基于BP神经网络的养殖水质监控系统

基于智能计算的水质预测预警系统的设计与实现温子铭1,刘双印1（1.广东海洋大学信息学院，广东湛江524088）摘要：及时准确地掌握水质变化趋势是确保水产品健康养殖的关键，为此，本设计采用智能计算与现代Web开发技术有机结合，以软件工程为指导，按照面向对象程序设计的方法，构建5种基于智能计算的水质预测预警模型；采用J2EE为开发工具设计实现了B/S架构的水质预测预警系统。

该系统主要有水质数据管理、水质数据趋势展示、水质指标溶解氧浓度预测、水质预警管理等功能模块组成，用户界面友好，水质预测精度较高，能够满足水产养殖水质管理的需要。

该系统的研制为提前掌握水质未来发展趋势、水污染预警提供基础数据和手段，为应对突发水质事件、水质调节、水产养殖生产管理与规划提供科学的决策依据，有一定的实用价值。

关键词:水产养殖；水质趋势；J2EE；水质预测预警系统；智能计算；Design and Implementation of Water Quality Predicting and Early Warning SystemBase on Smart ComputingWen Ziming, Liu Shuangyin(1. Information Institute of Guangdong Ocean University, Zhanjiang,GuangDong 524088) Abstract:Have a good command of water quality trends in time and accurately is the key to assure health growth of the aquatic products. Therefore, this design is combined with intelligent computing and modern web development technology, on the guidance of software engineer, and also established five kinds of water quality predicting and early warning models based on intelligent technology according to the measure of Object-Oriented Programming; We adopted J2EE as development tool to achieve the water quality predicting and early warning system based on B/S framework. This system mainly included water quality data management module, water quality data trend module, dissolved oxygen prediction module and water quality early warning module. It’s useful for users and can meet the needs of aquatic water quality management. The establishment of this system provide the basic data and methods to handling the future water quality trend and water pollution early warning. And also provide the scientific decision for dealing with the water pollution events, water quality adjustment, aquaculture management and plans. It has practical value.Key words: Aquaculture, water quality trend, J2EE, water quality predicting and early warning system, intelligent computing.1引言我国是水产养殖大国，也是世界上唯一一个养殖产量超过捕捞产量的国家, 水产养殖为解决食品供给、粮食安全、改善民生，增加农民收入等方面发挥了重要作用。

邮局订阅号：82-946360元/年技术创新博士论坛《PLC 技术应用200例》您的论文得到两院院士关注BP 神经网络信息融合技术在水质监控中的应用The application of information fusion technology based on BP neural network in water monitoring(上海海洋大学)陈明朱文婷周汝雁何盛琪CHEN Ming ZHU Wen-ting ZHOU Ru-yan HE Sheng-qi摘要:目前我国对于集约化水产养殖的水质调控,仅处于单指标调节水平,忽略了水质因子间的相互作用对养殖环境产生的影响。

本文在现有的多传感器无线传感网络基础上,构建基于BP 神经网络的信息融合监控系统,对多元非线性水质因子进行信息融合以全面评估当前水质环境是否适合虾类生长并做出相应的调控决策。

文章最后通过实际水质数据对该系统算法进行测试分析,测试结果表明此监控系统具有较高的精确度,为集约化水质监控开辟了一条新路径。

关键词:BP 神经网络;信息融合;水质监控;无线传感网络中图分类号:TP391文献标识码:A Abstract:At present,the water quality controlling is only in single-factor processing level in intensive aquaculture in china,and weignore the interactions among factors.This paper builds a information fusion monitoring system based on BP neural network on the existing wireless sensor network,fuses multiple non-linear water factors,evaluates overall whether the present water environment suit -able for the growth of shrimp and makes controlling decisions.Finally,the paper tests the algorithm of the system through some ac -tual data,and test results show that this monitoring system is with high accuracy and find a new path for intensive water monitoring.Key words:BP neural network;Information fusion;water monitoring;Wireless sensor networks文章编号:1008-0570(2010)04-1-0015-031引言集约化水产养殖是近年来在一些科技发达国家迅速发展起来的现代化高密度养殖方式,由于其产量高、养殖时间不受季节限制、饲料系数低、水体利用率高等优点,越来越受到人们的重视。

