專利名稱：：大菱鲆養(yǎng)殖水質(zhì)評(píng)價(jià)的模糊神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的構(gòu)建方法
技術(shù)領(lǐng)域：
：本發(fā)明具體涉及一種工廠化建立大菱鲆養(yǎng)殖水質(zhì)評(píng)價(jià)的模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)的方法-大菱鲆養(yǎng)殖水質(zhì)評(píng)價(jià)的模糊神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的構(gòu)建方法。
背景技術(shù)：
：環(huán)境質(zhì)量的準(zhǔn)確評(píng)價(jià)是環(huán)境保護(hù)、生態(tài)文明建設(shè)中的一項(xiàng)重要工作。水環(huán)境質(zhì)量評(píng)價(jià)簡(jiǎn)稱水質(zhì)評(píng)價(jià)，是對(duì)水品質(zhì)優(yōu)劣進(jìn)行定性或定量的描述，以準(zhǔn)確地反映目前的水體質(zhì)量和污染狀況，弄清水體質(zhì)量變化發(fā)展的規(guī)律，找出受評(píng)價(jià)區(qū)域的主要污染問(wèn)題，為水污染治理、水功能區(qū)劃、水環(huán)境規(guī)劃以及水環(huán)境管理提供依據(jù)。傳統(tǒng)的大菱鲆工廠化養(yǎng)殖水質(zhì)評(píng)價(jià)，是通過(guò)多參數(shù)分析儀測(cè)定相應(yīng)水質(zhì)參數(shù)，通過(guò)用人工(行業(yè)專家)對(duì)水質(zhì)進(jìn)行評(píng)價(jià)。這種方法的缺點(diǎn)在于水質(zhì)監(jiān)測(cè)點(diǎn)的選擇缺乏代表性；水質(zhì)參數(shù)測(cè)定存在誤差；行業(yè)專家評(píng)價(jià)工作量大；評(píng)價(jià)結(jié)果受行業(yè)專家主觀認(rèn)識(shí)等因素影響較大，故具有明顯的隨意性，一致性差。目前，傳統(tǒng)人工智能專家系統(tǒng)已成功地應(yīng)用于許多方面，在具有精確含義的符號(hào)邏輯推導(dǎo)的領(lǐng)域是十分成功的。但是，有一些實(shí)際問(wèn)題無(wú)法或很難用符號(hào)技術(shù)或確定性數(shù)學(xué)模型描述，這恰恰是模糊-神經(jīng)網(wǎng)絡(luò)的用武之地。神經(jīng)網(wǎng)絡(luò)是一種智能技術(shù)，適用于解決用傳統(tǒng)數(shù)學(xué)模型方法難以解決的、非確定性的復(fù)雜問(wèn)題。它善于從不完整的、有較強(qiáng)干擾因素大量數(shù)據(jù)中歸納、獲取知識(shí)，建立映射關(guān)系。BP網(wǎng)絡(luò)即倒傳播網(wǎng)絡(luò)，是最簡(jiǎn)單的多層神經(jīng)網(wǎng)絡(luò)，也是人工神經(jīng)網(wǎng)絡(luò)中最具代表性和應(yīng)用最廣泛的一種模型。它是由非線性變換單元組成的前饋型網(wǎng)絡(luò)，一般由3個(gè)神經(jīng)元層次組成，即輸入層、輸出層、隱含層。各層的處理單元之間形成全互連連接，同層內(nèi)的處理單元間沒(méi)有連接。BP網(wǎng)絡(luò)的基本原理是利用最陡坡降法的概念，將誤差函數(shù)予以最小化。誤差逆?zhèn)鞑ナ荁P網(wǎng)絡(luò)的核心，它把網(wǎng)絡(luò)輸出的誤差歸結(jié)為各連接權(quán)的"過(guò)錯(cuò)"，通過(guò)把輸出層處理單元的誤差逐層向輸入層逆向傳播以"分?jǐn)?給各層處理單元，從而獲得各層處理單元的參考誤差，從而調(diào)整相應(yīng)的連接權(quán)，直到網(wǎng)絡(luò)的誤差達(dá)到最小。