[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

摘要

本发明涉及一种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，包括神经网络建模和网络模型测试，其特征是上述神经网络建模包括：网络训练参数的设定，即将3级划分后的大菱鲆生长的敏感指标：温度、盐度、pH、溶解氧4项专家数据作为输入参数，网络拓扑结构的确定，即采用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层神经网络，以及训练样本的确定；上述网络模型测试包括：测试样本的导入和网络模型的评价。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，避免了传统评价方法的人为设定等操作，解决了传统大菱鲆水质评价中诸如人为因素等对评价的影响。

主权项

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 编号  样本范围  期望输出  识别结果  样本数 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  样本编号  输出模式  识别类型  实测类别  8  0.6  III  III  9  0.2  I  I  10  0.6  III  III