一种含沙水流对鱼类致死影响预测的方法与流程

技术特征：
1.一种含沙水流对鱼类致死影响预测的方法，其特征在于，所述方法的步骤如下：步骤1，数据采集：采集研究对象的各项数据，包括：鱼种类、含沙量、泥沙中值粒径、水温、氧溶解度、持续时间，形成原始数据集；步骤2，模型实验：根据原始数据集构建模拟真实环境的实验模型，在实验的模型中模拟被研究对象的生活环境，采集各项实验数据；实验数据至少包括：鱼种类和大小、持续时间、含沙量和沙颗粒级配、水温、溶解氧；由实验数据构建含沙水体中被研究对象死亡率的实验数据集；步骤3，构建反向传播神经网络模型：构建包含输入层、隐含层和输出层的3层反向审神经网络，训练算法为bayes正则化算法，最大迭代次数20000，学习率按照经验设置为0.01；1)输入层：输入参数包括鱼种类、持续时间、含沙量、泥沙中值粒径、水温、溶解氧共6个实验观测数据；输入层与隐含层间选用双曲线正切函数tansig作为传递函数；通过每个样本的6个变量记录原始的试验信息并传递给神经网络；2)隐含层：通过试算法得到隐含层神经元数量p＝12，即隐含层共12个神经元；试算公式：式中：p为隐含层神经元数量；m为输入层参数数量，取m＝6；n为输出层参数数量，输出层为鱼类死亡率1个参数，故n＝1；a为[1，10]之间的常数；3)输出层：输出层输出值要经过反归一化处理，输出结果为鱼类死亡率；隐含层与输出层间的选取线性函数purelin作为传递函数；4)反向传播神经网络模型的预测能力判断：使用均方根误差、平均相对误差绝对值和纳什效率系数评价反向传播神经网络模型的预测能力，计算公式分别为：均方根误差：平均相对误差绝对值：纳什效率系数：式中：y
i
分别为神经网络输出层值和实验数据集的实测值，即鱼类死亡率的模拟值和实测值；为期望值的平均值，即鱼类死亡率实测值的平均值；i为样本数据组数；n为全部样本数据个数；步骤4，对反向传播神经网络模型训练：1)根据室内实验数据集中选择数组数据，进行归一化处理，形成训练样本数据集；
2)将训练样本数据集导入反向传播神经网络模型，对其中粒子群初始化；3)利用改进粒子群算法调用反向传播神经网络模型，以反向传播神经网络模型的输出误差作为适宜度函数；适宜度函数f：式中：y
ki
分别为反向传播神经网络输出值和训练样本数据集中的期望值，即鱼类死亡率的预测值和实测值；k为改进粒子群算法中的迭代次数；改进粒子群算法和反向传播神经网络通过粒子信息和适宜度值进行信息耦合，通过不断迭代寻求最优适宜度的粒子群，即得到使得反向传播神经网络模型误差最小的参数；4)判断是否达到最大迭代数或预设精度，否则返回到步骤3)；5)将寻优得到的权值和阈值赋予反向传播神经网络，再利用梯度下降法对反向传播神经网络进行训练；步骤5，模型测试：实验数据集中另选数组数据形成测试样本数据集，将测试样本数据集输入经过步骤4训练的反向传播神经网络模型中，对反向传播神经网络进行测试，观察是否满足要求，如果不满足要求则调整反向传播神经网络参数并回到步骤4继续进行训练；步骤6，预测应用：根据预测需求，结合待预测的水库排沙过程生成多组环境变量数据，并对这些组数据进行归一化处理，输入到训练完成的反向传播神经网络模型中，输出相应的鱼类死亡率预测值。

技术总结
本发明涉及一种含沙水流对鱼类致死影响预测的方法，包括：数据采集；模型实验；构建反向传播神经网络模型；对反向传播神经网络模型训练；模型测试；预测应用。本发明利用反向传播神经网络模型和改进粒子群算法对含沙水流对鱼类致死影响进行预测，并通过多重误差运算对反向传播神经网络模型进行调整，提高了预测的准确度，使预测误差处于


技术研发人员：白音包力皋 李晓晨 许凤冉 焦万明 李向东 穆祥鹏 曹平 董志强
受保护的技术使用者：青海省水利水电勘测规划设计研究院有限公司
技术研发日：2022.10.24
技术公布日：2023/1/13