基于神经网络的给水管网模型系统的水质智能监测与控制随着城市化的进程，给水管网的水质监测和控制变得越来越重要。

传统的给水管网模型系统往往无法满足实时性和精确性的要求，因此需要一种智能化的监测与控制方法。

本文将介绍一种基于神经网络的给水管网模型系统，该系统利用神经网络算法进行水质监测与控制，能够提高给水管网的运行效率和水质的安全性。

首先，我们需要创建一个给水管网的水质模型。

这个模型可以采集到给水管网的实时数据，并利用神经网络算法进行学习和预测。

在建模过程中，我们可以通过监测水质参数如PH值、溶解氧、浊度等来评估水质的好坏，并将其作为训练样本。

通过大量数据的学习和验证，神经网络可以建立起一个准确预测水质的模型。

一旦建立了水质模型，我们可以将其与给水管网的控制系统连接起来，实现智能化的监测与控制。

通过实时采集给水管网各个节点的水质参数，并输入到神经网络模型中进行预测，可以及时发现水质异常情况。

如果水质超过了预定的阈值，系统可以自动触发报警，以便工作人员及时采取措施。

此外，基于神经网络的给水管网模型系统还可以通过控制水质参数来实现水质的智能化调节。

通过对预测模型的分析，我们可以预测水质发生变化的趋势，例如溶解氧的变化趋势等。

基于这些预测结果，系统可以自动调节给水管网中的控制阀门、流量和化学药剂的投放量，使得水质保持在良好的状态。

此外，基于神经网络的给水管网模型系统还可以应用于异常事件的检测和诊断。

通过对管网系统中水质参数的持续监测，并将其输入到神经网络中进行诊断和分析，可以及时发现异常事件的发生。

例如，当某个节点的水质发生异常变化，系统可以自动分析关联节点的数据，以确定异常事件的来源，并给出相应的处理建议。

综上所述，基于神经网络的给水管网模型系统的水质智能监测与控制是一种高效、准确、智能的方法。

它能够通过建立水质模型，实现对给水管网水质的实时监测和预测，通过控制系统实现对水质的智能调节，并能检测和诊断异常事件。

基于BP 神经网络的水产健康养殖专家系统设计与实现3曹　晶1,　谢　骏23,　王海英2,　王广军2,　胡朝莹2(11广东技术师范学院自动化学院,广东广州510630;21中国水产科学研究院珠江水产研究所,广东广州510380)[摘要]　针对传统专家系统的知识获取困难、推理能力弱、智能水平低和实用性差等缺点,阐述了BP 神经网络运用于水产健康养殖专家系统的设计思想,对水产养殖中的饲养、水环境调控、疾病诊断的模糊描述进行量化,从系统模型和实现流程上说明本专家系统的特点,并以水质评价子系统为例,对平台功能和性能进行测试1实验数据表明,误差小于1%1该平台克服了完全依靠专家经验的主观性,诊断效率高,具有较高的实用性、通用性和灵活性1关　键　词:水产养殖;专家系统;神经网络;BP 算法;水质评价中图分类号:TP182 文献标识码:A 文章编号:1000-5900(2010)01-0117-05Design and Implementation on Expert System ofH ealth Aquiculture B ased on BP N eural N et w orksCA O J ing 1,　X I E J un 23,　W A N G H ai 2ying 2,　W A N G Guang 2j un 2,　HU Chao 2y ing 2(11School of Automation ,Guangdong Polytechnic Normal University ,Guangzhou 510630;21Pearl River Fisheries Research Institute ,Chinese Academy of Fishery Sciences ,Guangzhou 510380China )【Abstract 】　In allusion to the insufficiencies such as difficulties in knowledge acquisition ,weak inference ca 2pability ,low intelligence level and bad practicality of traditional expert systems ,this paper introduces de 2sign concepts of BP neural network applies to expert system of health aquiculture ,and quantifies the f uzzydescriptions ,such as aquaculture ,water environment control ,disease diagnosis.The characteristics of theexpert system are illuminated f rom the system model and the realization of that process ,and water quality e 2valuation system as an example for testing the f unctions and performance of the platform 1Experimental datashows that the error rate is less than 1%.The platform has been completely overcome the subjectivity ofexperience to rely on experts ,which has the advantages of diagnostic efficiency ,high practicality ,versatilityand flexibility.K ey w ords :　aquaculture ;expert system ;neural network ;BP algorithm ;water quality evaluation水产健康养殖专家系统是数字化渔业养殖的重要组成部分,是以现代信息技术、人工智能技术和养殖工程技术为支撑,使生产方式从传统的以物流为核心转换为以信息流为核心,帮助我们实现以最少的资源耗费获得最大的优质产出和高效益,从而促进我国现代化水产养殖产业的发展1有关水产养殖专家系统特别是鱼病专家系统的研究较多[1～4],而涉及养殖管理全程的专家系统尚缺,现代渔业和水产品质量安全管理要求水产健康养殖覆盖养殖生产全程1针对传统专家系统的知识获取困难、推理能力弱、智能水平低、实用性差等缺点,本文阐述了BP 神经网络运用于水产健康养殖全程的专家系统的设计思想,从系统模型和实现流程上说明本专家系统的特点,并给出了水质评价子系统的实现过程11　基于BP 神经网络的水产健康养殖专家系统设计思想与架构人工神经网络理论是20世纪80年代中后期世界范围内迅速发展起来的一个前沿研究领域,其发展已经对计算机科学、人工智能、认知科学等领域产生了重要影响[5],其中的误差反向传播B P (back 2第32卷第1期2010年3月 湘　潭　大　学　自　然　科　学　学　报Natural Science Journal of Xiangtan University Vol.32No.1Mar.20103收稿日期:2009-08-12 基金项目:国家“863”高技术研发计划项目(2007AA10Z239);现代农业产业技术体系建设专项资金项目(nycytx 249213) 通信作者:谢骏(1965—　),男,研究员,博士1E 2mail :xj007@p ropagation )算法,因简单易行、计算量小、并行性强,成为多层前向神经网络训练的首选算法[6]1传统的专家系统通常由知识获取、推理机、解释系统和人机接口界面等模块组成,存在的不足主要表现在以下几个方面[7]:(1)知识获取的“瓶颈”1某些专家的一些经验知识,难以加入知识库中1(2)推理能力弱1由于推理方法简单,控制决策不灵活,所以容易出现“匹配冲突”,“无穷递归”等问题,推理速度慢1(3)智能水平低1它一般不具备自学能力和联想记忆功能,不能在运行过程中自我完善、发展和创新知识1BP 神经网络通过对有代表性例子的学习、训练,能够掌握事物的本质特征,进而解决问题1一个标准的误差反向传播网络可由一个输入层、一个或一个以上的隐含层和一个输出层组成,每一层上有若干节点,这些节点可看作是处理信息的神经元1神经元(除输入层单元外)的输入2输出为非线性关系,一般选用S 型压缩(Sigmoid )函数(f (x )=(1+exp (-x )-1)处理神经元的输入、输出,其输出值范围为[0,1],可连续变化[8]1总之,专家系统的特点在于知识的逻辑推理,神经网络的特色在于知识获取,将二者结合起来,使得整个神经网络成为专家系统的知识库,产生更智能化的专家系统1本系统把历史数据、规则、函数、国家相关标准以及专家经验,转化为可量化定义的样本数据和经验数据,通过神经网络训练,建立模型,进行预测,再经过系统中的解释系统,对预测结果进行分析,达到对养殖全过程进行智能化指导的目的1基于B P 神经网络的水产专家系统模型如图1所示1本系统包括水质评价子系统、水色判别子系统和智能管理子系统1水质评价子系统选取常规重要的量化指标,如DO 、p H 、三态氮、磷、水色、饲料投喂技术、浮游植物等,建立水体环境质量评价量化模型,实现池塘水质智能化识别1同时根据环境因子与养殖生物健康状况量化规则,进行产量、疾病早期预警;根据池塘水环境与人工措施关系量化规则,进行水质调节、环保处理等1本子系统分为单因子和多因子二大类,采用B P 神经网络进行水质预测1图1　基于BP 神经网络的水产健康养殖专家系统模型Fig 11　The model of expert system of healt h aquaculture based on BP neural networks水色判别子系统是根据从池塘中取出的水,在相同条件下拍摄的照片,进行图像预处理,水色信息数字化提取,实现将图像文件转化为数据矩阵,再使用颜色中心矩提取图像颜色特征,获取特征值后,以此作为样本数据,训练神经网络,对不同图片对象进行分类1根据水色色度快速判别水质状况,最后结合浮游植物信息,给出水质调节建议1智能管理子系统主要根据预测结果,实现DO 调节控制、氮磷控制、p H 调控、以及饲料精准投喂和疾病早期预警1饲料精准投喂是指制定投喂规则,并根据水质状况给出合理建议,疾病早期预警是指水质与养殖生物健康状况定量关系等1在本系统中,专家样本数据、预测数据、各类神经网络模型和智能管理系统中的决策方案,均保存在数据库中1本系统的实施流程如图2所示1811 湘　潭　大　学　自　然　科　学　学　报 2010年图2　水产健康养殖总体流程图Fig.2　The flowchart of healt h aquaculture expert system based on BP neural networks2　水产健康养殖专家系统的功能实现本系统的开发平台如下:服务器采用windows 2003,前台语言开发工具为MyEclip se ,后台数据库为Mysql4.0以上版本,主界面如图3所示1图3　水产健康养殖专家系统主界面Fig 13　The main interface of healt h aquaculture expert system911第1期 曹　晶,等　基于BP 神经网络的水产健康养殖专家系统设计与实现 021 湘　潭　大　学　自　然　科　学　学　报 2010年这里以水质评价子系统中多因子综合评价来说明实现方法,步骤如下:第1步:根据要素分析法,通过物理、化学和生物成因的统计分析,在实验平台基础上,确定预测对象和影响因子1本系统中,确定的输入因子有5个,分别是:溶解氧(DO)———衡量水体的自净能力;p H 值———反映水质的酸碱程度;亚硝酸盐氮———说明水中有机物的无机化过程;氨氮;总悬浮物1输出将水质分为四级,Ⅰ～Ⅳ,分别代表优、良、中、差,见表11表1　水质分级T ab11　Classif