Levenberg-Marquardt法實(shí)際上是梯度下降法和牛頓法的結(jié)合，它的優(yōu)點(diǎn)在于網(wǎng)絡(luò)權(quán)值數(shù)目較少時(shí)收斂非常迅速。應(yīng)用Levenberg-Marquardt優(yōu)化算法比傳統(tǒng)的BP及其它改進(jìn)算法(如共軛梯度法，附加動(dòng)量法、自適應(yīng)調(diào)整法及擬牛頓法等)迭代次數(shù)少，收斂速度快，精確度高。因此，Levenberg-Marquardt優(yōu)化算法在BP網(wǎng)絡(luò)學(xué)習(xí)中具有一定優(yōu)越性。模糊系統(tǒng)能夠直接表示邏輯，適于知識(shí)表達(dá)，具有較強(qiáng)邏輯能力。將模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)結(jié)合形成模糊-神經(jīng)網(wǎng)絡(luò)可以解決兩方面的問(wèn)題(l)對(duì)參數(shù)的自動(dòng)調(diào)整，包括隸屬度確定時(shí)和清晰時(shí)的參數(shù)；(2)網(wǎng)絡(luò)結(jié)構(gòu)的確定，包括對(duì)輸入?yún)^(qū)間劃分所得模糊規(guī)則的確定?？傊?，傳統(tǒng)專家系統(tǒng)具有知識(shí)獲取困難、推理能力弱、智能水平低和實(shí)用性差等缺點(diǎn)，將專家系統(tǒng)與模糊神經(jīng)網(wǎng)絡(luò)結(jié)合起來(lái)，充分發(fā)揮兩者的優(yōu)點(diǎn)，使得整個(gè)神經(jīng)網(wǎng)絡(luò)成為更智能化的專家系統(tǒng)的知識(shí)庫(kù)是非常必要的。
發(fā)明內(nèi)容本發(fā)明的目的在于提供一種減少人工評(píng)價(jià)工作量，提高評(píng)價(jià)結(jié)果準(zhǔn)確性和客觀性的大菱鲆工，廠化水質(zhì)評(píng)價(jià)方法，即建立大菱鲆工廠化養(yǎng)殖水質(zhì)評(píng)價(jià)的模糊神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的方法。本發(fā)明首次將神經(jīng)網(wǎng)絡(luò)、模糊系統(tǒng)和在線監(jiān)測(cè)系統(tǒng)相結(jié)合應(yīng)用于大菱鲆工廠化養(yǎng)殖水質(zhì)評(píng)價(jià)中。本發(fā)明的核心技術(shù)路線是實(shí)現(xiàn)模糊_神經(jīng)網(wǎng)絡(luò)、在線監(jiān)測(cè)系統(tǒng)與傳統(tǒng)計(jì)算機(jī)技術(shù)相結(jié)合的集成應(yīng)用。利用人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)與推廣能力，以行業(yè)專家提供的經(jīng)驗(yàn)數(shù)據(jù)和國(guó)家海水水質(zhì)標(biāo)準(zhǔn)(GB3097-1997)為樣本，訓(xùn)練一系列模糊神經(jīng)網(wǎng)絡(luò)(庫(kù))；精心組織，構(gòu)成人_機(jī)交互式、基于模糊_神經(jīng)計(jì)算、在線監(jiān)測(cè)系統(tǒng)與傳統(tǒng)計(jì)算機(jī)技術(shù)相結(jié)合的專家評(píng)價(jià)系統(tǒng)。本發(fā)明是以溫度、鹽度、pH、溶解氧D0的多參數(shù)傳感器(YSI556MPS型)在線監(jiān)測(cè)指標(biāo)為輸入變量，水質(zhì)監(jiān)測(cè)的代表性采樣點(diǎn)應(yīng)該在底層水附近；水質(zhì)類別為輸出變量，根據(jù)行業(yè)專家的大菱鲆養(yǎng)殖經(jīng)驗(yàn)，并提供水質(zhì)分類標(biāo)準(zhǔn)數(shù)據(jù)，以此典型數(shù)據(jù)作樣本，訓(xùn)練指定的神經(jīng)網(wǎng)絡(luò)；逐一建立由許多不同的組對(duì)應(yīng)的許多不同的神經(jīng)網(wǎng)絡(luò)，構(gòu)成神經(jīng)網(wǎng)絡(luò)庫(kù)，并用一定得程序?qū)λ鼈冞M(jìn)行管理。訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)庫(kù)可獲得較為準(zhǔn)確的評(píng)價(jià)大菱鲆工廠化水質(zhì)的專家知識(shí)，從而實(shí)現(xiàn)比傳統(tǒng)評(píng)價(jià)方法更為可靠、準(zhǔn)確的評(píng)價(jià)，因此大大提高了評(píng)價(jià)質(zhì)本發(fā)明包括BP神經(jīng)網(wǎng)絡(luò)建模和BP神經(jīng)網(wǎng)絡(luò)模型測(cè)試兩個(gè)步驟，其特征在于上述BP神經(jīng)網(wǎng)絡(luò)建模步驟包括網(wǎng)絡(luò)訓(xùn)練參數(shù)的設(shè)定、網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的確定和訓(xùn)練樣本的確定，其中網(wǎng)絡(luò)訓(xùn)練參數(shù)的設(shè)定是選取表1的3級(jí)劃分后的大菱鲆生長(zhǎng)的敏感指標(biāo)溫度t:、鹽度、PH、溶解氧(mg/L)，即4項(xiàng)專家數(shù)據(jù)作為網(wǎng)絡(luò)的輸入?yún)?shù)；網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的確定是采用含有4個(gè)輸入節(jié)點(diǎn)的輸入層、2個(gè)隱節(jié)點(diǎn)的隱含層和1個(gè)輸出節(jié)點(diǎn)的輸出層構(gòu)成的3層BP神經(jīng)網(wǎng)絡(luò)模型，并且BP神經(jīng)網(wǎng)絡(luò)模型期望輸出值及其與大菱鲆工廠化養(yǎng)殖水質(zhì)類別的對(duì)照如表2;訓(xùn)練樣本的確定是將表1的專家數(shù)據(jù)與國(guó)家海水水質(zhì)標(biāo)準(zhǔn)GB3097-1997相結(jié)合而進(jìn)行歸一化與模糊化處理，形成表3的擴(kuò)充規(guī)則，并以Levenberg-Marquardt法進(jìn)行訓(xùn)練；上述網(wǎng)絡(luò)模型測(cè)試步驟包括測(cè)試樣本的導(dǎo)入和網(wǎng)絡(luò)模型的評(píng)價(jià)，其中測(cè)試樣本的導(dǎo)入是將表4中的溫度t:、鹽度、pH、溶解氧mg/L作為測(cè)試樣本輸入到上述BP神經(jīng)網(wǎng)絡(luò)模型中；網(wǎng)絡(luò)模型的評(píng)價(jià)是將輸出結(jié)果與實(shí)際水質(zhì)類別通過(guò)表5相互比較，當(dāng)神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)水質(zhì)類別的誤差精度<10—4時(shí)即通過(guò)測(cè)試，否則繼續(xù)用樣本數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，直到達(dá)到要求為止。本發(fā)明所帶來(lái)技術(shù)效果是因采用了人工神經(jīng)網(wǎng)絡(luò)技術(shù)，而可以逼近任何非線性函數(shù)，具有很強(qiáng)的自適應(yīng)、自學(xué)習(xí)、聯(lián)想記憶和并行處理能力。因此將其應(yīng)用于大菱鲆養(yǎng)殖水質(zhì)評(píng)價(jià)可避免傳統(tǒng)評(píng)價(jià)方法中的人為設(shè)定、計(jì)算各評(píng)價(jià)因子對(duì)各級(jí)標(biāo)準(zhǔn)隸屬函數(shù)及各指標(biāo)的權(quán)重等，從而解決了傳統(tǒng)大菱鲆水質(zhì)評(píng)價(jià)中諸如人為因素等對(duì)評(píng)價(jià)結(jié)論的影響。