專利名稱：一種智能的活魚養(yǎng)殖水質(zhì)綜合預測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及水產(chǎn)養(yǎng)殖領(lǐng)域，具體涉及一種智能的活魚養(yǎng)殖水質(zhì)綜合預測方法。
背景技術(shù)：
水質(zhì)預測是水環(huán)境規(guī)劃、評價和管理工作的基礎(chǔ)；水質(zhì)預測方法有水質(zhì)數(shù)學模擬預測、多元回歸模式、灰色預測模型法和神經(jīng)網(wǎng)絡(luò)模型預測等；但由于受水文、水質(zhì)監(jiān)測條件的限制，國內(nèi)大部分河流還未建立相應的水質(zhì)模型，或者成果較為零散，表現(xiàn)形式較為單一，在池塘養(yǎng)殖水質(zhì)模型方面，我國對這方面的研究更是稀少，加上在池塘養(yǎng)殖之中，對池塘水質(zhì)造成影響的因素不僅包括了魚類本身的體質(zhì)，也包括了如季節(jié)，地理位置，周圍環(huán)境等諸多因素的影響，這就給水質(zhì)預測方法的運用帶來了很大的困難；近幾年國內(nèi)外在水環(huán)境保護和水污染控制中，對水質(zhì)模型的研究和應用取得了很大發(fā)展，神經(jīng)網(wǎng)絡(luò)方法在水質(zhì)預測與評價方面的應用研究已取得進展；盡管我國在水質(zhì)預測研究起步較晚，但近年來也取得了一些成果；目前國內(nèi)水質(zhì)信息系統(tǒng)研究都集中在河流水質(zhì)上，較少涉足水產(chǎn)養(yǎng)殖水質(zhì)，主要原因是受我國對水產(chǎn)養(yǎng)殖的觀念以及技術(shù)水平的影響，水產(chǎn)養(yǎng)殖一直處于小型，零星還有機械化的階段，所以造成了多年形成的連續(xù)數(shù)據(jù)較少，也很少有學者針對這方面做出進一步研究；其次，對池塘水質(zhì)研究缺乏系統(tǒng)性，在池塘水質(zhì)的評價及方法上，只有“漁業(yè)水質(zhì)標準”和“精養(yǎng)池塘水體營養(yǎng)等級的測定方法”可以參考；在預測上也只有針對單因子的預測，很少考慮多種因素的綜合作用，池塘水質(zhì)預測預警研究尚在開拓階段。隨著近幾年我國對水產(chǎn)品養(yǎng)殖重視度加大之后，國內(nèi)很多學者針對這個問題做出了很多研究；文獻I (養(yǎng)殖水體水質(zhì)的神經(jīng)網(wǎng)絡(luò)預測模型研究，漁業(yè)現(xiàn)代化，Vol.36N0.6，June 2009)在分析傳統(tǒng)水質(zhì)預測模型的基礎(chǔ)上，構(gòu)建神經(jīng)網(wǎng)絡(luò)水質(zhì)預測模型；運用改進的BP算法對在線監(jiān)測的水質(zhì)指標進行分析、分類和預測，確定水質(zhì)指標與其影響因子間的非線性關(guān)系，然而于文獻I中，神經(jīng)網(wǎng)絡(luò)的構(gòu)建沒能體現(xiàn)出不同時間段水質(zhì)之間存在著間接關(guān)系這個問題，其采用的訓練樣本中的輸入項和目標輸出項都使用了同一時間段的數(shù)據(jù)，例如以這一時間段的一個或幾個水質(zhì)因子作為輸入項，以同一時間段的一個或幾個水質(zhì)因子作為目標輸出項，訓練好樣本后，但得到測試輸入項時，使用訓練好的網(wǎng)絡(luò)預測測試將得到的目標輸出項；在現(xiàn)實工業(yè)養(yǎng)殖生產(chǎn)之中，水質(zhì)環(huán)境的變化也是動態(tài)，其動態(tài)不僅變現(xiàn)在自然變化上，如季節(jié)性溫度，濕度的影響，同時也包括了人為的控制環(huán)境過程與活魚生存過程中生理的變化造成對水質(zhì)生態(tài)環(huán)境不穩(wěn)定的影響，所有的這些變化都可能是動態(tài)產(chǎn)生的，所以我們不能單單使用上述的方法進行預測，應該兼顧到整體的池塘水質(zhì)變化上。