基于麻雀搜索算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的深遠(yuǎn)海養(yǎng)殖平臺系纜力預(yù)報(bào)研究

許條建，金延儒,4，蔣梅榮，麻常雷

(1 大連理工大學(xué)，海岸和近海工程國家重點(diǎn)實(shí)驗(yàn)室，遼寧 大連 116024;2 中海油研究總院有限責(zé)任公司，北京 100028;3 國家海洋技術(shù)中心，天津 300112;4 中交四航工程研究院,廣東 廣州 510230)

近年來，水產(chǎn)養(yǎng)殖由近海逐步走向深遠(yuǎn)海。相較于近海養(yǎng)殖，深遠(yuǎn)海養(yǎng)殖擁有開闊的養(yǎng)殖環(huán)境，有利于降低魚病的發(fā)生概率，提高養(yǎng)殖水產(chǎn)品品質(zhì)。深遠(yuǎn)海養(yǎng)殖平臺作為深遠(yuǎn)海養(yǎng)殖的重要生產(chǎn)設(shè)施，也是中國先進(jìn)裝備制造的體現(xiàn)[1]。然而，深遠(yuǎn)海養(yǎng)殖平臺要面臨更加惡劣的海洋環(huán)境。深遠(yuǎn)海養(yǎng)殖平臺的系泊系統(tǒng)是對抗臺風(fēng)等極端海洋環(huán)境荷載的最重要的基礎(chǔ)，如果系泊系統(tǒng)遭到破壞，意味著整個(gè)平臺失效，對養(yǎng)殖戶而言是一場巨大的災(zāi)難[2]。因此，極端惡劣海況下深遠(yuǎn)海養(yǎng)殖平臺的系纜力的高效、快速預(yù)報(bào)，是實(shí)現(xiàn)中國深遠(yuǎn)海養(yǎng)殖產(chǎn)業(yè)健康發(fā)展的必然選擇。

關(guān)于深遠(yuǎn)海養(yǎng)殖平臺的水動(dòng)力特性研究方面，許條建[3]采用集中質(zhì)量法和剛體運(yùn)動(dòng)學(xué)原理，對組合式網(wǎng)箱及其系泊系統(tǒng)在波浪、海流作用下的水動(dòng)力特性開展了研究，其數(shù)值模型是開展本研究的重要基礎(chǔ)。Li 等[4]研究了不規(guī)則波浪下深遠(yuǎn)海船型浮式養(yǎng)殖平臺的運(yùn)動(dòng)響應(yīng)。李玉成等[5]分析了深遠(yuǎn)海養(yǎng)殖平臺中網(wǎng)衣在不同變形狀態(tài)下水阻力系數(shù)。唐鳴夫等[6]分析了不同養(yǎng)殖密度下養(yǎng)殖網(wǎng)箱周圍的流場變化以及網(wǎng)衣的變形。

近年來，基于人工智能的深度學(xué)習(xí)方法已經(jīng)在海洋工程動(dòng)力響應(yīng)和安全評估方面得到了廣泛應(yīng)用。陳海等[7]利用人工神經(jīng)網(wǎng)絡(luò)監(jiān)測半潛式平臺模型在風(fēng)、浪、流聯(lián)合作用下的運(yùn)動(dòng)響應(yīng)。漆徐良[8]通過人工神經(jīng)網(wǎng)絡(luò)完成FPSO系纜力的實(shí)時(shí)預(yù)測分析，對各類海況下FPSO的系纜力和運(yùn)動(dòng)響應(yīng)進(jìn)行實(shí)時(shí)監(jiān)測。陳磊[9]使用BP神經(jīng)網(wǎng)絡(luò)(Error Back Propagtion)對海洋平臺樁基的軸向承載力進(jìn)行分析和預(yù)報(bào)。劉浩然[10]使用BP神經(jīng)網(wǎng)絡(luò)對深遠(yuǎn)海鈦合金結(jié)構(gòu)進(jìn)行健康診斷。夏天亮等[11]引入BAS-BP神經(jīng)網(wǎng)絡(luò)對南海北部海域的波浪要素進(jìn)行預(yù)報(bào)。王維[12]將機(jī)器學(xué)習(xí)應(yīng)用于海底管道的損傷識別監(jiān)測研究。李志鑫等[13]使用機(jī)器學(xué)習(xí)實(shí)現(xiàn)適用于各種水文條件下孤立波振幅的分析。周世博等[14]采用機(jī)器學(xué)習(xí)進(jìn)行海洋平臺受墜物碰撞的損傷分析。張鵬輝[15]和李海濤等[16]均針對船舶與海洋工程常見的材料腐蝕速率采用機(jī)器學(xué)習(xí)進(jìn)行預(yù)測分析。高明星等[17]針對FPSO舷側(cè)結(jié)構(gòu)的耐裝性能使用機(jī)器學(xué)習(xí)進(jìn)行優(yōu)化設(shè)計(jì)。雖然BP神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)方法已經(jīng)可以完成監(jiān)測和預(yù)報(bào)工作，但是人們始終還在追求預(yù)報(bào)精準(zhǔn)度和效率的道路上不斷探索。

