Page 203 - 《水产学报》2025年第12期
P. 203

母刚,等                                                                 水产学报, 2025, 49(12): 129516

              测模型对投饵量进行预测具有重要意义。                               扇贝育苗每天应至少投            4  次饵,若能适量投饵,
                   BP  神经网络可以利用数据灵活的总结预测                       每次投饵后残饵量应在             8 个/mL  以下  [12] 。根据
              投饵量的数学模型,有效弥补了传统模型在实                             养殖技术员的经验,发现在理想条件下,虾夷
                                      [5]
              际应用中的不足。叶婵等 建立了基于                    BP  神经      扇贝幼苗在育苗周期内的投饵密度、水温随生
              网络的对虾病害诊断与防治专家系统,实现了                             长天数的变化如图         1  所示。
              对虾养殖的咨询、病害诊断与防治功能,证明

                                                                             投饵密度`feed density
              了  BP  神经网络与专家系统结合的可能性。田                                       水温`water temperature
                                                                    20 000                         20
              崇峰等 使用        BP  神经网络与改进的         BP  神经网            18 000                         18
                     [6]
              络提出了一种水质分析方法,根据淡水养殖生                                  16 000                         16
                                                                                                   14
                                                                    14 000
              物在不同水质的水体中的生长状况制定了水质                                  12 000                         12
              等级评定标准,实验证明,改进                  BP  神经网络           投饵密度/(个/mL)  feeding density  10 000  10  水温/°C  water temperature
                                                                     8 000
                                                                                                   8
              的水质分类准确率可达             99.3%,网络训练时长                    6 000                         6
              仅为   4.967 s,具有较快的训练速率和等级分类                            4 000                         4
                                                                     2 000                         2
              性能。余国燕等 提出了一种基于                  BP  神经网络                 0                          0
                             [7]
                                                                         0    10    20    30   40
              的船载投饵颗粒坠落轨迹预测方法,与图像处                                                生长天数/d
              理算法相比,系统单次运行时间减少了                       95%,                        growth days
              误差范围与误差百分比分别降低                 32%  与  30.5%。     图 1    虾夷扇贝幼苗生长天数、摄食量与水温的关系
              严玉洁 提出了一种基于             BP  神经网络的水质预              Fig. 1 Relationship between growth days, food intake
                     [8]
              测方法,对废水中总氮、总磷、氨、溶解氧的                                and water temperature of P. yessoensis seedlings
              预测相对误差小于           1.67%,有较好的适用性和
              准确性。若想进一步提高               BP  神经网络的预测                虾夷扇贝的育苗周期整体约为              45 d,前  10  天
              精度,可以寻找某些方法对其进行优化改进。                             的虾夷扇贝幼苗摄食量缓慢增长,投饵密度日
                       [9]
              丁金婷等 提出了一种经模糊算法改进的                     BP  神     增  92.2 个/mL。10 d  后经历壳顶中期的变态发
              经网络方法预测凡纳滨对虾                 (Litopenaeus van-   育,摄食量增速加快,投饵密度日增约                      370.4
              namei) 的水质,对养殖水体温度、pH               值和溶解         个/mL。27 d   后进入稚贝变态发育期,摄食量剧
              氧的预测平均相对误差均小于                2%,具有预测精            增,投饵密度约         3 030 个/mL。32 d  后受幼苗生
              度高,稳定性好的特点。施珮等                 [10]  采用了一种       长规律与水温双重影响,摄食量陡然下降,投
              粒子群算法改进的           BP  神经网络方法对罗非鱼                饵密度日降      910.7 个/mL。育苗池水温在前           32 d
              养殖池塘的溶解氧进行预测,预测误差基本在                             应保持在     15 ℃;为在放苗时让苗种适应自然海
              0.5%  以内。综上,BP        神经网络模型在控制应                 域水温,育苗水温自           32 d  开始日减   1 ℃,直至
                                                                       [13]
              用中具有灵活准确的优点 ,且在水产养殖中                             降至   4 ℃ 。当壳长增至         800~1 000 μm  时,育
                                       [11]
              取得了较好的应用效果,但目前未见针对虾夷                             苗期结束。观察虾夷扇贝幼苗食饵量、水温随
              扇贝育苗投饵预测模型的研究。                                   生长天数的变化有利于寻找影响虾夷扇贝育苗
                   因此,本研究以虾夷扇贝幼苗为对象,建                          投饵的因素。
              立虾夷扇贝育苗投饵预测模型,通过投饵测试                                 影响水产养殖投饵预测模型的常用输入向
              平台进行投饵试验,验证模型的可靠性,旨在                             量包括光照、养殖密度、溶解氧、pH                 值、水温、
                                                                                   [14]
              为贝类及其他水产动物育苗高效精准投饵提供                             生长天数、食饵量等 。就工厂化虾夷扇贝育
              有益参考。                                            苗而言,光照、养殖密度、溶解氧、pH                   值可控
                                                               且为常量,因此取生长天数、食饵量与水温作
               1    材料与方法
                                                               为投饵预测模型的输入向量。在神经网络模型
                                                               构建中,通常使用灰色关联度分析来判断输入
               1.1    虾夷扇贝育苗特性分析
                                                               向量对投饵预测模型的影响程度。灰色关联度
                   虾夷扇贝以鲜活微藻为食,本着少量多次                          可通过较少的数据与计算求解                [15-17] ,通过比较
              投喂原则,在日投饵总量不变的前提下,虾夷                             各影响因素的灰色关联度值判断其是否适合作

              https://www.china-fishery.cn                           中国水产学会主办    sponsored by China Society of Fisheries
                                                            2
   198   199   200   201   202   203   204   205   206   207   208