專利名稱：一種智能的活魚養(yǎng)殖水質(zhì)綜合預(yù)測(cè)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(yù)測(cè)方法。
背景技術(shù)：
水質(zhì)預(yù)測(cè)是水環(huán)境規(guī)劃、評(píng)價(jià)和管理工作的基礎(chǔ)；水質(zhì)預(yù)測(cè)方法有水質(zhì)數(shù)學(xué)模擬預(yù)測(cè)、多元回歸模式、灰色預(yù)測(cè)模型法和神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)等；但由于受水文、水質(zhì)監(jiān)測(cè)條件的限制，國(guó)內(nèi)大部分河流還未建立相應(yīng)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(guó)對(duì)這方面的研究更是稀少，加上在池塘養(yǎng)殖之中，對(duì)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(yù)測(cè)方法的運(yùn)用帶來了很大的困難；近幾年國(guó)內(nèi)外在水環(huán)境保護(hù)和水污染控制中，對(duì)水質(zhì)模型的研究和應(yīng)用取得了很大發(fā)展，神經(jīng)網(wǎng)絡(luò)方法在水質(zhì)預(yù)測(cè)與評(píng)價(jià)方面的應(yīng)用研究已取得進(jìn)展；盡管我國(guó)在水質(zhì)預(yù)測(cè)研究起步較晚，但近年來也取得了一些成果；目前國(guó)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(guó)對(duì)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(jī)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(xué)者針對(duì)這方面做出進(jìn)一步研究；其次，對(duì)池塘水質(zhì)研究缺乏系統(tǒng)性，在池塘水質(zhì)的評(píng)價(jià)及方法上，只有“漁業(yè)水質(zhì)標(biāo)準(zhǔn)”和“精養(yǎng)池塘水體營(yíng)養(yǎng)等級(jí)的測(cè)定方法”可以參考；在預(yù)測(cè)上也只有針對(duì)單因子的預(yù)測(cè)，很少考慮多種因素的綜合作用，池塘水質(zhì)預(yù)測(cè)預(yù)警研究尚在開拓階段。隨著近幾年我國(guó)對(duì)水產(chǎn)品養(yǎng)殖重視度加大之后，國(guó)內(nèi)很多學(xué)者針對(duì)這個(gè)問題做出了很多研究；文獻(xiàn)I (養(yǎng)殖水體水質(zhì)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)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(yù)測(cè)模型的基礎(chǔ)上，構(gòu)建神經(jīng)網(wǎng)絡(luò)水質(zhì)預(yù)測(cè)模型；運(yùn)用改進(jìn)的BP算法對(duì)在線監(jiān)測(cè)的水質(zhì)指標(biāo)進(jìn)行分析、分類和預(yù)測(cè)，確定水質(zhì)指標(biāo)與其影響因子間的非線性關(guān)系，然而于文獻(xiàn)I中，神經(jīng)網(wǎng)絡(luò)的構(gòu)建沒能體現(xiàn)出不同時(shí)間段水質(zhì)之間存在著間接關(guān)系這個(gè)問題，其采用的訓(xùn)練樣本中的輸入項(xiàng)和目標(biāo)輸出項(xiàng)都使用了同一時(shí)間段的數(shù)據(jù)，例如以這一時(shí)間段的一個(gè)或幾個(gè)水質(zhì)因子作為輸入項(xiàng)，以同一時(shí)間段的一個(gè)或幾個(gè)水質(zhì)因子作為目標(biāo)輸出項(xiàng)，訓(xùn)練好樣本后，但得到測(cè)試輸入項(xiàng)時(shí)，使用訓(xùn)練好的網(wǎng)絡(luò)預(yù)測(cè)測(cè)試將得到的目標(biāo)輸出項(xiàng)；在現(xiàn)實(shí)工業(yè)養(yǎng)殖生產(chǎn)之中，水質(zhì)環(huán)境的變化也是動(dòng)態(tài)，其動(dòng)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(shí)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(duì)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(dòng)態(tài)產(chǎn)生的，所以我們不能單單使用上述的方法進(jìn)行預(yù)測(cè)，應(yīng)該兼顧到整體的池塘水質(zhì)變化上。