趙宇峰

【摘 要】為了能夠提高水產(chǎn)養(yǎng)殖中水體溶氧量短期預(yù)測(cè)精度，提出將遺傳算法和反向傳播（BP）神經(jīng)網(wǎng)絡(luò)相結(jié)合的預(yù)測(cè)模型。根據(jù)相關(guān)研究，采用對(duì)池水含氧量影響較大的幾個(gè)影響因素，作為預(yù)測(cè)模型的輸入端變化量；BP神經(jīng)網(wǎng)絡(luò)優(yōu)化的閾值和初始權(quán)值通過(guò)遺傳算法來(lái)獲得，遺傳算法具有全局搜索能力。采用改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)建立起短期魚(yú)塘含氧量預(yù)測(cè)模型，該方法具有較高的預(yù)測(cè)精度。

【關(guān)鍵詞】魚(yú)塘增氧；BP神經(jīng)網(wǎng)絡(luò)；短期預(yù)測(cè)；遺傳算法

現(xiàn)代化的水產(chǎn)養(yǎng)殖中普遍使用增氧機(jī)作為魚(yú)塘水體增氧設(shè)備。多數(shù)增氧機(jī)的運(yùn)行控制多為手動(dòng)，或者根據(jù)時(shí)間程控，或者依靠傳感器采集的含氧量數(shù)據(jù)作為啟動(dòng)依據(jù)。但是由于現(xiàn)代水產(chǎn)養(yǎng)殖中單位水面投放密度大，養(yǎng)殖場(chǎng)氣候變化快，水體藻類(lèi)繁殖等因素，對(duì)水體的溶氧量影響大，而且具有突發(fā)性特點(diǎn)。增氧機(jī)不能及時(shí)反應(yīng)，往往導(dǎo)致增氧不及時(shí)，造成翻塘事故，造成極大損失。

因此通過(guò)傳感器采集影響?hù)~(yú)塘水體溶氧量因素的數(shù)據(jù)，通過(guò)控制手段進(jìn)行短期的水體溶氧量預(yù)測(cè)。可以根據(jù)環(huán)境和水體變化及時(shí)或者提前啟動(dòng)增氧機(jī)，避免大規(guī)模翻塘事故的發(fā)生。因此魚(yú)塘中水含氧量的短期預(yù)測(cè)是具有現(xiàn)實(shí)意義的。

1 BP神經(jīng)網(wǎng)絡(luò)

通過(guò)研究表明，水產(chǎn)養(yǎng)殖中影響水體溶氧量的因素比較多。包含養(yǎng)殖場(chǎng)實(shí)時(shí)氣溫、濕度、日照、氣壓等氣象參數(shù)，以及水體藻類(lèi)水平，水體富營(yíng)養(yǎng)化條件以及生化需氧量等水體參數(shù)。屬于典型的多輸入，強(qiáng)耦合型的非線性映射關(guān)系。

神經(jīng)元是模仿人神經(jīng)元工作原理提出的模型。將許多神經(jīng)元之間按照層級(jí)互相連接，可以構(gòu)成具有非線性、自適應(yīng)、自組織的信息處理能力的神經(jīng)網(wǎng)絡(luò)。利用人工神經(jīng)網(wǎng)絡(luò)能夠模擬人腦的工作特性，BP神經(jīng)網(wǎng)絡(luò)是具有代表性的人工神經(jīng)網(wǎng)絡(luò)。當(dāng)它的隱含層數(shù)和隱節(jié)點(diǎn)數(shù)具有相當(dāng)規(guī)模（足夠多），就可以以任意的精度逼近非線性映射關(guān)系。

BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值通過(guò)遺傳算法GA來(lái)確定，就可以避免BP網(wǎng)絡(luò)存在的收斂速度慢、容易陷入局部最優(yōu)值等問(wèn)題。通過(guò)動(dòng)量因子在BP學(xué)習(xí)算法中的引入，可以有效避免局部最優(yōu)，達(dá)到較快搜索到全局最優(yōu)解。根據(jù)水體溶氧理論選取了氣壓、氣溫、溶氧量、季節(jié)、時(shí)間等氣象因素作為模型輸入，使用遺傳算法改進(jìn)的BP 神經(jīng)網(wǎng)絡(luò)來(lái)建立魚(yú)塘水體溶氧預(yù)測(cè)模型。

2 遺傳算法改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)

在BP神經(jīng)網(wǎng)絡(luò)構(gòu)建中，選擇不合理的輸入層和隱含層之間，隱含層和輸出層之間的連接權(quán)值初值；設(shè)置了不恰當(dāng)?shù)碾[含層與輸出層的閾值初值，容易出現(xiàn)網(wǎng)絡(luò)收斂速度很慢及陷入局部最優(yōu)等問(wèn)題。

