基于RBF神经网络的溶解氧预测模型研究

发布时间：2017-07-27 05:15

  本文关键词：基于RBF神经网络的溶解氧预测模型研究

  更多相关文章： RBF神经网络 改进型递归最小二乘算法 水产养殖水质 溶解氧预测

【摘要】：水产品疾病爆发甚至死亡存在多种因素,其中养殖水质恶化为首要因素,而水产养殖的水质参数种类繁多,具有非线性,模糊不确定,多变量等特点,致使精确的水质预测成为水产养殖产业迫切需要解决的问题。因而,探索适宜的水产养殖水质预测方法对实现养殖水体水质的精准预测以及确保水产品的健康生长具有重要的经济价值,理论价值及现实意义。在水质预测应用方面,RBF(Radial Basis Function,径向基函数)神经网络算法因为其自学习自适应以及无限可微的良好性能得到了快速地发展。建立RBF神经网络算法的水质预测模型,不仅可以克服传统水质预测方法的缺陷,而且可以提高养殖水质的预测精度。但是,由于RBF神经网络算法自身也存在缺陷,并且水产养殖水质变化无常,建立优化RBF神经网络算法的水质预测模型显得尤为重要。对于RBF神经网络,隐含层到输出层的连接权值的确定是否得当与网络的预测精度有着密切的关系。由于RBF神经网络隐层到输出层的变化是线性的,因此,利用递归最小二乘算法进行RBF神经网络隐层到输出层的权值训练可以有效地提高网络的收敛速度以及预测精度。但是,如果训练样本过多,利用该算法训练时可能导致矩阵过于庞大而出现病态运算,进而得不到精确的预测结果。为了弥补该算法的缺陷,引入改进型递归最小二乘算法与RBF神经网络进行融合,优化了其隐层到输出层连接权值的训练过程。本文以水产养殖水质重要参数溶解氧为研究对象,对优化的RBF神经网络水产养殖水质预测模型进行了详细分析。本文的研究重点主要包括:(1)对RBF神经网络的概念进行了详细地阐述,并分析了水质预测的现状以及RBF神经网络算法在水质预测中的应用;(2)详细阐述了递归最小二乘算法以及改进型递归最小二乘算法的理论知识,并分析了改进型递归最小二乘算法的收敛性,扩大其应用的范围;(3)利用改进型递归最小二乘算法优化RBF神经网络隐含层到输出层连接权值,以溶解氧为研究对象,构建改进型递归最小二乘算法优化的RBF神经网络的溶解氧预测模型。(4)借助MATLAB将RBF神经网络,递归最小二乘RBF神经网络以及改进型递归最小二乘RBF神经网络水质预测结果进行对比分析,提高了RBF神经网络在水质预测应用中的预测精度及网络的收敛速度。
【关键词】：RBF神经网络 改进型递归最小二乘算法 水产养殖水质 溶解氧预测
【学位授予单位】：上海海洋大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：S959;TP183
【目录】：

• 摘要4-6
• ABSTRACT6-10
• 第一章 绪论10-17
• 1.1 研究背景10-11
• 1.2 课题来源和研究意义11
• 1.2.1 来源11
• 1.2.2 意义11
• 1.3 国内外相关领域的研究现状11-15
• 1.3.1 水质预测研究现状11-14
• 1.3.2 RBF神经网络在水质预测中应用现状14-15
• 1.4 论文结构15-17
• 1.4.1 研究内容15
• 1.4.2 论文框架15-17
• 第二章 RBF神经网络17-25
• 2.1 人工神经网络17
• 2.2 RBF神经网络简介17-20
• 2.2.1 RBF神经网络模型18-19
• 2.2.2 RBF神经网络工作原理19-20
• 2.3 RBF神经网络径向基中心的确定20-21
• 2.4 RBF神经网络学习算法21-24
• 2.4.1 输入层到隐含层的非线性映射21-22
• 2.4.2 隐含层到输出层的线性映射22-23
• 2.4.3 RBF神经网络隐含层和输出层连接权值学习算法23-24
• 2.5 本章小结24-25
• 第三章 优化的RBF神经网络算法对比25-33
• 3.1 递归最小二乘算法25-28
• 3.2 改进型递归最小二乘算法28-29
• 3.3 优化算法的收敛性分析29-30
• 3.4 算法理论对比分析30-31
• 3.4.1 递归最小二乘算法的不足30
• 3.4.2 算法异同点30-31
• 3.5 本章小结31-33
• 第四章 基于优化的RBF神经网络溶解氧预测模型33-54
• 4.1 溶解氧的重要性33-34
• 4.1.1 溶解氧的基本概念33
• 4.1.2 溶解氧对水产养殖的影响33-34
• 4.2 溶解氧与其他水质因子相关性分析34-38
• 4.3 数据来源及样本构成38-44
• 4.3.1 数据来源38-42
• 4.3.2 样本构成42-44
• 4.4 数据样本与预处理44-46
• 4.5 溶解氧预测模型46-49
• 4.6 溶解氧预测结果比较及分析49-53
• 4.6.1 改进型递归最小二乘仿真结果49-51
• 4.6.2 溶解氧预测结果对比分析51-53
• 4.7 本章小结53-54
• 第五章 总结与展望54-56
• 5.1 主要工作总结54
• 5.2 本课题需要进一步研究的地方54-56
• 参考文献56-59
• 附录59-60
• 致谢60