圖1本發(fā)明的神經(jīng)網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)圖。圖2本發(fā)明的程序流程圖。圖3本發(fā)明的使用管理程序圖。圖4本發(fā)明的結(jié)構(gòu)關(guān)系示意圖。具體實(shí)施例方式本發(fā)明的程序流程如圖2所示以闡明本發(fā)明構(gòu)建的步驟或方法首先，BP神經(jīng)網(wǎng)絡(luò)建模包括網(wǎng)絡(luò)訓(xùn)練參數(shù)的設(shè)定、網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的確定和訓(xùn)練樣本的確定。其中，所述的網(wǎng)絡(luò)訓(xùn)練參數(shù)的設(shè)定采用基于Levenberg-Marquardt動(dòng)量項(xiàng)法(即L-M法)來(lái)實(shí)現(xiàn)；選取表1的3級(jí)劃分之后的大菱鲆生長(zhǎng)的敏感指標(biāo)溫度(°C)、鹽度、pH、溶解氧(mg/L)，即4項(xiàng)專家數(shù)據(jù)作為網(wǎng)絡(luò)的輸入?yún)?shù)。其中，所述的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的確定如圖l所示，是確定含有4個(gè)輸入節(jié)點(diǎn)的輸入層，含有2個(gè)隱節(jié)點(diǎn)的隱含層和含有1個(gè)輸出節(jié)點(diǎn)的輸出層構(gòu)成的3層BP網(wǎng)絡(luò)模型。其中，網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)包含4個(gè)輸入節(jié)點(diǎn)，即進(jìn)行了3級(jí)劃分后的大菱鲆生長(zhǎng)的敏感指標(biāo)溫度(°C)、鹽度、pH、溶解氧(mg/L)作為網(wǎng)絡(luò)輸入?yún)?shù)，4個(gè)輸入節(jié)點(diǎn)分別代表這4個(gè)指標(biāo)的平均值；本網(wǎng)絡(luò)隱含層為單一隱含層，隱含層單元數(shù)的確定采用下面公式隱含層單元數(shù)目=(輸入層單元數(shù)X輸出層單元數(shù))1/2=(4X1)1/2=2所以，本發(fā)明的隱含層單元數(shù)為2;本網(wǎng)絡(luò)輸出層節(jié)點(diǎn)數(shù)為1個(gè)神經(jīng)單元，輸出值為表2中的0.2、0.4或0.6，分別代表三級(jí)不同的大菱鲆工廠化養(yǎng)殖水質(zhì)類別。其中，所述的訓(xùn)練樣本的確定是將表1的四項(xiàng)專家數(shù)據(jù)與國(guó)家海水水質(zhì)標(biāo)準(zhǔn)GB3097-1997(參見(jiàn)表6)相結(jié)合而進(jìn)行歸一化與模糊化處理，形成表3的擴(kuò)充規(guī)則，并以Levenberg-Marquardt法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，即完成BP神經(jīng)網(wǎng)絡(luò)的建模。表1大菱鲆工廠化養(yǎng)殖行業(yè)專家經(jīng)驗(yàn)數(shù)據(jù)<table>tableseeoriginaldocumentpage7</column></row><table>表2大菱鲆工廠化養(yǎng)殖水質(zhì)類別與BP網(wǎng)絡(luò)模型期望輸出對(duì)照表<table>tableseeoriginaldocumentpage7</column></row><table>表3大菱鲆工廠化養(yǎng)殖水質(zhì)評(píng)價(jià)BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練樣本集擴(kuò)充規(guī)則<table>tableseeoriginaldocumentpage8</column></row><table>其次，網(wǎng)絡(luò)模型測(cè)試包括測(cè)試樣本的導(dǎo)入和網(wǎng)絡(luò)模型的評(píng)價(jià)。