Elman網(wǎng)絡(luò)在養(yǎng)殖水體氨氮預(yù)測中的應(yīng)用研究

汪翔 何吉祥 佘磊等

摘要利用2014年6～10月養(yǎng)殖塘口記錄的飼料投喂量、水體溶解氧量、水溫、氣溫、濁度、降雨量作為模型輸入，檢測的氨氮作為模型輸出，建立了用于養(yǎng)殖水體氨氮模擬的Elman網(wǎng)絡(luò)。利用2014年11月的觀測數(shù)據(jù)，對模型的模擬能力進(jìn)行了檢驗。結(jié)果表明：建立的養(yǎng)殖水體氨氮預(yù)測模型，可以較好地模擬水體中氨氮濃度的變化趨勢，模擬的絕對誤差平均值為0.016 mg/L，決定系數(shù)R2為0.74。說明Elman網(wǎng)絡(luò)建立的預(yù)測模型在養(yǎng)殖水體氨氮含量變化預(yù)測中具有強(qiáng)非線性動態(tài)描述能力，對養(yǎng)殖水體中氨氮的預(yù)測有較好的適用性和預(yù)測精度。

關(guān)鍵詞養(yǎng)殖水體；水質(zhì)預(yù)測；Elman網(wǎng)絡(luò)；非線性系統(tǒng)

中圖分類號S951.2文獻(xiàn)標(biāo)識碼

A文章編號0517-6611（2015）31-365-03

Application of Elman Neural Network in Aquaculture Water NH3N Prediction

WANG Xiang， HE Jixiang， SHE Lei et al

（Fisheries Research Institute， Anhui Academy of Agricultural Sciences， Hefei， Anhui 230031）

Abstract Elman artificial neural network model was developed to predict the change of water NH3N in aquaculture pond. The indexes including feed ration， dissolved oxygen in water， water temperature， air temperature， water turbidity， rainfall were recorded and chosen as the input variables， while the NH3N content in the corresponding pond was chosen as output variable. The above data were collected everyday from June to October in 2014. They were used to develop model in this test， and the data collected in November of 2014 were chosen to evaluate the developed model. The results showed that the changing trend of water NH3N in aquaculture pond could be simulated well by the model， the predictive absolute error mean was 0.016 mg/L， and R2 was 0.74. The prediction model based on Elman neural network had a strong ability to describe the nonlinear dynamic changes of NH3N content in aquaculture water， and it showed the good adaptability and accuracy in practical application.

Key words Aquaculture water； Water quality forecast； Elman neural network； Nonlinear system

水體中的氨氮是氮循環(huán)中的組成部分，其對水產(chǎn)養(yǎng)殖對象具有生物毒害 [1]。氨氮對水生生物的危害主要是指非離子氨，非離子氨進(jìn)入水生生物體內(nèi)后，對酶水解反應(yīng)和膜穩(wěn)定性產(chǎn)生明顯影響，使其表現(xiàn)出呼吸困難、不攝食、抵抗力下降、驚厥、昏迷等現(xiàn)象，影響水生生物的生理、生化指標(biāo)與生長狀況，嚴(yán)重時可導(dǎo)致養(yǎng)殖生物大批死亡，造成經(jīng)濟(jì)損失[2]。因此，深入研究養(yǎng)殖水體中氨氮變化規(guī)律，準(zhǔn)確預(yù)測其變化并將預(yù)測結(jié)果應(yīng)用于指導(dǎo)生產(chǎn)過程，對提高養(yǎng)殖產(chǎn)品質(zhì)量、提高養(yǎng)殖效益和防止魚病的發(fā)生具有重要意義。