本研究引入麻雀搜索算法，對BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化調(diào)整，改善BP神經(jīng)網(wǎng)絡(luò)自身容易收斂到局部最小點(diǎn)的缺陷，提高深遠(yuǎn)海養(yǎng)殖平臺系纜力快速預(yù)報(bào)模型的性能。

1 深遠(yuǎn)海養(yǎng)殖平臺預(yù)報(bào)模型分析方法

1.1 養(yǎng)殖平臺動(dòng)力響應(yīng)數(shù)值模型

深遠(yuǎn)海養(yǎng)殖平臺主要包含浮架、網(wǎng)衣和錨繩等構(gòu)件。其中，浮架為剛性構(gòu)件，采用剛體動(dòng)力學(xué)建立其運(yùn)動(dòng)微分方程[18]；對于網(wǎng)衣和錨繩這類柔性構(gòu)件，采用集中質(zhì)量法，將集中質(zhì)量點(diǎn)作為節(jié)點(diǎn)、無重量的彈簧作為單元來模擬網(wǎng)衣[19-20]和錨繩[21-23]，分別建立其運(yùn)動(dòng)微分方程；最后采用四階Runge-Kutta 法聯(lián)立求解深遠(yuǎn)海養(yǎng)殖平臺及其系泊系統(tǒng)的運(yùn)動(dòng)微分方程。

無論剛性構(gòu)件還是柔性構(gòu)件，運(yùn)動(dòng)微分方程都要基于牛頓第二定律進(jìn)行建立，將結(jié)構(gòu)運(yùn)動(dòng)與荷載聯(lián)系起來。對于深遠(yuǎn)海養(yǎng)殖平臺，重力、浮力和水動(dòng)力(包括波浪力和流荷載等)等荷載是深遠(yuǎn)海養(yǎng)殖平臺主要考慮的荷載類型。其中，對于波浪力，由于結(jié)構(gòu)桿件都為圓管形式，直徑均遠(yuǎn)小于波長，故選用Brebbia和Walker[24]提出的修正的Morison方程來計(jì)算波浪力：

(1)

表1 深遠(yuǎn)海養(yǎng)殖平臺各構(gòu)件水動(dòng)力系數(shù)

對于流荷載使用如下公式：

(2)

通過數(shù)值模型的建立和求解，獲得各種工況下的系纜力，并建立樣本集，進(jìn)行后續(xù)預(yù)報(bào)模型的構(gòu)建。

1.2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱藏層和輸出層構(gòu)成，層與層之間全連接，同一層之間的神經(jīng)元無連接。如圖1所示，在BP網(wǎng)絡(luò)中，數(shù)據(jù)經(jīng)歸一化處理后，從輸入層開始，經(jīng)隱藏層之后逐層向后傳播至輸出層；訓(xùn)練連接權(quán)值時(shí)，會(huì)從輸出層開始，經(jīng)過隱藏層向前修正網(wǎng)絡(luò)的連接權(quán)值；循環(huán)重復(fù)上述過程進(jìn)行權(quán)值與輸出層數(shù)據(jù)的迭代。經(jīng)多次迭代達(dá)到標(biāo)準(zhǔn)后，輸出的數(shù)據(jù)進(jìn)行反歸一化得到最終的結(jié)果[28]。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

BP神經(jīng)網(wǎng)絡(luò)算法由式(3)～式(6)確定。

yj=f(Xj+bj)

(3)

Zk=f(Yk+bj)

(4)

(5)

(6)

