3.1.4 设置初始权值
初始权值在网络学习训练时可以随机选取,通常是选接近于零的数,太大的初始值可以使系统过早的陷入饱和区,例如,计算权值修正的公式中,输出层节点的误差、隐层节点误差与传递函数导数成正比,由于预测模型神经网络输入参数为9个,初始权值可以是在[-2／9,2／9]区间内选取的随机数。
4 溶氧预测模型的训练与优化
4.1 实验数据获取和预处理
模型训练过程中所需数据可采用进口便携式测试仪手工进行获取。以T代表整点,将其中T:00,T1:00,T2:00…的数据作为神经网络训练及验证数据。选取前4天其数据作为神经网络训练数据,最后一天的数据作为验证数据。
由于神经元的传递函数选用S型函数,所以需要把输入样本归一化到[0,1]中。一般而言,归一化输入样本可用不同方法。在神经网络应用中,最常用的方法是线性变换方法。由于输入值在数量级上差别不大,故采用了等比缩小的归一化方法。设所有输入输出量中最大值为Xmax,则任一输入输出样本Xn归一化为:
4.2 预测模型的训练
溶氧预测模型的训练流程如图2所示。训练的结束或中断采用误差控制结束方式。随机选取下一个学习样本向量提供给网络,进行模式的顺传播和误差的逆传播,直到网络的全局误差小于设定值为止。
表1 实测和预测结果
4.3 预测结果及分析
采用第五天的实验数据进行神经网络溶氧预测结果的验证,实测和预测结果如表1所示,溶氧浓度值的相对误差最高为7．63％,最低为0．09％,平均相对误差为1．98％,识别率达到91％。以上结果表明预测模型设计的正确性,预测模型的预测结果与鱼类生长阶段及季节条件变换相关,当条件发生变化时,已经训练好的网络可能不再适应当时的环境,就会产生较大的预测误差。采用动态调整网络参数的方法可以解决这个问题,当溶氧预测识别率低于设定值时,网络及时修正权值和阈值并进行重新训练,以适应当前新环境。
5 结束语
溶氧预测模型采用LMBP优化网络能快速准确预测养殖水体溶氧的含量。对养殖鱼类的生存和生长是至关重要的,该模型的设计方法也可以推广应用于pH,盐度、温度等其它水质参数预测,对水产养殖业的可持续发展实现科学养殖与管理具有重要的意义。
作者简介:高艳萍(1964-),女,副教授,硕士,从事工业电气自动化方面的研究。
上页 1 2 3