文獻(xiàn)2(基于BP網(wǎng)絡(luò)養(yǎng)殖水體氨氮預(yù)測(cè)模型及實(shí)現(xiàn)，農(nóng)機(jī)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(yù)測(cè)模型以對(duì)未來池塘養(yǎng)殖中氨氮的量進(jìn)行預(yù)測(cè)；文獻(xiàn)2的弊端在于只是簡(jiǎn)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(duì)其之間進(jìn)行進(jìn)一步的分析，已得到更深一層隱藏的關(guān)系，同時(shí)其也有文獻(xiàn)I中出現(xiàn)的弊端，就是沒能體現(xiàn)水質(zhì)變化之間的動(dòng)態(tài)性。文獻(xiàn)3 (基于神經(jīng)網(wǎng)絡(luò)的水質(zhì)評(píng)價(jià)與預(yù)測(cè)的探索，杜偉，學(xué)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(shí)例去探討兩種神經(jīng)網(wǎng)絡(luò)的有點(diǎn)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(duì)于輸入空間的某一個(gè)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(duì)每一個(gè)輸入/輸出數(shù)據(jù)對(duì)，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(xué)習(xí)速度等方面均優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，所以將它應(yīng)用于池塘水質(zhì)預(yù)測(cè)會(huì)使用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)得到更好的效果。

發(fā)明內(nèi)容
基于文獻(xiàn)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(xiàn)1，2中不能體現(xiàn)池塘水質(zhì)動(dòng)態(tài)變化的特點(diǎn)和文獻(xiàn)2中不能系統(tǒng)和更深一層挖掘各項(xiàng)水質(zhì)因子影響關(guān)系的特點(diǎn)，本發(fā)明提出了一種全面，動(dòng)態(tài)，智能的池塘水質(zhì)預(yù)測(cè)模型，采用遞推滾動(dòng)預(yù)測(cè)的方法體現(xiàn)池塘水質(zhì)之中不同時(shí)間段的水質(zhì)動(dòng)態(tài)影響，同時(shí)針對(duì)整體的池塘水質(zhì)因子和單獨(dú)的關(guān)鍵水質(zhì)因子分別使用遞推滾動(dòng)式預(yù)測(cè)，在進(jìn)行單獨(dú)關(guān)鍵因子預(yù)測(cè)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(jī)理，采用了系統(tǒng)動(dòng)力學(xué)模型，系統(tǒng)性地分析了其之間的關(guān)系，從而更好地進(jìn)行神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)，同時(shí)針對(duì)整體和單獨(dú)關(guān)鍵因子預(yù)測(cè)得到的兩組水質(zhì)因子的值，進(jìn)行調(diào)整以更好的縮小其與現(xiàn)實(shí)值的誤差。本發(fā)明的目的是這樣實(shí)現(xiàn)的:1、采用遞推滾動(dòng)性理論進(jìn)行池塘水質(zhì)綜合性預(yù)測(cè)，滾動(dòng)預(yù)測(cè)方法又稱連續(xù)預(yù)算或永續(xù)預(yù)算；這個(gè)理論源于經(jīng)濟(jì)學(xué)中的成本和年度預(yù)算，是指在編制預(yù)算時(shí)，將預(yù)算期與會(huì)計(jì)年度脫離開，隨著預(yù)算的執(zhí)行不斷延伸補(bǔ)充預(yù)算，逐期向后滾動(dòng)，使預(yù)算期始終保持為一個(gè)固定期間的一種預(yù)算編制方法；預(yù)測(cè)則以反映池塘水質(zhì)的最真實(shí)信息為存在準(zhǔn)則，它最大的特點(diǎn)就是其性態(tài)性，它是隨時(shí)可變的，外界環(huán)境變了，預(yù)測(cè)立即就會(huì)跟著變，它是從動(dòng)態(tài)預(yù)測(cè)中把握池塘水質(zhì)的未 