Elman網絡在養殖水體氨氮預測中的應用研究

汪翔 何吉祥 佘磊等

摘要利用2014年6～10月養殖塘口記錄的飼料投喂量、水體溶解氧量、水溫、氣溫、濁度、降雨量作為模型輸入，檢測的氨氮作為模型輸出，建立了用于養殖水體氨氮模擬的Elman網絡。利用2014年11月的觀測數據，對模型的模擬能力進行了檢驗。結果表明：建立的養殖水體氨氮預測模型，可以較好地模擬水體中氨氮濃度的變化趨勢，模擬的絕對誤差平均值為0.016 mg/L，決定系數R2為0.74。說明Elman網絡建立的預測模型在養殖水體氨氮含量變化預測中具有強非線性動態描述能力，對養殖水體中氨氮的預測有較好的適用性和預測精度。

關鍵詞養殖水體；水質預測；Elman網絡；非線性系統

中圖分類號S951.2文獻標識碼

A文章編號0517-6611（2015）31-365-03

Application of Elman Neural Network in Aquaculture Water NH3N Prediction

WANG Xiang， HE Jixiang， SHE Lei et al

（Fisheries Research Institute， Anhui Academy of Agricultural Sciences， Hefei， Anhui 230031）

Abstract Elman artificial neural network model was developed to predict the change of water NH3N in aquaculture pond. The indexes including feed ration， dissolved oxygen in water， water temperature， air temperature， water turbidity， rainfall were recorded and chosen as the input variables， while the NH3N content in the corresponding pond was chosen as output variable. The above data were collected everyday from June to October in 2014. They were used to develop model in this test， and the data collected in November of 2014 were chosen to evaluate the developed model. The results showed that the changing trend of water NH3N in aquaculture pond could be simulated well by the model， the predictive absolute error mean was 0.016 mg/L， and R2 was 0.74. The prediction model based on Elman neural network had a strong ability to describe the nonlinear dynamic changes of NH3N content in aquaculture water， and it showed the good adaptability and accuracy in practical application.

Key words Aquaculture water； Water quality forecast； Elman neural network； Nonlinear system

水體中的氨氮是氮循環中的組成部分，其對水產養殖對象具有生物毒害 [1]。氨氮對水生生物的危害主要是指非離子氨，非離子氨進入水生生物體內后，對酶水解反應和膜穩定性產生明顯影響，使其表現出呼吸困難、不攝食、抵抗力下降、驚厥、昏迷等現象，影響水生生物的生理、生化指標與生長狀況，嚴重時可導致養殖生物大批死亡，造成經濟損失[2]。因此，深入研究養殖水體中氨氮變化規律，準確預測其變化并將預測結果應用于指導生產過程，對提高養殖產品質量、提高養殖效益和防止魚病的發生具有重要意義。

池塘中氮主要來源于肥料和飼料，飼料中的氮有60%～70%被排泄到水體中，而進入水體中的氮一般以氨的形式存在。在正常條件下氨氮會通過亞硝化細菌轉化為亞硝酸鹽，在環境條件發生變化時硝酸鹽又會被兼性厭氧細菌還原為氨氮[3]。影響水體中氨氮濃度的因素很多，如pH、水溫、溶解氧、硝化細菌數量、化肥、農藥及抗生素使用都影響水中氨氮的變化，所以養殖水體中氨氮變化趨勢具有明顯的非線性，沒有直觀規律可循。而水體中氨氮變化涉及水化學、生物動力、微生物、氣象等諸多內容，其中某些變化原理人們還尚未認識清楚，很難從機理上建模。目前解決此類問題的代表性方法有GM（1，1）灰色模型[4-5]和BP神經網絡[6-7]，但也僅限于環境水體指標分析預測。理論和實踐顯示，當采集的原始數據呈指數規律變化時，灰色預測模型的預測精度較高，但對于序列變化不呈指數規律時，預測會出現較大偏差[8]；而BP神經網絡模型訓練速度過慢、外部噪聲敏感，預測結果呈現出不穩定性。該研究選擇Elman網絡建立氨氮預測模型，通過采集和處理數據，訓練預測模型，把模擬輸出數據與實測數據比對分析，得出較為理想的結果，在實際應用中取得了較好的效果。

1Elman網絡原理

Elman網絡（Simple Recurrent Neural Network） 全稱簡單遞歸神經網絡，是在傳統 BP 網絡的隱含層上增加一個承接層 ，作為內部延時， 達到記憶的效果，從而使系統具有廣泛的泛化能力。因此它可以反映系統歷史狀態信息，是一種有記憶功能的、體現歷史時間變化的神經網絡。與BP神經網絡簡單的靜態神經網絡相比，Elman網絡能夠更好地描述動態時變系統特性，從而更有效地實現復雜動態系統建模。