池塘中氮主要來源于肥料和飼料，飼料中的氮有60%～70%被排泄到水體中，而進(jìn)入水體中的氮一般以氨的形式存在。在正常條件下氨氮會通過亞硝化細(xì)菌轉(zhuǎn)化為亞硝酸鹽，在環(huán)境條件發(fā)生變化時硝酸鹽又會被兼性厭氧細(xì)菌還原為氨氮[3]。影響水體中氨氮濃度的因素很多，如pH、水溫、溶解氧、硝化細(xì)菌數(shù)量、化肥、農(nóng)藥及抗生素使用都影響水中氨氮的變化，所以養(yǎng)殖水體中氨氮變化趨勢具有明顯的非線性，沒有直觀規(guī)律可循。而水體中氨氮變化涉及水化學(xué)、生物動力、微生物、氣象等諸多內(nèi)容，其中某些變化原理人們還尚未認(rèn)識清楚，很難從機(jī)理上建模。目前解決此類問題的代表性方法有GM（1，1）灰色模型[4-5]和BP神經(jīng)網(wǎng)絡(luò)[6-7]，但也僅限于環(huán)境水體指標(biāo)分析預(yù)測。理論和實踐顯示，當(dāng)采集的原始數(shù)據(jù)呈指數(shù)規(guī)律變化時，灰色預(yù)測模型的預(yù)測精度較高，但對于序列變化不呈指數(shù)規(guī)律時，預(yù)測會出現(xiàn)較大偏差[8]；而BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練速度過慢、外部噪聲敏感，預(yù)測結(jié)果呈現(xiàn)出不穩(wěn)定性。該研究選擇Elman網(wǎng)絡(luò)建立氨氮預(yù)測模型，通過采集和處理數(shù)據(jù)，訓(xùn)練預(yù)測模型，把模擬輸出數(shù)據(jù)與實測數(shù)據(jù)比對分析，得出較為理想的結(jié)果，在實際應(yīng)用中取得了較好的效果。

1Elman網(wǎng)絡(luò)原理

Elman網(wǎng)絡(luò)（Simple Recurrent Neural Network） 全稱簡單遞歸神經(jīng)網(wǎng)絡(luò)，是在傳統(tǒng) BP 網(wǎng)絡(luò)的隱含層上增加一個承接層 ，作為內(nèi)部延時， 達(dá)到記憶的效果，從而使系統(tǒng)具有廣泛的泛化能力。因此它可以反映系統(tǒng)歷史狀態(tài)信息，是一種有記憶功能的、體現(xiàn)歷史時間變化的神經(jīng)網(wǎng)絡(luò)。與BP神經(jīng)網(wǎng)絡(luò)簡單的靜態(tài)神經(jīng)網(wǎng)絡(luò)相比，Elman網(wǎng)絡(luò)能夠更好地描述動態(tài)時變系統(tǒng)特性，從而更有效地實現(xiàn)復(fù)雜動態(tài)系統(tǒng)建模。

Elman 型神經(jīng)網(wǎng)絡(luò)分為4層：輸入層、隱藏層、承接層和輸出層。輸入層和輸出層為信號的輸入和輸出，隱藏層為激發(fā)函數(shù) ，承接層用來儲存隱藏層上一次的輸出值。Elman模型結(jié)構(gòu)見圖1。由圖1的 Elman 型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)組成可知 ， 隱藏層的輸出和輸入都通過承接層的延遲和存儲。這種自聯(lián)方式使系統(tǒng)對歷史狀態(tài)的數(shù)據(jù)具有敏感性，網(wǎng)絡(luò)的內(nèi)部反饋結(jié)構(gòu)提高了模型處理動態(tài)信息的能力，從而達(dá)到了動態(tài)建模的目的。

2檢驗函數(shù)

為了對水體氨氮變化趨勢模擬輸出結(jié)果進(jìn)行實測值對比檢驗， 該文采用均方誤差MSE（Mean Square Error）、絕對誤差A(yù)E（Absolute Error）、決定系數(shù)R2（Coefficient of Determination）等數(shù)據(jù)分析方法對Elman網(wǎng)絡(luò)的模擬精度進(jìn)行了評價。上述誤差函數(shù)參考相關(guān)文獻(xiàn)[9]進(jìn)行計算。

3數(shù)據(jù)采集

2014年6月28日～11月21日，在安徽省農(nóng)業(yè)科學(xué)院崗集養(yǎng)殖基地選擇4個草魚苗種養(yǎng)殖塘口，養(yǎng)殖塘口均為長方形，220 m×45 m，東西向，塘口面積為9 900 m2。每天上午10：00對養(yǎng)殖水體水溫、氣溫、濁度、降雨量、pH、溶解氧、風(fēng)速、日照、氨氮、亞硝酸鹽等14項指標(biāo)進(jìn)行數(shù)據(jù)分析和采集。同時記錄每個塘口水位、養(yǎng)殖品投放量、飼料投喂量、用藥量等生產(chǎn)日志。