測(cè)試樣本的導(dǎo)入是在該網(wǎng)絡(luò)訓(xùn)練完成后，用測(cè)試樣本來(lái)檢驗(yàn)網(wǎng)絡(luò)。具體是將表4中的溫度、鹽度、pH、溶解氧數(shù)值作為測(cè)試樣本輸入到上述BP神經(jīng)網(wǎng)絡(luò)模型中。網(wǎng)絡(luò)模型的評(píng)價(jià)是將輸出結(jié)果與與實(shí)際水質(zhì)類別通過(guò)表5相比較，當(dāng)神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)水質(zhì)類別的誤差精度<10—4時(shí)即通過(guò)測(cè)試，否則繼續(xù)用樣本數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，直到達(dá)到要求為止。表4大菱鉀工廠化養(yǎng)殖水質(zhì)測(cè)試樣本<table>tableseeoriginaldocumentpage8</column></row><table>表5模糊神經(jīng)網(wǎng)絡(luò)識(shí)別結(jié)果<table>tableseeoriginaldocumentpage8</column></row><table><table>tableseeoriginaldocumentpage9</column></row><table>最后，將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)存入系統(tǒng)的神經(jīng)網(wǎng)絡(luò)庫(kù)中。表6國(guó)家海水水質(zhì)標(biāo)準(zhǔn)(GB3097-1997)<table>tableseeoriginaldocumentpage9</column></row><table>本系統(tǒng)的用戶使用管理程序或步驟如圖3所示1、輸入用戶名和密碼，登陸水產(chǎn)健康養(yǎng)殖專家系統(tǒng)，在專家系統(tǒng)中選擇大菱鲆工廠化水質(zhì)評(píng)價(jià)。2、系統(tǒng)從神經(jīng)網(wǎng)絡(luò)庫(kù)中調(diào)出相應(yīng)的已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)。3、選擇要監(jiān)測(cè)的水質(zhì)指標(biāo)(溫度、鹽度、PH、溶解氧)；同時(shí)在系統(tǒng)提示下，連接大菱鲆工廠化養(yǎng)殖水池中的多參數(shù)傳感器并獲得相應(yīng)的在線監(jiān)測(cè)數(shù)值，系統(tǒng)自動(dòng)將數(shù)據(jù)輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)庫(kù)中。4、通過(guò)已調(diào)出的神經(jīng)網(wǎng)絡(luò)作進(jìn)行計(jì)算，并將大菱鲆水質(zhì)類別的結(jié)果表示出來(lái)。5、反復(fù)上述步驟，直到評(píng)價(jià)工作結(jié)束。圖4是本發(fā)明的模糊神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的整體結(jié)構(gòu)關(guān)系。專家與用戶都可以使用本系統(tǒng)專家可用它輸入樣本數(shù)據(jù)、形成訓(xùn)練樣本集、制定并訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型、然后測(cè)試神經(jīng)網(wǎng)絡(luò)模型，最終建立模糊神經(jīng)網(wǎng)絡(luò)專家?guī)欤挥脩艨梢酝ㄟ^(guò)多參數(shù)傳感器監(jiān)測(cè)到相關(guān)數(shù)據(jù)，然后調(diào)用專家建立的神經(jīng)網(wǎng)絡(luò)模型，從而得到模糊神經(jīng)網(wǎng)絡(luò)專家給出的大菱鲆工廠化養(yǎng)殖水質(zhì)評(píng)價(jià)結(jié)果。