來變化趨勢(shì)；如圖1所示，從要預(yù)測(cè)的時(shí)間段開始，遞推往前面的時(shí)間段取的i個(gè)訓(xùn)練樣本，每個(gè)訓(xùn)練樣本包括了 k+n個(gè)時(shí)間段的信息，其中k個(gè)時(shí)間段的信息為輸入信息，η個(gè)時(shí)間段的信息作為目標(biāo)輸出；這樣通過i組訓(xùn)練樣本去訓(xùn)練網(wǎng)絡(luò)，通過訓(xùn)練好的網(wǎng)絡(luò)，把要預(yù)測(cè)的前k個(gè)時(shí)間作為測(cè)試的輸入信息，這樣就能得到η個(gè)所要預(yù)測(cè)的目標(biāo)輸出。2、根據(jù)實(shí)現(xiàn)步驟I中提出遞推滾動(dòng)式神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的方法，對(duì)池塘水質(zhì)進(jìn)行綜合性預(yù)測(cè)；在綜合預(yù)測(cè)過程中，待預(yù)測(cè)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(dāng)選取k+n個(gè)時(shí)間段作為一個(gè)樣本的時(shí)候，神經(jīng)網(wǎng)絡(luò)的輸入值變成了 k*6項(xiàng)水質(zhì)因子作為神經(jīng)網(wǎng)絡(luò)的輸入項(xiàng)，n*6項(xiàng)水質(zhì)因子作為神經(jīng)網(wǎng)絡(luò)的輸出項(xiàng)；如圖2所示，通過此神經(jīng)網(wǎng)絡(luò)模型來訓(xùn)練樣本，從而得到訓(xùn)練好的的池塘神經(jīng)網(wǎng)絡(luò)，以用來預(yù)測(cè)將來η個(gè)時(shí)間段的綜合整體水質(zhì)。3、根據(jù)系統(tǒng)動(dòng)力學(xué)模型分析了幾個(gè)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(dòng)力學(xué)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(jī)理；系統(tǒng)動(dòng)力學(xué)模型(System Dynamic)是社會(huì)、經(jīng)濟(jì)、規(guī)劃、軍事等許多領(lǐng)域進(jìn)行戰(zhàn)略研究的重要工具，其實(shí)一種分析研究復(fù)雜反饋大系統(tǒng)的仿真方法；通過使用系統(tǒng)動(dòng)力學(xué)模型，我們能夠更好地發(fā)現(xiàn)池塘水質(zhì)之中各項(xiàng)水質(zhì)因子間的反饋機(jī)理，對(duì)其變化規(guī)律進(jìn)行分析，掌握其對(duì)整個(gè)池塘養(yǎng)殖中的作用，以及各項(xiàng)因子之間的關(guān)聯(lián)和相互影響關(guān)系，進(jìn)而得到其之間的正負(fù)反饋關(guān)系；針對(duì)這些反饋關(guān)系，我們可以找到各項(xiàng)關(guān)鍵因子各自與其相關(guān)聯(lián)的因子，從而更好地進(jìn)行神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)。4、根據(jù)實(shí)現(xiàn)步驟3中的系統(tǒng)動(dòng)力學(xué)模型，分析了關(guān)鍵因子溶解氧的系統(tǒng)動(dòng)力學(xué)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(dòng)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(gè)指標(biāo),在池塘養(yǎng)殖水中，池塘產(chǎn)氧速率和耗氧速率的相對(duì)關(guān)系，直接影響著池塘水質(zhì)當(dāng)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(dāng)水中的溶解氧值降到5mg/L時(shí)，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(huì)不斷得到補(bǔ)充；所以水溫，浮游植物的光合作用會(huì)直接影響了產(chǎn)氧的速率；但當(dāng)水體受到有機(jī)物污染，耗氧嚴(yán)重，水生生物呼吸消耗過多的氧氣時(shí)，溶解氧得不到及時(shí)的補(bǔ)充，水體中的厭氧菌就會(huì)很快繁殖，有機(jī)物因腐敗而使水體變黑、發(fā)臭，這時(shí)候會(huì)給池塘養(yǎng)殖水質(