式中：訓(xùn)練數(shù)據(jù)中x作為輸入，z作為輸出，輸入神經(jīng)元個(gè)數(shù)為I，隱藏神經(jīng)元個(gè)數(shù)為J，輸出神經(jīng)元個(gè)數(shù)為K的一個(gè)三層前饋神經(jīng)網(wǎng)絡(luò)。其中y為隱藏層，隱藏層第j個(gè)神經(jīng)元的閾值用bj表示，輸出層第k個(gè)神經(jīng)元的閾值用bk表示，輸入層第i個(gè)神經(jīng)元與隱藏層第j個(gè)神經(jīng)元之間的連接權(quán)值用wij表示，隱藏層第j個(gè)神經(jīng)元與隱藏層第k個(gè)神經(jīng)元之間的連接權(quán)值用wjk表示，隱藏層的輸入用Xj表示，輸出層的輸入用Yk表示。f為轉(zhuǎn)換函數(shù)，隱藏層的計(jì)算結(jié)果為yj，輸出層輸出結(jié)果為Zk。

在BP神經(jīng)網(wǎng)絡(luò)中，如果神經(jīng)網(wǎng)絡(luò)輸出結(jié)果zk與訓(xùn)練數(shù)據(jù)的輸出zk差別過大，會(huì)進(jìn)行誤差的反向傳遞，采用梯度下降法將誤差按權(quán)重逐層分配并迭代計(jì)算連接權(quán)值。

然而，BP神經(jīng)網(wǎng)絡(luò)的問題也很明顯，其中最為關(guān)注的是受權(quán)值和閾值影響誤差而產(chǎn)生的局部極小問題。因?yàn)樘荻认陆捣ㄊ茄刂?fù)梯度方向?qū)ふ易顑?yōu)解，當(dāng)誤差與權(quán)值和閾值相關(guān)的函數(shù)找到梯度為0的點(diǎn)，則已經(jīng)達(dá)到局部最小點(diǎn)，權(quán)值的迭代將停止。如果該網(wǎng)絡(luò)的誤差函數(shù)具有多個(gè)局部最小點(diǎn)，則不能保證最終確定的權(quán)值為最優(yōu)的[29]。因此，需要對權(quán)值和閾值進(jìn)行優(yōu)化調(diào)整，并觀察誤差情況。

1.3 麻雀搜索算法

麻雀搜索算法(Sparrow Search Algorithm，后面簡稱SSA)是Xue等[30]受到麻雀覓食以及反捕食行為所提出來的，該算法依據(jù)麻雀捕食的仿生學(xué)原理提出來的。SSA算法中，麻雀種群包含發(fā)現(xiàn)者、加入者和偵察者。發(fā)現(xiàn)者由于適應(yīng)度較高，可引導(dǎo)并提供給加入者覓食區(qū)域和方向；加入者為了獲取更好的食物，會(huì)一直跟隨發(fā)現(xiàn)者，并監(jiān)視發(fā)現(xiàn)者，為保證捕食率甚至?xí)帄Z食物；當(dāng)偵察者發(fā)現(xiàn)捕食者后立即發(fā)出警報(bào)，麻雀種群集體做出反捕食行為。

發(fā)現(xiàn)者的位置更新如下：

(7)

式中：t表示當(dāng)前迭代次數(shù)；T表示最大迭代次數(shù)；xi，j(t)表示第i只麻雀在第j維迭代次數(shù)為t時(shí)的位置信息值；α為[0，1]的隨機(jī)數(shù)；r2(r2∈[0，1])表示預(yù)警值；ST(ST∈[0.5，1])表示安全值；Q為服從正態(tài)分布的隨機(jī)數(shù)；L表示一個(gè)1×d的矩陣，其中內(nèi)部每個(gè)元素都為1。

當(dāng)R2

加入者的位置更新如下：

(8)

式中：xworst(t)表示當(dāng)前全局最差位置；xij(t)表示發(fā)現(xiàn)者占據(jù)的最佳位置；A+=AT(AAT)-1，A表示一個(gè)內(nèi)部元素隨機(jī)分配1或-1的1×d矩陣，AT為A的轉(zhuǎn)置。

當(dāng)i>n/2時(shí)，表示適應(yīng)度值較差的第i只加入者處于饑餓狀態(tài)，它需要飛往其他方向?qū)ふ沂澄?。偵察者一般占種群的10%到20%，位置更新公式如下:

(9)

式中：xbestj(t)表示當(dāng)前全局最佳位置；β為服從均值為0、方差為1的正態(tài)分布隨機(jī)數(shù)的步長控制參數(shù)；K∈[-1，1]表示麻雀運(yùn)動(dòng)方向，也是步長控制參數(shù)；fi表示當(dāng)前麻雀的適應(yīng)度值；fg和fw，分別表示當(dāng)前全局最優(yōu)值和最差值；e為一個(gè)常數(shù)，是為了避免分母為0。