ication of w ater qu ality分级描述优池塘水质各指标在养殖生物的最佳生存范围内良池塘水质各指标接近或达到养殖生物最佳生存区的上下限中某些指标接近或达到养殖生物生理耐受区的上下限,如果环境继续恶化,将发生病变或死亡差超过养殖生物生理耐受区上下限,已发现养殖生物不适反应,生存困难第2步:对历史样本数据参照无公害养殖水体国家相关标准和专家经验进行预处理,去除多余的参数和波动较大的样本数据1第3步:进行神经网络结构学习,用BP算法对预测系统进行梯度参数优化,求得预测系统神经网络控制参数1利用其余样本对训练的网络模型进行测试,调整网络参数,直至网络达到期望指标为止1第4步:根据专家经验,建立知识库,设计分析报表,完善智能管理系统1第5步:利用训练完毕的网络模型进行水质预测,对实时水质预测输出数据进行后期处理,实现可视化和空间数据的管理;为水质参数监测、控制池塘养殖设备、改善池塘养殖环境和应急处理做出重要的决策支持1专家样本的其中一部分如表2所示1对于样本中某些参数出现不一致,即不属于同类输出类别时,由专家凭经验判定输出类型,如下表:水质中各指标氨氮、亚硝酸盐、DO、p H、总悬浮物,其中样本的参数DO的值有不同而其他的参数则相同,则由专家根据经验判断其水质的类别1表2　水环境质量浓度值和网络希望输出值T ab12　The concentration of w ater qu ality and the values which the netw ork w ant to output氨气亚硝酸盐氮DO p H总悬浮物输出类别0.0020.001 6.00018.0010.2599Ⅰ类0.0020.00178.0010.25990.0020.001 6.59998.0010.25990.090.025 4.00018.759 1.5999Ⅱ类0.090.025 5.00018.759 1.59990.090.025 5.99998.759 1.59990.490.075 3.00019.4999 3.5001Ⅲ类0.490.075 3.50019.4999 3.50010.490.075 3.99999.4999 3.50010.90010.9999 2.99999.9999 5.9999Ⅳ类0.90010.9999 2.50019.9999 5.99990.90010.9999 2.00019.9999 5.9999在本系统中,建立的是一个含有5个输入神经元节点、6个隐含神经元节点和1个输出神经元节点的人工神经网络,使用的是嵌入本系统中的国产软件:2NDN神经网络建模仿真平台进行训练和预测,所建神经网络模型如图4所示1图4　2NDN 中的BP 神经网络模型Fig 14　The BP neural network modelin simulation platform which modeled on 2NDN neural network当学习速率为0.4,动量常数也为0.4时,经过11750步训练,即可以达到0.01的误差,效果十分理想1确定网络结构后,专家系统将最后形成神经元的阈值及连接各层间的网络权值矩阵(即知识库)保存在模型库中,从而完成对知识的获取1在本系统中,实现正向推理的具体工作过程:当一般用户启动推理进程时,主控程序启动推理机,将用户输入的水质状况进行预处理后送到神经网络中计算,从而得到预测结果即水质类型,再将水质类型作为智能管理子系统的输入因子,取出与之对应的“规则后件”,对推理过程进行解释,给出报表,完成智能决策13　结论本系统通过近几年来对水质环境数据的采集和处理,建立了环境数据库,得出了水产生长较为完善的生长发育参数和健康养殖量化指标1根据这些量化指标和水产养殖专业知识,基于环境数据库建立起基于神经网络的水产健康养殖专家系统,对实现水产健康养殖、智能控制和计算机管理具有一定实用价值1人工神经网络抗干扰能力和非线性拟合能力强,具有高度的鲁棒性,建立的网络模型稳定性好,将神经网络与专家系统相结合,将之运用于水产健康养殖专家系统中,改善了传统专家系统的自学能力,本软件投入使用后,能更好地促进数字化水产养殖工程的建设,并在实际工作中不断丰富样本,建立神经网络模型,完善智能决策系统1本系统是国家“863”高技术研发计划项目《水产主导品种集约化养殖数字化集成系统研究与应用》的一个组成部分,它的设计完成,对本项目的研究起到了很好的促进作用1参　考　文　献[1]　王成志,黄少涛,纪荣兴.鱼病诊断系统———“鱼医生”[J ].集美大学学报:自然科学版,1997,2(3):35-41.[2]　郑育红,傅泽田,张小栓.鱼病诊断专家系统设计[J ].中国农业大学学报,2000,5(6):94-97.[3]　傅泽田,温继文,张小栓,等.鱼病诊断专家系统中知识表示的研究[J ].计算机工程与应用,2003,39(10):60-62.[4]　P HILL IP G L.A review of automated cont rol systems for aquaculture and design criteria for t heir implementation[J ].AquaculturalEngineering ,1995,14(3):205-227.[5]　薛雪东,程旭德,徐兵,等.基于BP 神经网络的导弹故障诊断专家系统设计[J ].四川兵工学报,2008,29(4):54-55.[6]　张良均.神经网络实用教程[M ].北京:机械工业出版社,2008:76-77.[7]　张绍兵,季厌浮,高志军.基于神经网络专家系统的研究与实现[J ].计算机工程与科学,2008,30(4):156-158.[8]　李一平,逢勇,田娜.太湖生态系统的人工神经网络模拟研究[J ].环境科学与技术,2004,27(2):43-45.[9]　杨昆,欧阳光耀.模糊神经网络在专家系统中的应用研究[J ].武汉理工大学学报,2008,32(3):510-512.责任编辑:龙顺潮121第1期 曹　晶,等　基于BP 神经网络的水产健康养殖专家系统设计与实现 。