zhì)帶來嚴(yán)重的影響；所以從溶解氧的動(dòng)力學(xué)模型當(dāng)中，可以發(fā)現(xiàn)與關(guān)鍵因子有著潛在關(guān)系的其實(shí)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(dāng)前溶解氧值的多少有著微妙的關(guān)系；所以為了更好的預(yù)測(cè)下一時(shí)間段溶解氧值，同樣采取了遞推滾動(dòng)式預(yù)測(cè)方法，在關(guān)鍵因子溶解氧神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)中，待預(yù)測(cè)的主要水質(zhì)因子只有溶解氧一項(xiàng)因子；神經(jīng)網(wǎng)絡(luò)的輸入值為2項(xiàng)，分別是前段時(shí)間的溶解氧值和水溫值，輸出值為I項(xiàng)，為后段時(shí)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(xùn)練樣本，從而得到訓(xùn)練好的的池塘神經(jīng)網(wǎng)絡(luò)，以用來預(yù)測(cè)將來關(guān)鍵因子溶解氧的值。5、根據(jù)實(shí)現(xiàn)步驟3中的系統(tǒng)動(dòng)力學(xué)模型，分析了關(guān)鍵因子氨氮的系統(tǒng)動(dòng)力學(xué)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(yíng)養(yǎng)兀素，也是養(yǎng)殖水體內(nèi)較常見的一種限制初級(jí)生產(chǎn)力的營(yíng)養(yǎng)兀素，對(duì)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(jī)物的分解作用、水源、雨水等補(bǔ)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(jī)氮和有機(jī)氮的形式存在；大氣中氮的含量占79%，雖然貯量相當(dāng)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(jī)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(dāng)溶解氧小于5到6mg時(shí)，溶解氧越高，硝化速度越快；當(dāng)溶解氧過小時(shí)，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(shí)，池塘養(yǎng)殖水中的NH4+、No2-分別會(huì)轉(zhuǎn)化為NH3、HN0形式存在，這是對(duì)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(shí)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(dāng)前氨氮的值相關(guān)；所以為了更好的預(yù)測(cè)下一時(shí)間段溶解氧值，同樣采取了遞推滾動(dòng)式預(yù)測(cè)方法，在關(guān)鍵因子氨氮神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)中，待預(yù)測(cè)的主要水質(zhì)因子只有氨氮一項(xiàng)因子；神經(jīng)網(wǎng)絡(luò)的輸入值為4項(xiàng)，分別是前段時(shí)間的水溫，溶解氧，氨氮和亞硝酸氨氮值，輸出值為I項(xiàng)，為后段時(shí)間的氨氮值；如圖6所示，通過此神經(jīng)網(wǎng)絡(luò)模型來訓(xùn)練樣本，從而得到訓(xùn)練好的的池塘神經(jīng)網(wǎng)絡(luò)，以用來預(yù)測(cè)將來關(guān)鍵因子氨氮的值。6、根據(jù)實(shí)現(xiàn)步驟3中的系統(tǒng)動(dòng)力學(xué)模型，分析了關(guān)鍵因子氨氮的系統(tǒng)動(dòng)力學(xué)模型，如圖7所示，硝酸鹽氮是水體中含氮有機(jī)物進(jìn)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(shí)表明有機(jī)物的分解過程還在繼續(xù)進(jìn)行，池塘中有機(jī)物的分解過程中會(huì)消耗池塘水質(zhì)中溶解氧的量，分解過程中也會(huì)產(chǎn)生一些中間產(chǎn)物，對(duì)水質(zhì)中的酸堿度和氨氮的值造成影響，同時(shí)如果亞硝酸鹽的含量過高，即說明水中有機(jī)物的無機(jī)化過程進(jìn)行的相當(dāng)強(qiáng)烈，表示污染的危險(xiǎn)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