綜上所述，本發(fā)明一方面采用傳統(tǒng)人工智能專家系統(tǒng)的方法，以便更好的發(fā)揮行業(yè)專家經(jīng)驗(yàn)；另一方面采用模糊神經(jīng)網(wǎng)絡(luò)方法，結(jié)合在線監(jiān)測(cè)系統(tǒng)所監(jiān)測(cè)的在線數(shù)據(jù)，發(fā)掘大量數(shù)據(jù)內(nèi)部的知識(shí)，實(shí)現(xiàn)高效配方方祛的搜索和優(yōu)化；兩者的有機(jī)結(jié)合，構(gòu)成了強(qiáng)有力的專家系統(tǒng)應(yīng)用于對(duì)大菱鲆工廠化養(yǎng)殖水質(zhì)的判斷。權(quán)利要求大菱鲆養(yǎng)殖水質(zhì)評(píng)價(jià)的模糊神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的構(gòu)建方法，包括BP神經(jīng)網(wǎng)絡(luò)建模和BP神經(jīng)網(wǎng)絡(luò)模型測(cè)試兩個(gè)步驟，其特征在于上述BP神經(jīng)網(wǎng)絡(luò)建模步驟包括網(wǎng)絡(luò)訓(xùn)練參數(shù)的設(shè)定、網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的確定和訓(xùn)練樣本的確定，其中網(wǎng)絡(luò)訓(xùn)練參數(shù)的設(shè)定是選取表1的3級(jí)劃分后的大菱鲆生長(zhǎng)的敏感指標(biāo)溫度℃、鹽度、pH、溶解氧mg/L，即4項(xiàng)專家數(shù)據(jù)作為網(wǎng)絡(luò)的輸入?yún)?shù)；網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的確定是采用含有4個(gè)輸入節(jié)點(diǎn)的輸入層、2個(gè)隱節(jié)點(diǎn)的隱含層和1個(gè)輸出節(jié)點(diǎn)的輸出層構(gòu)成的3層BP神經(jīng)網(wǎng)絡(luò)模型，并且BP神經(jīng)網(wǎng)絡(luò)模型期望輸出值及其與大菱鲆工廠化養(yǎng)殖水質(zhì)類別的對(duì)照如表2；訓(xùn)練樣本的確定是將表1的專家數(shù)據(jù)與國(guó)家海水水質(zhì)標(biāo)準(zhǔn)GB3097-1997相結(jié)合而進(jìn)行歸一化與模糊化處理，形成表3的擴(kuò)充規(guī)則，并以Levenberg-Marquardt法進(jìn)行訓(xùn)練；上述網(wǎng)絡(luò)模型測(cè)試步驟包括測(cè)試樣本的導(dǎo)入和網(wǎng)絡(luò)模型的評(píng)價(jià)，其中測(cè)試樣本的導(dǎo)入是將表4中的溫度℃、鹽度、pH、溶解氧mg/L作為測(cè)試樣本輸入到上述BP神經(jīng)網(wǎng)絡(luò)模型中；網(wǎng)絡(luò)模型的評(píng)價(jià)是將輸出結(jié)果與實(shí)際水質(zhì)類別通過(guò)表5相互比較，當(dāng)神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)水質(zhì)類別的誤差精度＜10-4時(shí)即通過(guò)測(cè)試，否則繼續(xù)用樣本數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，直到達(dá)到要求為止；表1大菱鲆工廠化養(yǎng)殖行業(yè)專家經(jīng)驗(yàn)數(shù)據(jù)指標(biāo)I類II類III類溫度(℃)15～2010～15或20～23＜10或＞23鹽度25～3012～25或30～40＜12或＞40pH7.6～8.26.8～7.6或8.2～8.8＜6.8或＞8.8溶解氧(mg/L)＞63～6＜3表2大菱鲆