Hybrid Neural Network and Genetic Algorithm Model untuk memprediksi terlarut Oksigen dalam Budidaya Tambak

Abstrak-Prediksi untuk oksigen terlarut (DO) di tambak adalah masalah multi-variabel, nonlinier dan lama lag. Neural Networks (NNS) telah menjadi salah satu alat yang ideal dalam pemodelan hubungan nonlinear antara input dan output. Dalam karya ini, GA-LM, model Neural Network digabungkan dengan Levenberg-Marquardt (LM) algoritma dan Algoritma Genetika (GA) dikembangkan untuk memprediksi DO dalam kolam akuakultur di Dalian, Cina. LM digunakan untuk melatih NNS, menunjukkan tingkat yang lebih cepat konvergensi. Arsitektur jaringan yang dioptimalkan oleh GA. Kinerja GA-LM telah dibandingkan dengan konvensional algoritma Back-Propagation (BP) dan Levenberg-Marquardt (LM) algoritma. Perbandingan menunjukkan bahwa prediksi nilai DO menggunakan GA-LM berada dalam perjanjian baik dengan data yang diukur. Hal ini menunjukkan di sini bahwa model mampu memprediksi secara akurat DO, dan dapat menawarkan kinerja yang lebih kuat dan lebih baik daripada jaringan saraf konvensional ketika digunakan sebagai interpolasi cepat dan alat ekstrapolasi.

Kata kunci- Neural Network (NN), levenberg-marquardt (LM) algoritma, algoritma genetika (GA), oksigen terlarut; Model

PENDAHULUAN Air pengukuran kualitas meliputi berbagai fisik, kimia, dan parameter biologi. Masalah dasar dalam hal pemantauan kualitas air adalah kompleksitas yang terkait dengan menganalisis sejumlah besar variabel [1]. Konsentrasi oksigen terlarut (DO) adalah penting bagi kesehatan fungsi ekosistem perairan, dan indikator signifikan dari keadaan ekosistem perairan [2]. Itu sangat diinginkan untuk membuat model DO untuk setiap budidaya tambak. Model yang berbeda telah dikembangkan dan digunakan untuk menganalisis DO. Stefan et al [3] membentuk sebuah model deterministik, dan. Boano et al. [4] mengadopsi model statistik untuk menganalisis hubungan antara kebutuhan oksigen biokimia dan DO (BOD). Namun, karena kompleksitas dan nonlinier faktor pengaruh DO, model ini mampu memprediksi DO serta jaringan saraf (NNS). Jaringan saraf adalah alat optimasi nonlinier. Dengan karakteristik yang baik dari pemetaan nonlinier tinggi, self-organisasi, dan pemrosesan paralel tinggi, jaringan saraf menghubungkan pengaruh berbagai faktor. Dan itu berhasil dapat mencapai prediksi DO melalui melaksanakan pembelajaran dan asosiatif memori untuk jaringan. Selain itu, tidak perlu untuk NNS untuk menentukan hubungan matematis antara input dan output. Ada penelitian

menerapkan NNS konvensional untuk membuat prediksi untuk DO di banyak negara [5-9]. Namun, NNS konvensional, yaitu back-propagasi (BP) NNS, memiliki rentan intrinsic kelemahan dalam konvergensi lambat dan minimum lokal. Levenberg-Marquardt (LM) algoritma pada awalnya dirancang untuk melayani sebagai algoritma optimasi penengah antara metode Gauss-Newton (GN) dan gradien algoritma keturunan, yang memiliki karakteristik konvergensi yang cepat. Algoritma genetika (GA) adalah suatu algoritma sistem ekologi, yang terinspirasi oleh teori evolusi Darwin. Ini mensimulasikan mencari solusi global optimal untuk optimasi dan sesuai untuk mengoptimalkan struktur jaringan saraf. Berdasarkan pertimbangan-pertimbangan, model GA-LM menggabungkan keuntungan dari GA dan algoritma LM diterapkan untuk memprediksi DO dalam kolam akuakultur dalam makalah ini dan kemudian dibandingkan dengan algoritma BP dan algoritma LM. Efeknya memuaskan.

