Page 206 - 《水产学报》2025年第12期

母刚，等 水产学报, 2025, 49(12): 129516

目标误差 0.000 001。学习率按默认值设为 0.01。 经网络的训练结果看，回归模型 R 值为 0.999
优化算法选择梯度下降法。 72，训练集、验证集、测试集的 R 值均大于
投饵量预测模型训练 本研究中 BP 神 0.99，表明模型训练效果较好。
经网络的训练基于 MATLAB 神经网络工具箱， 图 4 为神经网络训练曲线图，反映了神经
将图 1 中理想状况下虾夷扇贝幼苗投饵的相关 网络训练情况，神经网络的最佳验证性能发生

数 据 整 理 后 作 为 专 家 知 识 用 于 训 练 。 MAT- 在第 5 轮，此时的均方误差为 0.000 567 11，表
LAB 将原始训练数据分为 3 部分：训练集、验 明神经网络在达到目标误差与最大训练次数前
证集与测试集，一般按 6∶2∶2 的比例随机划 收敛。
分。训练集用于训练模型。验证集用于训练途 1.3 投饵验证实验
中对训练模型进行矫正与强化，选择最佳模型
实验过程中操作人员严格遵守大连海洋大
参数。测试集用于在最佳模型参数基础上评估
学实验动物伦理规范，实验用虾夷扇贝幼苗产
训练结果。
自大连市庄河市兰店乡，生长天数分别为 30 和
按表 2 设计的参数对神经网络进行设置，
42 d，其发育形态均处于稚贝期，壳长分别为
经测试，发现在投饵预测模型的训练在隐含层
(548±27.66) 和 (816±29.70) μm。饵料为冷冻浓
数为 1，隐含层节点数为 3 时，R 值也可达到 0.99
缩金藻稀释后的溶液，密度为 8.5×10 个/mL。
5
以上，训练效果较好。
暂养 1 d 适应环境后，每日在 8:30、14:30、

表 2 BP 神经网络参数设置 20:30、02:30 各投喂 1 次。实验组使用自制虾
Tab. 2 BP neural network parameter settings 夷扇贝育苗投饵系统进行自动投饵，对照组采
用人工投饵，投饵量由养殖技术员依据经验设
BP神经网络参数名称 设置
parameter name of BP neural network set up 定。通过对比 2 种投饵方式的决策性评价投饵
隐含层数/层 hidden layer number 1~3
预测模型的应用性能。
隐含层节点数/个 number of hidden layer nodes 3~12
自研的投饵系统如图 5 和 6 所示，由饵料
Logsig函数
隐含层激活函数 implicit layer activation function 培育缩比池、幼苗培育缩比池、管路、电磁阀、
Tansig函数
输出层激活函数 output layer activation function Purlin函数 小型潜水泵、控制板、浊度传感器、温度传感
优化算法 optimization algorithm 梯度下降法 器、5 V 电源、12 864 液晶显示模块 (图 7) 等组
最大训练次数/次 maximum training times 10 000 成，集成在系统顶部的控制箱中。
初始目标误差 initial target error 0.000 001 人机交互界面的首行显示日期，第 2 行显
4
学习率/% learning rate 0.01 示饵料池微藻密度，单位 10 个/mL；第 2 行结
尾数字为虾夷扇贝幼苗生长天数；第 3 行显示
4
BP 神经网络回归分析图分别反映了训练集、 残饵量，单位 10 个/mL；养殖人员可以通过第
验证集、测试集与整体的拟合情况 (图 3)。目标 2、3 行数据掌握饵料池微藻培养与育苗池中幼
是原始数据中的投饵量，输出是训练的投饵预 苗摄食情况。第 4 行为水温，单位℃；第 4 行
测模型根据原始数据输入参数做出的预测。 末数字为系统预测投送藻液体积，单位 mL；控
分析模型训练结果显示，训练、验证与拟 制模块通过采集到的相关数据，控制泵阀启闭
合直线基本接近 Y=T 虚线，R 值均大于 0.999； 时间，完成投饵作业 (图 7)。
测试集拟合线也接近 Y=T 虚线，R 值为 0.996 决策性能是投饵预测模型根据生长天数、
73，但较训练、验证与回归线低，由图 3-c可知， 食饵量与水温确定的投饵量，关系到是否符合
测试集里缺少目标值与预测值大于 1×10 ，导致 虾夷扇贝幼苗的实际摄食需求。食饵量由残饵
4
拟合的直线在目标值较大时与预测值存在偏差。 量确定，残饵量由系统经浊度传感器采集到的
根据前面结果，将训练集、验证集与测试集随 数据估算。当饵料过多时，食饵量为投饵量减
机按 6∶2∶2 的比例划分，若随机划分的测试 去残饵量；当饵料不足时，需参考下次投饵前
集中包含的值能落在目标值与预测值取值范围 1.5 h 的残饵量估算食饵量。根据经验，若投饵
内，测试集的回归效果更佳。总之，由 BP 神 前 1.5 h 投饵残饵量为 0，则食饵量为上次投饵

中国水产学会主办 sponsored by China Society of Fisheries https://www.china-fishery.cn
5