基于神经网络的水质预测技术研究水是人类最基本的生存资源，而水质则是影响人类健康和生产生活的一个重要方面。

在水资源的利用中，水质监测和预测技术的应用也越来越受到关注。

近年来，基于神经网络的水质预测技术也成为研究的热点之一。

本文将从神经网络技术的原理入手，探讨基于神经网络的水质预测技术的研究现状和前景。

一、神经网络技术概述神经网络是一种模仿人脑的思维方式和信息处理的方法。

它是由许多个简单的处理单元组成的。

单元之间通过隐藏层的连接进行信息的传递和处理，从而实现一些复杂的功能。

神经网络是机器学习方法中的一种，常用于分类、回归、聚类等任务。

神经网络的训练过程是通过反向传播算法进行的。

反向传播算法的核心思想是通过最小化误差函数的方法，不断调整连接权值，使得网络的输出达到预期目标。

神经网络具有较强的非线性拟合能力和适应性能力。

除了在科学研究中的应用外，神经网络还广泛应用于金融、医疗、图像处理、语音识别等领域。

二、基于神经网络的水质预测技术的研究现状在水质预测领域，传统的预测方法主要是基于统计学方法和物理数学模型。

然而，这些方法在一些复杂的水环境中往往失效。

因此，近年来基于神经网络的水质预测技术得到了广泛的研究和应用。

基于神经网络的水质预测技术主要包括回归分析、分类分析和混合方法。

其中，回归分析可以用于对水体浓度的预测；而分类分析可以用于对水体的水质等级判定。

混合方法则可以对水体的多种指标进行预测和判定。

神经网络在水质预测中的应用，主要是通过数据的建模和分析，实现对水质污染的预测和控制。

以往的研究证明，基于神经网络的水质预测技术，可以提高水资源的利用效率和保证人类生产生活的安全。

三、基于神经网络的水质预测技术的未来展望随着水资源的日益紧张和污染情况的加剧，对于水质预测技术的研究和应用也越来越重要。

在未来，基于神经网络的水质预测技术将在以下几个方面得到更广泛的应用。

1. 神经网络模型优化随着神经网络技术的不断发展，其模型也在不断优化。

文章编号：1007-757X(2011)09-0044-03LM-BP 神经网络在水质预测的应用胡海清，周小丽，宋毅摘要：神经网络系统是由众多的神经元可调的连接权值连接而成，具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点，可实现非线性关系的隐式表达，它不需要预选确定样本的数学模型，仅通过学习样本数据即可以进行预测。