文獻2(基于BP網(wǎng)絡(luò)養(yǎng)殖水體氨氮預測模型及實現(xiàn)，農(nóng)機化研究，第7期，July2008)在分析水產(chǎn)養(yǎng)殖水質(zhì)影響因素的基礎(chǔ)上，發(fā)現(xiàn)水體中氨氮的含量不僅與養(yǎng)殖水體的pH值和溫度有密切的關(guān)系,還與水體中氧氣的來源與消耗、氧氣的溶解與溢出速率有關(guān)，利用BP神經(jīng)網(wǎng)絡(luò)良好的非線性映射特性，建立BP網(wǎng)絡(luò)預測模型以對未來池塘養(yǎng)殖中氨氮的量進行預測；文獻2的弊端在于只是簡單地闡述氨氮與其他水質(zhì)因子之間影響關(guān)系，并沒有對其之間進行進一步的分析，已得到更深一層隱藏的關(guān)系，同時其也有文獻I中出現(xiàn)的弊端，就是沒能體現(xiàn)水質(zhì)變化之間的動態(tài)性。文獻3 (基于神經(jīng)網(wǎng)絡(luò)的水質(zhì)評價與預測的探索，杜偉，學位論文，June2007)分別從BP神經(jīng)網(wǎng)絡(luò)和RBF(徑向基)神經(jīng)網(wǎng)絡(luò)出發(fā)，分析了兩者之間的關(guān)系，通過實例去探討兩種神經(jīng)網(wǎng)絡(luò)的有點和弊端，其結(jié)論為徑向基神經(jīng)網(wǎng)絡(luò)是一種局部逼近網(wǎng)絡(luò)，即對于輸入空間的某一個局部區(qū)域只存在少數(shù)的神經(jīng)元用于決定網(wǎng)絡(luò)的輸出；BP網(wǎng)絡(luò)則是典型的全局逼近網(wǎng)絡(luò)，即對每一個輸入/輸出數(shù)據(jù)對，網(wǎng)絡(luò)的所有參數(shù)都需要調(diào)整；由于二者的構(gòu)造本質(zhì)不同，徑向基神經(jīng)網(wǎng)絡(luò)相比在函數(shù)逼近能力、分類能力和學習速度等方面均優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，所以將它應用于池塘水質(zhì)預測會使用BP神經(jīng)網(wǎng)絡(luò)預測得到更好的效果。

發(fā)明內(nèi)容
基于文獻3提供的徑向基神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，為了能夠克服文獻1，2中不能體現(xiàn)池塘水質(zhì)動態(tài)變化的特點和文獻2中不能系統(tǒng)和更深一層挖掘各項水質(zhì)因子影響關(guān)系的特點，本發(fā)明提出了一種全面，動態(tài)，智能的池塘水質(zhì)預測模型，采用遞推滾動預測的方法體現(xiàn)池塘水質(zhì)之中不同時間段的水質(zhì)動態(tài)影響，同時針對整體的池塘水質(zhì)因子和單獨的關(guān)鍵水質(zhì)因子分別使用遞推滾動式預測，在進行單獨關(guān)鍵因子預測的過程中，為了能夠更好的挖掘關(guān)鍵因子和其他因子之間的潛在關(guān)系和反饋機理，采用了系統(tǒng)動力學模型，系統(tǒng)性地分析了其之間的關(guān)系，從而更好地進行神經(jīng)網(wǎng)絡(luò)預測，同時針對整體和單獨關(guān)鍵因子預測得到的兩組水質(zhì)因子的值，進行調(diào)整以更好的縮小其與現(xiàn)實值的誤差。