3.1水質(zhì)檢測

每個養(yǎng)殖塘口設(shè)置4個采樣點，用0.5 L采水器采集水面下0.5 m處水體，將采集水樣均勻混合后，進(jìn)行水質(zhì)檢測。用WGZ-1B數(shù)顯濁度儀測定濁度；用DZ-A多參數(shù)水質(zhì)分析儀測定氨氮、亞硝酸鹽；用JPBJ-608型溶解氧測試儀測定溶解氧；用GDYS-101SV硫化物測定儀測定硫化物；用AZ8601PH測試儀測定pH。

3.2氣象記錄

在觀察點建設(shè)無線電子室外氣象站（德國TFA 35.1067 VEGA WS-1600IT IT），將風(fēng)速傳感器安裝在離地面2 m高度處，將大氣溫濕度傳感器和雨量計傳感器安裝在離地面0 m高度處。每3 h自動記錄氣溫、濕度、氣壓、降雨量、風(fēng)速。

4基于Elman網(wǎng)絡(luò)建立養(yǎng)殖水體氨氮預(yù)測模型

4.1建模樣本

根據(jù)水體中氨氮的產(chǎn)生過程和影響因子，項目組對觀察塘口記錄了氣溫、水溫、氣壓、光照、風(fēng)速、投喂量、降雨量、濁度、pH、溶解氧、鹽度、氨氮、亞硝酸鹽、硝酸鹽等14項指標(biāo)。本著模型的輸入量數(shù)據(jù)容易獲取原則，經(jīng)過多元回歸分析后選取相關(guān)系數(shù)較高、易獲取的指標(biāo)為模型輸入變量。最終該研究選擇2個參與細(xì)菌硝化作用的指標(biāo)（飼料投喂量、溶解氧）和4個環(huán)境變化指標(biāo)（水溫、氣溫、濁度、降雨量）共計6個因子作為模型的輸入變量，模型的輸出變量用水質(zhì)監(jiān)測獲得的氨氮數(shù)據(jù)進(jìn)行校正訓(xùn)練。2014年6～10月采集分析的數(shù)據(jù)為建模樣本（n=126），11月采集分析的數(shù)據(jù)為預(yù)測樣本（n=20）。在網(wǎng)絡(luò)學(xué)習(xí)過程中，為便于網(wǎng)絡(luò)的訓(xùn)練，以及更好地反映各因素之間的相互關(guān)系，在樣本使用前對樣本數(shù)據(jù)進(jìn)行了歸一化處理：

X′i=Xi-XminXmax-Xmin

式中，Xi和X′i分別代表歸一化前后的第i個向量元素，Xmax和Xmin分別代表向量的最大和最小值。

4.2網(wǎng)絡(luò)參數(shù)的確定

Elman網(wǎng)絡(luò)主要由輸入層、隱藏層和輸出層及承接層構(gòu)成。由于預(yù)測模型的建模樣本是由6個輸入變量和1個輸出變量構(gòu)成，因此輸入層和輸出層的神經(jīng)元個數(shù)分別為6和1。隱藏層神經(jīng)元個數(shù)的選取由多種因素決定，目前沒有成熟的理論依據(jù)，只能根據(jù)設(shè)計者的經(jīng)驗，通過多次試驗來確定。該研究對隱藏層神經(jīng)元個數(shù)采用試錯法來確定。分別構(gòu)建了隱藏層神經(jīng)元個數(shù)從5～20的模型，由于輸入權(quán)值和閾值影響著神經(jīng)網(wǎng)絡(luò)性能變化，所以每個模型訓(xùn)練10次，分別記錄訓(xùn)練結(jié)果的均方誤差MSE和決定系數(shù)R2。