结合水质预测的一些实际情况，探讨了利用LM-BP 神经网络进行水质预测的方法，初步建立了基于LM-BP 神经网络的预测系统。

关键词：神经网络，LM 网络，固定权值，水质预测中图分类号：TP311文献标识码：A0引言水质预测是在水污染控制单元内建立水域功能区水质指标与陆域相应污染源之间的输入响应关系，以便为水质目标责任管理提供科学依据[1]。

水质预测，通常是利用历史数据，通过不同的预测方法推求环境变量与待预测水质指标之间的非线性关系或待预测水质指标本身随时间的变化规律。

目前，比较常用的预测方法有水质模拟预测、神经网络模型预测、时间序列预测法和灰色预测模型法和基于混沌理论的水质预测法等5大类。

人工神经网络(Artifical Neural Networks,简称ANN)是一种由大量简单的人工神经元广泛连接而成的,用于模拟人脑神经网络的复杂网络系统,具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点，在信息处理、模式识别、智能控制及系统建模等领域得到越来越广泛的应用[2]，是属于人工智能范畴的一种计算技术。

在数值预测方面，它不需要预先确定样本数据的数学模型，仅通过学习样本数据即可以进行相当精确的预测。

目前见诸于水质评价研究领域的有BP 多层前向网络、径向基函数神经网络(RBF)、Hopfield 网络等。

其中以BP 神经网络的应用研究最多,本文就BP 神经网络在水质预测中的应用作些探讨。

1BP 神经网络及改进1.1BP 神经网络BP 神经网络就是采用BP （Back propagation ）算法进行训练的网络，该网络具有一个输入层，一个输出层和至少一个隐藏（中间）层[3]。

式中：E为网络输出误差，P代表第P个样本，j为输出单元数，t jp为单元期望输出，O jp为单元的实际输出，(t jp-O jp)2输出层第j个神经元在模式P作用下的实际输出和期望输出之差的平方。

1.2 BP算法存在的问题BP算法的根本形式为[3]:W(k+1)=W(k)+αD(k)(2)式中:W〔k〕为时刻的权值；α为学习率；〔k〕为k时刻的负梯度。

用三层BP网络可以任意逼近任何连续函数，但是它主要存在如下缺点：(1) 从数学上看，它可归结为一非线性的梯度优化问题，因此不可防止地存在局部极小问题；(2) 学习算法的收敛速度慢，通常需要上千次或更多；(3) 络结构为前向结构，没有反应连接，因此它是一非线性映射系统。

1.3 BP算法的改良〔ABPM算法〕由于BP算法存在以上的缺陷，因而用BP网络训练网络时常常会出现收敛慢、振荡和陷入局部极小等问题。

因此，采用引入动量项的自适应变步长来调整学习率的改良算法〔即ABPM算法〕。

自适应变步长算法和常规BP算法的主要区别在于学习步长λ随误差曲面的变化而进展调整。

由于BP网络的逼近误差曲面的梯度变化是不均匀的，即(k)在不同的位置大小不同。

如果采用固定的步长λ,当λ较小时，在误差曲面较平坦的区域，收敛较慢；当步长λ较大时，又会在峡谷区域引起振荡。

自适应变步长算法正是针对步长的缺陷提出来的。

这种算法是以进化论中的进退法为理论根底的，即连续两次观测训练的误差值，如果误差下降如此增大学习率，误差的反弹在一定的X围内，如此保持步长，误差的反弹超过一定限度如此减小学习率。