本發(fā)明的目的是這樣實現(xiàn)的:1、采用遞推滾動性理論進行池塘水質(zhì)綜合性預測，滾動預測方法又稱連續(xù)預算或永續(xù)預算；這個理論源于經(jīng)濟學中的成本和年度預算，是指在編制預算時，將預算期與會計年度脫離開，隨著預算的執(zhí)行不斷延伸補充預算，逐期向后滾動，使預算期始終保持為一個固定期間的一種預算編制方法；預測則以反映池塘水質(zhì)的最真實信息為存在準則，它最大的特點就是其性態(tài)性，它是隨時可變的，外界環(huán)境變了，預測立即就會跟著變，它是從動態(tài)預測中把握池塘水質(zhì)的未 來變化趨勢；如圖1所示，從要預測的時間段開始，遞推往前面的時間段取的i個訓練樣本，每個訓練樣本包括了 k+n個時間段的信息，其中k個時間段的信息為輸入信息，η個時間段的信息作為目標輸出；這樣通過i組訓練樣本去訓練網(wǎng)絡(luò)，通過訓練好的網(wǎng)絡(luò)，把要預測的前k個時間作為測試的輸入信息，這樣就能得到η個所要預測的目標輸出。2、根據(jù)實現(xiàn)步驟I中提出遞推滾動式神經(jīng)網(wǎng)絡(luò)預測的方法，對池塘水質(zhì)進行綜合性預測；在綜合預測過程中，待預測的主要水質(zhì)因子之中包括溫度、酸堿度、溶解氧、氨氮、亞硫酸鹽氮和硫化物等六種因子；如圖1所示，當選取k+n個時間段作為一個樣本的時候，神經(jīng)網(wǎng)絡(luò)的輸入值變成了 k*6項水質(zhì)因子作為神經(jīng)網(wǎng)絡(luò)的輸入項，n*6項水質(zhì)因子作為神經(jīng)網(wǎng)絡(luò)的輸出項；如圖2所示，通過此神經(jīng)網(wǎng)絡(luò)模型來訓練樣本，從而得到訓練好的的池塘神經(jīng)網(wǎng)絡(luò)，以用來預測將來η個時間段的綜合整體水質(zhì)。3、根據(jù)系統(tǒng)動力學模型分析了幾個關(guān)鍵池塘水質(zhì)因子，分別是溶解氧，氨氮和亞硝酸鹽氮的系統(tǒng)動力學模型，以找到關(guān)鍵水質(zhì)因子和其他水質(zhì)因子潛在的關(guān)系和其之間的反饋機理；系統(tǒng)動力學模型(System Dynamic)是社會、經(jīng)濟、規(guī)劃、軍事等許多領(lǐng)域進行戰(zhàn)略研究的重要工具，其實一種分析研究復雜反饋大系統(tǒng)的仿真方法；通過使用系統(tǒng)動力學模型，我們能夠更好地發(fā)現(xiàn)池塘水質(zhì)之中各項水質(zhì)因子間的反饋機理，對其變化規(guī)律進行分析，掌握其對整個池塘養(yǎng)殖中的作用，以及各項因子之間的關(guān)聯(lián)和相互影響關(guān)系，進而得到其之間的正負反饋關(guān)系；針對這些反饋關(guān)系，我們可以找到各項關(guān)鍵因子各自與其相關(guān)聯(lián)的因子，從而更好地進行神經(jīng)網(wǎng)絡(luò)預測。4、根據(jù)實現(xiàn)步驟3中的系統(tǒng)動力學模型，分析了關(guān)鍵因子溶解氧的系統(tǒng)動力學模型，如圖3所示，空氣中的分子態(tài)氧溶解在水中稱為溶解氧，水中的溶解氧的含量與空氣中氧的分壓、水的溫度都有密切關(guān)系；在自然情況下，空氣中的含氧量變動不大，故水溫是主要的因素，水溫愈低，水中溶解氧的含量愈高，溶解于水中的分子態(tài)氧稱為溶解氧，通常記作D0，用每升水里氧氣的毫克數(shù)表示；水中溶解氧的多少是衡量水體自凈能力的一個指標,在池塘養(yǎng)殖水中，池塘產(chǎn)氧速率和耗氧速率的相對關(guān)系，直接影響著池塘水質(zhì)當中溶解氧的量，從而也影響了池塘水質(zhì)養(yǎng)殖魚的成活率與收成；溶解氧跟空氣里氧的分壓、大氣壓、水溫和水質(zhì)有密切的關(guān)系，當水中的溶解氧值降到5mg/L時，一些魚類的呼吸就發(fā)生困難；水里的溶解氧由于空氣里氧氣的溶入及綠色水生植物的光合作用會不斷得到補充；所以水溫，浮游植物的光合作用會直接影