當(dāng)fi>fg時(shí)，表示麻雀處于種群的邊緣地段，易受到捕食者攻擊，當(dāng)fi=fg時(shí)，表示處于種群中間位置的麻雀意識到危險(xiǎn)，因此需要靠近其他麻雀來減少被捕食的概率。

1.4 算法流程

基于麻雀搜索算法改進(jìn)的神經(jīng)網(wǎng)絡(luò)算法(后面簡稱SSA-BP模型)對深遠(yuǎn)海養(yǎng)殖平臺系纜力預(yù)報(bào)模型的具體建立過程如下:

步驟1:首先將數(shù)值模型的計(jì)算結(jié)果整合成樣本集﹐同時(shí)按照訓(xùn)練集∶測試集=5∶1的比例隨機(jī)劃分為兩組數(shù)據(jù)﹐之后對訓(xùn)練集全體數(shù)據(jù)以及測試集的輸入指標(biāo)數(shù)據(jù)進(jìn)行歸一化處理。

步驟2:完成BP神經(jīng)網(wǎng)絡(luò)初始化，包括隱含層層數(shù)、隱含層的節(jié)點(diǎn)個(gè)數(shù)、層與層之間的傳遞函數(shù)等。

步驟3:輸出BP神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)結(jié)果，并在反歸一化后依據(jù)評估指標(biāo)進(jìn)行后續(xù)評估。

步驟4：完成麻雀搜索算法中麻雀種群相關(guān)參數(shù)初始化。

步驟5：確定每只麻雀的初始位置。

步驟6：依據(jù)公式(7)～(9)，分別更新每只麻雀的位置。

步驟7：輸出最優(yōu)的麻雀個(gè)體位置，并將其作為BP神經(jīng)網(wǎng)絡(luò)各層之間的權(quán)值；同時(shí)輸出全局最優(yōu)解，將其作為BP神經(jīng)網(wǎng)絡(luò)各層的閥值；完成BP神經(jīng)網(wǎng)絡(luò)各參數(shù)的優(yōu)化。

步驟8:使用優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并比較各項(xiàng)評估指標(biāo)。如果滿足誤差指標(biāo)，便可以結(jié)束計(jì)算，輸出對應(yīng)的結(jié)果；否則，重新從步驟4開始執(zhí)行。

整個(gè)算法流程見圖2。

圖2 SSA-BP算法流程圖

1.5 評估指標(biāo)

預(yù)報(bào)模型整體的評估指標(biāo)主要選取平均絕對誤差MAE、平均絕對百分比誤差MAPE以及均方根誤差RMSE作為主要，其計(jì)算公式見(10)～(12)。其中，平均絕對百分比誤差MAPE是本研究重點(diǎn)關(guān)注的評估指標(biāo)，其評估標(biāo)準(zhǔn)見表2。這3個(gè)評估指標(biāo)的數(shù)值越小，模型越精確。

表2 模型預(yù)測精度評估標(biāo)準(zhǔn)

(10)

(11)

(12)

式中：yforecast表示系纜力的預(yù)測值，kN；ytrue表示系纜力的真實(shí)值，kN。

對于系纜力預(yù)報(bào)值的評估指標(biāo)，主要是依據(jù)絕對誤差、相對誤差以及相關(guān)性等進(jìn)行分析。

2 深遠(yuǎn)海養(yǎng)殖平臺系泊纜力快速預(yù)報(bào)實(shí)例分析

2.1 深遠(yuǎn)海養(yǎng)殖平臺模型

如圖3所示，對該深遠(yuǎn)海養(yǎng)殖平臺系纜力進(jìn)行預(yù)報(bào)分析。

圖3 深遠(yuǎn)海養(yǎng)殖平臺及其系泊系統(tǒng)

該養(yǎng)殖平臺的主尺度如表3所示，錨鏈參數(shù)見表4。

表3 養(yǎng)殖平臺主尺度

表4 系泊錨鏈參數(shù)

以圖3中1#纜繩的錨繩力預(yù)報(bào)為例。該模型共有13 525個(gè)單元，平均一個(gè)算例計(jì)算100 s需要的時(shí)間為1 d。

根據(jù)所選的深遠(yuǎn)海養(yǎng)殖平臺的工程實(shí)際位置的水文資料，數(shù)值模擬的水深為22 m，波浪和水流的方向均為45°方向(圖4)。

