一种基于GA-BP神经网络的海洋养殖用网衣安全性的预测方法技术

本发明专利技术提供了一种基于GA

【技术实现步骤摘要】
一种基于GA
‑
BP神经网络的海洋养殖用网衣安全性的预测方法


[0001]本专利技术属于海水养殖
，特别涉及一种基于GA
‑
BP神经网络的海洋养殖用网衣安全性的预测方法。

技术介绍

[0002]我国近海及深远海养殖网箱遭受风暴潮等恶劣海洋灾害的严重威胁，严重阻碍了我国设施养殖产业的发展。据统计，每年我国因沿海风暴潮等海洋灾害造成的海水养殖经济损失高达数十亿元。常用的海上养殖网箱主要是由浮架系统、网衣系统、锚碇系统及配重系统组成。目前针对养殖网箱在海洋环境要素作用下的动力特性的研究主要有物理模型试验和数值模拟两种方法。物理模型试验方法数据较为真实可靠，但试验一般周期较长，不能实现对网箱动力特性的快速判断。随着计算机技术的发展，数值模拟逐渐成为海洋工程结构动力特性研究的主要方法。
[0003]网衣作为海洋养殖设施的主体部分，是设施养殖成败的关键。网衣破损会导致养殖鱼类逃离，养殖项目失败，血本无归。因此，养殖装备的网衣系统安全性必须得到重视。目前针对海上养殖网箱的相关研究主要集中在海洋环境荷载作用下的动力特性方面，尚未对海洋灾害下养殖网箱网衣的破损致灾机理进行系统分析和预测。

