基于MEC-BP神经网络在水产养殖水质预测中的应用

doi:10.3969/j.issn.1006-2475.2015.06.007

计算机与现代化 ›› 2015, Vol. 0 ›› Issue (6): 32-36.doi: 10.3969/j.issn.1006-2475.2015.06.007

基于MEC-BP神经网络在水产养殖水质预测中的应用

(1.太原科技大学电子信息工程学院，山西太原030024；2.浙江大学宁波理工学院信息科学与工程学院，浙江宁波315100)

收稿日期:2015-01-26 出版日期:2015-06-16 发布日期:2015-06-18
作者简介:杨争光(1989-)，男，河南安阳人，太原科技大学电子信息工程学院硕士研究生，研究方向：智能信息处理与识别；范良忠(1980-)，男，浙江丽水人，浙江大学宁波理工学院信息科学与工程学院副教授，博士，研究方向：农业物联网技术。
基金资助:
国家自然科学基金资助项目（31302231）; 浙江省教育厅科研项目（Y201226043）; 宁波市自然科学基金资助项目（2012A610110）

Application of Water Quality Prediction Based on MEC-BP Neural Network in Aquaculture

(1. Institute of Electronic Information Engineering, Taiyuan University of Science and Technology, Taiyuan 030024, China;2. School of Information Science and Engineering, Ningbo Institute of Technology, Zhejiang University, Ningbo 315100, China)

Received:2015-01-26 Online:2015-06-16 Published:2015-06-18

摘要/Abstract

摘要： 溶解氧作为水产养殖中最为重要且最容易控制的水质参数，其关系到养殖的成败，如果能精确掌握溶解氧的变化规律，可大大降低养殖风险，增加养殖成功率。本文综合考虑相关水质参数，建立BP神经网络水质预测模型，并在此基础上，构建基于思维进化算法(Mind Evolutionary Computation，MEC)的BP神经网络水质预测模型，通过对广西茅尾海海域的水质历史数据进行仿真实验，结果表明，思维进化BP神经网络预测值的精确度和准确度要高于BP神经网络。因此，将该算法应用于水产养殖水质预测是可行的。

关键词: 溶解氧, 水质预测, BP神经网络, 思维进化算法

Abstract: Dissolved oxygen as the most important and the most easily control water quality parameter of aquaculture relates to the success or failure of aquaculture. If we can accurately grasp the change rule of dissolved oxygen, the risk of breeding will greatly reduce and the breeding success rate will increase. In this paper, considering the related water quality parameters, we established the BP neural network model of water quality prediction. And on this basis, the BP neural network model based on mind evolutionary algorithm (MEC) of water quality prediction was established. Through the simulation of historical data of water quality of Maowei Sea, Guangxi, the results show that the precision and accuracy of predicted value of MECBP neural network is higher than that of the BP neural network. Therefore, it is feasible to apply this algorithm to predict water quality of aquaculture.

Key words: dissolved oxygen, water quality prediction, BP neural network, Mind Evolutionary Computation

中图分类号:

X832

杨争光1,2,范良忠2. 基于MEC-BP神经网络在水产养殖水质预测中的应用[J]. 计算机与现代化, 2015, 0(6): 32-36.

YANG Zheng-guang, FAN Liang-zhong. Application of Water Quality Prediction Based on MEC-BP Neural Network in Aquaculture[J]. Computer and Modernization, 2015, 0(6): 32-36.