圖4 深遠(yuǎn)海養(yǎng)殖平臺俯視圖以及波浪、海流方向

對于訓(xùn)練樣本的構(gòu)建，依據(jù)該平臺所在地的水文資料選取。波高分別為5 m、6 m、7 m、8 m、9 m和10 m。周期分別為8 s、10 s和12 s。流速分別為0.2 m/s、0.4 m/s、0.6 m/s、0.8 m/s和1 m/s。將波高、周期和流速任意組合成工況計(jì)算其對應(yīng)的系纜力，共90組工況。

選出15組工況作為測試集驗(yàn)證網(wǎng)絡(luò)準(zhǔn)確性，也代表已有環(huán)境要素下任意組合之后工況的準(zhǔn)確性(測試集工況見表5)。

表5 測試集樣本表

除此之外，額外計(jì)算15組在樣本范圍內(nèi)的任意工況作為檢驗(yàn)集，觀察其工程實(shí)際應(yīng)用情況(檢驗(yàn)集工況見表6)。

表6 檢驗(yàn)集樣本表

2.2 預(yù)報(bào)模型參數(shù)選定

對于BP神經(jīng)網(wǎng)絡(luò)，分別要確定訓(xùn)練次數(shù)、學(xué)習(xí)率、訓(xùn)練目標(biāo)最小誤差、輸入層、輸出層、結(jié)構(gòu)層數(shù)、隱藏層等參數(shù)。本BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練次數(shù)為1 000次，學(xué)習(xí)率為0.01，訓(xùn)練目標(biāo)最小誤差為0.000 001。輸入層為3個(gè)節(jié)點(diǎn)，輸出層為1個(gè)節(jié)點(diǎn)。依據(jù)本計(jì)算模型實(shí)例數(shù)據(jù)庫容量并不冗雜，故按照廣泛應(yīng)用的1個(gè)隱藏層。隱藏層節(jié)點(diǎn)數(shù)依據(jù)公式(13)確定范圍，并通過訓(xùn)練神經(jīng)網(wǎng)絡(luò)之后確定。通過表7計(jì)算結(jié)果可知，隱藏層節(jié)點(diǎn)個(gè)數(shù)為5時(shí)的均方誤差最小，故設(shè)置5個(gè)隱藏層節(jié)點(diǎn)。關(guān)于權(quán)函數(shù)，本研究經(jīng)多次訓(xùn)練，將輸入層到隱藏層的轉(zhuǎn)換函數(shù)確定為tansig函數(shù)，將隱藏層到輸出層的轉(zhuǎn)換函數(shù)確定為purelin函數(shù)

表7 隱藏層節(jié)點(diǎn)均方誤差表

(13)

式中：l是隱含層的神經(jīng)元個(gè)數(shù)，m是輸入層節(jié)點(diǎn)個(gè)數(shù)，n是輸出層節(jié)點(diǎn)個(gè)數(shù)，α是常數(shù)，α∈[0，10]。

對于麻雀搜索算法，初始種群規(guī)模為30；最大進(jìn)化代數(shù)為50；安全值ST為0.6；發(fā)現(xiàn)者比例PD 為0.2；負(fù)責(zé)偵查的麻雀比例SD 為0.2。

2.3 測試集結(jié)果分析

為了驗(yàn)證該深遠(yuǎn)海養(yǎng)殖平臺系纜力的預(yù)測效果，對比了測試集BP模型和SSA-BP模型的計(jì)算結(jié)果。從圖5中可以得知，SSA-BP模型預(yù)報(bào)系纜力更貼近系纜力真實(shí)值，仿真測試曲線與真實(shí)值曲線擬合程度也比較高。

圖5 系纜力真實(shí)值與各模型預(yù)測值對比圖

對于系纜力預(yù)報(bào)的模型整體分析情況可通過表8進(jìn)行定量分析。首先，SSA-BP模型的MAPE為6.27%，根據(jù)表2的評估標(biāo)準(zhǔn)，其模型評價(jià)為好，而BP的評價(jià)為良好；SSA-BP模型的MAE也小于BP模型，表示其誤差也更小，說明SSA-BP模型預(yù)報(bào)的更精密；比較RMSE可以得知，SSA-BP模型預(yù)報(bào)系纜力的離散程度更小，受異常值影響程度也更小。綜合來看，MAPE、MAE和RMSE這三項(xiàng)指標(biāo)表現(xiàn)最好的模型均指向SSA-BP模型。