技术实现思路

[0004]本专利技术公开了一种基于GA
‑
BP神经网络的海洋养殖用网衣安全性的预测方法，用以解决
技术介绍
中提及的问题。
[0005]本专利技术所采用的技术方案是：一种基于GA
‑
BP神经网络的海洋养殖用网衣安全性的预测方法，其特征在于，包括：构建初始网络模型GA
‑
BP；向初始网络模型GA
‑
BP输入训练数据集，训练并验证模型；保存成熟的模型作为预测模型；向预测模型输入待预测数据，预测模型将输入的待预测数据进行分析处理，然后输出预测结果。
[0006]在上述的一种基于GA
‑
BP神经网络的海洋养殖用网衣安全性的预测方法中，所述初始网络模型GA
‑
BP通过以下步骤构建：选择python作为编程语言，编写遗传算法GA和神经网络BP。
[0007]在上述的一种基于GA
‑
BP神经网络的海洋养殖用网衣安全性的预测方法中，所述神经网络BP的输入层有8个神经元，隐藏层12个节点，输出层2个节点，各层之间权连接。
[0008]在上述的一种基于GA
‑
BP神经网络的海洋养殖用网衣安全性的预测方法中，各层之间的连接权重和各节点的偏置值均为随机初始值，输入到遗传算法GA中得到最优解，返回到神经网络BP。
[0009]在上述的一种基于GA
‑
BP神经网络的海洋养殖用网衣安全性的预测方法中，所述训练数据集为根据以往研究的数值模拟研究、物理模型试验以及实地测验得到的工况数据。
[0010]在上述的一种基于GA
‑
BP神经网络的海洋养殖用网衣安全性的预测方法中，所述训练数据集包括波高、流速、水深、周期、桩间距、纲绳直径、网线直径和目脚长度8个条件，以及纲绳最大荷载和网线最大荷载2个结果标签。
[0011]在上述的一种基于GA
‑
BP神经网络的海洋养殖用网衣安全性的预测方法中，所述训练并验证模型步骤如下：将训练数据集按8:2的比例随机分类为训练集和测试集，训练集数据传入初始网络模型GA
‑
BP，正向传播后与数据集标签值对比求得误差，不符合精度要求就反向传播，调整权重和偏置值，直到符合要求得到训练成熟的模型。
[0012]在上述的一种基于GA
‑
BP神经网络的海洋养殖用网衣安全性的预测方法中，保存成熟的模型的步骤包括：采用tensorflow框架中的tf.train.Saver().save()语句对已经训练成熟的模型进行保存。
[0013]与现有技术相比，本基于GA
‑
BP神经网络的海洋养殖用网衣安全性的预测方法具有以下优点：本方法利用传统数值模拟和物理模型试验所得的数据对该初始网络模型GA
‑
BP进行训练测试。最终将训练成熟的神经网络预测模型封装，形成可用于快速预测网衣受力的设施安全评估分析系统，实现了对网衣系统载荷的实时预测，同时还弥补了普通反向传播网络的易陷入局部最小或收敛慢等缺陷，使养殖项目失败的风险降低。
附图说明
[0014]图1是实施例的基于GA
‑
BP神经网络的海洋养殖用网衣安全性的预测方法流程图。
[0015]图2是神经网络构建与训练的流程图。
[0016]图3是用于实施预测方法的人机交互界面示意图。
具体实施方式
[0017]以下是本专利技术的具体实施例并结合附图，对本专利技术的技术方案作进一步的描述，但本专利技术并不限于这些实施例。
[0018]如图1所示，本基于GA
‑
BP神经网络的海洋养殖用网衣安全性的预测方法包括以下步骤：
[0019]步骤101、构建初始网络模型GA
‑
BP。
[0020]本实施例中，采用python作为编程语言，利用其包含的numpy等库，编写遗传算法GA和神经网络BP。利用神经网络BP实现大规模的并行计算，神经网络BP具有很强的自适应学习能力，是一种集合了推理学习、知识表达及联想记忆的模型。
[0021]神经网络BP的层与层之间靠神经元实现权连接，层内神经元之间并没有联系。具体的说，神经网络BP包括输入层、隐藏层和输出层，输入层有8个神经元，隐藏层12个节点，输出层2个节点。各层之间的连接权重和各节点的偏置值均为随机初始值，输入到遗传算法GA中得到最优解，返回到神经网络BP。
[0022]步骤102、向初始网络模型GA
‑
BP输入训练数据集，训练并验证模型。
[0023]训练数据集为根据以往研究的数值模拟研究、物理模型试验以及实地测验得到的工况数据。具体的说，训练数据集包括波高、流速、水深、周期、桩间距、纲绳直径、网线直径和目脚长度8个条件，以及纲绳最大荷载和网线最大荷载2个结果标签。
[0024]训练并验证模型步骤如下：将训练数据集按8:2的比例随机分类为训练集和测试
集，训练集数据传入初始网络模型GA
‑
BP，正向传播后与数据集标签值对比求得误差，不符合精度要求就反向传播，调整权重和偏置值，直到符合要求得到训练成熟的模型。
[0025]结合图2对初始网络模型GA
‑
BP构建和训练进一步说明如下如下：
[0026]1、首先通过遗传算法GA计算神经网络BP的最优初始参数，其过程包括：第一步、对神经网络BP权值阈值实数编码。第二步、创建初始种群及优化目标。第三步、计算适应度，判断是否达到优化目标：如果是，输出最优个体；如果否，选择算子，然交叉算子，得到变异算子，利用变异算子重新计算适应度，直至达到优化目标。
[0027]2、通过数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GA
‑
BP神经网络的海洋养殖用网衣安全性的预测方法，其特征在于，包括：构建初始网络模型GA
‑
BP；向初始网络模型GA
‑
BP输入训练数据集，训练并验证模型；保存成熟的模型作为预测模型；向预测模型输入待预测数据，预测模型将输入的待预测数据进行分析处理，然后输出预测结果。2.根据权利要求1所述的一种基于GA
‑
BP神经网络的海洋养殖用网衣安全性的预测方法，其特征在于，所述初始网络模型GA
‑
BP通过以下步骤构建：选择python作为编程语言，编写遗传算法GA和神经网络BP。3.根据权利要求2所述的一种基于GA
‑
BP神经网络的海洋养殖用网衣安全性的预测方法，其特征在于，所述神经网络BP的输入层有8个神经元，隐藏层12个节点，输出层2个节点，各层之间权连接。4.根据权利要求3所述的一种基于GA
‑
BP神经网络的海洋养殖用网衣安全性的预测方法，其特征在于，各层之间的连接权重和各节点的偏置值均为随机初始值，输入到遗传算法GA中得到最优解，返回到神经网络BP。5.根据权利要求1
‑
4任意一项所述的一种基于GA
‑...

【专利技术属性】
技术研发人员：张子良，游洋，刘彦伟，范光辉，边鹤，冯德军，
申请(专利权)人：浙江海洋大学，
类型：发明
国别省市：