“優(yōu)勝劣汰，適者生存”是自然界遺傳規(guī)律，遺傳算法是模擬自然界進(jìn)化規(guī)律提出的。使用遺傳算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)魚(yú)塘水體溶氧預(yù)測(cè)模型按照遺傳規(guī)律方式進(jìn)行參數(shù)優(yōu)化。按照遺傳規(guī)律，選取適應(yīng)度函數(shù)，通過(guò)選擇、交叉、變異方式對(duì)個(gè)體數(shù)據(jù)進(jìn)行篩選。最優(yōu)的個(gè)體會(huì)在篩選中被保留，較差的個(gè)體會(huì)被迭代、淘汰[1]。經(jīng)過(guò)篩選后的種群就是在繼承而且更優(yōu)的一代，經(jīng)過(guò)反復(fù)篩選、直到滿(mǎn)足條件。

本文需要建設(shè)的是魚(yú)塘水體溶氧量短期預(yù)測(cè)模型，所以BP網(wǎng)絡(luò)的輸出量為未來(lái)某一時(shí)刻的水體溶氧量，選擇k=1。按照習(xí)慣水體溶氧量預(yù)測(cè)模型設(shè)計(jì)為包含輸入、隱含、輸出在內(nèi)的3層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)，隱層節(jié)點(diǎn)為2n+1。神經(jīng)網(wǎng)絡(luò)的數(shù)目選擇為。隱含層的作用函數(shù)使用tansig型，使用pureline型函數(shù)作為輸出層的變換函數(shù)[2]。

具體構(gòu)建步驟如下：

1）種群初始化。種群的個(gè)體是由網(wǎng)絡(luò)的輸入層和隱含層之間的連接權(quán)值，隱含層神經(jīng)元的閾值，隱含層和輸出層之間的連接權(quán)值，輸出層神經(jīng)元的閾值組成的數(shù)字串。采用實(shí)數(shù)編碼的方式對(duì)個(gè)體編碼，每個(gè)個(gè)體就是一個(gè)實(shí)數(shù)串。個(gè)體表達(dá)形式為：

w■w■…w■w■w■…w■a■…a■w'■…w'■（1）

2）適應(yīng)度函數(shù)的確定。適應(yīng)度函數(shù)F使用該網(wǎng)絡(luò)的輸出和期望輸出之間的絕對(duì)誤差和的倒數(shù)。

F=1/？撞■■■（2）

3）操作選擇。使用常規(guī)的輪盤(pán)賭注法從種群中隨機(jī)選擇若干個(gè)體，將選擇的個(gè)體設(shè)定為雙親，用來(lái)繁殖后代。按照適應(yīng)度函數(shù)的選擇，適應(yīng)度高的個(gè)體有更高的概率被遺傳下去，而適應(yīng)度低的個(gè)體被遺傳的概率就比較小[2]。個(gè)體i能夠被選擇的概率為pi：

pi=F■/？撞■■F■（3）

式中：F■為個(gè)體i 的適應(yīng)度值C，為種群個(gè)體的數(shù)目。

4）交叉操作。被選擇的個(gè)體以交叉概率pc來(lái)交換個(gè)體內(nèi)的數(shù)據(jù)（基因），于是產(chǎn)生兩個(gè)新的個(gè)體。按照實(shí)數(shù)交叉法，兩個(gè)個(gè)體k1和k2的第j位基因進(jìn)行交叉，方式如下：

基因交叉的操作方法如下：

gk■j=gk■jr+gk■j（1-r）gk■j=gk■jr■+gk■j（1-r）（4）

式中：gk■j，gk■j分別表示第k■，k■個(gè)個(gè)體的第j位基因，r為隨機(jī)數(shù)取值在[0，1]之間。

5）變異操作。為了增加種群的多樣性，對(duì)第i 個(gè)個(gè)體的第j 個(gè)基因gij進(jìn)行變異操作，變異概率為Pv，按照遺傳率變異概率一般較小。變異操作的方法如下：

g■=g■r+（g■-g■）r■（1-■），r■？叟0.5g■r+（g■-g■）r■（1-■），r■<0.5（5）

中：g■，g■分別為基因g■的上界限和下界限，r是一個(gè)隨機(jī)數(shù)，s■是最大進(jìn)化次數(shù)，s是當(dāng)前迭代次數(shù)，r1為隨機(jī)數(shù)取值在[0，1]間的。

6）計(jì)算并驗(yàn)證適應(yīng)度函數(shù)值。如果算法結(jié)束條件能夠滿(mǎn)足，將輸出優(yōu)化后的權(quán)值和閾值。如果算法結(jié)束條件不能夠滿(mǎn)足，就重新返回第3）步運(yùn)算。

7）通過(guò)遺傳算法優(yōu)化后的輸出，來(lái)組建BP神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值來(lái)自于GA的輸出，使用樣本來(lái)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，就可以得到水體溶氧量短期預(yù)測(cè)模型。

