CN105701280A - 南美白对虾围塘养殖水质预测方法 - Google Patents

Abstract

本发明涉及一种南美白对虾围塘养殖水质预测方法，包括如下步骤：第一步，水质预测模型：为了保证神经网络对样本具有足够的输入敏感性和良好的拟合性，对获得的参数做归一化处理：第二步，改进的BP神经网络算法步骤：1)步长动量项可变；2)模糊控制器；3)调整步长；得到了调整步长的信号，依据信号对步长进行调整。本发明的有益效果是：1)给出了步长可根据自身环境自动确定的、动量自适应的、具有模糊控制的改进算法，用于养殖水质预测。改进后的算法具有避免学习陷入局部极小点并提高收敛速度优点。2)针对改进的BP神经网络算法进行了水质预测的实验。通过反复检验后的该算法可进行养殖水体的预测和预警。

Description

南美白对虾围塘养殖水质预测方法

技术领域

本发明专利涉及水质预测方法，尤其涉及一种南美白对虾围塘养殖水质预测方法。

背景技术

随着水产养殖技术的发展，养殖规模的扩大，如何减小养殖的风险，提高养殖的收益成了重要的课题，而水产养殖的重中之重，就是为水产提供良好的生存生长的环境，也就是说，如何保持一个良好的水质是减小养殖风险的关键。农业上可以通过在养殖地设立传感器组的方式对水质进行监测，然而大范围的养殖用水有体量大，变化缓慢的特点，在发现水质超出报警边界时采取补救措施可能并不能及时的挽回损失，所以有必要对水质进行前馈控制，及时发现并消除有可能的水质恶化。

目前人工神经网络因为其良好的非线性拟合特性，对于解决水质问题有出色的表现，在水质评价，水质预测，水质识别等方面都有应用。但是如果要求神经网络适应整个水产养殖过程的预测要求，神经网络需要对整个养殖过程的大量数据进行多次的有效学习。学习的时间成本和空间成本十分巨大。

发明内容

本发明的目的在于克服现有技术不足,提供一种快速高效的南美白对虾围塘养殖水质预测方法。

为实现上述目的，本发明采用了以下技术方案：

这种南美白对虾围塘养殖水质预测方法，包括如下步骤：

第一步，水质预测模型：

为了保证神经网络对样本具有足够的输入敏感性和良好的拟合性，对获得的参数做归一化处理：

$x^{\′}=l_1+(l_h-l_1)\frac{x-x_{min}}{x_{\max }-x_{min}}$

其中，l_l为规范后的下线，l_h为规范后的上线；

设置神经网络的输入层节点数为5K，K代表输入的数据的组数，每组数据都含有时间、水温、溶解氧、PH、和浊度五项因素，输出层结点数设为5M，M代表输出要求预测的时间长度；隐含层节点数根据输入和输出的要求确定；通过过去的数据来寻找水质时间上的对应关系；以若干连续值作为输入数据，寻找下一时段的输出值；调整权值之后，给T加1，即把神经网络向右侧挪动一格，继续进行收敛，在这样的大量次滚动下，神经网络掌握水质变化的规律；

预测模型为：

D(t+m)＝F(D(t-1),D(t-2),D(t-3),D(t-4),...,D(t-k),)

其中，D(t+m)表示预测m个时间单位后的时间信息，F表示神经网络的映射关系，D(t)表示t时间单位前的数据；

第二步，改进的BP神经网络算法步骤：

1)步长动量项可变

首先由于串行输入引起的误差变化是随机性的，符合X～N的统计规律，通过概率统计的方法进行排除；当误差上升过大时，属于小概率事件，认定为是由于随机性造成的；

动量项用在直线下降地带，来加强收敛速度，而在等高线比较密集的地带将动量项归零，避免它带来的不良影响；根据误差的变化情况，分成五种处理方式：

当误差增长过大时，我们步长进行削减，把动量项置为零，并且取消这四次收敛，回到之前从新收敛；

当误差出现增长，但是增长情况并不大时，判断收敛处于复杂状态，将动量项归零；

当误差出现小幅下降时，适当的加快学习速录，并且把动量项置为预设值的一半；

但误差出现大范围的下降时，适当加快学习速录，并且把动量项置为预设值；

如此循环，直到得到最终结果；

2)模糊控制器

为了判断误差值的变化是由输入的随机性造成的还是由神将网络的收敛性造成的，通过一个模糊的控制器来除去随机性对算法造成的影响；输入的误差变化信号通过模糊控制***，能够输出权值调整的指示信号，具体过程如下：