響了產(chǎn)氧的速率；但當水體受到有機物污染，耗氧嚴重，水生生物呼吸消耗過多的氧氣時，溶解氧得不到及時的補充，水體中的厭氧菌就會很快繁殖，有機物因腐敗而使水體變黑、發(fā)臭，這時候會給池塘養(yǎng)殖水質(zhì)帶來嚴重的影響；所以從溶解氧的動力學模型當中，可以發(fā)現(xiàn)與關(guān)鍵因子有著潛在關(guān)系的其實水質(zhì)因子是水溫，浮游生物和水生生物的數(shù)量，而浮游生物和水生生物的數(shù)量又與當前溶解氧值的多少有著微妙的關(guān)系；所以為了更好的預測下一時間段溶解氧值，同樣采取了遞推滾動式預測方法，在關(guān)鍵因子溶解氧神經(jīng)網(wǎng)絡(luò)預測中，待預測的主要水質(zhì)因子只有溶解氧一項因子；神經(jīng)網(wǎng)絡(luò)的輸入值為2項，分別是前段時間的溶解氧值和水溫值，輸出值為I項，為后段時間的溶解氧值；如圖4所示，通過此神經(jīng)網(wǎng)絡(luò)模型來訓練樣本，從而得到訓練好的的池塘神經(jīng)網(wǎng)絡(luò)，以用來預測將來關(guān)鍵因子溶解氧的值。5、根據(jù)實現(xiàn)步驟3中的系統(tǒng)動力學模型，分析了關(guān)鍵因子氨氮的系統(tǒng)動力學模型，如圖5所示，氨氮是指水中以游離氨(NH3)和銨離子(NH4+)形式存在的氮；一切浮游植物必需的一種大量營養(yǎng)兀素，也是養(yǎng)殖水體內(nèi)較常見的一種限制初級生產(chǎn)力的營養(yǎng)兀素，對生產(chǎn)影響極大；池水中有效氮的來源主要有魚類和水生生物的代謝產(chǎn)物、含氮有機物的分解作用、水源、雨水等補給、生物固氮；池水中氮的消耗主要有生物吸收、生物脫氮作用、吸附轉(zhuǎn)移；在池水中，氮主要以無機氮和有機氮的形式存在；大氣中氮的含量占79%，雖然貯量相當豐富，但不能被池水中浮游植物直接利用；氮或含氮化合物只能通過氨化作用和硝化作用轉(zhuǎn)化成含氮無機鹽氮的形式，才能被植物吸收和利用；池水中，硝化作用要受溶解氧、PH等因子的影響；當溶解氧小于5到6mg時，溶解氧越高，硝化速度越快；當溶解氧過小時，硝化作用受阻；適宜的硝化作用要求酸堿度值范圍是弱堿性，酸堿度值處于過高或過低時，池塘養(yǎng)殖水中的NH4+、No2-分別會轉(zhuǎn)化為NH3、HN0形式存在，這是對有關(guān)微生物有抑制作用，使硝化速度急劇下降；水溫在5°C到30°C范圍內(nèi)，溫度越高，硝化作用越快；所以硝化作用和反硝化中極大影響了池塘養(yǎng)殖水質(zhì)中氨氮的增加速率和減少速率，同時也影響著著兩種速率的平衡關(guān)系，給池塘養(yǎng)殖水質(zhì)造成了極大影響；由此可以得出池塘養(yǎng)殖水質(zhì)中關(guān)鍵水質(zhì)因子氨氮的值與酸堿度，溶解氧和亞硝酸鹽氮的值有關(guān)，并且將來的池塘水質(zhì)中氨氮的值也與當前氨氮的值相關(guān)；所以為了更好的預測下一時間段溶解氧值，同樣采取了遞推滾動式預測方法，在關(guān)鍵因子氨氮神經(jīng)網(wǎng)絡(luò)預測中，待預測的主要水質(zhì)因子只有氨氮一項因子；神經(jīng)網(wǎng)絡(luò)的輸入值為4項，分別是前段時間的水溫，溶解氧，氨氮和亞硝酸氨氮值，輸出值為I項，為后段時間的氨氮值；如圖6所示，通過此神經(jīng)網(wǎng)絡(luò)模型來訓練樣本，從而得到訓練好的的池塘神經(jīng)網(wǎng)絡(luò)，以用來預測將來關(guān)鍵因子氨氮的值。