«上一篇/Previous Article|本期目录/Table of Contents|下一篇/Next Article»

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:

第45卷

期数:

2017年04期

页码:

183-186

栏目:

农业工程与信息技术

出版日期:

2017-02-20

文章信息/Info

Title:

Aquaculture ammonia nitrogen concentration prediction model based on improved particle swarm optimization extreme learning machine

作者:

徐大明¹; 2; 3; 4; 杜永贵¹; 孙传恒²; 3; 4; 周超²; 3; 4

1.太原理工大学信息工程学院，山西太原 030000； 2.国家农业信息化工程技术研究中心，北京 100097；
3.农业部农业信息技术重点实验室，北京 100097； 4.北京市农业物联网工程技术研究中心，北京 100097

Author(s):

Xu Daming; et al

关键词:

氨态氮预测; 粒子群算法; 变异算子; 极限学习机

Keywords:

-

分类号:

TP181；S934

DOI:

-

文献标志码:

A

摘要:

针对养殖水体氨态氮含量预测准确性低的问题，提出了一种基于改进粒子群算法优化极限学习机的水产养殖氨态氮含量预测模型。引入自适应变异算子改进粒子群算法的搜索性能，利用改进粒子群算法优化极限学习机的初始权值和阈值，最后训练极限学习机预测模型求得最优解。将该预测模型应用在小汤山水产品养殖系统进行有效性验证，通过试验发现，与PSO-ELM和普通BP神经网络相比，IPSO-ELM预测氨态氮含量模型有更高的精度和更好的拟合能力。结果表明，基于改进粒子群优化的极限学习机氨态氮含量预测模型简单易懂、预测精度高、易于实现，具有较好的预测性能。

Abstract:

-

参考文献/References:

［1］Huang G H，Xia J.Barries to sustainable water quality management［J］. Journal of Environmental Management，2001，61(1)：1-23.
［2］何力，徐忠法，周瑞琼. 内陆渔业水质环境相关标准的应用和分析［J］. 水利渔业，2004，24(1)：39-40.
［3］刘双印. 基于计算智能的水产养殖水质预测预警方法研究［D］. 北京：中国农业大学，2014：13-18.
［4］李如忠. 水质预测模式理论研究进展与趋势分析［J］. 合肥工业大学学报(自然科学版)，2006，29(1)：26-30.
［5］刘双印，徐龙琴，李振波，等. 基于PCA-MCAFA-LSSVM的养殖水质pH值预测模型［J］. 农业机械学报，2014，45(5)：239-246.
［6］Liu S Y，Tai H J，Ding Q S，et al. A hybrid approach of support verctor regression with genetic algorithm optimization for aquaculture water quality prediction［J］. Mathematical and Computer Modelling，2013，58：458-465.
［7］梁毅，刘世洪. 基于遗传算法优化的BP神经网络的组合预测模型方法研究［J］. 中国农业科学，2012，45(23)：4924-4930.
［8］朱建良，闻彦，李国辉. 基于灰色理论与BP神经网络的电力负荷预报［J］. 电机与控制学报，2006，10(4)：440-442.
［9］祁金秀，陈晶. 基于粒子群算法优化的径向基函数水质预测模型［J］. 甘肃水利水电技术，2014，50(5)：1-4.
［10］Huang G B，Zhu Q Y，Siew C K.Extreme learning machine：theory and applications［J］.Neurocomputing，2006，70(1/2/3)：489-501.
［11］王杰，毕浩洋. 一种基于粒子群优化的极限学习机［J］. 郑州大学学报，2013，45(1)：100-104.
［12］Zong W W，Huang G B. Face recognition based on extreme learning machine［J］. Neurocomputing，2011，74(16)：2541-2551.
［13］张翌晖，王贺，胡志坚，等. 基于集合经验模态分解和改进极限学习机的短期风速组合预测研究［J］. 电力系统保护与控制，2014，42(10)：29-34.
［14］Ren C，An N，Wang J Z，et al.Optimal parameters selection for BP neural network based on particle swarm optimization： a case study of wind speed forecasting［J］. Knowledge-Based Systems，2014，56：226-239.
［15］粒子群算法研究［EB/OL］.［2015-04-18］.http：//blog.csdn.net/niuyongjie/article/details/1569671.
［16］李珊. 基于粒子群算法的BP神经网络漏钢预测模型［D］. 秦皇岛：燕山大学，2014：23-31.
［17］倪庆剑，邢汉承，张志政，等. 粒子群优化算法研究进展［J］. 模式识别与人工智能，2007，20(3)：349-357.
［18］黄树运. 改进的粒子群算法训练BP神经网络的研究［D］. 南宁：广西大学，2013：11-19.
［19］李松，刘力军，翟曼. 改进粒子群算法优化BP神经网络的短时交通流预测［J］. 系统工程理论与实践，2012，32(9)：2045-2049.
［20］何勇，李妍琰. 改进粒子群优化BP神经网络的洪水智能预测模型研究［J］. 西南师范大学学报(自然科学版)，2014，39(5)：75-80.

相似文献/References:

[1]陈西亮,张佳华,艾天成.基于支持向量机法提取江汉平原三湖农场棉蚜危害程度的空间分布[J].江苏农业科学,2016,44(09):157.
　Chen Xiliang,et al.Extracted spatial distribution of Aphis gossypii damage based on support vector machine method in Sanhu farm of Jianghan Plain[J].Jiangsu Agricultural Sciences,2016,44(04):157.
[2]王鹏,龚瑞昆.基于粒子群算法优化PIDNN的温室系统解耦控制[J].江苏农业科学,2018,46(23):241.
　Wang Peng,et al.Study on PID neural network decoupling control of greenhouse system based on PSO[J].Jiangsu Agricultural Sciences,2018,46(04):241.
[3]白元明,孔令成,张志华,等.基于改进OTSU算法的快速作物图像分割[J].江苏农业科学,2019,47(24):231.
　Bai Yuanming,et al.Segmentation of fast crop image based on improved OTSU algorithm[J].Jiangsu Agricultural Sciences,2019,47(04):231.
[4]张宇晗,刘新亮,袁言,等.水产品质量安全风险评估模型[J].江苏农业科学,2020,48(03):231.
　Zhang Yuhan,et al.Study on risk assessment model of aquatic product quality and safety[J].Jiangsu Agricultural Sciences,2020,48(04):231.
[5]刘合兵,王垒,王一飞,等.基于PSO-SVR模型的河南省小麦产量预测方法[J].江苏农业科学,2023,51(8):157.
　Liu Hebing,et al.Study on wheat yield prediction method based on PSO-SVR model in Henan Province[J].Jiangsu Agricultural Sciences,2023,51(04):157.

备注/Memo

备注/Memo:

收稿日期：2015-12-17
基金项目：国家科技支撑计划(编号：2014BAD08B09-02)；国家“863”计划(编号：2012AA101905-02)；北京市自然科学基金(编号：6152009)。
作者简介：徐大明(1991—)，男，江苏盐城人，硕士，研究方向为智能算法。E-mail：xudaming@vip.qq.com。
通信作者：孙传恒，博士，研究员，研究方向为农业信息化。E-mail：sunch@nercita.org.cn。

常用功能

更新日期/Last Update: 2017-02-20