Page 48 - 2023年第54卷第3期
P. 48
图 ７ ＩＰＳＯ － ＢＰ神经网络训练误差分析
表 ４ 实验数据和 ＩＰＳＯ － ＢＰ神经网络预测值
３
数据编号 鱼种类 暴露时间?ｍｉｎ 含沙量?（ｋｇ?ｍ ） 溶解氧?（ｍｇ?Ｌ） 水温?℃ 实验死亡率?％ ＩＰＳＯ － ＢＰ预测死亡率?％
１ １５ ５８．９ ８．３ ７．５ ０．０ ０．１
２ ３０ ６４．２ ５．９ １５．４ ０．０ ０．０
３ ９０ ２１．７ ７．７ ８．５ ０．０ ０．０
４ １４０ ６４．２ ５．３ １５．８ １０．０ ７．３
５ １４０ ８０．８ ５．４ １３．３ １０．０ ８．７
６ １６０ ８０．８ ５．４ １３．４ ２０．０ １６．７
７ ３４０ ８０．８ ５．０ １３．７ ９０．０ ９１．２
花斑裸鲤
８ ３９５ ６２．８ ６．９ ９．８ ３０．０ ２９．３
９ ４１５ ８０．８ ５．０ １３．９ ９０．０ ９０．５
１０ ４６５ ２１．７ ５．８ １２．０ ０．０ ０．０
１１ ４８５ ３９．４ ４．９ １６．８ ０．０ ０．０
１２ ４９８ ３．３ ７．８ ９．１ ０．０ ０．０
１３ ５２５ ６４．２ ４．６ １９．１ ５０．０ ５２．８
１４ ５６０ ５９．７ ６．４ １１．８ ２０．０ １９．７
１５ ３０ １１８．０ １．８ ２８．５ ４０．０ ３５．６
１６ ４０ １８２．０ １．６ ２６．０ ９０．０ ９１．６
１７ ５４ ８９．０ １．７ ２７．２ ７０．０ ７４．８
鲤鱼
１８ １２０ ６０．０ １．８ ２６．８ ６０．０ ６３．７
１９ ３３０ １６．０ ２．２ ２５．２ ０．０ ５．５
２０ ５７０ ６０．０ ２．２ ２９．０ ７０．０ ７３．２
３．４ 不同神经网络预测精度对比分析 为了对比不同神经网络的预测精度，同时采用 ＩＰＳＯ － ＢＰ神经
网络、ＰＳＯ － ＢＰ神经网络、ＢＰ神经网络使用相同的数据集进行预测，三者的网络结构等参数设置均相
同，各取 １０次计算结果进行对比分析。由图 ８可知，ＩＰＳＯ － ＢＰ神经网络的 ＲＭＳＥ、ＭＡＰＥ均值分别为
ＰＳＯ － ＢＰ神经网络的 ８９％、６１％，为 ＢＰ神经网络的 ８５％、５７％，且相较于 ＢＰ神经网络相应的标准差
降低了 ２５％～６０％。ＮＳＥ值也较 ＰＳＯ － ＢＰ和 ＢＰ神经网络提高了 １％～２％。计算结果说明引入 ＩＰＳＯ算
法改进后的 ＢＰ神经网络预测能力有所提升，预测极值偏离变小，预测平稳性更佳。
对比采用了惯性权重、动态学习率和变异扰动的 ＩＰＳＯ － ＢＰ神经网络和传统 ＰＳＯ － ＢＰ神经网络，
改进后的算法除了拥有更小的预测误差，在计算 ＢＰ神经网络的初始权重和阈值时也得到了更优的粒
子适宜度。由图 ９可知，ＰＳＯ － ＢＰ神经网络在 ２５次进化后粒子适宜度下降速率大幅放缓，在随后的
７５次进化时适宜度下降了不足 ０．００５。改进后的 ＩＰＳＯ算法在前 ６０次进化时都能保持较大的下降梯度，
最终输出的粒子适宜度均值较改进前下降约 １０％。通过对 ＰＳＯ算法的改进，ＢＰ神经网络可以获得更
优的输出精度。
— ２ ９ —
８