首先对输入信号进行如下处理，利用本次迭代与上一次的迭代的误差值e作为数据，考量误差值的变化率：

$\mathrm{\Δ}=\frac{e\left(n\right)-e(n-1)}{e\left(n\right)}$

对其进行归一处理：

$X\left(n\right)=\frac{\mathrm{\Δ}}{2}+0.5=\frac{e\left(n\right)-e(n-1)}{2e\left(n\right)}+0.5$

***通过隶属度函数，对X(n)信号进行模糊处理，处理成为权值高速上升、权值中速上升、权值低速上升、权值稳定、误差值低速下降、权值中速下降、权值高速下降七种情况；并且把信号传输给控制规则；

为了除去随机输入带来的随机性，对输出的七种情况进行计数；计数的量越大，设定对相应调整的μ_A值越高；

3)调整步长

得到了调整步长的信号，依据信号对步长进行调整。

本发明的有益效果是：

1)提出了一种BP神经网络改进算法用于水质预测。改进传统BP神经网络算法存在的收敛速度慢、步长不可变、易陷入局部极小点等缺陷，给出了步长可根据自身环境自动确定的、动量自适应的、具有模糊控制的改进算法，用于养殖水质预测。改进后的算法具有避免学习陷入局部极小点并提高收敛速度优点。

2)针对改进的BP神经网络算法进行了水质预测的实验。通过反复检验后的该算法可进行养殖水体的预测和预警。

附图说明

图1是本发明神经网络预测模型示意图；

图2是模糊控制器示意图；

图3是权值变换的隶属度函数示意图；

图4是步长调整示意图；

图5是结合水质模型的改进方案示意图；

图6是传统BP神经网络算法和本文改进后的算法效果示意图；

图7至图10是拟合结果图；

图11至图14是预测效果图。

具体实施方式

下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

为了利用现场移动端获得实时检测数据对养殖用水进行监测和预警，以时间为预测尺度以神经网络为工具对水温、溶解氧、PH和浊度等因素进行预测，并通过预测值的大小来对水质参数进行报警，这里各水质指标的检测周期为1分钟。

为了保证神经网络对样本具有足够的输入敏感性和良好的拟合性，对获得的参数做如下处理：

$x^{\′}=l_1+(l_h-l_1)\frac{x-x_{min}}{x_{\max }-x_{min}}$

其中，l_l为规范后的下线，l_h为规范后的上线。

设置神经网络的输入层节点数为5K(K代表输入的数据的组数)，每组数据都含有时间、水温、溶解氧、PH、和浊度五项因素，输出层结点数设为5M(M代表输出要求预测的时间长度)。隐含层节点数根据输入和输出的要求确定。因为水质数据变化是一个渐变的过程，所以可以通过过去的数据来寻找水质时间上的对应关系。水质预测模型如图1所示。以若干连续值作为输入数据，寻找下一时段的输出值。调整权值之后，给T加1，就是把下图的神经网络向右侧挪动一格，继续进行收敛，在这样的大量次滚动下，神经网络会掌握水质变化的规律。

预测模型为：

D(t+m)＝D(D(t-1),D(t-2),D(t-3),D(t-4),...,D(t-k),)

其中，D(t+m)表示预测m个时间单位后的时间信息，F表示神经网络的映射关系，D(t)表示t时间单位前的数据；

由于采用串行输入方式，这使得每次输入网络的数据会与上一次有所不同，所以误差在一定的范围内会出现突变，这种突变是自然而且必须的。但是这会对神经网络的步长控制提出更高的要求。

对于学习速率自适应算法如何才能识别出误差的变化是由于串行的输入模式引起的还是由于算法本身步长太大引起的成为了一个新的问题。算法的响应速度必须足够快速，因为预测本身是在和时间赛跑，所以必须采取办法来提高BP算法的运行速度，尽量减少不成功的收敛时间。