6、根據(jù)實現(xiàn)步驟3中的系統(tǒng)動力學模型，分析了關(guān)鍵因子氨氮的系統(tǒng)動力學模型，如圖7所示，硝酸鹽氮是水體中含氮有機物進一步氧化，在變成硝酸鹽過程中的中間產(chǎn)物；水中存在亞硝酸鹽時表明有機物的分解過程還在繼續(xù)進行，池塘中有機物的分解過程中會消耗池塘水質(zhì)中溶解氧的量，分解過程中也會產(chǎn)生一些中間產(chǎn)物，對水質(zhì)中的酸堿度和氨氮的值造成影響，同時如果亞硝酸鹽的含量過高，即說明水中有機物的無機化過程進行的相當強烈，表示污染的危險性仍然存在；引起水中亞硝酸鹽氮含量增加的因素有多種，如硝酸鹽還原，以及夏季雷電作用下促使空氣中氧和氮化合成氮氧合物，遇雨后部分成為亞硝酸鹽等；這些亞硝酸鹽的出現(xiàn)與污染無關(guān)，因此在運用這一指標時必須弄清來源，才能作出正確的評價；由此可以得出池塘養(yǎng)殖水質(zhì)中關(guān)鍵水質(zhì)因子亞硝酸鹽氮的值與酸堿度，溶解氧和亞硝酸鹽氮的值有關(guān)，并且將來的池塘水質(zhì)中亞硝酸鹽氮的值也與當前亞硝酸鹽氮的值相關(guān)；所以為了更好的預測下一時間段溶解氧值，同樣采取了遞推滾動式預測方法，在關(guān)鍵因子亞硝酸鹽氮神經(jīng)網(wǎng)絡(luò)預測中，待預測的主要水質(zhì)因子只有亞硝酸鹽氮一項因子；神經(jīng)網(wǎng)絡(luò)的輸入值為4項，分別是前段時間的水溫，溶解氧，氨氮和亞硝酸氨氮值，輸出值為I項，為后段時間的亞硝酸鹽氮值；如圖8所示，通過此神經(jīng)網(wǎng)絡(luò)模型來訓練樣本，從而得到訓練好的的池塘神經(jīng)網(wǎng)絡(luò)，以用來預測將來關(guān)鍵因子亞硝酸鹽氮的值。7、根據(jù)池塘養(yǎng)殖水質(zhì)神經(jīng)網(wǎng)絡(luò)綜合預測與關(guān)鍵水質(zhì)因子預測，得到將來某一時間段上的水質(zhì)因子的值，并通過得到的關(guān)鍵水質(zhì)因子和綜合預測得到的水質(zhì)因子的值做進一步分析，以最終協(xié)調(diào)得到的水質(zhì)因子的值作為最終預測的值，這樣能夠更加全面，準確地預測到將來水質(zhì)的好與壞，給池塘養(yǎng)殖帶來了方便，大大減低了池塘養(yǎng)殖的成本與風險，給池塘養(yǎng)殖帶來了利益。


圖1為遞推滾動式 原理圖，圖中k表示選取前k時間段作為輸入，η表示選取后η段時間作為目標輸出，i為樣本的格式，以此遞推構(gòu)造神經(jīng)網(wǎng)絡(luò)樣本圖2為池塘水質(zhì)綜合預測神經(jīng)網(wǎng)絡(luò)模型3為池塘水質(zhì)關(guān)鍵因子溶解氧的系統(tǒng)動力學模型4為池塘水質(zhì)關(guān)鍵因子溶解氧的預測神經(jīng)網(wǎng)絡(luò)模型5為池塘水質(zhì)關(guān)鍵因子氨氮的系統(tǒng)動力學模型6為池塘水質(zhì)關(guān)鍵因子氨氮的預測神經(jīng)網(wǎng)絡(luò)模型7為池塘水質(zhì)關(guān)鍵因子亞硝酸鹽氮的系統(tǒng)動力學模型8為池塘水質(zhì)關(guān)鍵因子亞硝酸鹽氮的預測神經(jīng)網(wǎng)絡(luò)模型9為自動化活魚水質(zhì)監(jiān)測系統(tǒng)圖
具體實施例方式本發(fā)明提供了一種自動化活魚水質(zhì)監(jiān)測方法，其基本基本思想是:通過池塘水質(zhì)預測模型預測將來某個時間段池塘水質(zhì)的質(zhì)量，以作為池塘養(yǎng)殖的參考，更加全面，準確地預測到將來水質(zhì)的好與壞，給池塘養(yǎng)殖帶來了方便，大大減低了池塘養(yǎng)殖的成本與風險，給池塘養(yǎng)殖帶來了利益。具體步驟如如圖9所示:1.通過把水質(zhì)檢測儀置于養(yǎng)殖池塘之中，用來獲得水質(zhì)中六項水質(zhì)因子的值，分別是水溫，酸堿度，溶解氧，氨氮，亞硝酸鹽氮和硫化物。2.通過無線傳輸協(xié)議，諸如3G，WIFI進行數(shù)據(jù)傳輸，把數(shù)據(jù)傳輸?shù)椒掌魃系臄?shù)據(jù)庫。3.啟動在服務器上的智能活魚水質(zhì)測控系統(tǒng)實時地處理放在數(shù)據(jù)庫中的池塘水
