肖，钟;彭凌西;陈毅;刘浩怀;王嘉庆;聂延刚 基于神经网络的溶解氧预测方法。 （英语） Zbl 1377.93120号 复杂性 2017年，文章ID 4967870，6 p.（2017）. 摘要：溶解氧（DO）是水中溶解的氧，是水产养殖的重要因素。利用BP神经网络方法，结合purelin、logsig和tansig激活函数，提出了水产养殖溶解氧的预测方法。详细介绍了输入层、隐藏层和输出层，包括权重调整过程。实验采用三个池塘实际连续10天的养殖数据；这些池塘位于中国南方的传统水产养殖基地广西北海。前7天的数据用于培训，后3天的数据用作测试。实验结果表明，与常用的预测模型、曲线拟合（CF）、自回归（AR）、灰色模型（GM）和支持向量机（SVM）相比，神经网络的预测精度最高，所有预测值均小于误差极限的5%，能够满足需要预测模型有助于提高水产养殖水质监测水平，防止水质恶化和疾病爆发。 MSC公司： 93立方厘米 控制理论中的应用模型 93B20型 最小系统表示 93E03型 控制理论中的随机系统（一般） 关键词：水产养殖;溶解氧（DO）;BP神经网络 PDF格式BibTeX公司 XML格式引用 \textit{Z.Xiao}等人，《复杂性2017》，文章ID 4967870，6 p.（2017；Zbl 1377.93120） 全文： 内政部 OA许可证 参考文献： [1] Ahmed，A.M.，使用人工神经网络（ANN）通过生化需氧量和化学需氧量预测苏尔马河的溶解氧，沙特国王大学工程科学杂志，29，2，151-158（2017）·doi:10.1016/j.jsues.2014.05.001 [2] 丁，Q。；Tai，H。；Ma博士。；李，D。；赵，L.，基于IEEE1451.2的智能溶解氧传感器的开发，《传感器通讯》，9，3，1049-1054（2011）·doi:10.1166/sl.2011.1397 [3] Fiori，S.，自回归移动平均离散时间动力系统和实值黎曼矩阵流形上的自相关函数，离散和连续动力系统。《架桥数学与科学杂志》B辑，19,92785-2808（2014）·Zbl 1351.37264号 ·doi:10.3934/dcdsb.2014.19.2785 [4] Ko、C.-H。；Chen，J.-K.，利用神经网络对多指手-臂机器人进行基于抓取力的操作，数字代数，控制与优化，4，1，59-74（2014）·Zbl 1366.70010号 ·doi:10.3934/naco.2014.4.59 [5] Ascione，F。；北卡罗来纳州比安科。；De Stasio，C。；Mauro，G.M。；Vanoli，G.P.，《预测建筑类别任何成员的能源性能和改造方案的人工神经网络：一种新方法》，《能源》，118999-1017（2017）·doi:10.1016/j.energy.2016.10.126 [6] Pino-Mejías，R。；佩雷兹·法加洛，A。；Rubio-Bellido，C。；Pulido-Arcas，J.A.，预测供热和制冷能源需求、能源消耗和二氧化碳排放的线性回归和人工神经网络模型比较，能源，118，24-36（2017）·doi:10.1016/j.energy.2016.12.022 [7] 杨，C。；王，X。；Cheng，L。；Ma，H.，基于神经学习的保证性能远程机器人控制，IEEE控制论汇刊，47，10（2017）·doi:10.1109/TCYB.2016.2573837 [8] 杨，C。；李，Z。；Li，J.，一类轮式倒立摆车辆模型的轨迹规划和优化自适应控制，IEEE控制论汇刊，43，1，24-36（2013）·doi:10.1109/TSMCB.2012.2198813 [9] 曾，F.-M。；余海川。；Tzeng，G.-H.，应用混合灰色模型预测季节时间序列，技术预测与社会变化，67，2-3，291-302（2001）·doi:10.1016/S0040-1625（99）00098-0 [10] 雷，Y。；郭，M。；胡，D.-D。；蔡洪斌。；赵博士。；胡，Z.-P。；Gao，Y.-P.，结合灰色模型和神经网络对UT1-UTC的短期预测，《空间研究进展》，59，2，524-531（2017）·doi:10.1016/j.asr.2016年10月16日0.030 [11] Vert，J.P.，使用一类新的字符串核预测信号肽裂解位点的支持向量机，太平洋生物计算研讨会太平洋生物计算会议，7，4，649-660（2002） [12] Wang，Y.-C。；Yang，Z.X。；Deng，N.Y.，结合三元特征和层次上下文的酶功能支持向量机预测，BMC系统生物学，5，1，文章S6（2011）·doi:10.1186/1752-0509-5-S1-S6 [13] 赵，Z。；刘，Y。；Luo，F.，具有输入饱和约束的轴向运动系统的输出反馈边界控制，ISA Transactions，68，22-32（2016）·doi:10.1016/j.isatra.2017.02.009 [14] 杨，C。；李，Z。；崔，R。；Xu，B.，欠驱动轮式倒立摆模型的基于神经网络的运动控制，IEEE神经网络和学习系统汇刊，25，1（2004）·doi:10.1109/TNNLS.2014.2302475 [15] Xiao，H。；李，Z。；杨，C。；张，L。；袁，P。；丁·L。；Wang，T.，使用基于神经动力学优化的模型预测控制实现轮式移动机器人的鲁棒稳定，IEEE工业电子学报，64，1，505-516（2017）·doi:10.1109/tie.2016.2606358 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。