資源描述：
《基于rbf神經(jīng)網(wǎng)絡(luò)的溶解氧預(yù)測(cè)模型研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、學(xué)校代碼:10264研究生學(xué)號(hào):M130502801上海海洋大學(xué)碩士學(xué)位論文基于RBF神經(jīng)網(wǎng)絡(luò)的溶解氧預(yù)題目：測(cè)模型研究Studyonthemodelofdissolved英文題目：oxygenpredictionbasedonRBFneuralnetwork專業(yè)：計(jì)算機(jī)科學(xué)與技術(shù)（工學(xué)）研究方向：智能信息處理姓名：潘金晶指導(dǎo)教師：袁紅春教授二O一六年月日上海海洋大學(xué)學(xué)位論文原創(chuàng)性聲明本人鄭重聲明：我恪守學(xué)術(shù)道德，崇尚嚴(yán)謹(jǐn)學(xué)風(fēng)。所呈交的學(xué)位論文，是本人在導(dǎo)師的指導(dǎo)下，獨(dú)立進(jìn)行研究工作所取得的成果。除文中已經(jīng)明確注明和引用的內(nèi)容外，本論文不包含任何其他
2、個(gè)人或集體已經(jīng)發(fā)表或撰寫過的作品及成果的內(nèi)容。論文為本人親自撰寫，我對(duì)所寫的內(nèi)容負(fù)責(zé)，并完全意識(shí)到本聲明的法律結(jié)果由本人承擔(dān)。學(xué)位論文作者簽名：日期：年月日上海海洋大學(xué)碩士學(xué)位論文答辯委員會(huì)成員名單姓名工作單位職稱備注答辯地點(diǎn)信息學(xué)院答辯日期基于RBF神經(jīng)網(wǎng)絡(luò)的溶解氧預(yù)測(cè)模型研究摘要水產(chǎn)品疾病爆發(fā)甚至死亡存在多種因素，其中養(yǎng)殖水質(zhì)惡化為首要因素，而水產(chǎn)養(yǎng)殖的水質(zhì)參數(shù)種類繁多，具有非線性，模糊不確定，多變量等特點(diǎn)，致使精確的水質(zhì)預(yù)測(cè)成為水產(chǎn)養(yǎng)殖產(chǎn)業(yè)迫切需要解決的問題。因而，探索適宜的水產(chǎn)養(yǎng)殖水質(zhì)預(yù)測(cè)方法對(duì)實(shí)現(xiàn)養(yǎng)殖水體水質(zhì)的精準(zhǔn)預(yù)測(cè)以及確保水產(chǎn)品的健康生
3、長(zhǎng)具有重要的經(jīng)濟(jì)價(jià)值，理論價(jià)值及現(xiàn)實(shí)意義。在水質(zhì)預(yù)測(cè)應(yīng)用方面，RBF(RadialBasisFunction，徑向基函數(shù))神經(jīng)網(wǎng)絡(luò)算法因?yàn)槠渥詫W(xué)習(xí)自適應(yīng)以及無限可微的良好性能得到了快速地發(fā)展。建立RBF神經(jīng)網(wǎng)絡(luò)算法的水質(zhì)預(yù)測(cè)模型，不僅可以克服傳統(tǒng)水質(zhì)預(yù)測(cè)方法的缺陷，而且可以提高養(yǎng)殖水質(zhì)的預(yù)測(cè)精度。但是，由于RBF神經(jīng)網(wǎng)絡(luò)算法自身也存在缺陷，并且水產(chǎn)養(yǎng)殖水質(zhì)變化無常，建立優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)算法的水質(zhì)預(yù)測(cè)模型顯得尤為重要。對(duì)于RBF神經(jīng)網(wǎng)絡(luò)，隱含層到輸出層的連接權(quán)值的確定是否得當(dāng)與網(wǎng)絡(luò)的預(yù)測(cè)精度有著密切的關(guān)系。由于RBF神經(jīng)網(wǎng)絡(luò)隱層到輸出層的變化是線性的
4、，因此，利用遞歸最小二乘算法進(jìn)行RBF神經(jīng)網(wǎng)絡(luò)隱層到輸出層的權(quán)值訓(xùn)練可以有效地提高網(wǎng)絡(luò)的收斂速度以及預(yù)測(cè)精度。但是，如果訓(xùn)練樣本過多，利用該算法訓(xùn)練時(shí)可能導(dǎo)致矩陣過于龐大而出現(xiàn)病態(tài)運(yùn)算，進(jìn)而得不到精確的預(yù)測(cè)結(jié)果。為了彌補(bǔ)該算法的缺陷，引入改進(jìn)型遞歸最小二乘算法與RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行融合，優(yōu)化了其隱層到輸出層連接權(quán)值的訓(xùn)練過程。本文以水產(chǎn)養(yǎng)殖水質(zhì)重要參數(shù)溶解氧為研究對(duì)象，對(duì)優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)水產(chǎn)養(yǎng)殖水質(zhì)預(yù)測(cè)模型進(jìn)行了詳細(xì)分析。本文的研究重點(diǎn)主要包括：（1）對(duì)RBF神經(jīng)網(wǎng)絡(luò)的概念進(jìn)行了詳細(xì)地闡述，并分析了水質(zhì)預(yù)測(cè)的現(xiàn)狀以及RBF神經(jīng)網(wǎng)絡(luò)算法在水質(zhì)預(yù)測(cè)中的
5、應(yīng)用；（2）詳細(xì)闡述了遞歸最小二乘算法以及改進(jìn)型遞歸最小二乘算法的理論知識(shí)，并分析了改進(jìn)型遞歸最小二乘算法的收斂性，擴(kuò)大其應(yīng)用的范圍；（3）利用改進(jìn)型遞歸最小二乘算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)隱含層到輸出層連接權(quán)值，以溶解氧為研究對(duì)象，構(gòu)建改進(jìn)型遞歸最小二乘算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)的溶解氧預(yù)測(cè)模型。I（4）借助MATLAB將RBF神經(jīng)網(wǎng)絡(luò)，遞歸最小二乘RBF神經(jīng)網(wǎng)絡(luò)以及改進(jìn)型遞歸最小二乘RBF神經(jīng)網(wǎng)絡(luò)水質(zhì)預(yù)測(cè)結(jié)果進(jìn)行對(duì)比分析，提高了RBF神經(jīng)網(wǎng)絡(luò)在水質(zhì)預(yù)測(cè)應(yīng)用中的預(yù)測(cè)精度及網(wǎng)絡(luò)的收斂速度。關(guān)鍵詞：RBF神經(jīng)網(wǎng)絡(luò)，改進(jìn)型遞歸最小二乘算法，水產(chǎn)養(yǎng)殖水質(zhì)，溶解氧預(yù)
6、測(cè)IIStudyonthemodelofdissolvedoxygenpredictionbasedonRBFneuralnetworkABSTRACTTherearemanyfactorsthatinducetheoutbreakofaquaticdiseaseandevenlargequantitiesofdeathandculturedwaterdeteriorationisthemostimportantfactor.Therearemanykindsofwaterqualityparameterswiththecharacterofnonl
7、inearanduncertain,theaccuratepredictionofwaterqualityhasbecomeanurgentproblemtobesolvedintheaquacultureindustry.Therefore,inordertoachievetheaccuratepredictionofwaterqualityandthehealthygrowthofaquaticproducts,exploringthesuitablemethodsofculturedwaterqualitypredictionhastheore
8、ticalvalueandpracticalsignificance.RBF(BasisFunctionRa