(yùn)用這一指標(biāo)時(shí)必須弄清來源，才能作出正確的評(píng)價(jià)；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(dāng)前亞硝酸鹽氮的值相關(guān)；所以為了更好的預(yù)測(cè)下一時(shí)間段溶解氧值，同樣采取了遞推滾動(dòng)式預(yù)測(cè)方法，在關(guān)鍵因子亞硝酸鹽氮神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)中，待預(yù)測(cè)的主要水質(zhì)因子只有亞硝酸鹽氮一項(xiàng)因子；神經(jīng)網(wǎng)絡(luò)的輸入值為4項(xiàng)，分別是前段時(shí)間的水溫，溶解氧，氨氮和亞硝酸氨氮值，輸出值為I項(xiàng)，為后段時(shí)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(xùn)練樣本，從而得到訓(xùn)練好的的池塘神經(jīng)網(wǎng)絡(luò)，以用來預(yù)測(cè)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(yù)測(cè)與關(guān)鍵水質(zhì)因子預(yù)測(cè)，得到將來某一時(shí)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(yù)測(cè)得到的水質(zhì)因子的值做進(jìn)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(yù)測(cè)的值，這樣能夠更加全面，準(zhǔn)確地預(yù)測(cè)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(fēng)險(xiǎn)，給池塘養(yǎng)殖帶來了利益。


圖1為遞推滾動(dòng)式 原理圖，圖中k表示選取前k時(shí)間段作為輸入，η表示選取后η段時(shí)間作為目標(biāo)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(yù)測(cè)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(dòng)力學(xué)模型4為池塘水質(zhì)關(guān)鍵因子溶解氧的預(yù)測(cè)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(dòng)力學(xué)模型6為池塘水質(zhì)關(guān)鍵因子氨氮的預(yù)測(cè)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(dòng)力學(xué)模型8為池塘水質(zhì)關(guān)鍵因子亞硝酸鹽氮的預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型9為自動(dòng)化活魚水質(zhì)監(jiān)測(cè)系統(tǒng)圖
具體實(shí)施例方式本發(fā)明提供了一種自動(dòng)化活魚水質(zhì)監(jiān)測(cè)方法，其基本基本思想是:通過池塘水質(zhì)預(yù)測(cè)模型預(yù)測(cè)將來某個(gè)時(shí)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(zhǔn)確地預(yù)測(cè)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(fēng)險(xiǎn)，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(cè)儀置于養(yǎng)殖池塘之中，用來獲得水質(zhì)中六項(xiàng)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(jìn)行數(shù)據(jù)傳輸，把數(shù)據(jù)傳輸?shù)椒?wù)器上的數(shù)據(jù)庫(kù)。3.啟動(dòng)在服務(wù)器上的智能活魚水質(zhì)測(cè)控系統(tǒng)實(shí)時(shí)地處理放在數(shù)據(jù)庫(kù)中的池塘水
