智能控制学报，2006 年，自动化,6 月 21 日- 23 日,大连,中国基于 PSO 算法的神经网络在鱼池中溶解氧的预测模型邓长辉，大连水产学院信息工程学院, 中国，辽宁大连，魏鑫江，郭连喜，信息工程学院，烟台师范大学，中国烟台，264025，摘要基于在鱼池溶解氧浓度的影响因素的研究,提出了利用模糊神经网络，在鱼池利用模糊神经网络的非线性逼近能力预测模型。神经网络(NNs)是在建模工具输入和期望的输出之间的非线性关系。然而,反向传播方法,即 BP-NNs 内部具有收敛速度慢和局部极小值的缺点。在这项工作中,利用粒子群优化(PSO)算法提出,具有更快的收敛速度。实验结果表明
2、,该方法是比 BP-NNs 更准确且有效。提出的方法为发展智能测量仪器和应用工业化的海水养殖奠定了基础。关键词粒子群优化(PSO)算法，模糊神经网络,溶解氧,预测模型1.介绍溶解氧在渔业中是一个重要的水质参数。溶氧的条件影响水质和水中生物 1。随着池塘养殖的快速发展,在池塘中溶解氧的浓度在一定程度上成为了非常重要水环境的影响因素。目前我们主要采用时间和固定点来测量池塘中溶解氧的浓度。这是在确定观察的基础上，管理人员动态变化溶解氧的监管。因此水产养殖生产中急需解决的问题是主动态变化的监管溶解氧浓度和作出预测前的氧气浓度。池塘溶解氧的预测是一个多变量、非线性和长期滞后问题。这是一个很好的预测的人工
3、神经网络应用程序解决方案。国外有研究应用人工神经网络预测水产养殖 2。在中国有人应用神经网络(NNs)预测在池塘溶解氧 3。本文应用模糊神经网络来预测池塘溶解氧浓度。模糊神经网络具有很好的逼近能力。然而,NNs 传统神经网络的训练方法,BP-NNs,内在具有脆弱疲软缓慢收敛性和局部最小值 4。粒子群优化(PSO)是于 1995 年由肯尼迪和 Eberhart 共同提出的一种进化理论，这种算法技术成功地用于非线性函数化和神经网络训练 5。这是一个模拟迁移和收集鸟类群体在寻求食物的过程。它通过模拟搜索全局最优的解决方案由简单的个人和相互作用的行为之间组成，这种算法类似于遗传算法。它没有复杂的编码、
4、交叉和变异等遗传算法。粒子在解空间进行搜索的情况很容易实现,不需要调整的参数,并具有快速的收敛特点 67。粒子群优化(PSO)算法应用于训练模糊神经网络，然后用 BP 算法进行比较，其效果是令人满意的。2.基于模糊神经网络溶解氧预测模型A.分析池塘溶解氧因素的影响过程是复杂的。它有各种原因,包括:物理,生物学和化学等的主要因素,如:池塘的水温度、氮含量、大气中的水和氧气压力等在池塘里也依赖于资源和消耗氧气,解散和溢出速度的氧气等,溶解氧是相对于不同季节,测量时间、位置、测点的深度,风速、池塘的深度和面积而变化。由于溶解氧影响因素的复杂性和非线性,很难用精确的数学模型来定量描述溶解氧。人工神经网
5、络是一个非线性优化工具。通过其良好的非线性映射的特点,自组织,高并行处理的能力,人工神经网络连接各种影响因素。它可以成功地通过开展学习和联想记忆网络实现对溶解氧的预测 8。 对于某些池塘和测点,上述溶解氧的影响因素作为不变时在某些条件下进行了分析。经过综合分析和考虑所有变量的可测性,我们选择水温,亚硝酸盐、氨值(NO2-N)和总氮的价值作为神经网络的输入变量,溶解氧气在池塘作为神经网络的输出变量 9。B.模糊神经网络模型1）模糊神经网络的体系结构:它是近年来对模糊系统智能领域的重要研究内容,人工神经网络技术和模糊神经网络的相互的组合(也叫神经模糊系统) 1011。模糊神经网络不仅具有模糊的系统