質(zhì)信息。4.智能活魚水質(zhì)測控系統(tǒng)采用遞推滾動式神經(jīng)網(wǎng)絡(luò)預測的方法，對池塘水質(zhì)進行綜合性預測；在綜合預 測過程中，待預測的主要水質(zhì)因子之中包括溫度、酸堿度、溶解氧、氨氮、亞硫酸鹽氮和硫化物等六種因子；如圖1所示，當選取k+n個時間段作為一個樣本的時候，神經(jīng)網(wǎng)絡(luò)的輸入值變成了 k*6項水質(zhì)因子作為神經(jīng)網(wǎng)絡(luò)的輸入項，n*6項水質(zhì)因子作為神經(jīng)網(wǎng)絡(luò)的輸出項；如圖2所示，通過此神經(jīng)網(wǎng)絡(luò)模型來訓練樣本，從而得到訓練好的的池塘神經(jīng)網(wǎng)絡(luò)，以用來預測將來η個時間段的綜合整體水質(zhì)；這樣通過池塘水質(zhì)的綜合預測模型可以得到將來η段時間的池塘六項水質(zhì)因子的值。5.智能活魚水質(zhì)測控系統(tǒng)采用遞推滾動式神經(jīng)網(wǎng)絡(luò)預測的方法，對池塘水質(zhì)進行關(guān)鍵性水質(zhì)因子預測；在對關(guān)鍵因子溶解氧的預測過程中，待預測的主要水質(zhì)因子只有溶解氧一項因子；神經(jīng)網(wǎng)絡(luò)的輸入值為2項，分別是前段時間的溶解氧值和水溫值，輸出值為I項，為后段時間的溶解氧值；如圖4所示，通過此神經(jīng)網(wǎng)絡(luò)模型來訓練樣本，從而得到訓練好的的池塘神經(jīng)網(wǎng)絡(luò)，以用來預測將來關(guān)鍵因子溶解氧的值；這樣通過池塘關(guān)鍵水質(zhì)因子溶解氧預測模型可以得到將來一段時間的池塘水質(zhì)中溶解氧因子的值。6.智能活魚水質(zhì)測控系統(tǒng)采用遞推滾動式神經(jīng)網(wǎng)絡(luò)預測的方法，對池塘水質(zhì)進行關(guān)鍵性水質(zhì)因子預測；在對關(guān)鍵水質(zhì)因子氨氮的預測過程中，待預測的主要水質(zhì)因子只有氨氮一項因子；神經(jīng)網(wǎng)絡(luò)的輸入值為4項，分別是前段時間的水溫，溶解氧，氨氮和亞硝酸氨氮值，輸出值為I項，為后段時間的氨氮值；如圖6所示，通過此神經(jīng)網(wǎng)絡(luò)模型來訓練樣本，從而得到訓練好的的池塘神經(jīng)網(wǎng)絡(luò)，以用來預測將來關(guān)鍵因子氨氮的值；這樣通過池塘關(guān)鍵水質(zhì)因子氨氮預測模型可以得到將來一段時間的池塘水質(zhì)中氨氮因子的值。7.智能活魚水質(zhì)測控系統(tǒng)采用遞推滾動式神經(jīng)網(wǎng)絡(luò)預測的方法，對池塘水質(zhì)進行關(guān)鍵性水質(zhì)因子預測；在對關(guān)鍵水質(zhì)因子亞硝酸鹽氮的預測過程中，待預測的主要水質(zhì)因子只有亞硝酸鹽氮一項因子；神經(jīng)網(wǎng)絡(luò)的輸入值為4項，分別是前段時間的水溫，溶解氧，氨氮和亞硝酸氨氮值，輸出值為I項，為后段時間的亞硝酸鹽氮值；如圖6所示，通過此神經(jīng)網(wǎng)絡(luò)模型來訓練樣本，從而得到訓練好的的池塘神經(jīng)網(wǎng)絡(luò)，以用來預測將來關(guān)鍵因子亞硝酸鹽氮的值；這樣通過池塘關(guān)鍵水質(zhì)因子亞硝酸鹽氮的預測模型可以得到將來一段時間的池塘水質(zhì)中亞硝酸鹽氮因子的值。8.針對同一預測時間點下，由綜合水質(zhì)預測得到的值和關(guān)鍵水質(zhì)因子預測得到的值相對比，進行誤差調(diào)整，取其之間的平均值，由此得到最終各項水質(zhì)因子的預測值。9.通過智能活魚水質(zhì)測控系統(tǒng)分析處理后，把得到的池塘水質(zhì)綜合預測值和三項關(guān)鍵水質(zhì)因子預測值顯示在池塘養(yǎng)殖工作者的客戶機屏幕上，以供池塘養(yǎng)殖工作者對池塘水質(zhì)環(huán)境進一步操作提供參考價值。