表8 模型整體評估指標(biāo)對比表

對比各工況下的系纜力值預(yù)測，從表9以及圖6可知，SSA-BP模型預(yù)報(bào)系纜力的相對誤差值全面低于BP模型。不僅如此，在SSA-BP模型的預(yù)報(bào)下，相對誤差低于10%的樣本數(shù)目增加71.4%。綜上，通過預(yù)報(bào)模型進(jìn)行預(yù)報(bào)只需2 min左右就會(huì)給出預(yù)報(bào)結(jié)果，且誤差減小也反映出SSA算法解決了BP模型自身易陷入局部極小而影響預(yù)報(bào)精度的問題。

圖6 各測試樣本預(yù)測相對誤差對比圖

表9 測試集樣本預(yù)測值以及誤差對照表

2.4 檢驗(yàn)集結(jié)果分析

對任意工況進(jìn)行系纜力預(yù)報(bào)模型的分析，以代表實(shí)際工況下的預(yù)報(bào)效果，對比了檢驗(yàn)集BP模型和SSA-BP模型的計(jì)算結(jié)果。從圖8中可以得知，SSA-BP模型預(yù)報(bào)系纜力更貼近系纜力真實(shí)值，仿真測試曲線與真實(shí)值曲線擬合程度也比較高。

對于系纜力預(yù)報(bào)的模型整體分析情況可通過表10進(jìn)行定量分析。首先，SSA-BP模型的MAPE為6.87%，根據(jù)表2的評估標(biāo)準(zhǔn)，其模型評價(jià)為好，而BP的評價(jià)為良好；SSA-BP模型的MAE也小于BP模型，表示其誤差也更小，說明SSA-BP模型預(yù)報(bào)的更精密；比較RMSE可以得知，SSA-BP模型預(yù)報(bào)系纜力的離散程度更小，受異常值影響程度也更小。

表10 模型整體評估指標(biāo)對比表

圖7 系纜力真實(shí)值與各模型預(yù)測值對比圖

綜合來看，MAPE、MAE和RMSE這三項(xiàng)指標(biāo)表現(xiàn)最好的模型均指向SSA-BP模型。且與測試集相比，MAPE相差不大，意味著對于該深遠(yuǎn)海養(yǎng)殖平臺而言，不用局限于樣本已有工況，對于模型范圍內(nèi)的任意工況均適用。

對比各工況下的系纜力值預(yù)測，從圖8以及表11可知，SSA-BP模型預(yù)報(bào)系纜力的相對誤差值全面低于BP模型。其中，5號工況系纜力預(yù)報(bào)值相對誤差由BP模型的34.56%經(jīng)SSA算法優(yōu)化后下降到1.33%。

表11 檢驗(yàn)集樣本預(yù)測值以及誤差對照表

圖8 各測試樣本預(yù)測相對誤差對比圖

綜上均可以看出，將BP模型的權(quán)值和閾值經(jīng)過SSA算法優(yōu)化后，誤差大幅度降低，解決了其自身陷入局部極小而影響預(yù)報(bào)精度。整個(gè)過程獲取結(jié)果相較數(shù)模較快，只需2 min左右便可快速獲得較為精確的結(jié)果。

3 總結(jié)

深遠(yuǎn)海養(yǎng)殖平臺的系纜力預(yù)報(bào)模型整體評價(jià)為好，相較于傳統(tǒng)數(shù)模計(jì)算速度快，對樣本范圍內(nèi)任意工況均適用，能夠?qū)ι钸h(yuǎn)海養(yǎng)殖平臺的系纜力預(yù)報(bào)有較好的實(shí)用性和準(zhǔn)確性。通過使用SSA-BP模型，解決BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的優(yōu)化，提高模型精準(zhǔn)度。后續(xù)可以通過增加樣本、改變權(quán)函數(shù)以及算法等來更加精確地進(jìn)行預(yù)報(bào)，也可以研究更多荷載作用下深遠(yuǎn)海養(yǎng)殖平臺的運(yùn)動(dòng)響應(yīng)和結(jié)構(gòu)強(qiáng)度、纜繩疲勞等實(shí)時(shí)預(yù)報(bào)等內(nèi)容，為將來針對深遠(yuǎn)海養(yǎng)殖平臺的預(yù)報(bào)與監(jiān)測等研究和應(yīng)用提供了新的思路和途徑。

□