专利名称：：大菱鲆养殖水质评价的�：窬缱蚁低车墓菇ǚ椒�
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�：窬缦低车姆椒�-大菱鲆养殖水质评价的�：窬缱蚁低车墓菇ǚ椒�。
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�：�-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。�：低衬芄恢苯颖硎韭呒视谥侗泶铮哂薪锨柯呒芰�。将�：低澈蜕窬缃岷闲纬赡：�-神经网络可以解决两方面的问题(l)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�：嬖虻娜范�。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�：窬缃岷掀鹄矗浞址⒒恿秸叩挠诺悖沟谜錾窬绯晌悄芑淖蚁低车闹犊馐欠浅１匾�。
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�：窬缱蚁低车姆椒�。本发明首次将神经网络、�：低澈驮谙呒嗖庀低诚嘟岷嫌τ糜诖罅怫夜こЩ乘势兰壑�。本发明的核心技术路线是实现�：齙神经网络、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�：窬�(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D0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本发明包括BP神经网络建�：虰P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t:、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�：恚纬杀�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t:、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。本发明所带来技术效果是因采用了人工神经网络技术，而可以逼近任何非线性函数，具有很强的自适应、自学习、联想记忆和并行处理能力。因此将其应用于大菱鲆养殖水质评价可避免传统评价方法中的人为设定、计算各评价因子对各级标准隶属函数及各指标的权重等，从而解决了传统大菱鲆水质评价中诸如人为因素等对评价结论的影响。图1本发明的神经网络模型的拓扑结构图。图2本发明的程序流程图。图3本发明的使用管理程序图。图4本发明的结构关系示意图。具体实施例方式本发明的程序流程如图2所示以阐明本发明构建的步骤或方法首先，BP神经网络建模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，所述的网络训练参数的设定采用基于Levenberg-Marquardt动量项法(即L-M法)来实现；选取表1的3级划分之后的大菱鲆生长的敏感指标温度(°C)、盐度、pH、溶解氧(mg/L)，即4项专家数据作为网络的输入参数。其中，所述的网络拓扑结构的确定如图l所示，是确定含有4个输入节点的输入层，含有2个隐节点的隐含层和含有1个输出节点的输出层构成的3层BP网络模型。其中，网络的输入层节点数包含4个输入节点，即进行了3级划分后的大菱鲆生长的敏感指标温度(°C)、盐度、pH、溶解氧(mg/L)作为网络输入参数，4个输入节点分别代表这4个指标的平均值；本网络隐含层为单一隐含层，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X输出层单元数)1/2=(4X1)1/2=2所以，本发明的隐含层单元数为2;本网络输出层节点数为1个神经单元，输出值为表2中的0.2、0.4或0.6，分别代表三级不同的大菱鲆工厂化养殖水质类别。其中，所述的训练样本的确定是将表1的四项专家数据与国家海水水质标准GB3097-1997(参见表6)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法对网络进行训练，即完成BP神经网络的建模。表1大菱鲆工厂化养殖行业专家经验数据<table>tableseeoriginaldocumentpage7</column></row><table>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<table>tableseeoriginaldocumentpage7</column></row><table>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<table>tableseeoriginaldocumentpage8</column></row><table>其次，网络模型测试包括测试样本的导入和网络模型的评价。测试样本的导入是在该网络训练完成后，用测试样本来检验网络。具体是将表4中的温度、盐度、pH、溶解氧数值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与实际水质类别通过表5相比较，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4大菱鉀工厂化养殖水质测试样本<table>tableseeoriginaldocumentpage8</column></row><table>表5�：窬缡侗鸾峁�<table>tableseeoriginaldocumentpage8</column></row><table><table>tableseeoriginaldocumentpage9</column></row><table>最后，将训练好的神经网络存入系统的神经网络库中。表6国家海水水质标准(GB3097-1997)<table>tableseeoriginaldocumentpage9</column></row><table>本系统的用户使用管理程序或步骤如图3所示1、输入用户名和密码，登陆水产健康养殖专家系统，在专家系统中选择大菱鲆工厂化水质评价。2、系统从神经网络库中调出相应的已经训练好的神经网络。3、选择要监测的水质指标(温度、盐度、PH、溶解氧)；同时在系统提示下，连接大菱鲆工厂化养殖水池中的多参数传感器并获得相应的在线监测数值，系统自动将数据输入到训练好的神经网络数据库中。4、通过已调出的神经网络作进行计算，并将大菱鲆水质类别的结果表示出来。5、反复上述步骤，直到评价工作结束。图4是本发明的�：窬缱蚁低车恼褰峁构叵�。专家与用户都可以使用本系统专家可用它输入样本数据、形成训练样本集、制定并训练神经网络模型、然后测试神经网络模型，最终建立�：窬缱铱猓挥没Э梢酝ü嗖问衅骷嗖獾较喙厥荩缓蟮饔米医⒌纳窬缒Ｐ停佣玫侥：窬缱腋龅拇罅怫夜こЩ乘势兰劢峁�。综上所述，本发明一方面采用传统人工智能专家系统的方法，以便更好的发挥行业专家经验；另一方面采用�：窬绶椒ǎ岷显谙呒嗖庀低乘嗖獾脑谙呤荩⒕虼罅渴菽诓康闹叮迪指咝浞椒届畹乃阉骱陀呕涣秸叩挠谢岷希钩闪饲坑辛Φ淖蚁低秤τ糜诙源罅怫夜こЩ乘实呐卸�。权利要求大菱鲆养殖水质评价的�：窬缱蚁低车墓菇ǚ椒ǎ˙P神经网络建�：虰P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�：恚纬杀�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(℃)15～2010～15或20～23＜10或＞23盐度25～3012～25或30～40＜12或＞40pH7.6～8.26.8～7.6或8.2～8.8＜6.8或＞8.8溶解氧(mg/L)＞63～6＜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0.2II类较适宜大菱鲆养殖的水质0.4III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，∞)0.2I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)0.4II类40样本组III(0，0，0，0)～(10，12，6.8，3)∪(23，40，8.8，0)～(∞，∞，∞，3)0.6III类40表4大菱鲆工厂化养殖水质测试样本表5�：窬缡侗鸾峁颈嗪攀涑瞿Ｊ绞侗鹄嘈褪挡饫啾�10.2II20.6IIIIII30.6IIIIII40.2II50.4IIII60.4IIII70.4IIII80.6IIIIII90.2II100.6IIIIII2.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x输出层单元数)1/2。全文摘要本发明涉及一种大菱鲆养殖水质评价的�：窬缱蚁低车墓菇ǚ椒ǎㄉ窬缃：屯缒Ｐ筒馐裕涮卣魇巧鲜錾窬缃０ㄍ缪盗凡问纳瓒ǎ唇�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、�：低澈驮谙呒嗖庀低诚嘟岷嫌τ糜诖罅怫夜こЩ乘势兰郏苊饬舜称兰鄯椒ǖ娜宋瓒ǖ炔僮鳎饩隽舜炒罅怫宜势兰壑兄钊缛宋蛩氐榷云兰鄣挠跋臁Ｎ牡当嗪臛01N33/18GK101793887SQ20101001186公开日2010年8月4日申请日期2010年1月9日优先权日2010年1月9日发明者周明莹,夏斌,崔毅,张良均,陈碧鹃申请人:中国水产科学研究院黄海水产研究所
专业数控铣床产品供应商
20年生产经验，实力工厂，精工品质，质量有保障