步长和动量项可变的BP神经网络算法，结合了动量法和学习速率自适应算法，在判断误差变化来源的基础上利用学习速录自适应算法的思想实现对于动量和学习速率的自动变化。期望在不加大原有算法复杂度的情况下，让算法能够智能的选取合适的学习速率和动量大小，高效的向下收敛，达到加速的效果。

首先我们要判断误差的变化的引起的原因，一般由于串行输入引起的误差变化是随机性的，符合X～N的统计规律，所以我们可以通过概率统计的方法进行排除。具体的方法是改变误差上升的判定条件，我们设计了模糊控制***来对算法所处的收敛状态进行判断。当误差上升过大时，比如大于原来误差的50％，属于小概率事件，我们直接认定为是由于随机性造成的。

由于动量项在直线下降时有着很好的效果，但是在等高线比较密集的地带表现出不稳定性，我们只动量项用在直线下降地带，来加强收敛速度，而在等高线比较密集的地带将动量项归零，避免它带来的不良影响。我们根据误差的变化情况，分成五种处理方式：

当我们发现误差增长过大时，我们步长进行削减，把动量项置为零，并且取消这四次收敛，回到之前从新收敛。

当我们判定误差出现增长，但是增长情况并不大时，我们判断收敛处于复杂状态，将动量项归零。

当我们判断误差出现小幅下降时，我们适当的加快学习速录，并且把动量项置为预设值的一半。

但我们判断误差出现大范围的下降时，我们适当加快学习速录，并且把动量项置为预设值。

如此循环，直到得到我们的最终结果。

为了判断误差值的变化是由输入的随机性造成的还是由神将网络的收敛性造成的，通过一个模糊的控制器来除去随机性对算法造成的影响。模糊神经网络的设计如图2所示。

如图2所示，输入的误差变化信号通过模糊控制***，能够输出权值调整的指示信号，具体过程如下：

首先对输入信号进行如下处理，我们利用本次迭代与上一次的迭代的误差值e作为数据，考量误差值的变化率：

$\mathrm{\Δ}=\frac{e\left(n\right)-e(n-1)}{e\left(n\right)}$

为了计算方便我们对其进行归一处理：

$X\left(n\right)=\frac{\mathrm{\Δ}}{2}+0.5=\frac{e\left(n\right)-e(n-1)}{2e\left(n\right)}+0.5$

如图3所示，***通过以上隶属度函数，对X(n)信号进行模糊处理，处理成为{-3，-2，-1，0，1，2，3}的七值信号，分别代表了权值高速上升，权值中速上升，权值低速上升，权值稳定，误差值低速下降，权值中速下降，权值高速下降七种情况。并且把信号传输给控制规则。

为了除去随机输入带来的随机性，我们对输出的七种情况进行计数。计数的量越大，我们设定对相应调整的μ_A值越高。记数清零原则如表1所示。

表1计数清零原则

对于模糊控制输出函数满足以下方程：

输出i的概率＝k*C(i)

输出0的概率＝1-k*C(i)

其中k为一个常数，C(i)为上表中对各个输出量的计数。

得到了调整步长的信号，我们依据信号对步长进行调整。调整示意图如图4所示。

结合水质模型的改进方案如图5所示。在此算法下，BP算法的步长η可以在不断改变中找到自己稳定的区域，使得BP算法的收敛更加快速有效。

水质预测建模：

1.1输入输出模式的确定。

温度，溶解氧，PH值，氧化还原电位，是水产养殖中重要的参数，决定着水产品的质量。由于上述四个参数相互影响，相互作用，很难单独进行预测，模型以同一时间的温度，溶解氧，PH值，氧化还原电位，为一个单元的数据。如图6所示，本研究以连续N个单元的数据为输入变量，以下一时刻的一个单元的数据为输出变量，同时确定出一个单元的变化规律。

1.2隐含层层数的确定

隐含层的层数决定了神经网络的拟合能力，一般来讲隐含层的层数越多，神经网络的的拟合能力越强，但同时学习也就越困难。隐层节点数目前还没有成熟统一的确定方法，但是对于一般问题的隐含层的确定可以使用经验公式确定：