工廠化養(yǎng)殖水質(zhì)類別與BP網(wǎng)絡(luò)模型期望輸出對(duì)照表大菱鲆工廠化養(yǎng)殖水質(zhì)類別BP網(wǎng)絡(luò)期望輸出I類最適宜大菱鲆養(yǎng)殖的水質(zhì)0.2II類較適宜大菱鲆養(yǎng)殖的水質(zhì)0.4III類不適合大菱鲆養(yǎng)殖的水質(zhì)0.6表3大菱鲆工廠化養(yǎng)殖水質(zhì)評(píng)價(jià)BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練樣本集擴(kuò)充規(guī)則編號(hào)樣本范圍期望輸出識(shí)別結(jié)果樣本數(shù)樣本組I(15，25，7.6，6)～(20，30，8.2，∞)0.2I類40樣本組II(10，12，6.8，3)～(15，25，7.6，6)∪(20，30，8.2，3)～(23，40，8.8，6)0.4II類40樣本組III(0，0，0，0)～(10，12，6.8，3)∪(23，40，8.8，0)～(∞，∞，∞，3)0.6III類40表4大菱鲆工廠化養(yǎng)殖水質(zhì)測(cè)試樣本表5模糊神經(jīng)網(wǎng)絡(luò)識(shí)別結(jié)果樣本編號(hào)輸出模式識(shí)別類型實(shí)測(cè)類別10.2II20.6IIIIII30.6IIIIII40.2II50.4IIII60.4IIII70.4IIII80.6IIIIII90.2II100.6IIIIII2.如權(quán)利要求1所述的大菱鲆養(yǎng)殖水質(zhì)評(píng)價(jià)的模糊神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的構(gòu)建方法，其特征在于上述隱含層為單一隱含層且該隱含層單元數(shù)的確定采用下面公式隱含層單元數(shù)目=(輸入層單元數(shù)x輸出層單元數(shù))1/2。全文摘要本發(fā)明涉及一種大菱鲆養(yǎng)殖水質(zhì)評(píng)價(jià)的模糊神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的構(gòu)建方法，包括神經(jīng)網(wǎng)絡(luò)建模和網(wǎng)絡(luò)模型測(cè)試，其特征是上述神經(jīng)網(wǎng)絡(luò)建模包括網(wǎng)絡(luò)訓(xùn)練參數(shù)的設(shè)定，即將3級(jí)劃分后的大菱鲆生長(zhǎng)的敏感指標(biāo)溫度、鹽度、pH、溶解氧4項(xiàng)專家數(shù)據(jù)作為輸入?yún)?shù)，網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的確定，即采用4個(gè)輸入節(jié)點(diǎn)的輸入層、2個(gè)隱節(jié)點(diǎn)的隱含層和1個(gè)輸出節(jié)點(diǎn)的輸出層構(gòu)成的3層神經(jīng)網(wǎng)絡(luò)，以及訓(xùn)練樣本的確定；上述網(wǎng)絡(luò)模型測(cè)試包括測(cè)試樣本的導(dǎo)入和網(wǎng)絡(luò)模型的評(píng)價(jià)。本發(fā)明首次將神經(jīng)網(wǎng)絡(luò)、模糊系統(tǒng)和在線監(jiān)測(cè)系統(tǒng)相結(jié)合應(yīng)用于大菱鲆工廠化養(yǎng)殖水質(zhì)評(píng)價(jià)，避免了傳統(tǒng)評(píng)價(jià)方法的人為設(shè)定等操作，解決了傳統(tǒng)大菱鲆水質(zhì)評(píng)價(jià)中諸如人為因素等對(duì)評(píng)價(jià)的影響。文檔編號(hào)G01N33/18GK101793887SQ20101001186公開日2010年8月4日申請(qǐng)日期2010年1月9日優(yōu)先權(quán)日2010年1月9日發(fā)明者周明瑩,夏斌,崔毅,張良均,陳碧鵑申請(qǐng)人:中國(guó)水產(chǎn)科學(xué)研究院黃海水產(chǎn)研究所