[發(fā)明專利]基于MapReduce和BP神經(jīng)網(wǎng)絡的人工養(yǎng)殖水產(chǎn)生長預測方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202110234606.1
• 申請日: 2021-03-03
• 公開（公告）號: CN113033876B
• 公開（公告）日: 2022-05-24
• 發(fā)明（設計）人: 田云臣;侯嘉康
• 申請（專利權）人: 天津農(nóng)學院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/02;G06N3/04;G06N3/08
• 代理公司: 天津市亦略知識產(chǎn)權代理事務所(普通合伙) 12250
• 代理人: 黎鵬;鐘亮

1.一種基于MapReduce和BP神經(jīng)網(wǎng)絡的人工養(yǎng)殖水產(chǎn)生長預測方法，其特征在于，包括以下步驟：

獲取影響?zhàn)B殖水產(chǎn)生物生長的特征因子，并將獲取的特征因子進行歸一化處理；所述影響?zhàn)B殖水產(chǎn)生物生長的特征因子包括：日齡、存活率、餌料直徑、投喂量、養(yǎng)殖密度、溫度、光照強度、溶解氧、鹽度、PH值、亞硝酸鹽、氨氮、弧菌數(shù)、細菌總數(shù)以及投喂次；

將歸一化處理后的特征因子輸入至訓練好的融合MapReduce算法的BP神經(jīng)網(wǎng)絡中，得出預測的養(yǎng)殖水產(chǎn)生物的體重；還包括以養(yǎng)殖時間為橫軸，將預測得出的養(yǎng)殖水產(chǎn)生物的體重作為縱軸，進行曲線擬合，得出預測生長曲線與實際生長曲線進行對比，根據(jù)對比結果，調(diào)整批量梯度；

所述融合MapReduce算法的BP神經(jīng)網(wǎng)絡在進行訓練時包括如下步驟：

S201、對BP神經(jīng)網(wǎng)絡進行并行化預處理；所述并行化預處理包括按照批處理梯度設定MapReduce讀取每行數(shù)據(jù)中包含樣本的個數(shù)；

S202、在Map階段，將每行中包含的樣本進行分割并組成一個新的數(shù)組，再使用小批量梯度下降算法進行BP神經(jīng)網(wǎng)絡訓練，按照批處理數(shù)量更新平均權值并輸出；在組成一個新的數(shù)組時，采用如下方法：

利用split函數(shù)將樣本分割成多行的列表；

利用numpy.array函數(shù)將列表轉化為數(shù)組形式；其中，數(shù)組行數(shù)為批處理梯度，列數(shù)為數(shù)據(jù)的自變量個數(shù)；

S203、在Reduce階段，將Map階段的輸出權值作為輸入，并求其算術平均值作為輸出，重復Map和Reduce階段直至達到最大訓練次數(shù)或達到規(guī)定精度。

2.根據(jù)權利要求1所述的人工養(yǎng)殖水產(chǎn)生長預測方法，其特征在于，所述BP神經(jīng)網(wǎng)絡為三層神經(jīng)網(wǎng)絡，包括輸入層、隱藏層和輸出層；將特征因子的個數(shù)表示神經(jīng)網(wǎng)絡的輸入層節(jié)點個數(shù)，神經(jīng)網(wǎng)絡的輸出層節(jié)點個數(shù)為1，表示實際體重。

3.根據(jù)權利要求2所述的人工養(yǎng)殖水產(chǎn)生長預測方法，其特征在于，在BP神經(jīng)網(wǎng)絡中按照如下公式計算隱藏層節(jié)點個數(shù)：

其中，h為隱藏節(jié)點個數(shù)，n為整數(shù)。

4.一種基于MapReduce和BP神經(jīng)網(wǎng)絡的人工養(yǎng)殖水產(chǎn)生長預測系統(tǒng)，其特征在于，包括數(shù)據(jù)預處理模塊、融合MapReduce算法的BP神經(jīng)網(wǎng)絡模型；

所述數(shù)據(jù)預處理模塊用于獲取影響?zhàn)B殖水產(chǎn)生物生長的特征因子，并將獲取的特征因子進行歸一化處理；

所述BP神經(jīng)網(wǎng)絡模型用于獲取歸一化處理后的特征因子，利用訓練好的融合MapReduce算法的BP神經(jīng)網(wǎng)絡的網(wǎng)絡參數(shù)，得出預測的養(yǎng)殖水產(chǎn)生物的體重；所述融合MapReduce算法的BP神經(jīng)網(wǎng)絡在進行訓練時包括：

對BP神經(jīng)網(wǎng)絡進行并行化預處理；所述并行化預處理包括按照批處理梯度設定MapReduce讀取每行數(shù)據(jù)中包含樣本的個數(shù)；

在Map階段，將每行中包含的樣本進行分割并組成一個新的數(shù)組，再使用小批量梯度下降算法進行BP神經(jīng)網(wǎng)絡訓練，按照批處理數(shù)量更新平均權值并輸出；在組成一個新的數(shù)組時，利用split函數(shù)將樣本分割成多行的列表；利用numpy.array函數(shù)將列表轉化為數(shù)組形式；其中，數(shù)組行數(shù)為批處理梯度，列數(shù)為數(shù)據(jù)的自變量個數(shù)；

在Reduce階段，將Map階段的輸出權值作為輸入，并求其算術平均值作為輸出，重復Map和Reduce階段直至達到最大訓練次數(shù)或達到規(guī)定精度；

還包括曲線擬合模塊，用于以養(yǎng)殖時間為橫軸，將預測得出的養(yǎng)殖水產(chǎn)生物的體重作為縱軸，進行曲線擬合，得出預測生長曲線與實際生長曲線進行對比，輸出對比結果。

5.根據(jù)權利要求4所述的人工養(yǎng)殖水產(chǎn)生長預測系統(tǒng)，其特征在于，所述BP神經(jīng)網(wǎng)絡模型為三層神經(jīng)網(wǎng)絡，所述BP神經(jīng)網(wǎng)絡為三層神經(jīng)網(wǎng)絡，包括輸入層、隱藏層和輸出層；將特征因子的個數(shù)表示神經(jīng)網(wǎng)絡的輸入層節(jié)點個數(shù)，神經(jīng)網(wǎng)絡的輸出層節(jié)點個數(shù)為1，表示實際體重。