$L=\sqrt{m+n}+a$

其中m为输入层神经元数，n为输出层神经元数，L为隐含层神经元数，a为经验常数。通过试验与比较，我们选取隐含层数为14。

1.3神经网络的学习方式

为了使神经网络快速的学习，模型使用时间串行输入的方式。因为水质数据的变化是一个渐变的过程，所以模型可以通过过去的数据来寻找水质时间上的对应关系。如图6所示，神经网络先以连续N个单元的数据为输入数据，以紧随其后的第N+1个数据为导师进行一次的学习。学习结束后，神经网络的窗口向右移动一格，以第N+2个数据为导师进行下一次的学习。每当窗口掠过所有的学习数据成为一遍学习，根据经验，要进行一次成功地学习，需要上万遍的有效学习。

神经网络进行预测的函数表示为：

D(t+1)＝F(D(t-1),D(t-2),D(t-3),D(t-3),...,D(t-k),)

其中F(x)表示由神经网络产生的从之前的水质数据，到预测的水质数据的预测映射，D(t)表示在t时刻水质的参数组的值。

模型的训练与实现：

2.1数据样本与样本的预处理

为了对养殖用水进行检测和报警，我们利用现场通过移动端传输的实时的检测数据，以2014年9月12日-9月25日在杭州市南美白对虾养殖基地测得的，12天120000组，包括氧化还原电位，水温，溶解氧，PH，时间的数据。如表二所示为所用数据中等间隔抽取的13个数据。

表二

温度	PH	电位	溶解氧	时间
					26.18	7.52	-39	-233	3.65 0.0 0.09 2.34 1.9 0.0 12/9/2014 0:0:2
27.64	7.53	-40	70	3.61 0.0 0.40 2.31 1.9 0.0 12/9/2014 16:39:2
					26.61	7.53	-40	-248	3.54 0.0 0.04 2.27 1.9 0.0 13/9/2014 9:19:3
26.11	7.53	-40	-263	3.68 0.0 0.05 2.36 1.9 0.0 14/9/2014 1:59:3
					26.14	7.52	-39	-258	3.62 0.0 0.05 2.31 1.9 0.0 14/9/2014 18:39:3
25.88	7.5	-38	-153	3.55 0.0 0.21 2.27 1.9 0.0 15/9/2014 11:19:3
					25.76	7.57	-42	-233	3.56 1000 0.05 2.28 1.9 0.0 16/9/2014 4:7:1
26.23	7.62	-45	-264	2.35 1000 0.06 1.50 1.2 0.0 16/9/2014 20:47:1
					27.42	7.69	-50	-282	3.56 0.0 0.17 2.28 1.9 0.0 17/9/2014 13:27:1
26.56	7.69	-50	-166	3.57 1000 0.05 2.29 1.9 0.0 18/9/2014 6:7:1
					25	7.69	-49	125	3.50 0.0 0.27 2.24 1.8 0.0 18/9/2014 22:47:1
24.07	7.66	-47	138	3.49 1000 0.54 2.23 1.8 0.0 19/9/2014 15:27:1
					23.42	7.63	-45	214	3.49 1000 0.16 2.23 1.8 0.0 20/9/2014 8:7:1
24.54	7.61	-44	214	3.56 1000 0.26 2.28 1.9 0.0 20/9/2014 23:59:2

为了保证神经网络对样本具有足够的输入敏感性和良好的拟合性，减小因为数字大小不同而带来的学习方面的影响，我们做如下归一处理：

$x^{\′}=l_1+(l_h-l_1)\frac{x-x_{min}}{x_{\max }-x_{\min }}$

其中l_l为规范后的下线，l_h为规范后的上线。

2.2网络的训练

运用MATLAB软件，编辑程序进行仿真，设置初始步长为0.06，步长调整参数a1,a2,a3分别为0.005，0.015，0.025.结束条件设置误差总和小于200。

