Page 205 - 《水产学报》2025年第12期

母刚，等 水产学报, 2025, 49(12): 129516

最大差值。 为网络中第 j 个神经元的输入加权和，是下一
计算灰色关联系数 层神经元的输入，i 为网络中的第 i 层，β 是网
j
i
Z +ρW 络中连接第 i 层神经元和第 j 个神经元的权重，
ε i (k) = (7)
Q+ρW f 为第 j 个神经元的激活函数，ω 为第 j 个神经
i
j
j
j
式中， ε i 为各特征输入向量的关联系数，Z 为最 元连接第 i 层神经元的权重，x 为网络中第 j 个
i
小差值，W 为最大差值，Q 为差值，ρ 为分辨 神经元的输入，θ 为网络中第 i 层神经元的偏
[21]
j
系数，ρ 取 0.5 。 置参数，δ 为第 j 个神经元的偏置参数 。
[19]
计算得生长天数、食饵量和水温的灰色关 投饵量预测模型构建 将生长天数、食
联系数分别为 0.691、0.782 和 0.624，影响虾夷 饵量、水温作为 BP 神经网络的输入向量，投
扇贝育苗投饵的 3 个因素的灰色关联度系数最 饵量作为输出向量，可确定输入层节点数为 3，
小值为 0.624，均大于 0.6，说明 3 个因素对虾 输出层的节点数为 1。在 BP 神经网络中，激活
夷扇贝育苗投饵均有一定影响，可作为模型的 函数、隐含层数量和每层节点数应根据具体案
例进行相应选择。
输入向量，且影响力排序为食饵量>生长天数>
水温。 ①隐含层设计
隐含层数通常选 1~3，隐含层节点数通常
1.2 投饵量预测模型构建
由经验公式 (9) 确定。
BP 神经网络是一种按误差逆向传播算法训 √
S = n+l+a a = 1 ∼ 10 (9)
[20]
练的多层前馈网络 。BP 神经网络分为输入层、
式中，S 为隐含层节点数，n 为输入层节点数，
隐含层和输出层，每层有若干节点。输入层和
输出层分别为输入和输出神经网络的变量。中 l 为输出层节点数，a 为 1~10 的常数。已知
[22]
n 为 3，l 为 1，则 S 的取值为 3~12 。
间的隐含层数与节点数需根据神经网络训练做
②隐含层激活函数选择
相应调整，使其能达到较好的拟合效果。图 2
因虾夷扇贝育苗投饵问题的连续性和非线
为设想的单隐含层 3 节点 BP 神经网络基本架构。 [23]
性，隐含层激活函数选用光滑函数 。经初步

生长天数 筛选，选择 Tansig 与 Logsig 函数做隐含层激活
growth day
投饵量 函数备选 。
[24]
食饵量 bait dosage
bait consumption Tansig 函数：
水温 1−e −2x
water temperature tansig(x) = −2x (10)
1+e
输入层 隐含层 输出层
input layer hidden layer output layer Logsig 函数：
图 2 BP 神经网络基本结构图 1
logsig(x) = (11)
Fig. 2 Basic structure diagram of BP neural network 1+e −x
式中， x为被激活函数变换的数据。
BP 神经网络的前馈特性体现在神经网络训 ③输出层激活函数选择
练学习过程中，将训练数据输入初始的权重矩 输出层激活函数通常选择 Purelin 函数，其
阵经计算得预测值，与训练数据真实值对比， 直接将输入映射到输出，不进行任何非线性转
根据误差反向调整权重矩阵参数反复计算，直 换，通常被用作输出层的激活函数之一，特别
到权重矩阵预测值与真实值的误差降至可接受 是在处理回归问题时，适合投饵预测模型训练。
范围，则模型训练完毕，其过程： Purelin 函数：

 
j
∑ i ∑ ∑  purelin(x) = x (12)
   
x
B = f(net) = β i j j   (ω j i j +θ i )+δ j  
f 
 
1 1 式中， x为被激活函数变换的数据。
(8) ④其他参数设计
j
式中，B 为神经网络输出，f 为激活函数，net j 设置初始最大训练次数为 10 000 次、初始
https://www.china-fishery.cn 中国水产学会主办 sponsored by China Society of Fisheries
4