Elman 型神經網絡分為4層：輸入層、隱藏層、承接層和輸出層。輸入層和輸出層為信號的輸入和輸出，隱藏層為激發函數 ，承接層用來儲存隱藏層上一次的輸出值。Elman模型結構見圖1。由圖1的 Elman 型神經網絡結構組成可知 ， 隱藏層的輸出和輸入都通過承接層的延遲和存儲。這種自聯方式使系統對歷史狀態的數據具有敏感性，網絡的內部反饋結構提高了模型處理動態信息的能力，從而達到了動態建模的目的。

2檢驗函數

為了對水體氨氮變化趨勢模擬輸出結果進行實測值對比檢驗， 該文采用均方誤差MSE（Mean Square Error）、絕對誤差AE（Absolute Error）、決定系數R2（Coefficient of Determination）等數據分析方法對Elman網絡的模擬精度進行了評價。上述誤差函數參考相關文獻[9]進行計算。

3數據采集

2014年6月28日～11月21日，在安徽省農業科學院崗集養殖基地選擇4個草魚苗種養殖塘口，養殖塘口均為長方形，220 m×45 m，東西向，塘口面積為9 900 m2。每天上午10：00對養殖水體水溫、氣溫、濁度、降雨量、pH、溶解氧、風速、日照、氨氮、亞硝酸鹽等14項指標進行數據分析和采集。同時記錄每個塘口水位、養殖品投放量、飼料投喂量、用藥量等生產日志。

3.1水質檢測

每個養殖塘口設置4個采樣點，用0.5 L采水器采集水面下0.5 m處水體，將采集水樣均勻混合后，進行水質檢測。用WGZ-1B數顯濁度儀測定濁度；用DZ-A多參數水質分析儀測定氨氮、亞硝酸鹽；用JPBJ-608型溶解氧測試儀測定溶解氧；用GDYS-101SV硫化物測定儀測定硫化物；用AZ8601PH測試儀測定pH。

3.2氣象記錄

在觀察點建設無線電子室外氣象站（德國TFA 35.1067 VEGA WS-1600IT IT），將風速傳感器安裝在離地面2 m高度處，將大氣溫濕度傳感器和雨量計傳感器安裝在離地面0 m高度處。每3 h自動記錄氣溫、濕度、氣壓、降雨量、風速。

4基于Elman網絡建立養殖水體氨氮預測模型

4.1建模樣本

根據水體中氨氮的產生過程和影響因子，項目組對觀察塘口記錄了氣溫、水溫、氣壓、光照、風速、投喂量、降雨量、濁度、pH、溶解氧、鹽度、氨氮、亞硝酸鹽、硝酸鹽等14項指標。本著模型的輸入量數據容易獲取原則，經過多元回歸分析后選取相關系數較高、易獲取的指標為模型輸入變量。最終該研究選擇2個參與細菌硝化作用的指標（飼料投喂量、溶解氧）和4個環境變化指標（水溫、氣溫、濁度、降雨量）共計6個因子作為模型的輸入變量，模型的輸出變量用水質監測獲得的氨氮數據進行校正訓練。2014年6～10月采集分析的數據為建模樣本（n=126），11月采集分析的數據為預測樣本（n=20）。在網絡學習過程中，為便于網絡的訓練，以及更好地反映各因素之間的相互關系，在樣本使用前對樣本數據進行了歸一化處理：

X′i=Xi-XminXmax-Xmin

式中，Xi和X′i分別代表歸一化前后的第i個向量元素，Xmax和Xmin分別代表向量的最大和最小值。

4.2網絡參數的確定

Elman網絡主要由輸入層、隱藏層和輸出層及承接層構成。由于預測模型的建模樣本是由6個輸入變量和1個輸出變量構成，因此輸入層和輸出層的神經元個數分別為6和1。隱藏層神經元個數的選取由多種因素決定，目前沒有成熟的理論依據，只能根據設計者的經驗，通過多次試驗來確定。該研究對隱藏層神經元個數采用試錯法來確定。分別構建了隱藏層神經元個數從5～20的模型，由于輸入權值和閾值影響著神經網絡性能變化，所以每個模型訓練10次，分別記錄訓練結果的均方誤差MSE和決定系數R2。

由圖2和圖3可以看出，MSE和R2在初始階段隨著神經元個數的增加而分別增大和減小，當神經元個數超過10后，隨著其個數繼續增加，MSE和R2表現出相反的趨勢。這說明隱含層神經元個數過少時，模型會出現擬合不足，容錯性差，識別新樣本能力低等問題；隱藏層神經元個數過多則會增加模型的迭代次數和訓練時間，導致模型過度擬合，降低模型的泛化能力，從而造成模型預測能力下降，這與前人研究結果[10]一致。因此該研究將隱藏層神經元個數選為10。

