基于改进深度信念网络的池塘养殖水体氨氮预测模型研究

作     者：陈英义 成艳君 杨玲 刘烨琦 李道亮 Chen Yingyi;Cheng Yanjun;Yang Ling;Liu Yeqi;Li Daoliang

作者机构：中国农业大学信息与电气工程学院北京100083 农业部农业信息获取技术重点实验室北京100083 北京农业物联网工程技术研究中心北京100083 

出 版 物：《农业工程学报》 (Transactions of the Chinese Society of Agricultural Engineering)

年 卷 期：2019年第35卷第7期

页      面：195-202页

核心收录：

学科分类：090801[农学-水产养殖] 082803[工学-农业生物环境与能源工程] 0908[农学-水产] 08[工学] 0828[工学-农业工程] 09[农学] 

基　　金：北京市科技计划(Z171100001517016) 山东省重点研究发展计划(2017CXGC0201) 

主　　题：模型 主成分分析 水产养殖 氨氮预测 粒子群算法 深度信念网络 小波降噪 

摘      要：水体氨氮是影响水产养殖质量和产量的关键参数之一。然而,池塘养殖环境复杂多变,氨氮含量影响因子众多,且各因子之间相互关联并呈现非线性变化,同时,获取的数据存在大量噪声。因此,采用数学方法及传统神经网络很难精准预测氨氮含量,且在进行数据训练时存在局部收敛和计算效率差的问题。针对上述问题,首先,通过主成分分析筛选影响氨氮含量变化的主要因子作为模型输入,利用小波阈值方法实现噪声消除;然后,提出一种基于粒子群优化算法(particle swarm optimization, PSO)并结合多变量深度信念网络(multi-variable deep belief network, MDBN)预测模型,对池塘养殖水体溶解氧预测,并与传统最小二乘支持向量机、BP神经网络、DBNs(deep belief networks)模型进行了比较分析。研究结果表明,该文所提方法其平均百分比误差(mean absolute percentage error,MAPE)为0.1172,与传统最小二乘支持向量机、BP神经网络、DBNs方法进行对比,其MAPE分别降低了0.285 9、0.214 6、0.013 9。除此之外,随着样本数量增加,其模型绝对误差不断降低。因此,该文所提方法具有高的预测精度及泛化性能,研究可为池塘水体氨氮含量精准预测提供理论依据和参数支持。