基于K-means聚类和ELM神经网络的养殖水质溶解氧预测

摘要：

为解决养殖水质溶解氧预测传统方法引入不良样本、精度低等问题，该文以2014、2015年江苏常州养殖基地水质和气象数据为基础，提出了一种基于K-means聚类和ELM神经网络（extreme learning machine，ELM）的溶解氧预测模型。采用皮尔森相关系数法确定环境因素与溶解氧的相关系数，自定义相似日的统计量－相似度，通过K-means聚类方法将历史日样本划分为若干类，然后分类识别获得与预测日最相似的一类历史日样本集，将其与预测日的实测环境因素作为预测模型的输入样本建立ELM神经网络溶解氧预测模型。试验结果表明，该模型均具有较快的计算速度和较高的预测精度，在常规天气下，平均绝对百分误差和均方根误差分别达到1.4%、10.8%；在突变天气下，平均绝对百分误差和均方根误差分别达到2.6%和11.6%，有利于水产养殖水质精准调控。

关键词：神经网络、模型、养殖、溶解氧预测、相似日、K-means聚类、ELM神经网络

所属期刊栏目：32

分类号：TP391(计算技术、计算机技术)

资助基金：江苏高校优势学科建设工程资助项目PAPD, NO.6-2014；江苏省农业科技支撑项目BE2013402；常州市科技支撑计划CJ20140057

在线出版日期：2016-09-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：174-181