1 引言
我國既是水產養殖大國,又是水產養殖弱國,水產養殖業主要沿用大量消耗資源和粗放式經營的傳統方式。隨著人們的消費傾向由數量型向質量型轉變,在保護環境前提條件下,標準化生產、規范化操作、信息化管理的健康養殖方式是今后水產養殖業發展的方向之一。對集約化水產養殖進行數字化集成系統的研究,實現對水產養殖全過程的自動控制及科學管理,通過對水質參數的準確檢測、數據的可靠傳輸、信息的智能處理以及控制機構的智能控制,,對于水產養殖業的可持續發展實現科學養殖與管理具有重要的意義。
2 L-M優化算法
在人工神經網絡的實際應用中,BP神經網絡的應用較普遍,BP神經網絡被廣泛應用于多種領域,如自適應模式識別、實時分類、病蟲發生程度的預測等等。
2.1 BP網絡的結構和學習規則
BP(Back propagation)網絡是單向傳播的多層前向網絡,典型的網絡結構包括輸入層、中間層(隱含層)和輸出層。如圖1所示。
圖1 BP網絡結構圖
的數目,θH為隱層節點h的閾值,f為轉移函數。
從圖1中看到BP網絡目標信號和網絡輸出之間的誤差是反向傳播的。
BP學習算法的基本思想就是通過網絡輸出誤差的反向傳播,調整和修改網絡的連接權值ω,使誤差達到最小[1],其學習過程包括前向計算和誤差反向傳播。
圖2 網絡訓練流程圖
其中輸入信號以xi表示,隱層節點的輸出以zh表示,輸出節點的輸出以yj表示,目標信號為Tj,輸入節點i到隱層節點和的連接權值為ωhj,N1,N2,N3分別為輸入、隱層、輸出節點。
為使誤差最小,采用最速梯度下降法優化權值,該權值總是從輸出層開始修正,再修正前一層權值,即先調整ωhj后調整 ωih,具有反向傳播的含義。
1 2 3 下頁