【相似文献】

中国期刊全文数据库 前10条

1 董广强,韩继光,邢艳芳;神经网络在曲线图中的应用[J];农机化研究;2003年01期

2 冯芙叶,赵高长,张Oz举;梯度神经网络的H-稳定性[J];西北农林科技大学学报(自然科学版);2003年01期

3 朱玲;裴洪平;陈荣;;灰色RBF网络在西湖叶绿素a预测中的应用[J];农机化研究;2008年01期

4 师春祥;王晶;张文静;段庆;;蚁群神经网络用于农村电力短期负荷预测[J];农机化研究;2008年10期

5 姚吟秋;;浅谈神经网络在生物工程中的应用[J];贵州农机化;2011年01期

6 黄星奕,吴守一,方如明;用神经网络方法进行大米留胚率自动检测的研究[J];农业工程学报;1999年04期

7 冯旭东,陈方;神经网络在病虫害诊断中的应用[J];电脑开发与应用;1999年01期

8 刘素青,周畅,杜盛珍;基于遗传算法的神经网络木材消耗量预测模型研究[J];林业科学;2001年03期

9 郝志华,马孝江;多分量神经网络自回归模型及其工程应用[J];农业机械学报;2005年02期

10 刘继龙;张振华;谢恒星;;果园土壤贮水量神经网络估算模型研究[J];农业系统科学与综合研究;2007年01期

中国重要会议论文全文数据库 前10条

1 徐春玉;;基于泛集的神经网络的混沌性[A];1996中国控制与决策学术年会论文集[C];1996年

2 周树德;王岩;孙增圻;孙富春;;量子神经网络[A];2003年中国智能自动化会议论文集（上册）[C];2003年

3 罗山;张琳;范文新;;基于神经网络和简单规划的识别融合算法[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

4 郭爱克;马尽文;丁康;;序言(二)[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

5 钟义信;;知识论:神经网络的新机遇——纪念中国神经网络10周年[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

6 许进;保铮;;神经网络与图论[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

7 金龙;朱诗武;赵成志;陈宁;;数值预报产品的神经网络释用预报应用[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 田金亭;;神经网络在中学生创造力评估中的应用[A];第十二届全国心理学学术大会论文摘要集[C];2009年

9 唐墨;王科俊;;自发展神经网络的混沌特性研究[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

10 张广远;万强;曹海源;田方涛;;基于遗传算法优化神经网络的故障诊断方法研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

中国重要报纸全文数据库 前10条

1 美国明尼苏达大学社会学博士 密西西比州立大学国家战略规划与分析研究中心资深助理研究员 陈心想;维护好创新的“神经网络硬件”[N];中国教师报;2014年

2 卢业忠;脑控电脑 惊世骇俗[N];计算机世界;2001年

3 葛一鸣 路边文;人工神经网络将大显身手[N];中国纺织报;2003年

4 中国科技大学计算机系　邢方亮;神经网络挑战人类大脑[N];计算机世界;2003年

5 记者 孙刚;“神经网络”：打开复杂工艺“黑箱”[N];解放日报;2007年

6 本报记者 刘霞;美用DNA制造出首个人造神经网络[N];科技日报;2011年

7 健康时报特约记者　 张献怀;干细胞移植：修复受损的神经网络[N];健康时报;2006年

8 刘力;我半导体神经网络技术及应用研究达国际先进水平[N];中国电子报;2001年

9 ;神经网络和模糊逻辑[N];世界金属导报;2002年

10 邹丽梅 陈耀群;江苏科大神经网络应用研究通过鉴定[N];中国船舶报;2006年

中国博士学位论文全文数据库 前10条

1 杨旭华;神经网络及其在控制中的应用研究[D];浙江大学;2004年

2 李素芳;基于神经网络的无线通信算法研究[D];山东大学;2015年

3 石艳超;忆阻神经网络的混沌性及几类时滞神经网络的同步研究[D];电子科技大学;2014年

4 王新迎;基于随机映射神经网络的多元时间序列预测方法研究[D];大连理工大学;2015年

5 付爱民;极速学习机的训练残差、稳定性及泛化能力研究[D];中国农业大学;2015年

6 李辉;基于粒计算的神经网络及集成方法研究[D];中国矿业大学;2015年

7 王卫苹;复杂网络几类同步控制策略研究及稳定性分析[D];北京邮电大学;2015年

8 张海军;基于云计算的神经网络并行实现及其学习方法研究[D];华南理工大学;2015年

9 李艳晴;风速时间序列预测算法研究[D];北京科技大学;2016年

10 陈辉;多维超精密定位系统建模与控制关键技术研究[D];东南大学;2015年

中国硕士学位论文全文数据库 前10条

1 章颖;混合不确定性模块化神经网络与高校效益预测的研究[D];华南理工大学;2015年

2 贾文静;基于改进型神经网络的风力发电系统预测及控制研究[D];燕山大学;2015年

3 李慧芳;基于忆阻器的涡卷混沌系统及其电路仿真[D];西南大学;2015年

4 陈彦至;神经网络降维算法研究与应用[D];华南理工大学;2015年

5 董哲康;基于忆阻器的组合电路及神经网络研究[D];西南大学;2015年

6 武创举;基于神经网络的遥感图像分类研究[D];昆明理工大学;2015年

7 李志杰;基于神经网络的上证指数预测研究[D];华南理工大学;2015年

8 陈少吉;基于神经网络血压预测研究与系统实现[D];华南理工大学;2015年

9 张韬;几类时滞神经网络稳定性分析[D];渤海大学;2015年

10 邵雪莹;几类时滞不确定神经网络的稳定性分析[D];渤海大学;2015年

，

本文编号：579951