權(quán)利要求
1.一種智能的活魚養(yǎng)殖水質(zhì)綜合預測方法，其特征在于: A、采用了徑向基神經(jīng)網(wǎng)絡(luò)作為預測方法的基礎(chǔ)； B、通過遞推滾動式預測的方法作為預測方法的策略； C、通過推滾動式徑向基神經(jīng)網(wǎng)絡(luò)對池塘水質(zhì)進行綜合性預測； D、通過分析關(guān)鍵因子的系統(tǒng)動力學模型，采用推滾動式徑向基神經(jīng)網(wǎng)絡(luò)對池塘水質(zhì)進行關(guān)鍵因子預測； E、通過分析調(diào)整綜合性預測得到的關(guān)鍵因子的值和通過關(guān)鍵因子預測得到的關(guān)鍵因子值，從而得到最終的預測值。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于所述步驟C具體包括: Cl、在綜合預測過程中，待預測的主要水質(zhì)因子之中包括溫度、酸堿度、溶解氧、氨氮、亞硫酸鹽氮和硫化物等六種因子；當選取k+n個時間段作為一個樣本的時候，神經(jīng)網(wǎng)絡(luò)的輸入值變成了 k*6項水質(zhì)因子作為神經(jīng)網(wǎng)絡(luò)的輸入項，n*6項水質(zhì)因子作為神經(jīng)網(wǎng)絡(luò)的輸出項，由此采用遞推滾動式方法構(gòu)造i組數(shù)據(jù)； C2、通過構(gòu)造好的i組數(shù)據(jù)對徑向基神經(jīng)網(wǎng)絡(luò)進行訓練，輸入項為前k段時間溫度、酸堿度、溶解氧、氨氮、亞硫酸鹽氮和硫化物的值，輸出項為后η段時間的溫度、酸堿度、溶解氧、氨氮、亞硫酸鹽氮和硫化物的值，從而得到訓練好的的池塘神經(jīng)網(wǎng)絡(luò)，以用來預測將來η個時間段的綜合整體水質(zhì)。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于所述步驟D具體包括: D1、對關(guān)鍵因子溶解 氧進行系統(tǒng)動力學分析，發(fā)現(xiàn)與關(guān)鍵因子有著潛在關(guān)系的其實水質(zhì)因子是水溫，浮游生物和水生生物的數(shù)量，而浮游生物和水生生物的數(shù)量又與當前溶解氧值的多少有著微妙的關(guān)系；所以為了更好的預測下一時間段溶解氧值，輸入項為前段時間的溶解氧值和水溫值，目標輸出項為后段時間的溶解氧值； D2、在關(guān)鍵因子溶解氧神經(jīng)網(wǎng)絡(luò)預測中，待預測的主要水質(zhì)因子只有溶解氧一項因子。神經(jīng)網(wǎng)絡(luò)的輸入值為2項，分別是前段時間的溶解氧值和水溫值，輸出值為I項，為后段時間的溶解氧值；采用遞推滾動式方法構(gòu)造i組數(shù)據(jù)，以用來訓練關(guān)鍵因子徑向基神經(jīng)網(wǎng)絡(luò)模型，根據(jù)訓練好的神經(jīng)網(wǎng)絡(luò)，用來預測將來關(guān)鍵因子溶解氧的值； D3、對關(guān)鍵因子氨氮進行系統(tǒng)動力學分析，發(fā)現(xiàn)池塘養(yǎng)殖水質(zhì)中關(guān)鍵水質(zhì)因子氨氮的值與酸堿度，溶解氧和亞硝酸鹽氮的值有關(guān)，并且將來的池塘水質(zhì)中氨氮的值也與當前氨氮的值相關(guān)；所以為了更好的預測下一時間段氨氮的值，輸入項為前段時間的水溫，溶解氧，氨氮和亞硝酸氨氮值，目標輸出項為段時間的氨氮值； D4、在關(guān)鍵因子氨氮神經(jīng)網(wǎng)絡(luò)預測中，待預測的主要水質(zhì)因子只有氨氮一項因子。