5.根據權利要求1所述的漁場飼料投喂方法，其特征在于，所述基于所述漁場的環境數據、所述魚類數據以及所述投喂數據訓練得到目標神經網絡模型包括：

a.選擇數據樣本，所述數據樣本包括所述環境數據、所述魚類數據以及所述投喂數據；

b.確定所述神經網絡拓撲結構，所述神經網絡包括輸入層、隱含層及輸出層；

c.建立數據模型，所述環境數據及所述魚類數據為輸入數據，所述投喂數據為輸出數據，根據公式：確定隱含層節點數目，其中，n為隱含層節點數目，l為輸入層節點數，m為輸出層節點數，a為常數，取值范圍為[1-10]；以及

d.網絡分析：

①初始化，確定所述神經網絡的初始權值w_ij、w_jk和閾值θ_j、γ_k，隨機給各個權值閾值賦予[-1,1]內的隨機值，對輸入輸出向量進行歸一化處理，其公式如下：

式中，x_i、分別為歸一化前后的值，x_max為樣本序列中最大的數，x_min為樣本序列中最小的數；

②利用訓練樣本輸入向量、權值w_ij和閾值θ_j計算隱含層各單位輸出，

式中，b_j為隱含層j單位輸出，f()為隱含層傳遞函數，l為輸入層節點數，xi為輸入層樣本；

③利用隱含層單位輸出b_j、權值w_jk和閾值γ_k，通過傳遞函數計算輸出層各單位響應，

式中，y_k為隱含層k單位輸出，f()為隱含層傳遞函數，n為輸入層節點數；

④利用網絡目標向量，網絡實際輸出，計算各輸出層各單位一般化誤差，

d_k＝(Y_k-y_k)y_k(1-y_k)

式中，Y_k為網絡目標向量元素；

⑤計算隱含層各單元一般化誤差，

⑥利用計算出的輸出層各單元一般化誤差、隱含層各單元輸出、隱含層一般化誤差以及輸入層各單元輸入，分別對網絡各層權值閾值進行更新修正，

w_jk(N+1)＝w_jk(N)+α·d_k·b_j

γ_k(N+1)＝γ_k(N)+α·d_k

w_ij(N+1)＝w_ij(N)+β·e_j·x_i

θ_j(N+1)＝θ_j(N)+β·e_j

式中，α、β為學習速率，取值范圍為[0，1]，N為神經網絡的迭代次數；

⑦隨機選取下一組訓練樣本重復步驟②至⑥，直至達到網絡所需精度或者達到最大迭代次數，網絡訓練過程結束；

⑧將測試樣本數據中的測試輸入向量輸入訓練好的神經網絡進行輸出測試，將測試的結果與實際輸出進行對比，檢測網絡分析的精度。