基于自适应模糊神经网络的鱼类投喂预测方法研究

作者:陈澜;杨信廷;孙传恒;王以忠;徐大明;周超 刊名:中国农业科技导报 上传者:唐安书

【摘要】在集约化水产养殖中;鱼类的投喂水平直接关系到养殖效率和生产成本;针对当前水产养殖中存在的投喂量不合理、饲料浪费严重的问题;以实现投喂量的精准预测为目的;提出了一种基于自适应模糊神经网络的鱼类投喂量预测方法;该方法以罗非鱼为研究对象;选择水温和鱼的平均体重2个因素作为输入变量;利用混合学习方法;通过训练和学习获得最优模糊规则库;基于自适应神经网络模糊推理系统(adaptivenetworkfuzzyinferencesystem;ANFIS)建立投喂量预测模型;取得了较好的预测效果;基于ANFIS的投喂量预测模型的均方根误差、平均绝对误差和平均绝对百分比误差分别为1.18、0.74和0.0031;均远远小于原始模糊推理投喂量预测模型的指标值;其网络预测能力优于原始模糊推理预测模型;因此;该模型不仅可以在无监督条件下对鱼进行科学投喂;节省人力成本;而且能为合理的投喂提供技术支撑和理论支持;

全文阅读

随着集约化养殖模式的扩大和推广,水产养殖业得到了迅猛发展[1-2]。其中,投喂水平直接影响养殖效率和生产成本。不合理的投喂不仅会影响鱼类的正常生长,还会导致饲料浪费、水质污染等问题[3-7]。因此,如何确定精确的投喂量,设置合理的投喂策略是提高水产养殖生产效率的关键,也是当前研究的热点问题。在实际生产中,传统的人工投喂不仅费时费力,而且成本过高[8-9]。养殖人员一般通过人眼观察和养殖经验投喂过量的饲料,获得最大增长率。但这种投喂方式不仅造成很大的经济损失,而且污染水环境,影响鱼类福利[10-11]。目前,对投喂量的研究方法主要有两种:①通过模型预测投喂量,主要分为经验生长模型和生物能量模型两类。孙国祥等[12]探讨了饲料及投喂策略对大西洋鲑鱼生长及系统氮磷收支的影响效应,构建了基于水温-体重的经验生长模型和氮磷排放模型。王常安等[13]采用能量生态学的研究方法,通过摄食节律确定最适投喂时间,用人工配合饲料改变仔稚鱼生物饵料的投喂模式,综合环境因子(体重、水温和投喂水平)建立幼鱼的生物能量学摄食模型。这两类模型中,经验生长模型虽然在数据范围内预测比较准确,但无法从机制上解释生物学的意义。而生物能量模型虽然可以准确描述体重、水温和投喂水平之间的关系,但结果一般会受到模型偏差和间接实验数据的影响。现在经验生长模型和生物能量模型在实际生产中仍然广泛应用。②通过观察鱼类摄食行为确定摄食强度估测投喂量。这些方法通过相关手段对鱼群的摄食行为进行整体量化,然后估算鱼的饱食程度[14-16],仍需要对投喂量进行深入研究。 近几年来,模糊理论和神经网络的研究取得了引人瞩目的进展,有不少学者尝试将模糊推理系统应用到水产养殖中。Soto-Zarazúa 等[17]在考虑水质参数的情况下以水温和溶解氧为输入变量建立了投喂模糊推理策略。然而,在使用模糊系统的某些建模问题中还存在很多不足,最突出的一点在于:模糊推理规则是通过人工养殖经验制定的,自身不具备学习功能,而模糊推理规则不能达到最优,会影响精度。更合理的方法是选择与输入输出数据相对匹配的隶属度函数,以反映所掌握数据的变化特点。自适应网络模糊推理系统集成了模糊理论和神经网络算法两者的优点,既有模糊逻辑适于人的定性或模糊的经验和知识特点,又有神经网络自适应和自学习机制。ANFIS的实质是使用神经网络中比较成熟的参数学习算法——最小二乘估计和BP组合的混合算法,对给定的输入/输出数据集进行学习来调整FIS中变量的隶属度函数的形状参数[18-19]。 罗非鱼是一种典型的游泳型鱼类,且水温变化对罗非鱼的摄食率和生长率有很大的的影响[20-21]。在确定合适的投喂量时,应考虑环境因素的综合作用。因此,本研究利用模糊神经网络技术,建立投喂量预测模型。该预测模型以水温和鱼的平均体重作为输入变量,选择钟型函数作为隶属度函数,利用模糊神经网络建立投喂量与这2个因素之间的关系,并应用混合算法对模糊规则的参数进行训练,最终实现对投喂量的预测。此外,将该自适应模糊神经网络预测模型和模糊推理预测模型进行比较,该模型的预测性能优于模糊推理预测模型。该模型不仅可以在无监督条件下对鱼类进行科学投喂,节约人力成本,而且能为实际生产提供理论支持和方法指导。 1 材料与方法 1.1 试验材料 试验在北京小汤山国家精准农业示范基地进行。实验所用罗非鱼购自北京昌平小汤山良种繁育中心,数量为30条,质量为(200±14)g,将实验鱼放入水槽内进行饲养,水槽直径为1.5 m,高为1 m。在实验前,鱼被养殖在实验系统内4周,已经充分适应了实验环境。暂养期间,每天两次

参考文献

引证文献

问答

我要提问