神經(jīng)網(wǎng)絡(luò)的輸入值為4項，分別是前段時間的水溫，溶解氧，氨氮和亞硝酸氨氮值，輸出值為I項，為后段時間的氨氮值；采用遞推滾動式方法構(gòu)造i組數(shù)據(jù)，以用來訓練關(guān)鍵因子徑向基神經(jīng)網(wǎng)絡(luò)模型，根據(jù)訓練好的神經(jīng)網(wǎng)絡(luò)，用來預測將來關(guān)鍵因子氨氮的值； D5、對關(guān)鍵因子亞硝酸鹽氮進行系統(tǒng)動力學分析，發(fā)現(xiàn)池塘養(yǎng)殖水質(zhì)中關(guān)鍵水質(zhì)因子亞硝酸鹽氮的值與酸堿度，溶解氧和亞硝酸鹽氮的值有關(guān)，并且將來的池塘水質(zhì)中亞硝酸鹽氮的值也與當前亞硝酸鹽氮的值相關(guān)；所以為了更好的預測下一時間段亞硝酸鹽氮的值，輸入項為前段時間的水溫，溶解氧，氨氮和亞硝酸氨氮值，目標輸出項為段時間的亞硝酸鹽氮值；D6、在關(guān)鍵因子亞硝酸鹽氮神經(jīng)網(wǎng)絡(luò)預測中，待預測的主要水質(zhì)因子只有亞硝酸鹽氮一項因子。神經(jīng)網(wǎng)絡(luò)的輸入值為4項，分別是前段時間的水溫，溶解氧，氨氮和亞硝酸氨氮值，輸出值為I項，為后段時間的亞硝酸鹽氮值；采用遞推滾動式方法構(gòu)造i組數(shù)據(jù)，以用來訓練關(guān)鍵因子徑向基神經(jīng)網(wǎng)絡(luò)模型，根據(jù)訓練好的神經(jīng)網(wǎng)絡(luò)，用來預測將來關(guān)鍵因子亞硝酸鹽氮的值。
4.根據(jù)權(quán)利要求1所述的方法，其特征在于所述步驟E具體包括:針對同一預測時間點下，由綜合水質(zhì)預測得到的值和關(guān)鍵水質(zhì)因子預測得到的值相對比，進行誤差調(diào)整，取其之間的平均值，由此得到最 終各項水質(zhì)因子的預測值。
全文摘要
本發(fā)明涉及一種智能的活魚養(yǎng)殖水質(zhì)綜合預測方法，其基本思想是采用徑向基神經(jīng)網(wǎng)絡(luò)作為池塘水質(zhì)數(shù)據(jù)預測的基礎(chǔ)，同時為了能夠體現(xiàn)池塘水質(zhì)環(huán)境動態(tài)變化的特點，采用了遞推滾動式預測的方法作為神經(jīng)網(wǎng)絡(luò)預測的策略，針對池塘水質(zhì)的關(guān)鍵因子，如溶解氧，氨氮，亞硝酸鹽氮，通過分析其系統(tǒng)動力學模型，找到關(guān)鍵水質(zhì)因子和其他水質(zhì)因子之間的潛在關(guān)系和反饋機理，從而構(gòu)建不同的關(guān)鍵水質(zhì)因子的神經(jīng)網(wǎng)絡(luò)預測模型。根據(jù)建立的池塘水質(zhì)綜合預測和不同關(guān)鍵水質(zhì)因子的神經(jīng)網(wǎng)絡(luò)預測模型分析計算得到水質(zhì)各項因子的值和各個關(guān)鍵因子的值，通過調(diào)整綜合預測得到的關(guān)鍵因子和關(guān)鍵因子預測得到關(guān)鍵因子兩者之間的值，得到最終的預測值，這樣能夠更加全面，準確地預測到將來水質(zhì)的好與壞，給池塘養(yǎng)殖帶來了方便，大大減低了池塘養(yǎng)殖的成本與風險，給池塘養(yǎng)殖帶來了利益。
文檔編號G06N3/08GK103218669SQ20131008819
公開日2013年7月24日 申請日期2013年3月19日 優(yōu)先權(quán)日2013年3月19日
發(fā)明者常會友, 林海, 馬爭鳴, 路永和, 胡勇軍 申請人:中山大學