[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

说明书

技术领域

本发明具体涉及一种工厂化建立大菱鲆养殖水质评价的模糊神经网络系统的方法 -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。

背景技术

环境质量的准确评价是环境保护、生态文明建设中的一项重要工作。水环境质量评 价简称水质评价，是对水品质优劣进行定性或定量的描述，以准确地反映目前的水体质 量和污染状况，弄清水体质量变化发展的规律，找出受评价区域的主要污染问题，为水 污染治理、水功能区划、水环境规划以及水环境管理提供依据。传统的大菱鲆工厂化养 殖水质评价，是通过多参数分析仪测定相应水质参数，通过用人工(行业专家)对水质 进行评价。这种方法的缺点在于：水质监测点的选择缺乏代表性；水质参数测定存在误 差；行业专家评价工作量大；评价结果受行业专家主观认识等因素影响较大，故具有明 显的随意性，一致性差。

目前，传统人工智能专家系统已成功地应用于许多方面，在具有精确含义的符号逻 辑推导的领域是十分成功的。但是，有一些实际问题无法或很难用符号技术或确定性数 学模型描述，这恰恰是模糊-神经网络的用武之地。神经网络是一种智能技术，适用于解 决用传统数学模型方法难以解决的、非确定性的复杂问题。它善于从不完整的、有较强 干扰因素大量数据中归纳、获取知识，建立映射关系。BP网络即倒传播网络，是最简单 的多层神经网络，也是人工神经网络中最具代表性和应用最广泛的一种模型。它是由非 线性变换单元组成的前馈型网络，一般由3个神经元层次组成，即输入层、输出层、隐 含层。各层的处理单元之间形成全互连连接，同层内的处理单元间没有连接。BP网络的 基本原理是利用最陡坡降法的概念，将误差函数予以最小化。误差逆传播是BP网络的 核心，它把网络输出的误差归结为各连接权的“过错”，通过把输出层处理单元的误差逐 层向输入层逆向传播以“分摊”给各层处理单元，从而获得各层处理单元的参考误差， 从而调整相应的连接权，直到网络的误差达到最小。Levenberg-Marquardt法实际上是梯 度下降法和牛顿法的结合，它的优点在于网络权值数目较少时收敛非常迅速。应用 Levenberg-Marquardt优化算法比传统的BP及其它改进算法(如共轭梯度法，附加动量 法、自适应调整法及拟牛顿法等)迭代次数少，收敛速度快，精确度高。因此， Levenberg-Marquardt优化算法在BP网络学习中具有一定优越性。模糊系统能够直接表 示逻辑，适于知识表达，具有较强逻辑能力。将模糊系统和神经网络结合形成模糊-神 经网络可以解决两方面的问题：(1)对参数的自动调整，包括隶属度确定时和清晰时的参 数；(2)网络结构的确定，包括对输入区间划分所得模糊规则的确定。

总之，传统专家系统具有知识获取困难、推理能力弱、智能水平低和实用性差等缺 点，将专家系统与模糊神经网络结合起来，充分发挥两者的优点，使得整个神经网络成 为更智能化的专家系统的知识库是非常必要的。

发明内容

本发明的目的在于提供一种减少人工评价工作量，提高评价结果准确性和客观性的 大菱鲆工，厂化水质评价方法，即建立大菱鲆工厂化养殖水质评价的模糊神经网络专家系 统的方法。

本发明首次将神经网络、模糊系统和在线监测系统相结合应用于大菱鲆工厂化养殖 水质评价中。本发明的核心技术路线是实现模糊-神经网络、在线监测系统与传统计算机 技术相结合的集成应用。利用人工神经网络的学习与推广能力，以行业专家提供的经验 数据和国家海水水质标准(GB3097-1997)为样本，训练一系列模糊神经网络(库)；精 心组织，构成人-机交互式、基于模糊-神经计算、在线监测系统与传统计算机技术相结 合的专家评价系统。本发明是以温度、盐度、pH、溶解氧DO的多参数传感器(YSI556MPS 型)在线监测指标为输入变量，水质监测的代表性采样点应该在底层水附近；水质类别 为输出变量，根据行业专家的大菱鲆养殖经验，并提供水质分类标准数据，以此典型数 据作样本，训练指定的神经网络；逐一建立由许多不同的组对应的许多不同的神经网络， 构成神经网络库，并用一定得程序对它们进行管理。训练后的神经网络库可获得较为准 确的评价大菱鲆工厂化水质的专家知识，从而实现比传统评价方法更为可靠、准确的评 价，因此大大提高了评价质量。