由圖2和圖3可以看出，MSE和R2在初始階段隨著神經(jīng)元個數(shù)的增加而分別增大和減小，當(dāng)神經(jīng)元個數(shù)超過10后，隨著其個數(shù)繼續(xù)增加，MSE和R2表現(xiàn)出相反的趨勢。這說明隱含層神經(jīng)元個數(shù)過少時，模型會出現(xiàn)擬合不足，容錯性差，識別新樣本能力低等問題；隱藏層神經(jīng)元個數(shù)過多則會增加模型的迭代次數(shù)和訓(xùn)練時間，導(dǎo)致模型過度擬合，降低模型的泛化能力，從而造成模型預(yù)測能力下降，這與前人研究結(jié)果[10]一致。因此該研究將隱藏層神經(jīng)元個數(shù)選為10。

4.3網(wǎng)絡(luò)訓(xùn)練

該研究選用貝葉斯正則化算法訓(xùn)練Elman網(wǎng)絡(luò)，將網(wǎng)絡(luò)權(quán)值均方與誤差均方的加權(quán)作為性能函數(shù)，在保證網(wǎng)絡(luò)均方誤差盡可能小的前提下，有效地控制網(wǎng)絡(luò)復(fù)雜程度的增加，從而獲得較好的泛化性能，提高網(wǎng)絡(luò)推廣能力。在MATLAB_R2012b環(huán)境下，調(diào)用newelm函數(shù)構(gòu)建網(wǎng)絡(luò)，建模樣本按照7.0∶1.5∶1.5比例[11]分為88個訓(xùn)練樣本、19個驗證樣本、19個測試樣本，傳遞函數(shù)設(shè)定為tansig函數(shù)，訓(xùn)練函數(shù)設(shè)定為trainbr函數(shù)，權(quán)值自適應(yīng)學(xué)習(xí)函數(shù)設(shè)定為learngdm函數(shù)，性能函數(shù)采用MSE。網(wǎng)絡(luò)學(xué)習(xí)速率0.01，學(xué)習(xí)速率增量因子為1.2，學(xué)習(xí)速率減小因子為0.6， 動量常數(shù)取1.1。網(wǎng)絡(luò)經(jīng)過165次訓(xùn)練，后構(gòu)建了網(wǎng)絡(luò)結(jié)構(gòu)為圖4所示的Elman網(wǎng)絡(luò)。

5結(jié)果與分析

5.1網(wǎng)絡(luò)預(yù)測能力分析

將預(yù)測樣本帶入訓(xùn)練好的Elman網(wǎng)絡(luò)氨氮預(yù)測模型進(jìn)行預(yù)測，結(jié)果見圖5。預(yù)測結(jié)果存在局部的高估或低估現(xiàn)象，但總體上模擬的氨氮濃度變化趨勢與實測值基本相同，實測和模擬的數(shù)值十分接近。網(wǎng)絡(luò)預(yù)測結(jié)果的絕對誤差A(yù)E的最大值為0.03，最小值為1.4×10-4，平均值為0.016；均方誤差MSE為5.2×10-4；決定系數(shù)R2為0.74。項目組利用BP網(wǎng)絡(luò)建立的預(yù)測模型決定系數(shù)R2為0.66，低于利用非線性自結(jié)合的時間序列網(wǎng)絡(luò)建立的水體氨氮濃度時間序列預(yù)測模型的決定系數(shù)0.74，說明預(yù)測模型模擬的精度和適用性都較高。

5.2網(wǎng)絡(luò)適應(yīng)性驗證

構(gòu)建Elman網(wǎng)絡(luò)氨氮預(yù)測模型數(shù)據(jù)源取自4號觀察塘口。將1、3、4號塘口的數(shù)據(jù)帶入以4號觀察塘口數(shù)據(jù)為建模樣本所構(gòu)建的氨氮預(yù)測模型中進(jìn)行預(yù)測，結(jié)果見表1。由表1可以看出，雖然1、2、3號塘口預(yù)測結(jié)果