BAHAN DAN METODE Kualitas air A. Data Faktor-faktor yang mempengaruhi DO di tambak yang rumit. Faktor utama, sebagai berikut [1011]: suhu air kolam, nitrogen konten dalam tekanan air dan oksigen di atmosfer dll Hal ini juga tergantung pada sumber daya dan konsumsi oksigen dalam tambak, pembubaran dan kecepatan melimpah oksigen dll Untuk kolam budidaya tertentu, DO relatif terhadap musim yang berbeda, mengukur waktu, posisi, kedalaman pengukuran titik, kecepatan angin, kedalaman dan luas permukaan budidaya tambak. Data set yang digunakan dalam penelitian ini dihasilkan melalui pemantauan kualitas air dari kolam di aquiculture Dalian, Cina. Sampling Bulanan dilakukan selama periode tiga tahun terakhir (2006-2009). Fisik dan analisis kimia dilakukan dengan menggunakan metode standar [12]. Parameter yang dianalisis dalam makalah ini didasarkan pada variabel yang mencerminkan kualitas air. Variabel input meliputi suhu, nitrit, amoniak dan nilai total nitrogen. Variabel output DO di kolam budidaya. Jelas, akuakultur kolam adalah MISO (multiple-input tunggal-output) dan sistem nonlinier, sehingga jaringan saraf yang sesuai untuk itu untuk memprediksi DO. B. Neural jaringan dan algoritma pelatihan Metode jaringan syaraf pada dasarnya melibatkan pemetaan pola masukan yang kompleks ke lain kompleks Pola output, menggunakan struktur pengolahan data terdiri dari ekstensif saling berhubungan neuron. Karena metode berasal dari pemahaman kita tentang sistem neurobiologis,jaringan syaraf menggunakan konsep belajar dari input ke output, mirip dengan cara otak manusia belajar dari pengalaman. Karena kerangka ini, menyesuaikan dengan baik

untuk multidimensi nonlinear input dan output data dan terkait kompleks keterkaitan, mencapai tinggi tingkat keberhasilan dari model matematika konvensional. Kemampuan komputasi dicapai melalui ekstensif namun sistematis interkoneksi antara neuron, yang dimodelkan dengan cara bobot yang beradaptasi dengan konvergen ke pemetaan yang benar selama proses pembelajaran. Back-Propagation jaringan (BP) netral yang berdasarkan algoritma gradient descent telah paling sering digunakan. Gradient descent adalah teknik sederhana di mana parameter, seperti bobot dan bias, yang bergerak di berlawanan arah gradien kesalahan. Setiap langkah menuruni gradien menghasilkan kesalahan kecil sampai kesalahan minimum tercapai. Kesalahan berjalan turun dengan cepat pada beberapa langkah pertama. Namun, keberatan keturunan fungsi perlahan ketika gradien mendekati nol. Untuk jaringan yang kompleks, karena permukaan kesalahan multi-dimensi, gradien mungkin sering dijumpai dalam minimum lokal yang mengakibatkan lambat konvergensi tingkat dan kemampuan generalisasi yang lemah. Levenberg-Marquardt (LM) algoritma memiliki kuadratik konvergensi (kira-kira Gauss-Newton (GN) method) pada saat itu di sekitar (tapi tidak terlalu dekat untuk) minimum. Namun, sifat ini sangat tergantung pada nilai awal. Jika nilai awal tidak dipilih dengan benar, algoritma ini mudah mungkin menyimpang. Berbeda GN algoritma, kinerja gradient descent Algoritma kurang tergantung pada nilai berat badan awal. Jadi LM menggunakan gradient descent untuk memperbaiki dugaan awal untuk yang parameter dan transformasi dengan metode GN karena mendekati nilai minimum dari fungsi biaya. Setelah itu mendekati minimum, itu mengubah kembali ke gradien keturunan algoritma untuk meningkatkan akurasi. LM Algoritma dapat dianggap sebagai modifikasi kepercayaan-daerah untuk GN metode atau jembatan antara metode GN dan gradien keturunan algoritma. Sejak pembentukannya, para peneliti telah menggunakan algoritma untuk LM curve fitting dan banyak lainnya optimasi masalah. Karena konvergensi diinginkan nya kemampuan, dalam aplikasi optimasi banyak, LM Metode ini biasanya lebih disukai daripada optimasi lain teknik. Algoritma LM diadopsi untuk memprediksi DO di beberapa penelitian [2] [13].

latar belakang masalah, pernyataan masalah, pertanyaan penelitian, tujuan penelitian, metodemetode yang ada, metode yang diusulkan dan hasil penelitian.