经过5小时的收敛，误差和下降到198.5.小于之前设置的200的停止误差，收敛效果良好。

2.3预测结果

神经网络训练的效果可以用两种指标来衡量，一种是拟合效果，表示神经网络对于已知的训练数据的再现情况，一种是预测效果，表示神经网络对于位置的数据的预测情况。在不出现过度拟合的情况下，一般来说拟合情况越好其神经网络的预测情况越好。但是如果由于权值或者训练次数设置的不合理造成了过度拟合的现象，反而会降低预测的精确度。如图7至图10是预测模型对于12000个学习数据的拟合情况，淡色曲线表示水质的真实数据，深色曲线表示水质的拟合数据。可以看到除去在第1500个数据的位置的水质突然变化时，PH和MVPH的数值有一定的超调现象外，其余时间都可以出色的拟合。

预测效果如图11至图14所示，淡色曲线表示水质的真实数据，深色曲线表示水质的预测数据。我们可以看到，预测的曲线比拟合曲线的波动剧烈。在温度和ORP等变化较剧烈的指标上表现较好，对于温度，PH，mvPH，ORP四个指标的最大误差为0.2摄氏度，0.02，1.5，50。经过滤波处理和差错检验后，可以用于水质报警***。

Claims (1)

1.一种南美白对虾围塘养殖水质预测方法，其特征在于：包括如下步骤：

第一步，水质预测模型：

为了保证神经网络对样本具有足够的输入敏感性和良好的拟合性，对获得的参数做归一化处理：

$x^{\′}=l_l+(l_h-l_l)\frac{x-x_{min}}{x_{\max }-x_{min}}$

其中，l_l为规范后的下线，l_h为规范后的上线；

设置神经网络的输入层节点数为5K，K代表输入的数据的组数，每组数据都含有时间、水温、溶解氧、PH、和浊度五项因素，输出层结点数设为5M，M代表输出要求预测的时间长度；隐含层节点数根据输入和输出的要求确定；通过过去的数据来寻找水质时间上的对应关系；以若干连续值作为输入数据，寻找下一时段的输出值；调整权值之后，给T加1，即把神经网络向右侧挪动一格，继续进行收敛，在这样的大量次滚动下，神经网络掌握水质变化的规律；

预测模型为：

D(t+m)＝F(D(t-1),D(t-2),D(t-3),D(t-4),…,D(t-k),)

其中，D(t+m)表示预测m个时间单位后的时间信息，F表示神经网络的映射关系，D(t)表示t时间单位前的数据；

第二步，改进的BP神经网络算法步骤：

1)步长动量项可变

首先由于串行输入引起的误差变化是随机性的，符合X～N的统计规律，通过概率统计的方法进行排除；当误差上升过大时，属于小概率事件，认定为是由于随机性造成的；

动量项用在直线下降地带，来加强收敛速度，而在等高线比较密集的地带将动量项归零，避免它带来的不良影响；根据误差的变化情况，分成五种处理方式：

当误差增长过大时，我们步长进行削减，把动量项置为零，并且取消这四次收敛，回到之前从新收敛；

当误差出现增长，但是增长情况并不大时，判断收敛处于复杂状态，将动量项归零；

当误差出现小幅下降时，适当的加快学习速录，并且把动量项置为预设值的一半；

但误差出现大范围的下降时，适当加快学习速录，并且把动量项置为预设值；

如此循环，直到得到最终结果；

2)模糊控制器

为了判断误差值的变化是由输入的随机性造成的还是由神将网络的收敛性造成的，通过一个模糊的控制器来除去随机性对算法造成的影响；输入的误差变化信号通过模糊控制***，能够输出权值调整的指示信号，具体过程如下：

首先对输入信号进行如下处理，利用本次迭代与上一次的迭代的误差值e作为数据，考量误差值的变化率：

$\mathrm{\Δ}=\frac{e\left(n\right)-e(n-1)}{e\left(n\right)}$

对其进行归一处理：

$X\left(n\right)=\frac{\mathrm{\Δ}}{2}+0.5=\frac{e\left(n\right)-e(n-1)}{2e\left(n\right)}+0.5$

***通过隶属度函数，对X(n)信号进行模糊处理，处理成为权值高速上升、权值中速上升、权值低速上升、权值稳定、误差值低速下降、权值中速下降、权值高速下降七种情况；并且把信号传输给控制规则；

为了除去随机输入带来的随机性，对输出的七种情况进行计数；计数的量越大，设定对相应调整的μ_A值越高；

3)调整步长

得到了调整步长的信号，依据信号对步长进行调整。