基于粒子群优化BP神经网络的水产养殖水温及pH预测模型

被引：19

作者：

徐大明 ^{[1
,2
]}

周超 ^{[1
]}

孙传恒 ^{[1
]}

杜永贵 ^{[2
]}

机构：

[1] 国家农业信息化工程技术研究中心农业部农业信息技术重点实验室北京市农业物联网工程技术研究中心

[2] 太原理工大学信息工程学院

来源：

渔业现代化 | 2016年 / 43卷 / 01期

基金：

北京市自然科学基金;

关键词：

粒子群算法; BP神经网络; 水产养殖; 渔情预警; 水质预测模型;

D O I：

暂无

中图分类号：

S959 [水质工程];

学科分类号：

摘要：

针对养殖水质、水温及p H预测准确性低的问题,提出了一种基于粒子群优化BP神经网络的养殖水质参数预测方法。首先应用粒子群算法优化得出BP神经网络的初始权值和阈值,然后对得到的数据进行预处理,修复异常数据信息,再以当前时间的多个水质参数作为输入,下个时间点的水温、p H作为输出,建立养殖水质预测模型,最后利用采集的水质数据在BP神经网络中进行训练,并通过实验检验水质预测模型的可行性和预测性能。与支持向量回归(SVR)和传统BP神经网络相比,基于粒子群优化的BP神经网络在预测水温方面,均方根误差(RMSE)下降幅度分别为64.4%和86.7%;在预测p H方面,RMSE下降幅度分别为11.1%和78.9%。研究表明,基于粒子群优化的BP神经网络养殖水质预测模型具有灵活简便、预测精度高、易于实现的特点,同时具有很好的预测能力。

引用

页码：24 / 29

页数：6

共 22 条

[11]

基于计算智能的水产养殖水质预测预警方法研究[D]. 刘双印.中国农业大学. 2014

[12] A forecasting method of forest pests based on the rough set and PSO-BP neural network [J].

Tiecheng Bai ;

Hongbing Meng ;

Jianghe Yao .

Neural Computing and Applications, 2014, 25 :1699-1707

[13]

Optimal parameters selection for BP neural network based on particle swarm optimization: A case study of wind speed forecasting[J] . Chao Ren,Ning An,Jianzhou Wang,Lian Li,Bin Hu,Duo Shang.Knowledge-Based Systems . 2013

[14]

A hybrid approach of support vector regression with genetic algorithm optimization for aquaculture water quality prediction[J] . Shuangyin Liu,Haijiang Tai,Qisheng Ding,Daoliang Li,Longqin Xu,Yaoguang Wei.Mathematical and Computer Modelling . 2013 (3-4)

[15]

A hybrid method for imputation of missing values using optimized fuzzy c -means with support vector regression and a genetic algorithm[J] . Ibrahim Berkan Aydilek,Ahmet Arslan.Information Sciences . 2013

[16] Barriers to sustainable water-quality management [J].