6、和人工神经网络优点,但也抵消缺点造成的影响。它收集学习、联想、自适应和模糊信息处理作为一个整体。在此基础上,来选择模糊神经网络技术的建模方法预测溶解氧。图 1 假设 4 层神经网络来实现网络结构的模糊推理。四层是输入层、模糊层、模糊推理层和输出层。我们假设模糊系统有两个输入变量 x1,x2,一个输出变量 y。每一个输入变量分为两个模糊子集。图 1 模糊神经网络我们假设系统的输入和输出描述如下:X = x1， x,2U ，yV。他们分别对应于前提和模糊规则的结果。然后系统中的规则 j 被表示为 R 若 x1 = X1j ，x 2= X2j ，那么 y = Yj。通常模糊神经网络的学习算法采用梯度
7、下降算法。它的计算,很容易陷入局部最小值并且学习陷效率很低。因此它成为在模糊神经网络采用全局搜索方向算法优化模糊神经网络的参数。大量的参考书目采用遗传算法来优化模糊神经网络。在这项研究中,我们尝试采用更容易的粒子群的全局优化算法（PSO)来优化模糊神经网络。C.粒子群优化算法在 1995 年，美国肯尼迪和 Eberhar 提出发达的粒子群优化算法(PSO)。算法是用于模拟最初简单的社会行为，后经 PSO 修改,用于发现解决复杂的优化问题 1213。该算法被称为粒子群优化(PSO),因为它像一群飞鸟。粒子群优化,不是通过遗传算子,这些人的“进化”,是通过几代人合作与竞争。每一个根据自己的飞行粒子
8、调整飞行经验和同伴的飞行经验。每一个个人命名为“粒子”，粒子表示一个潜在的解决问题。每个粒子都被视为一个一维空间点。第 i 个训练作为 xi = xi1 , xi2 ., xiD , i =1,2,.,m 最好的先前的位置(位置给予最好的价值)任何粒子记录和表示为 p = pi1，pi2，. ，pid。该指数最好的粒子中所有的粒子所代表的人口的象征 g。粒子位置变化的速度(速度)表示为Vi=（Vi1，Vi2.Vid）。粒子的根据以下方程 :idiid idgidiiivx xrandcxpranc )(*)(*)21施正荣 Y H 和 Eberhart 改进初始 PSO 算法 1516。如方程
9、(6),右侧其中包括三个部分:第一部分是以前的粒子的速度;第二和第三部分的导致粒子速度的变化。没有这两个部分,粒子将继续在同一方向以当前的速度“飞行”,直到他们飞出边界。除非 PSO 不会找到一个可接受的有“飞行”的轨迹解决方案。但这是一种罕见的情况。另一方面指的是方程(6)没有第一部分。“飞行”粒子的速度只是取决于他们当前的位置和他们的最好历史上位置，速度本身是无记忆性的。因此,可以想象,算法的搜索是一个通过一代又一代没有第一部分搜索空间统计的搜索过程，它就像一个局部搜索算法。因此,更有地方可能表现出没有第一部分搜索能力。另一方面,粒子倾向于扩大搜索空间,增加第一部分,也就是说,他们有能力探
10、索新领域。所以他们更有可能具有全局搜索能力。局部搜索和全局搜索有利于解决某些问题，有一个全局和局部搜索之间的权衡。为不同的问题,应该有不同地方之间的平衡搜索能力和全局搜索能力。考虑到这一点,惯性重量 w 被带入方程(6)所示，方程(8),w 代表平衡全局搜索和局部搜索。它可以是一个不变线性或非线性时间函数。 idiid idgidiiivx xprandcxpranc )(*)(*)21我们定义了惯性权值 w,它是随着时间的递减函数,而不是一个固定的常数。当迭代数达到最大时，它开始是一个较大的值(nominally w= 0.9.1.4)，并且线性下降0.0.4。粒子的飞行速度不能超过最大速度
11、。更大的 Vmax 可以确保粒子群的搜索功能。优化修改后的粒子群在解决非线性函数优化和神经网络训练被作为有效和快速的方法。D：实验和分析预测模型本文以选大连水产养殖池塘为对象对其进行研究。大约收集了在相同季节最近 3 年近三百组池塘的数据,并且 260 组数据在其中挑出模拟数据。我们选择 240 组数据作为网络模型训练和另一个 20 组数据用于测试。输入变量 X1，X2，X3，X4 作为的网络模型，表示温度、亚硝酸盐、(NO2-N)和总氮值。输出变量(y)表示池塘溶解氧。每个输入变量的模糊子集的隶属函数的参数是随机的。首先,对预处理的输入和输出变量网络数据建立模型,然后训练网络模型;最后对 2
