基于主成分分析及GALM的水产养殖环境溶解氧和氨氮含量预测.docx
《基于主成分分析及GALM的水产养殖环境溶解氧和氨氮含量预测.docx》由会员分享,可在线阅读,更多相关《基于主成分分析及GALM的水产养殖环境溶解氧和氨氮含量预测.docx(17页珍藏版)》请在第一文库网上搜索。
1、摘要:为了精准预测水产养殖过程中最重要的两个环境参数溶解氧和氨氮,针对预测模型需要解决的有效影响因子确定、预测算法和网络结构优化等问题,将1evenberg-Marquardt(1M)神经网络、遗传算法(genetica1gorithm,GA)和主成分分析(PCA)算法相结合,提出一种基于GA-1M-PCA的水产养殖环境溶解氧和氨氮含量预测模型,即采用PCA确定影响因素,实现影响因素的去耦合降维,采用遗传算法对网络结构进行优化,确定合适的隐层节点数目和权值,采用1M训练神经网络,提高神经网络的收敛速度。为了验证GA-1M-PCA的预测效果,将GA-1M-PCA的预测效果与未用PCA方法的GA-
2、1M预测模型进行了试验比较,并探讨了影响因素数量对预测效果的影响。结果表明:用GA-1M-PCA方法预测的溶解氧和氨氮值与实测值吻合较好,平均绝对误差和均方根误差分别为0.0047、1.8727X10(溶解氧)和0.0065、9.4287X10,(氨氮),适用于影响因素数量较多的场合。研究表明,GA-1M-PCA是一种有效的水产养殖环境溶解氧和氨氮预测工具,尤其对于影响因素复杂繁多的非线性系统效果更好。关键词:溶解氧;氨氮;水产养殖环境;遗传算法(GA);1M神经网络算法;主成分分析(PCA)水产养殖是一个包括多参数的复杂过程。其中,溶解氧(disso1vedOXygen,DO)和氨氮含量是决
3、定水产养殖产量的重要因素,DO过高或过低都会导致养殖生物死亡,氨氮直接反映养殖水质的污染程度,过高直接影响养殖生物的生存状态。因此,在水产养殖环境中对二者进行预测,对水产养殖业具有重要的意义。DO和氨氮含量的预测均为非线性问题,二者受多种因素影响,且各因素之间存在复杂的耦合关系,因此,难以利用统计的方法建立准确的预测模型,故而以神经网络和支持向量机(SUPPOrtvectormachine,SVM)为代表的非线性问题解决工具,被研究者应用于Do和氨氮预测。但是,SVM和误差反向传播神经网络(backpropagationneura1network,BPNN)具有极大的局限性,易引入冗余数据,且
4、针对复杂问题的泛化能力受到一定的制约。神经网络的结构很多都是通过试凑法来实现,导致运行费时。另外,DO和氨氮影响因素复杂,且相互之间存在很大的耦合性,很难确定神经网络的最佳输入,若将相关的影响因素全部直接引用,不仅会引入大量冗余数据,而且会由于多重共线性降低网络的训练速度和效率,影响预测精度。1evenberg-Marquardt(1M)神经网络算法利用高斯-牛顿法可以在最优值附近产生一个理想的搜索方向,从而保持较快下降速度的特点,使网络能够有效收敛,可以大大提高网络的收敛速度和泛化能力。遗传算法(genetica1gorithm,GA)是一种模拟自然进化、搜索最优解的方法,适合用来优化神经网
5、络的结构。主成分分析(PrinCiPa1componentana1ysis,PCA)方法一方面可以通过提取正交的各主成分,有效避免多重共线性,提高参数估计的准确性;另一方面可以对包含较多变量的影响因子数据集进行降维,使尽可能少的变量包含尽可能多的信息,从而使模型所包含的信息更丰富,建模更有效。基于以上考虑,本研究中构建了一个综合GA,1M和PCA算法优点的GA-1M-PCA水产养殖环境DO和氨氮含量预测模型,利用PCA算法确定DO和氨氮含量预测模型的有效影响因子,利用1M算法训练神经网络,利用GA优化神经网络结构,以期为水产养殖重要环境因子的预测提供有效工具。1基于GA-1M-PCA的预测模型
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 成分 分析 GALM 水产 养殖 环境 溶解氧 含量 预测