1 引言
我国既是水产养殖大国,又是水产养殖弱国,水产养殖业主要沿用大量消耗资源和粗放式经营的传统方式。随着人们的消费倾向由数量型向质量型转变,在保护环境前提条件下,标准化生产、规范化操作、信息化管理的健康养殖方式是今后水产养殖业发展的方向之一。对集约化水产养殖进行数字化集成系统的研究,实现对水产养殖全过程的自动控制及科学管理,通过对水质参数的准确检测、数据的可靠传输、信息的智能处理以及控制机构的智能控制,,对于水产养殖业的可持续发展实现科学养殖与管理具有重要的意义。
2 L-M优化算法
在人工神经网络的实际应用中,BP神经网络的应用较普遍,BP神经网络被广泛应用于多种领域,如自适应模式识别、实时分类、病虫发生程度的预测等等。
2.1 BP网络的结构和学习规则
BP(Back propagation)网络是单向传播的多层前向网络,典型的网络结构包括输入层、中间层(隐含层)和输出层。如图1所示。
图1 BP网络结构图
的数目,θH为隐层节点h的阈值,f为转移函数。
从图1中看到BP网络目标信号和网络输出之间的误差是反向传播的。
BP学习算法的基本思想就是通过网络输出误差的反向传播,调整和修改网络的连接权值ω,使误差达到最小[1],其学习过程包括前向计算和误差反向传播。
图2 网络训练流程图
其中输入信号以xi表示,隐层节点的输出以zh表示,输出节点的输出以yj表示,目标信号为Tj,输入节点i到隐层节点和的连接权值为ωhj,N1,N2,N3分别为输入、隐层、输出节点。
为使误差最小,采用最速梯度下降法优化权值,该权值总是从输出层开始修正,再修正前一层权值,即先调整ωhj后调整 ωih,具有反向传播的含义。
1 2 3 下页