12、0 组数据进行测试。样本数据显示如图 1，预测值和实际值的比较在图 2 中。 表 1 测试样本图 2 的实验结果表明,有 17 个组预测的溶解氧的值比实际测量值小于 0.3 mg /l ，整个 20 组数据,命中率是 85%。有 18 个群体的溶解氧的和预测值实际测量值小于 0.5 mg / L,命中率 90%。只有两组超过 0.5 mg / L 最大偏差为 0.78 mg / L。因此,可以看出,它是本文采用模糊神经网络的可用在池塘溶解氧预测。我们建立的这种具有更高的预测精度。下面是 PSO 算法预测模型和普通 BP 算法预测模型之间的比较: 图 2 预测值和实际值 图 3 两种方法对比的结
13、果模型分为训练精度和预测精度，后者更为重要。它反映了在池塘溶解氧网络的预测能力。实验结果表明,训练精度和预测的神经网络训练算法已得到改进。例如样本 5 的数据, 我们能够观察到两种算法的适应性都迅速下降。但 BP 算法陷入局部最小值后,适应度函数的递减速度非常缓慢。此外 PSO 算法能够很快的持续适应度的下降。图三显示了计算结果和测量结果。我们知道 PSO-NN 的是比 BP-NN 的点分布均匀。但是,BP-NN 点的走向趋势偏离。我们可以估计这里有系统偏差。它还表明,网络模型的粒子群优化算法训练是不敏感,比 BP 算法更稳定。结论：溶解氧是池塘水产养殖的一个重要参数。本文是在 PSO 算法优
14、化的神经网络预测模型的基础上详细分析的复杂性和非线性影响溶解氧的因素。实验结果表明,粒子群优化算法的神经网络训练比 BP 算法速度更快，而且比 BP 算法更精确。这种方法为发达国家和工业化海水养殖在理论工作奠定了基础并且在实践中有效且具有重要的指导意义。参考文献：1雷艳芝.水产养殖水环境化学.北京 CCAP 出版社,2004,63 - 89。2娄文高.人工神经网络技术在渔业中的应用科学.上海水产大学学报.10 卷.2004,347 - 347.3王红英.樊增旭.薛松堂.预测的新模型溶解氧浓度鱼池.中国交易农业工程学报,12 卷.1997,145 - 147。4Eberhart R C,施正荣.
15、遗传算法和粒子之间的比较群优化.进化计算年会,圣迭戈,1998.5肯尼迪 J,Eberhart R c .粒子群优化.IEEE 国际会议上神经网络学报,珀斯,澳大利亚，1995,1942 - 1948.6Eberhart R C,施正荣.粒子群优化:发展,应用程序和资源.IEEE 国会进化计算,皮斯卡塔韦,2001,81-86.7徐宁,李德生,董双林.海水养殖的一昼夜的平衡池塘.中国渔业科学杂志.6 卷,1996,69 - 74.8张玲,戴林喜,朱正国,徐桂荣,李世华.在海水养殖池塘平衡对虾的影响.中国海洋科学通报,17 卷,1995,137 - 141.9方志山,杨胜云,徐振祖.虾综合养殖系统的环境因素主要的变化.海洋学在台湾海峡,20卷,2001,496 - 501.10王振雷.模糊神经网络的应用和研究.东北大学博士论文,中国,2002.11张成泽.太阳神经模糊建模和控制.IEEE 学报 1995.12肯尼迪 j 粒子群:社会适应的知识.IEEE 国际会议上的进化计算,印第安纳波利斯,印第安纳州,1997.13Eberhart R C,肯尼迪 j .新的优化器使用粒子群理论.第六届学报国际学术研讨会.微机器和人类科学,名古屋,日本,1995.14Y H,Eberhart R c.在粒子群参数选择优化.1998 年.15Y H,Eberhart R c .修改后