学习率的调整可用如下公式进展描述。

W(k+1)=W(k)+α(k)[1-ηD(k)+ηD(k-1)] (3)其中：α(k)=2λα(k-1)；λ=sign[D(k)D(k-1)]。

式中：(k)为k时刻的学习率，它是(k-1)时刻学习率的函数。

η是动量因子，用来抑制振荡。

确定好网络结构和训练算法后，就可以利用输入输山样本对网络进展训练，即按照式〔3〕对网络权值进展调整，当达到期望的输出时训练即告完成，否如此继续调整权值。

基于神经网络的智能水质监测系统近年来，随着城市化的不断发展和工业化的不断进步，水污染问题越来越突出。

传统的水质检测方法需要人工采集水样送往实验室进行分析，费时费力。

而随着科技的飞速发展，人工智能技术逐渐应用到水质监测领域，基于神经网络的智能水质监测系统逐渐兴起。

智能水质监测系统基于神经网络技术，利用计算机进行数据分析和处理，从而实现自动化实时监测。

这种系统依赖于数学模型，通过收集大量的水质数据和实际经验来训练神经网络，从而实现水质监测的自动识别和分类。

这种系统的基本原理是，通过使用传感器采集水中物质的浓度，将数据输入神经网络中进行分析处理，从而实现对水质数据的自动识别和分类。

神经网络具有较强的自适应性和学习能力，可以自动化地处理大量数据，并且可以根据训练数据进行学习和优化，从而提高水质分析的准确性和精度。

智能水质监测系统还可以与云计算等其他技术结合使用，实现更精准的水质预测和监测。

通过将系统与云计算等技术结合使用，可以提高数据存储和处理的效率，同时可以实现对大数据的快速分析和处理，从而更快速地识别和解决水质问题。

该系统的应用具有广泛的前景和潜力。

在城市化和工业化进程不断加快的背景下，水质监测问题日益突出，而智能水质监测系统可以在保证准确性和精度的前提下，快速地进行多种复杂的水质分析工作，提高水质监测的效率和可靠性，为人们带来更加健康安全的生活环境。

同时，智能水质监测系统还可以实现水质数据的实时共享和传输，促进各地区之间的协作和交流，共同解决水质污染问题。

在全球范围内，可以实现水资源的合理利用和保护，为人类的可持续发展提供有力支撑。

总之，基于神经网络的智能水质监测系统具有广泛的应用前景和潜力，可以提高水质监测的效率和可靠性，保障人们的健康和安全，同时也可以促进各地区之间的合作和交流，共同解决水资源管理和保护的问题。

第４４卷　第６Ａ期２０１７年６月计算机科学ＣＯＭＰＵＴＥＲ　ＳＣＩＥＮＣＥＶｏｌ．４４Ｎｏ．６ＡＪｕｎｅ　２０１７徐云娟　女，硕士，讲师，主要研究方向为人工智能、算法与程序设计。

基于ＢＰ神经网络和遗传算法的养殖水域预警模型徐云娟（苏州托普信息职业技术学院　昆山２１５３１１）　摘　要　随着我国经济的快速发展，环境保护工作面临前所未有的压力。

为有效加强水产养殖水域环境的监管力度，应对突发性环境污染事故对社会生活和经济发展的影响，建立ＢＰ神经网络来拟合水产养殖水域饲料投放与总磷（ＴＰ）、总氮（ＴＮ）、透明度（ＳＤ）以及耗氧量（ＣＯＤ）等富营养指标变化情况的对应函数关系，并利用遗传算法来实现目标函数的优化方法，形成养殖水域预警模型，为水域环境治理和公共决策提供技术支撑。

