[发明专利]大菱鲆养殖水质评价的模糊神经网络专家系统的构建方法

权利要求书

1.大菱鲆养殖水质评价的模糊神经网络专家系统的构建方法，包括BP神经网络建 模和BP神经网络模型测试两个步骤，其特征在于上述BP神经网络建模步骤包括：网络 训练参数的设定、网络拓扑结构的确定和训练样本的确定，其中网络训练参数的设定是 选取表1的3级划分后的大菱鲆生长的敏感指标：温度℃、盐度、pH、溶解氧mg/L， 即4项专家数据作为网络的输入参数；网络拓扑结构的确定是采用含有4个输入节点的 输入层、2个隐节点的隐含层和1个输出节点的输出层构成的3层BP神经网络模型，并 且BP神经网络模型期望输出值及其与大菱鲆工厂化养殖水质类别的对照如表2；训练样 本的确定是将表1的专家数据与国家海水水质标准GB3097-1997相结合而进行归一化与 模糊化处理，形成表3的扩充规则，并以Levenberg-Marquardt法进行训练；

上述网络模型测试步骤包括：测试样本的导入和网络模型的评价，其中测试样本的 导入是将表4中的温度℃、盐度、pH、溶解氧mg/L作为测试样本输入到上述BP神经 网络模型中；网络模型的评价是将输出结果与实际水质类别通过表5相互比较，当神经 网络评价水质类别的误差精度＜10^-4时即通过测试，否则继续用样本数据训练网络，直 到达到要求为止；

表1大菱鲆工厂化养殖行业专家经验数据

  指标   I类   II类   III类   温度(℃)   15～20   10～15或20～23   ＜10或＞23   盐度   25～30   12～25或30～40   ＜12或＞40   pH   7.6～8.2   6.8～7.6或8.2～8.8   ＜6.8或＞8.8   溶解氧(mg/L)   ＞6   3～6   ＜3

表2大菱鲆工厂化养殖水质类别与BP网络模型期望输出对照表

  大菱鲆工厂化养殖水质类别   BP网络期望输出   I类：最适宜大菱鲆养殖的水质   0.2   II类：较适宜大菱鲆养殖的水质   0.4   III类：不适合大菱鲆养殖的水质   0.6

表3大菱鲆工厂化养殖水质评价BP神经网络模型训练样本集扩充规则

 编号   样本范围   期望输出   识别结果   样本数  样本组I   (15，25，7.6，6)～(20，30，8.2，∞)   0.2   I类   40  样本组II   (10，12，6.8，3)～(15，25，7.6，6)∪   (20，30，8.2，3)～(23，40，8.8，6)   0.4   II类   40  样本组III   (0，0，0，0)～(10，12，6.8，3)∪   (23，40，8.8，0)～(∞，∞，∞，3)   0.6   III类   40

表4大菱鲆工厂化养殖水质测试样本

表5模糊神经网络识别结果

  样本编号   输出模式   识别类型   实测类别   1   0.2   I   I   2   0.6   III   III   3   0.6   III   III   4   0.2   I   I   5   0.4   II   II   6   0.4   II   II   7   0.4   II   II   8   0.6   III   III   9   0.2   I   I   10   0.6   III   III

2.如权利要求1所述的大菱鲆养殖水质评价的模糊神经网络专家系统的构建方法， 其特征在于上述隐含层为单一隐含层且该隐含层单元数的确定采用下面公式：

隐含层单元数目＝(输入层单元数×输出层单元数)^1/2。