[发明专利]基于MapReduce和BP神经网络的人工养殖水产生长预测方法及系统

说明书

本申请提供了一种基于MapReduce和BP神经网络的人工养殖水产生长预测方法及系统。采用融合MapReduce算法的BP神经网络构建的模型对人工养殖水产生长进行预测，能普遍适用于大量数据样本，拟合效果好、提高了预测精度。

技术领域

本发明涉及神经网络技术领域，具体涉及一种基于MapReduce和BP神经网络的人工养殖水产生长预测方法及系统。

背景技术

现阶段多采用集约化、高密度的养殖方式以提高养殖产量和效益，在集约化水产养殖系统中采用在线水质参数检测技术、自动投饵控制技术以及部分水质参数自动调控技术的养殖系统。但存在病害时有发生、管理难度加大等问题，对精细化管理的需求日益迫切。水产生物的生长发育状况是影响其产量的关键因素，因此，采用神经网络等先进技术建立水产生物的生长模型、揭示水产生物的生长发育规律进而实现精细管理十分必要。

现阶段多采用BP神经网络建立水产生物的生长模型，BP神经网络算法全称误差反向传播算法，由Romelhart和Mcclelland于1986年提出，由于具有结构简单、易于实现和优良的非线性映射能力等优点被广泛应用于图像压缩编码、人脸识别、故障检测、最优预测和分类等领域。虽然这些优点使其广泛应用于各个领域，但是它自身的缺点也逐渐暴露出来。BP神经网络算法在训练时具有高额的计算开销，使得它的学习效率较低、收敛速度较慢，处理大容量数据集时该问题尤为明显，严重影响了算法的运行效率。

发明内容

有鉴于此，本申请实施例致力于提供一种基于MapReduce和BP神经网络的人工养殖水产生长预测方法。采用融合MapReduce算法的BP神经网络构建的模型对人工养殖水产生长进行预测，能普遍适用于大量数据样本，拟合效果好、提高了预测精度。

本发明提供一种基于MapReduce和BP神经网络的人工养殖水产生长预测方法，包括以下步骤：

获取影响养殖水产生物生长的特征因子，并将获取的特征因子进行归一化处理；

将归一化处理后的特征因子输入至训练好的融合MapReduce算法的BP神经网络中，得出预测的养殖水产生物的体重。

优选的，还包括以养殖时间为横轴，将预测得出的养殖水产生物的体重作为纵轴，进行曲线拟合，得出预测生长曲线与实际生长曲线进行对比，根据对比结果，调整批量梯度。

在上述任意一项实施例中优选的，所述融合MapReduce算法的BP神经网络在进行训练时包括如下步骤：

S201、对BP神经网络进行并行化预处理；所述并行化预处理包括按照批处理梯度设定MapReduce读取每行数据中包含样本的个数；

S202、在Map阶段，将每行中包含的样本进行分割并组成一个新的数组，再使用小批量梯度下降算法进行BP神经网络训练，按照批处理数量更新平均权值并输出；

S203、在Reduce阶段，将Map阶段的输出权值作为输入，并求其算术平均值作为输出，重复Map和Reduce阶段直至达到最大训练次数或达到规定精度。

在上述任意一项实施例中优选的，在S202中，形成新数组时，包括：

利用split函数将样本分割成多行的列表；

利用numpy.array函数将列表转化为数组形式；其中，数组行数为批处理梯度，列数为数据的自变量个数。

在上述任意一项实施例中优选的，所述影响养殖水产生物生长的特征因子包括：日龄、存活率、饵料直径、投喂量、养殖密度、温度、光照强度、溶解氧、盐度、PH值、亚硝酸盐、氨氮、弧菌数、细菌总数以及投喂次。