一种基于气象数据的淡水养殖水质预测方法

摘要

本发明公开了一种基于气象数据的淡水养殖水质预测方法，所述的气象数据包括气压、气温、降雨量、光照强度，风速、风向和空气湿度，以所述的气象参数以及淡水养殖中使用的增氧机开关时间作为输入变量，利用遗传算法和3层BP神经网络预测所述淡水养殖水质的溶解氧变化情况。

主权项

一种基于气象数据的淡水养殖水质预测方法，所述的气象数据包括气压、气温、降雨量、光照强度，风速、风向和空气湿度，其特征在于，以所述的气象参数以及淡水养殖中使用的增氧机开关时间作为输入变量，利用遗传算法和3层BP神经网络预测所述淡水养殖水质的溶解氧变化情况，具体又包括以下步骤：1)以3层BP神经网络结构和该结构对应的初始参数为遗传算法的初始群体个体，其中初始参数中隐含层个数为3到16，隐含层和输出层阈值随机产生；2)建立初始状态的下的BP神经网络；3)学习样本选择位于所述淡水养殖点的一个时间段的小型气象站监测到的气象数据及增氧机开关时间，采样数据时间间隔为10分钟，输出结果为池塘溶解氧预测值；4)统计所有学习样本总误差作为遗传算法的适应度函数，计算每个个体的适应度函数值；5)采用最佳个体保存和适应度比例相结合的选择算法进行选择计算；6)按照公式(1)和公式(2)计算交叉概率和变异概率，其中f_max为当前群体中适应度值的最大值，f_min为当前群体中适应度值的最小值，f_biger为参与交叉的两个个体中适应度较高的个体的适应度值，f_av为当前群体适应度值的平均值，f为当前个体的适应度值；7)按照选择、交叉、变异遗传操作方法进行遗传操作产生新的种群；8)指定最大遗传次数为N＝1000，精度＝2.0，当达到精度或者完成最大遗传次数时，跳出遗传算法并选择适应度值最高个体重新搭建BP神经网络；9)指定神经网络误差＝0.001，学习效率lr＝0.01，进行神经网络学习；10)当学习次数或者总误差满足精度时结束神经网络学习。