基于改进海鸥优化算法的bp神经网络氨氮预测模型研究

基于改进海鸥优化算法的bp神经网络氨氮预测模型研究

0启发式算法对比bp前神经网络是一种基于误差逆传播算法的多层前神经网络。作为神经网络领域中研究最广泛的方法之一，它也被广泛应用于不同的场景中。然而，也存在一些地方的优化不足。一些研究人员使用启发式算法进行了改进，提高了他们的性能。海鸥优化算法。1算法模型1.1基于权值和阈值的海鸥迁移算法BP神经网络假设输出层第j个神经元的实际值为R将误差扩展到隐层，再扩展到输入层，可以得到以下公式其中，f（·）表示为S函数．从上面可以看出，误差与阈值和权值有关．因此，通过改变权值和阈值可以间接地改变最终误差．权值和阈值的相关公式如下：在海鸥迁移过程中，该算法模拟海鸥群如何从一个位置移动到另一个位置．在这个阶段，每一个海鸥应该满足三个条件：1.避免碰撞避免邻居（即其他海鸥）之间的碰撞．一个附加变量A用于计算新的位置其中，其中x=0,1,2，…，Max2.最佳地点移动在避免了相邻海鸥之间的碰撞后，海鸥向最佳海鸥的方向移动．其中，其中rd为[0,1]之间的随机数．3混沌算法下的神经网络最后，搜索海鸥可以根据最佳海鸥更新其位置．当攻击猎物时，海鸥在空中发生螺旋式运动行为．在x、y和z平面上的这种行为可描述如下．其中，r是螺旋的每一圈的半径，k是一个随机数（0≤k≤2π）．u和v是定义螺旋形状的常数，e是自然对数的底．使用公式（12～15）计算搜索海鸥的更新位置．传统SOA由于随机性的因子B，寻优效果较差，容易陷入局部最优，在后期开发能力弱．因此本文使用一种改进的变化因子B，如下式所示为解决算法后期开发能力弱的不足，本文采用混沌思想其中，Cx混沌变量和原始变量之间的转化如下式式中x改进的SOA算法主要思路为在每一次迭代后使用混沌思想，将最佳适应度的海鸥位置进行混沌迭代，增加其多样性．具体为：首先通过公式19将原始变量映射为混沌变量，再使用公式18进行变换处理，最后使用公式20返回原始空间位置值．若混沌后的位置优于混沌前则保存，否则保存混沌之前的位置．本文使用ISOA算法来优化BP神经网络的参数，提升BP神经网络的预测性能．主要步骤为：1．初始化参数，海鸥的个数等．并将需要优化的BP神经网络权值阈值编码为初始海鸥种群．2．初始化海鸥的位置并利用公式将其位置进行处理以防止位置重合．3．计算当前所有海鸥的适应度，并找出其中最优的一个作为此次迭代中的最佳海鸥．4．根据公式更新每一个海鸥的位置．5．混沌算法部分：利用Logistic映射将粒子的个体极值进行映射，到（0,1）内进行混沌迭代，迭代运算结束后对其结果逆映射，回到原解的空间范围内．计算评估当前解的适应度值，当新解优于旧解时，输出新解．6．判断是否达到迭代次数或达到所需精度，是则输出最终的位置作为最优的海鸥位置，否则返回步骤3.7．将最优的输出解码为BP神经网络的初始权值和阈值，对神经网络进行训练直到满足要求．2结果与讨论2.1算法性能分析本文采用青海省某河流中2016年5～8月采集的数据，每天采集一次，采集指标包括水温（℃），pH，溶解氧（mg/L），电导率（us/cm），浊度（NTU），高锰酸盐指数（mg/L）以及氨氮（mg/L），共收集到123组数据，采用前100组数据进行训练网络，后23组数据进行验证网络性能．本文采用改进的方法进行归一化处理，即其中x对于缺失数据一般采用线性插值的方法，即取相同条件下的相邻数据来拟合缺失值．即其中，x本节采用BP、PSO-BP、SOA-BP以及ISOA-BP进行比较，以验证改进的海鸥优化算法优化BP神经网络的性能，本文算法的结构为6-6-1．各算法的参数如下表1所示．各种算法的收敛比较如图2所示．从图中可以看出提出的ISOA-BP模型的收敛速度更快，它更快收敛于最优值．在收敛精度上，同样是迭代1000次，ISOA-BP模型的收敛值相比较于SOA-BP、PSO-BP、BP模型更低，提出模型的收敛精度更高．不同模型的23组验证数据的仿真结果如图3所示．从图3中可以看出，提出的ISOA-BP预测模型的曲线更加近似于实际值曲线，预测值更接近实际值，具有比传统BP神经网络、PSO-BP神经网络，以及SOA-BP神经网络预测模型更精确的预测精度．图4为四种模型的误差比较图，取值为误差的绝对值．可以看出，在所述四种模型中，提出的ISOA-BP模型的误差曲线波动较小，与验证样本的实际值误差最小，平均误差最低，预测精度最高．通常文献(1）均方根误差（RMSE)其中x从上述图表中可以看出，相比较于传统的单一神经网络预测模型以及PSO、SOA优化模型，提出的优化模型具有更高的预测精度，它的误差RMSE为0.046361，在所有模型中最低．并且所提出的ISOA-BP模型的NS值达到0.978851，在四种模型中最接近1．因此，可以得出结论提出的改进后的模型的预测精度可以达到更高．3改进思路的对比本文针对具体的水质监测应用场景中水质参数预测模型的预测精度较低的问题进行探讨．针对SOA算法本身存在的不足，提出一种改进思路并运用到优化BP神经网络上．仿真结果表明提出模型的预测精度高于传统BP神经网络模型、PSO优化BP神经网络模型以及SOA优化BP模型．提出的ISOA优化BP模型的预测精度在四种模型中最高，效果最优，可适用于更加复杂的水质环境中对水质参数值进行预测．其中n=1,2，···，N-1为样本数．1.2海鸥优化算法1.2.1移民其中，1.2.2攻击SOA从随机生成的总体开始，海