質(zhì)信息。4.智能活魚水質(zhì)測(cè)控系統(tǒng)采用遞推滾動(dòng)式神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的方法，對(duì)池塘水質(zhì)進(jìn)行綜合性預(yù)測(cè)；在綜合預(yù) 測(cè)過程中，待預(yù)測(cè)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(dāng)選取k+n個(gè)時(shí)間段作為一個(gè)樣本的時(shí)候，神經(jīng)網(wǎng)絡(luò)的輸入值變成了 k*6項(xiàng)水質(zhì)因子作為神經(jīng)網(wǎng)絡(luò)的輸入項(xiàng)，n*6項(xiàng)水質(zhì)因子作為神經(jīng)網(wǎng)絡(luò)的輸出項(xiàng)；如圖2所示，通過此神經(jīng)網(wǎng)絡(luò)模型來訓(xùn)練樣本，從而得到訓(xùn)練好的的池塘神經(jīng)網(wǎng)絡(luò)，以用來預(yù)測(cè)將來η個(gè)時(shí)間段的綜合整體水質(zhì)；這樣通過池塘水質(zhì)的綜合預(yù)測(cè)模型可以得到將來η段時(shí)間的池塘六項(xiàng)水質(zhì)因子的值。5.智能活魚水質(zhì)測(cè)控系統(tǒng)采用遞推滾動(dòng)式神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的方法，對(duì)池塘水質(zhì)進(jìn)行關(guān)鍵性水質(zhì)因子預(yù)測(cè)；在對(duì)關(guān)鍵因子溶解氧的預(yù)測(cè)過程中，待預(yù)測(cè)的主要水質(zhì)因子只有溶解氧一項(xiàng)因子；神經(jīng)網(wǎng)絡(luò)的輸入值為2項(xiàng)，分別是前段時(shí)間的溶解氧值和水溫值，輸出值為I項(xiàng)，為后段時(shí)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(xùn)練樣本，從而得到訓(xùn)練好的的池塘神經(jīng)網(wǎng)絡(luò)，以用來預(yù)測(cè)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(yù)測(cè)模型可以得到將來一段時(shí)間的池塘水質(zhì)中溶解氧因子的值。6.智能活魚水質(zhì)測(cè)控系統(tǒng)采用遞推滾動(dòng)式神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的方法，對(duì)池塘水質(zhì)進(jìn)行關(guān)鍵性水質(zhì)因子預(yù)測(cè)；在對(duì)關(guān)鍵水質(zhì)因子氨氮的預(yù)測(cè)過程中，待預(yù)測(cè)的主要水質(zhì)因子只有氨氮一項(xiàng)因子；神經(jīng)網(wǎng)絡(luò)的輸入值為4項(xiàng)，分別是前段時(shí)間的水溫，溶解氧，氨氮和亞硝酸氨氮值，輸出值為I項(xiàng)，為后段時(shí)間的氨氮值；如圖6所示，通過此神經(jīng)網(wǎng)絡(luò)模型來訓(xùn)練樣本，從而得到訓(xùn)練好的的池塘神經(jīng)網(wǎng)絡(luò)，以用來預(yù)測(cè)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(yù)測(cè)模型可以得到將來一段時(shí)間的池塘水質(zhì)中氨氮因子的值。7.智能活魚水質(zhì)測(cè)控系統(tǒng)采用遞推滾動(dòng)式神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的方法，對(duì)池塘水質(zhì)進(jìn)行關(guān)鍵性水質(zhì)因子預(yù)測(cè)；在對(duì)關(guān)鍵水質(zhì)因子亞硝酸鹽氮的預(yù)測(cè)過程中，待預(yù)測(cè)的主要水質(zhì)因子只有亞硝酸鹽氮一項(xiàng)因子；神經(jīng)網(wǎng)絡(luò)的輸入值為4項(xiàng)，分別是前段時(shí)間的水溫，溶解氧，氨氮和亞硝酸氨氮值，輸出值為I項(xiàng)，為后段時(shí)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(xùn)練樣本，從而得到訓(xùn)練好的的池塘神經(jīng)網(wǎng)絡(luò)，以用來預(yù)測(cè)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(yù)測(cè)模型可以得到將來一段時(shí)間的池塘水質(zhì)中亞硝酸鹽氮因子的值。8.針對(duì)同一預(yù)測(cè)時(shí)間點(diǎn)下，由綜合水質(zhì)預(yù)測(cè)得到的值和關(guān)鍵水質(zhì)因子預(yù)測(cè)得到的值相對(duì)比，進(jìn)行誤差調(diào)整，取其之間的平均值，由此得到最終各項(xiàng)水質(zhì)因子的預(yù)測(cè)值。9.通過智能活魚水質(zhì)測(cè)控系統(tǒng)分析處理后，把得到的池塘水質(zhì)綜合預(yù)測(cè)值和三項(xiàng)關(guān)鍵水質(zhì)因子預(yù)測(cè)值顯示在池塘養(yǎng)殖工作者的客戶機(jī)屏幕上，以供池塘養(yǎng)殖工作者對(duì)池塘水質(zhì)環(huán)境進(jìn)一步操作提供參考價(jià)值。
