«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46卷

期数:

2018年08期

页码:

232-236

栏目:

农业工程与信息技术

出版日期:

2018-04-20

文章信息/Info

Title:

Prediction of dissolved oxygen content in water by MTF-QNN model

作者:

贾花萍

渭南师范学院网络安全与信息化学院，陕西渭南 714099

Author(s):

Jia Huaping

关键词:

多层激励函数; 量子神经网络; 水中溶解氧; 预测模型

Keywords:

-

分类号:

TP183；S126

DOI:

-

文献标志码:

A

摘要:

研究水中溶解氧含量的预测问题，可为水厂生产、水产养殖业、地表水环境的管理提供科学依据。影响水中溶解氧的各因素关系复杂，很难进行数学建模，神经网络由于具有较强的非线性问题处理能力而被广泛应用于水中溶解氧的预测研究。由于传统神经网络具有陷入局部极小、收敛速度慢并且网络冗余度较大等缺陷，为提高网络的正确预测能力和泛化能力，采用多层激励函数(modulation transfer function，简称MTF)与量子神经网络(quantum neural network，简称QNN)相结合建立水中溶解氧预测模型，但若用神经网络作为前馈型网络，它的沿梯度下降的算法会使其在进行网络训练时有可能陷入局部极小，针对这一缺陷，提出一种可以使量子神经网络逃离局部极小点的算法，并将它应用到量子神经网络中进行网络误差调整。仿真结果表明，与传统BP(back propagation)神经网络预测结果相比，采用多层激励函数的量子神经网络(modulation transfer function-quantum neural network，简称MTF-QNN)预测水中溶解氧含量的预测精度更高。

Abstract:

-

参考文献/References:

［1］王嘉学，刘丛强，王锐良. 滇池及入湖河道富营养化治理的人工辅助增氧［J］. 地球与环境，2008，36(2)：183-187.
［2］杨斌，翟雪梅，王强. 长江河口南支水域溶解氧动力学模型的应用［J］. 中国海洋大学学报(自然科学版)，2004，34(2)：253-260.
［3］邹志红，王学良. BP模型在河流水质预测中的误差分析［J］. 环境科学学报，2007，27(6)：1038-1042.
［4］刘双印，徐龙琴，李道亮，等. 基于时间相似数据的支持向量机水质溶解氧在线预测［J］. 农业工程学报，2014，30(3)：155-162.
［5］朱成云，刘星桥，李慧，等. 工厂化水产养殖溶解氧预测模型优化［J］. 农业机械学报，2016，47(1)：273-278.
［6］张浩然，汪晓东. 回归最小二乘支持向量机的增量和在线式学习算法［J］. 计算机学报，2006，29(3)：400-406.
［7］Zhao Y P，Sun J G，Du Z H，et al. Online independent reduced least squares support vector regression［J］. Information Sciences，2012，201：37-52.
［8］白建东，叶德谦，李春兴. 混沌时间序列的Volterra级数多步预测研究［J］. 计算机仿真，2008，25(6)：274-276，280.
［9］陆振波，蔡志明，姜可宇. 基于稀疏Volterra滤波器混沌时间序列自适应预测［J］. 系统工程与电子技术，2007，29(9)：1428-1431.
［10］Farmer J D，Sidorowich J J. Predicting chaotic time series［J］. Physical Review Letters，1987，59(8)：845-848.
［11］Vairappan C，Tamura H，Gao S C，et al. Batch type local search-based adaptive neuro-fuzzy inference system(ANFIS)with self-feedbacks for time-series prediction［J］. Neurocomputing，2009，72(7)：1870-1877.
［12］Chen Y M，Lin C T. Dynamic parameter optimization of evolutionary computation for on-line prediction of time series with changing dynamics［J］. Applied Soft Computing，2007，7(4)：1170-1176.
［13］韩广，乔俊飞，薄迎春. 溶解氧浓度的前馈神经网络建模控制方法［J］. 控制理论与应用，2013，30(5)：585-591.
［14］欧红香，郑铭，田中雅史. 长良川水质中溶解氧和化学耗氧量预测模型的建立［J］. 四川环境，2003，22(3)：91-94.
［15］苏彩红，向娜，林梅金. 基于ABC优化算法的神经网络水溶解氧预测［J］. 计算机仿真，2013，30(11)：325-329.
［16］缪新颖，葛廷友，高，等. 基于神经网络和遗传算法的池塘溶解氧预测模型［J］. 大连海洋大学学报，2011，26(3)：264-267.
［17］郭连喜，邓长辉. 基于模糊神经网络的池塘溶解氧预测模型［J］. 水产学报，2006，30(2)：225-229.
［18］雷衍之. 养殖水环境化学［M］. 北京：中国农业出版社，2004：63-89.
［19］徐宁，李德尚，董双林. 海水养殖池塘溶氧平衡的实验研究［J］. 中国水产科学，1999，6(1)：69-74.
［20］臧维玲，戴习林，朱正国，等. 中国对虾池溶解氧的收支平衡状态［J］. 海洋通报，1995，17(4)：137-141.
［21］方志山，杨圣云，许振祖. 杏林虾池综合养殖系统主要环境因子的变化［J］. 台湾海峡，2001，20(4)：496-501.
［22］朱大奇，史慧. 人工神经网络原理及应用［M］. 北京：科学出版社，2006：26-28.
［23］Benioff P A. Quantum mechanical hamiltonian model of turing machine［J］. Journal of Statistical Physics，1982，29(3)：515-546.
［24］Feynman R P. Simulating physics with computers［J］. International Journal of Theoretical Physics，1982，21(6/7)：467-488.
［25］Kak S. Quantum neural computing［J］. Information Science，1995，83：143-160.
［26］Kak S. Quantum neural computing［J］. Advances in Imaging and Electron Physics，1995，94：259-313.
［27］Chrisley R.Quantum learning［C］//Finish Association of Artificial Intelligence. Lapland，2005：77-89
［28］Narayanan A，Menneer T. Quantum artifical neural network architectures and components［J］. Information Sciences，2000，128(3/4)：231-255.
［29］刘超. 基于粗糙集理论和量子神经网络的电网故障诊断方法研究［D］. 成都：西南交通大学，2008.
［30］柳丹. 量子神经网络模型及其在心电图分类识别中的应用研究［D］. 南京：南京邮电大学，2012.
［31］李茶茶. 基于量子神经网络的指纹识别技术研究［D］. 南京：南京邮电大学，2011.
［32］Karayiannis N B，Purushotaman G. Fuzzy pattern classification using feedforward neural networks with multilevel hidden neurons［J］. IEEE Transaction on Neural Network，1994，5(1)：127-132.
［33］周树德，王岩，孙增圻，等. 量子神经网络［M］. 香港：香港中文大学出版社，2003.

相似文献/References:

备注/Memo

备注/Memo:

收稿日期：2016-11-10
基金项目：陕西省渭南市科技创新扶持资金和科研项目(编号：2016KYS-3-3)。
作者简介：贾花萍(1979—)，女，陕西富平人，硕士，副教授，主要研究领域为神经网络。E-mail：jiahuaping_1979@126.com。

常用功能

更新日期/Last Update: 2018-04-20