8）水體溶氧量短期預(yù)測(cè)模型的泛化能力要使用檢驗(yàn)樣本來(lái)檢測(cè)。

3 仿真

用于網(wǎng)絡(luò)訓(xùn)練和檢驗(yàn)的樣本來(lái)自于真實(shí)的魚(yú)塘的傳感器采集到氣象數(shù)據(jù)，這些數(shù)據(jù)記錄了20天左右魚(yú)塘的氣象參數(shù)變化，由于氣象數(shù)據(jù)變化較為緩慢，按照離散做法，選擇每一段時(shí)間間隔的數(shù)據(jù)，組成采樣樣本。從中選擇200組數(shù)據(jù)用作對(duì)網(wǎng)絡(luò)的訓(xùn)練，30組數(shù)據(jù)用作對(duì)訓(xùn)練后網(wǎng)絡(luò)的檢測(cè)。以此建立起魚(yú)塘水體溶氧量預(yù)測(cè)模型。

魚(yú)塘水體溶氧量的預(yù)測(cè)依據(jù)參數(shù)主要是當(dāng)前含氧量變化率，氣溫、氣壓、濕度。以t時(shí)刻為時(shí)間起點(diǎn)，選擇該點(diǎn)的溫度、氣壓、濕度等參數(shù)作為起始數(shù)據(jù)，組合t-3，…，t時(shí)刻的溶氧量作為預(yù)測(cè)模型輸入變量，進(jìn)行t+1h 時(shí)刻的溶氧量的預(yù)測(cè)。

為了避免因?yàn)檩斎肓拷^對(duì)值過(guò)大造成的神經(jīng)元輸出飽和，以及因此引起的取值調(diào)整進(jìn)入水平區(qū)。對(duì)樣品數(shù)據(jù)進(jìn)行歸一化處理是有必要的，使輸入層、輸出層數(shù)據(jù)都映射到[0，1]。在網(wǎng)絡(luò)訓(xùn)練完成后，模型的輸出再映射回原始數(shù)據(jù)的范圍。

在遺傳算法中，如果初始種群數(shù)目不夠，將會(huì)導(dǎo)致后續(xù)計(jì)算的可變異基數(shù)少，得到性能良好的算法；但是如果種群數(shù)多，計(jì)算量又過(guò)大。按照經(jīng)驗(yàn)，種群數(shù)一般選在20-60之間較為合理。因?yàn)樽鲈眚?yàn)證，避免大規(guī)模計(jì)算故選擇20組，40次進(jìn)化。

選擇合適的交叉頻率，可以控制交叉?zhèn)€體的更新速度。如果交叉概率過(guò)大，會(huì)造成高適應(yīng)個(gè)體被快速破壞，而交叉概率過(guò)低，又會(huì)造成高適應(yīng)個(gè)體搜索無(wú)效。一般按照經(jīng)驗(yàn)，交叉概率選擇為0.5。同樣，變異率與交叉率類(lèi)似，太大會(huì)造成搜索困難，太小優(yōu)秀個(gè)體又產(chǎn)生不出來(lái)。按照經(jīng)驗(yàn)，變異率選擇為0.05。

經(jīng)過(guò)仿真驗(yàn)證，遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)參數(shù)較為合理的。再經(jīng)過(guò)樣本訓(xùn)練后，在一定的時(shí)間內(nèi)，溶氧量預(yù)測(cè)模型的輸出精度比較高。

4 結(jié)論

本文根據(jù)水體溶氧量理論，選取對(duì)水體影響較大，且容易由傳感器采集的濕度、溫度和氣壓等參數(shù)作為魚(yú)塘水體溶氧量短期預(yù)測(cè)模型的輸入量。減少了輸入變量的個(gè)數(shù)，降低了預(yù)測(cè)模型的難度。利用遺傳算法改進(jìn)了預(yù)測(cè)模型的神經(jīng)網(wǎng)絡(luò)的初始參數(shù)，如神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值。經(jīng)驗(yàn)證神經(jīng)網(wǎng)絡(luò)具有更快的收斂速度和一定的精度。為魚(yú)塘短期氧容量預(yù)測(cè)提供了一種解決辦法。

【參考文獻(xiàn)】

[1]王宇，尹曉峰，黃鵬程.神經(jīng)網(wǎng)絡(luò)和遺傳算法在膠粘劑設(shè)計(jì)中的應(yīng)用[J].中國(guó)膠粘劑，2011-2-28.

[2]王德明，王莉，張廣明.基于遺傳BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)測(cè)模型[J].浙江大學(xué)學(xué)報(bào)（工學(xué)版），2012-5-15.

[3]LightbodyL，IwinGW.Direet Neural Model Referenee Adaptive Control[J].IEEE Proc.Pt.D.Control Theory and pplieation，1995，142（l）：31-43.

[4]周東華.自適應(yīng)遺傳算法的策略和應(yīng)用研究[D].合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2006：26-47.

[5]席裕庚，柴天佑.遺傳算法綜述[J].控制理論與應(yīng)用，1996，13（6）：11-27.

[6]李士勇.模糊控制.神經(jīng)控制和智能控制論[M].哈爾濱：哈爾濱工業(yè)大學(xué)出版社，2004：254-264.

[責(zé)任編輯：田吉捷]