利用该模型对鄱阳湖新型水产养殖基地的样本进行分析，取得了很好的预测效果。

关键词　ＢＰ神经网络，遗传算法，富营养化，预警模型中图法分类号　ＴＰ１８３，Ｘ５０２ 文献标识码　Ａ　Ｅａｒｌｙ　Ｗａｒｎｉｎｇ　Ｍｏｄｅｌ　ｆｏｒ　Ｗａｔｅｒ　Ｅｕｔｒｏｐｈｉｃａｔｉｏｎ　Ｂａｓｅｄ　ｏｎ　ＢＰ　Ａｒｔｉｆｉｃｉａｌ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ　ａｎｄ　Ｇｅｎｅｔｉｃ　ＡｌｇｏｒｉｔｈｍＸＵ　Ｙｕｎ－ｊｕａｎ（Ｓｕｚｈｏｕ　Ｔｏｐ　Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｔｅｃｈｎｏｌｏｇｙ，Ｋｕｎｓｈａｎ　２１５３１１，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ　Ｗｉｔｈ　ｔｈｅ　ｅｃｏｎｏｍｉｃ　ｄｅｖｅｌｏｐｍｅｎｔ，ｔｈｅ　ｅｎｖｉｒｏｎｍｅｎｔａｌ　ｐｒｏｔｅｃｔｉｏｎ　ｗｏｒｋ　ｉｓ　ｆａｃｉｎｇ　ｕｎｐｒｅｃｅｄｅｎｔｅｄ　ｐｒｅｓｓｕｒｅ．Ｉｎ　ｏｒｄｅｒｔｏ　ｅｎｈａｎｃｅ　ｔｈｅ　ａｑｕａｔｉｃ　ｅｎｖｉｒｏｎｍｅｎｔ　ｃｏｎｔｒｏｌ　ｅｆｆｅｃｔｉｖｅｌｙ　ａｎｄ　ｔｏ　ｄｅａｌ　ｗｉｔｈ　ｔｈｅ　ｉｍｐａｃｔ　ｏｆ　ｓｕｄｄｅｎ　ｅｎｖｉｒｏｎｍｅｎｔａｌ　ｐｏｌｌｕｔｉｏｎ　ａｃ－ｃｉｄｅｎｔ　ｏｎ　ｔｈｅ　ｓｏｃｉａｌ　ａｎｄ　ｅｃｏｎｏｍｉｃ　ｄｅｖｅｌｏｐｍｅｎｔ，ｔｈｅ　ｐａｐｅｒ　ｅｓｔａｂｌｉｓｈｅｄ　ＢＰ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｔｈｅｏｒｙ　ｆｏｒ　ｆｉｔｔｉｎｇ　ａｑｕａｃｕｌｔｕｒｅｆｅｅｄ，ａｎｄ　ｔｏｔａｌ　ｐｈｏｓｐｈｏｒｕｓ，ｔｏｔａｌ　ｎｉｔｒｏｇｅｎ，ｔｒａｎｓｐａｒｅｎｃｙ，ａｓ　ｗｅｌｌ　ａｓ　ｏｘｙｇｅｎ　ｃｏｎｓｕｍｐｔｉｏｎ，ａｎｄ　ｏｔｈｅｒ　ｎｕｔｒｉｔｉｏｕｓ　ｉｎｄｉｃａｔｏｒｓｏｆ　ｃｈａｎｇｅｓ　ｉｎ　ｔｈｅ　ｃｏｒｒｅｓｐｏｎｄｉｎｇ　ｆｕｎｃｔｉｏｎ．Ｆｕｒｔｈｅｒｍｏｒｅ，ｔｈｅ　ｐａｐｅｒ　ｕｓｅｄ　ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍ　ｔｏ　ａｃｈｉｅｖｅ　ｏｐｔｉｍｉｚａｔｉｏｎ　ｍｅｔｈｏｄｓｏｆ　ｔｈｅ　ｏｂｊｅｃｔｉｖｅ　ｆｕｎｃｔｉｏｎ，ａｎｄ　ｆｏｒｍｅｄ　ａ　ｂｒｅｅｄｉｎｇ　ｗａｔｅｒｓ　ｅａｒｌｙ　ｗａｒｎｉｎｇ　ｍｏｄｅｌ．Ｔｈｅ　ｍｏｄｅｌ　ｐｒｏｖｉｄｅｓ　ｔｅｃｈｎｉｃａｌ　ｓｕｐｐｏｒｔ　ｆｏｒｗａｔｅｒ　ｅｎｖｉｒｏｎｍｅｎｔ　ｇｏｖｅｒｎａｎｃｅ　ａｎｄ　ｐｕｂｌｉｃ　ｄｅｃｉｓｉｏｎ－ｍａｋｉｎｇ．Ａｔ　ｔｈｅ　ｓａｍｅ　ｔｉｍｅ，ｔｈｅ　ｐａｐｅｒ　ｍａｋｅｓ　ｆｕｒｔｈｅｒ　ａｎａｌｙｓｉｓ　ｆｏｒ　ｔｈｅｓａｍｐｌｅｓ　ｏｆ　Ｐｏｙａｎｇ　Ｌａｋｅ’ｓ　ｎｅｗ　ａｑｕａｃｕｌｔｕｒｅ　ｂａｓｅ　ａｎｄ　ｆｏｒｅｃａｓｔｓ　ｇｏｏｄ　ｒｅｓｕｌｔｓ　ｂｙ　ｕｓｉｎｇ　ｔｈｅ　ｍｏｄｅｌ．Ｋｅｙｗｏｒｄｓ　ＢＰ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ，Ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍ，Ｅｕｔｒｏｐｈｉｃａｔｉｏｎ，Ｅａｒｌｙ　ｗａｒｎｉｎｇ　ｍｏｄｅｌ　 随着我国经济的快速发展，环境保护问题日益突出。