權(quán)利要求
1.一種智能的活魚養(yǎng)殖水質(zhì)綜合預(yù)測(cè)方法，其特征在于: A、采用了徑向基神經(jīng)網(wǎng)絡(luò)作為預(yù)測(cè)方法的基礎(chǔ)； B、通過遞推滾動(dòng)式預(yù)測(cè)的方法作為預(yù)測(cè)方法的策略； C、通過推滾動(dòng)式徑向基神經(jīng)網(wǎng)絡(luò)對(duì)池塘水質(zhì)進(jìn)行綜合性預(yù)測(cè)； D、通過分析關(guān)鍵因子的系統(tǒng)動(dòng)力學(xué)模型，采用推滾動(dòng)式徑向基神經(jīng)網(wǎng)絡(luò)對(duì)池塘水質(zhì)進(jìn)行關(guān)鍵因子預(yù)測(cè)； E、通過分析調(diào)整綜合性預(yù)測(cè)得到的關(guān)鍵因子的值和通過關(guān)鍵因子預(yù)測(cè)得到的關(guān)鍵因子值，從而得到最終的預(yù)測(cè)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(yù)測(cè)過程中，待預(yù)測(cè)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(dāng)選取k+n個(gè)時(shí)間段作為一個(gè)樣本的時(shí)候，神經(jīng)網(wǎng)絡(luò)的輸入值變成了 k*6項(xiàng)水質(zhì)因子作為神經(jīng)網(wǎng)絡(luò)的輸入項(xiàng)，n*6項(xiàng)水質(zhì)因子作為神經(jīng)網(wǎng)絡(luò)的輸出項(xiàng)，由此采用遞推滾動(dòng)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(duì)徑向基神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，輸入項(xiàng)為前k段時(shí)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(xiàng)為后η段時(shí)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(xùn)練好的的池塘神經(jīng)網(wǎng)絡(luò)，以用來預(yù)測(cè)將來η個(gè)時(shí)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(duì)關(guān)鍵因子溶解 氧進(jìn)行系統(tǒng)動(dòng)力學(xué)分析，發(fā)現(xiàn)與關(guān)鍵因子有著潛在關(guān)系的其實(shí)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(dāng)前溶解氧值的多少有著微妙的關(guān)系；所以為了更好的預(yù)測(cè)下一時(shí)間段溶解氧值，輸入項(xiàng)為前段時(shí)間的溶解氧值和水溫值，目標(biāo)輸出項(xiàng)為后段時(shí)間的溶解氧值； D2、在關(guān)鍵因子溶解氧神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)中，待預(yù)測(cè)的主要水質(zhì)因子只有溶解氧一項(xiàng)因子。神經(jīng)網(wǎng)絡(luò)的輸入值為2項(xiàng)，分別是前段時(shí)間的溶解氧值和水溫值，輸出值為I項(xiàng)，為后段時(shí)間的溶解氧值；采用遞推滾動(dòng)式方法構(gòu)造i組數(shù)據(jù)，以用來訓(xùn)練關(guān)鍵因子徑向基神經(jīng)網(wǎng)絡(luò)模型，根據(jù)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，用來預(yù)測(cè)將來關(guān)鍵因子溶解氧的值； D3、對(duì)關(guān)鍵因子氨氮進(jìn)行系統(tǒng)動(dòng)力學(xué)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(dāng)前氨氮的值相關(guān)；所以為了更好的預(yù)測(cè)下一時(shí)間段氨氮的值，輸入項(xiàng)為前段時(shí)間的水溫，溶解氧，氨氮和亞硝酸氨氮值，目標(biāo)輸出項(xiàng)為段時(shí)間的氨氮值； D4、在關(guān)鍵因子氨氮神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)中，待預(yù)測(cè)的主要水質(zhì)因子只有氨氮一項(xiàng)因子。