参考文献

［1］ Tovar A, Moreno C, MánuelVez M P, et al. Environmental impacts of intensive aquaculture in marine waters［J］. Water Research, 2000,34(1):334-342.
［2］郭连喜,邓长辉. 基于模糊神经网络的池塘溶解氧预测模型［J］. 水产学报, 2006,30(2):225229.
［3］陈雪云. 水产养殖中溶解氧的检测与控制技术分析［J］. 生物技术世界, 2013(5):60.
［4］马从国,赵德安. 基于遗传算法与RBF网络的养殖池塘溶解氧模型［J］. 中国农村水利水电, 2011(2):14-16.
［5］朱大奇. 人工神经网络研究现状及其展望［J］. 江南大学学报(自然科学版), 2004,3(1):103-110.
［6］毛健,赵红东,姚婧婧. 人工神经网络的发展及应用［J］. 电子设计工程, 2011,19(24):62-65.
［7］樊振宇. BP神经网络模型与学习算法［J］. 软件导刊, 2011,10(7):66-68.
［8］ Zhang Jingru, Zhang Jun, Lok T M, et al. A hybrid particle swarm optimizationbackpropagation algorithm for feedforward neural network training［J］. Applied Mathematics and Computation, 2007,185(2):1026-1037.
［9］任建平,宋仁国,陈小明,等. 基于BP神经网络梯度下降算法的7003铝合金热处理工艺优化［J］. 宇航材料工艺, 2009,39(4):6-9.
［10］Aguado D, Ferrer A, Seco A, et al. Comparison of different predictive models for nutrient estimation in a sequencing batch reactor for wastewater treatment［J］. Chemomettics and Intelligent Laboratory Systems, 2006,4(1-2):75-81.
［11］Abdella M, Marwala T. Treatment of missing data using neural networks and genetic algorithms［C］// Proceedings of the 2005 IEEE International Joint Conference on Neural Networks. 2005,1:7581.
［12］孙承意,王皖贞,贾鸿雁. 思维进化计算的产生与进展［C］// 2001年中国智能自动化会议论文集(上册). 2001:80-86.
［13］谢克明,高廷玉,谢珺. 思维进化算法的收敛性研究［J］. 太原理工大学学报, 2007,38(3):189-192.
［14］王红霞,王志伟. 思维进化计算综述［J］. 电脑开发与应用, 2005,18(8):28-29.
［15］贾美丽. 思维进化计算及其应用［J］. 山西电子技术, 2008(3):91-92.
［16］颜七笙,游泳,杨志辉. BP网络结构设计与算法探讨［J］. 科技广场, 2005(3):106-108.
［17］何小娟,曾建潮,徐玉斌. 基于思维进化算法的神经网络权值与结构优化［J］. 计算机工程与科学, 2004,26(5):38-42.
［18］王琪洁,廖德春,周永宏,等. 日长变化预报中BP神经网络拓扑结构的选择［J］. 中国科学院上海天文台年刊, 2007(1):23-29.
［19］魏海坤,徐嗣鑫,宋文忠. 神经网络的泛化理论和泛化方法［J］. 自动化学报, 2001,27(6):806-815.
［20］武妍,张立明. 神经网络的泛化能力与结构优化算法研究［J］. 计算机应用研究, 2002,19(6):21-25.
［21］冯乃勤,王芳,邱玉辉. 提高神经网络泛化能力的研究［J］. 计算机工程与应用, 2006,42(4):38-41.

[1]	毛明扬, 徐胜超. 面向粒子群优化BP神经网络的粗糙集连续属性离散化算法[J]. 计算机与现代化, 2023, 0(09): 115-119.
[2]	王玉立, 杨昌松, 邱劲, 韦俊, 吴宏杰, . 基于时空注意力机制的基坑位移预测方法[J]. 计算机与现代化, 2023, 0(05): 39-45.
[3]	王颖颖, 庄毅, 孙逸帆. 基于粒子群优化BP神经网络的可靠性评估模型[J]. 计算机与现代化, 2022, 0(12): 42-49.
[4]	汪敏, 徐英豪, 朱习军. 基于改进遗传算法优化BP神经网络的糖尿病并发症预测模型#br#[J]. 计算机与现代化, 2022, 0(11): 69-74.
[5]	刘军, 彭慧娴, 黄斌, 托尼·谢伊. 基于BP-GamysBoost的乳腺癌诊断模型[J]. 计算机与现代化, 2021, 0(04): 8-14.
[6]	陈平平,耿笑冉,邹敏,谭定英. 基于机器学习的文本情感倾向性分析[J]. 计算机与现代化, 2020, 0(03): 77-.
[7]	刘红梅1，徐英岚1，张博2，李荣1. 基于最小二乘支持向量回归的水质预测[J]. 计算机与现代化, 2019, 0(09): 31-.
[8]	崔晨耕. 神经网络算法与机理模型融合的#br# 冷连轧轧制力智能预报模型[J]. 计算机与现代化, 2019, 0(08): 74-.
[9]	黄荣1，陈垲冰1，岳青2，刘兴林1，吴明芬1. 基于BP神经网络的用户九型人格模型构建[J]. 计算机与现代化, 2019, 0(03): 1-.
[10]	杨立苑，胡佳军，李显风，周雪莹，邹海燕. 基于BP神经网络的气象云资源调度系统[J]. 计算机与现代化, 2018, 0(07): 68-.
[11]	蒋晨阳，张云飞，李鑫. 基于时空相关性的连续缺失值填补算法[J]. 计算机与现代化, 2016, 0(9): 6-9.
[12]	胡帅,顾艳,姜华. 基于PCA-RBF网络的学生写作成绩预测模型[J]. 计算机与现代化, 2016, 0(1): 69-72,126.
[13]	谷全宇1，张梦婷2. 基于蛙跳粒子群的BP神经网络算法[J]. 计算机与现代化, 2015, 0(9): 57-59,65.
[14]	郝纲，庄毅. 基于PSO-BP神经网络的应力测量与补偿模型[J]. 计算机与现代化, 2015, 0(6): 105-109.
[15]	闫博1，周在金1，李国和2,3，齐佳1. 基于ARMA和BP_AdaBoost的组合销售预测模型研究[J]. 计算机与现代化, 2015, 0(2): 14-.

基于MEC-BP神经网络在水产养殖水质预测中的应用

Application of Water Quality Prediction Based on MEC-BP Neural Network in Aquaculture

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价