誤差比4號塘口預(yù)測結(jié)果誤差大，但預(yù)測誤差均在該研究的誤差期望值內(nèi)。根據(jù)研究，氨氮對鰱、鳙魚苗的半致死濃度

分別是1.106 mg/L和0.559 mg/L；草魚種最大允許氨氮濃度為0.099 mg/L[12]；雜交羅非魚最大允許氨氮濃度為0171 mg/L[13]；保持鯽魚堿性磷酸酶（AKP）和溶菌酶（LSZ）活力的氨氮臨界值分別為0.70、0.56 mg/L[14]。因為預(yù)測誤差的數(shù)量級遠(yuǎn)小于養(yǎng)殖水體劃分的氨氮臨界值數(shù)量級，所以預(yù)測誤差對水體中氨氮的風(fēng)險評判影響甚小。

6結(jié)論

養(yǎng)殖水體中氨氮的變化趨勢復(fù)雜多樣，該研究利用Elman網(wǎng)絡(luò)建立了養(yǎng)殖水體的氨氮時間序列預(yù)測模型，并對氨氮濃度變化趨勢進(jìn)行了短期預(yù)測。結(jié)果表明：Elman網(wǎng)絡(luò)以其良好的非線性映射能力，在非線性的氨氮時間序列預(yù)測中有著較高的預(yù)測精度。該研究利用4號塘口數(shù)據(jù)構(gòu)建的Elman網(wǎng)絡(luò)氨氮預(yù)測模型，在1、2、3號塘口進(jìn)行了驗證，結(jié)果表現(xiàn)了模型在同一區(qū)域內(nèi)有良好的適應(yīng)性。

參考文獻(xiàn)

[1]

謝江寧，閻喜武.總氨對水生生物毒性的研究進(jìn)展[J].科學(xué)養(yǎng)魚，2008（8）：4-5.

[2] 蔡繼晗，沈奇宇，鄭向勇，等.氨氮污染對水產(chǎn)養(yǎng)殖的危害及處理技術(shù)研究進(jìn)展[J].浙江海洋學(xué)院學(xué)報（自然科學(xué)版），2010，29（3）：167-172.

[3] 周超，高乃云，楚文海，等.水體中亞硝酸鹽生物毒性和去除的研究進(jìn)展[J].給水排水，2011，37（5）：104-108.

[4] 胡惠彬.GM（1，1）模型在地表水濃度預(yù)測中的應(yīng)用[J].中國環(huán)境監(jiān)測，1993，9（4）：45-46.

[5] 胥冰，韓小勇.淮河干流水環(huán)境評價及其趨勢分析[J].水資源保護(hù)，1998（2）：10-17.

[6] 王曉萍，孫繼洋，金鑫.基于BP神經(jīng)網(wǎng)絡(luò)的錢塘江水質(zhì)指標(biāo)的預(yù)測[J].浙江大學(xué)學(xué)報（工學(xué)版），2007（2）：361-364.

[7] 王澤平.基于GA-BP與多隱層BP網(wǎng)絡(luò)模型的水質(zhì)預(yù)測及比較分析[J].水資源與水工程學(xué)報，2013（3）：154-160.

[8] 李如忠.水質(zhì)預(yù)測理論模式研究進(jìn)展與趨勢分析[J].合肥工業(yè)大學(xué)學(xué)報（自然科學(xué)版），2006（1）：26-30.

[9] DUAN W，YANG L X.An improved BP neural networks applied to classification[J].Energy procedia，2012（13）：7065-7069.

[10] COULIBALY P，ANCTIL F，ARAVENA R，et al.Artificial neural network modeling of water table depth fluctuations[J].Water resources research， 2001，37（4）：885-896.

[11] 席裕庚.預(yù)測控制[M].北京：國防工業(yè)出版社，1993：52-61.

[12] 梁健，王紅權(quán)，金柏濤.氨氮對草魚幼魚的急性毒性試驗[J].科學(xué)養(yǎng)魚，2013（11）：47-51.

[13] 肖煒，李大宇，徐楊.慢性氨氮脅迫對吉富羅非魚幼魚生長、免疫及代謝的影響[J].南方水產(chǎn)科學(xué)，2015，11（8）：81-87.

[14] 江敏，黃宗群，彭自然.異育銀鯽氨氮排泄與耗氧的研究[J].上海水產(chǎn)大學(xué)學(xué)報，2007，16（1）：28-32.