神經(jīng)網(wǎng)絡(luò)的輸入值為4項(xiàng)，分別是前段時(shí)間的水溫，溶解氧，氨氮和亞硝酸氨氮值，輸出值為I項(xiàng)，為后段時(shí)間的氨氮值；采用遞推滾動(dòng)式方法構(gòu)造i組數(shù)據(jù)，以用來訓(xùn)練關(guān)鍵因子徑向基神經(jīng)網(wǎng)絡(luò)模型，根據(jù)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，用來預(yù)測(cè)將來關(guān)鍵因子氨氮的值； D5、對(duì)關(guān)鍵因子亞硝酸鹽氮進(jìn)行系統(tǒng)動(dòng)力學(xué)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(dāng)前亞硝酸鹽氮的值相關(guān)；所以為了更好的預(yù)測(cè)下一時(shí)間段亞硝酸鹽氮的值，輸入項(xiàng)為前段時(shí)間的水溫，溶解氧，氨氮和亞硝酸氨氮值，目標(biāo)輸出項(xiàng)為段時(shí)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(yù)測(cè)中，待預(yù)測(cè)的主要水質(zhì)因子只有亞硝酸鹽氮一項(xiàng)因子。神經(jīng)網(wǎng)絡(luò)的輸入值為4項(xiàng)，分別是前段時(shí)間的水溫，溶解氧，氨氮和亞硝酸氨氮值，輸出值為I項(xiàng)，為后段時(shí)間的亞硝酸鹽氮值；采用遞推滾動(dòng)式方法構(gòu)造i組數(shù)據(jù)，以用來訓(xùn)練關(guān)鍵因子徑向基神經(jīng)網(wǎng)絡(luò)模型，根據(jù)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，用來預(yù)測(cè)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(duì)同一預(yù)測(cè)時(shí)間點(diǎn)下，由綜合水質(zhì)預(yù)測(cè)得到的值和關(guān)鍵水質(zhì)因子預(yù)測(cè)得到的值相對(duì)比，進(jìn)行誤差調(diào)整，取其之間的平均值，由此得到最 終各項(xiàng)水質(zhì)因子的預(yù)測(cè)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(yù)測(cè)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(yù)測(cè)的基礎(chǔ)，同時(shí)為了能夠體現(xiàn)池塘水質(zhì)環(huán)境動(dòng)態(tài)變化的特點(diǎn)，采用了遞推滾動(dòng)式預(yù)測(cè)的方法作為神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的策略，針對(duì)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(dòng)力學(xué)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(jī)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(yù)測(cè)模型。根據(jù)建立的池塘水質(zhì)綜合預(yù)測(cè)和不同關(guān)鍵水質(zhì)因子的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型分析計(jì)算得到水質(zhì)各項(xiàng)因子的值和各個(gè)關(guān)鍵因子的值，通過調(diào)整綜合預(yù)測(cè)得到的關(guān)鍵因子和關(guān)鍵因子預(yù)測(cè)得到關(guān)鍵因子兩者之間的值，得到最終的預(yù)測(cè)值，這樣能夠更加全面，準(zhǔn)確地預(yù)測(cè)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(fēng)險(xiǎn)，給池塘養(yǎng)殖帶來了利益。
文檔編號(hào)G06N3/08GK103218669SQ20131008819
公開日2013年7月24日 申請(qǐng)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(huì)友, 林海, 馬爭(zhēng)鳴, 路永和, 胡勇軍 申請(qǐng)人:中山大學(xué)