4.3網絡訓練

該研究選用貝葉斯正則化算法訓練Elman網絡，將網絡權值均方與誤差均方的加權作為性能函數，在保證網絡均方誤差盡可能小的前提下，有效地控制網絡復雜程度的增加，從而獲得較好的泛化性能，提高網絡推廣能力。在MATLAB_R2012b環境下，調用newelm函數構建網絡，建模樣本按照7.0∶1.5∶1.5比例[11]分為88個訓練樣本、19個驗證樣本、19個測試樣本，傳遞函數設定為tansig函數，訓練函數設定為trainbr函數，權值自適應學習函數設定為learngdm函數，性能函數采用MSE。網絡學習速率0.01，學習速率增量因子為1.2，學習速率減小因子為0.6， 動量常數取1.1。網絡經過165次訓練，后構建了網絡結構為圖4所示的Elman網絡。

5結果與分析

5.1網絡預測能力分析

將預測樣本帶入訓練好的Elman網絡氨氮預測模型進行預測，結果見圖5。預測結果存在局部的高估或低估現象，但總體上模擬的氨氮濃度變化趨勢與實測值基本相同，實測和模擬的數值十分接近。網絡預測結果的絕對誤差AE的最大值為0.03，最小值為1.4×10-4，平均值為0.016；均方誤差MSE為5.2×10-4；決定系數R2為0.74。項目組利用BP網絡建立的預測模型決定系數R2為0.66，低于利用非線性自結合的時間序列網絡建立的水體氨氮濃度時間序列預測模型的決定系數0.74，說明預測模型模擬的精度和適用性都較高。

5.2網絡適應性驗證

構建Elman網絡氨氮預測模型數據源取自4號觀察塘口。將1、3、4號塘口的數據帶入以4號觀察塘口數據為建模樣本所構建的氨氮預測模型中進行預測，結果見表1。由表1可以看出，雖然1、2、3號塘口預測結果

誤差比4號塘口預測結果誤差大，但預測誤差均在該研究的誤差期望值內。根據研究，氨氮對鰱、鳙魚苗的半致死濃度

分別是1.106 mg/L和0.559 mg/L；草魚種最大允許氨氮濃度為0.099 mg/L[12]；雜交羅非魚最大允許氨氮濃度為0171 mg/L[13]；保持鯽魚堿性磷酸酶（AKP）和溶菌酶（LSZ）活力的氨氮臨界值分別為0.70、0.56 mg/L[14]。因為預測誤差的數量級遠小于養殖水體劃分的氨氮臨界值數量級，所以預測誤差對水體中氨氮的風險評判影響甚小。

6結論

養殖水體中氨氮的變化趨勢復雜多樣，該研究利用Elman網絡建立了養殖水體的氨氮時間序列預測模型，并對氨氮濃度變化趨勢進行了短期預測。結果表明：Elman網絡以其良好的非線性映射能力，在非線性的氨氮時間序列預測中有著較高的預測精度。該研究利用4號塘口數據構建的Elman網絡氨氮預測模型，在1、2、3號塘口進行了驗證，結果表現了模型在同一區域內有良好的適應性。

參考文獻

[1]

謝江寧，閻喜武.總氨對水生生物毒性的研究進展[J].科學養魚，2008（8）：4-5.

[2] 蔡繼晗，沈奇宇，鄭向勇，等.氨氮污染對水產養殖的危害及處理技術研究進展[J].浙江海洋學院學報（自然科學版），2010，29（3）：167-172.

[3] 周超，高乃云，楚文海，等.水體中亞硝酸鹽生物毒性和去除的研究進展[J].給水排水，2011，37（5）：104-108.

[4] 胡惠彬.GM（1，1）模型在地表水濃度預測中的應用[J].中國環境監測，1993，9（4）：45-46.

[5] 胥冰，韓小勇.淮河干流水環境評價及其趨勢分析[J].水資源保護，1998（2）：10-17.

[6] 王曉萍，孫繼洋，金鑫.基于BP神經網絡的錢塘江水質指標的預測[J].浙江大學學報（工學版），2007（2）：361-364.

[7] 王澤平.基于GA-BP與多隱層BP網絡模型的水質預測及比較分析[J].水資源與水工程學報，2013（3）：154-160.

[8] 李如忠.水質預測理論模式研究進展與趨勢分析[J].合肥工業大學學報（自然科學版），2006（1）：26-30.

[9] DUAN W，YANG L X.An improved BP neural networks applied to classification[J].Energy procedia，2012（13）：7065-7069.

[10] COULIBALY P，ANCTIL F，ARAVENA R，et al.Artificial neural network modeling of water table depth fluctuations[J].Water resources research， 2001，37（4）：885-896.

[11] 席裕庚.預測控制[M].北京：國防工業出版社，1993：52-61.

[12] 梁健，王紅權，金柏濤.氨氮對草魚幼魚的急性毒性試驗[J].科學養魚，2013（11）：47-51.

[13] 肖煒，李大宇，徐楊.慢性氨氮脅迫對吉富羅非魚幼魚生長、免疫及代謝的影響[J].南方水產科學，2015，11（8）：81-87.

[14] 江敏，黃宗群，彭自然.異育銀鯽氨氮排泄與耗氧的研究[J].上海水產大學學報，2007，16（1）：28-32.