CN101796928B - 养殖水体水质参数对养殖生物生长状态影响的预测方法 - Google Patents

Abstract

本发明公开了一种养殖水体水质参数对养殖生物生长状态影响的预测方法，通过选用同一养殖生物的品种，并且是同一生物品种的同一批幼虫，将它们进行养殖密度相同和饵料相同的不同养殖池内喂养，在投饵量以及投饵时间均一致的条件下，随机调控改变多项水质参数数值并记录，同时间的监测各个池内养殖生物的生长状态，作为人工神经网络的专家系统的输入和输出来建立这个生物生长状态的模型，然后利用该模型对生物的生长状态进行预测。该预测方法解决了以往传统简单的系统不能解决水产养殖生物生长领域知识的非线性、模糊性、不确定性问题。实现了养殖生物生长状态的准确监测和生长环境的调控。具有对生物养殖的实际生产具有较高的实际指导和应用作用。

Description

养殖水体水质参数对养殖生物生长状态影响的预测方法

技术领域

本发明涉及一种水产养殖生物生长状态模型建立方法，尤其涉及一种基于神经网络专家系统的养殖生物生长状态的预测方法。

背景技术

目前，在集约化水产养殖系统中采用在线水质参数检测技术、自动投饵控制技术以及部分水质参数自动调控技术的养殖系统国内外都有实际应用。一些先进的控制技术如人工神经网络技术、模糊控制技术以及专家系统等都有应用于水产养殖的报道。在集约化水产养殖中，从幼苗投放到成品收获视养殖生物品种不同周期长度和过程略有差别，期间影响因素比较多，养殖生物的成活、生长状态以及最后收获情况被其周围许多因素所影响。其中养殖水体水质参数对养殖生物生长的影响是其中主要的一部分。

养殖水体水质参数对于养殖生物生长状态的影响研究可分为三种情况：单一水质参数对养殖生物生长状态的影响的研究；双水质参数对养殖生物生长状态的影响；多水质参数对养殖生物生长状态的影响的研究。

(1)单一水质参数对生物生长状态的影响的研究

通过文献检索，养殖水体单一水质参数对生物生长状态的影响研究者较多，相关关系比较简单和明确，单一水质参数对生物生长状态影响的模型建立采用传统的基于规则的专家系统，比如采用产生式规则，IF…THEN…规则。它是在专家系统中运用得较为普遍的知识。IF后面跟的是条件(前件)，THEN后面跟的是结论(后件)，条件与结论均可以通过逻辑运算AND、OR、NOT进行复合。在这里，产生式规则的理解非常简单：如果前提条件得到满足，就产生相应的动作或结论。产生式专家系统的知识库中包含了大量的规则，换言之，这里的知识库就是一个规则集。

(2)双水质参数对生物生长状态的影响的研究

另外，通过文献检索，养殖水体两个水质参数对生物生长状态的综合影响研究者较少，相关关系也较为复杂，双水质参数对生物生长状态影响的模型建立仍然采用传统的基于规则的专家系统。

其中养殖水体单一水质参数和双水质参数对养殖生物生长状态的影响表面上关系明确、简单，对单纯考察一两个特定水质参数对养殖生物生长状态的影响时较为便利，但由于各水质参数之间互相影响，养殖生物的生长状态是依赖于各项水质参数综合作用后的总体水质情况，所以养殖水体单一水质参数和双水质参数对养殖生物生长状态影响的确定度还很有限，研究的实际应用价值也比较有限。

(3)多水质参数对生物生长状态的影响的研究

目前国内尚没有多水质参数对生物生长状态的研究，暂时还没有利用神经网络专家系统来进行养殖生物生长状态研究方面的事例。因此，当基于水质参数对养殖生物生长状态影响的模型建立起来，意味着这将是水产养殖领域中人工智能技术应用中的一项创新。

发明内容

本发明针对单一水质参数和双水质参数的生物生长状态的研究不能全面地满足养殖生物生长状态的监控。无法解决养殖生物生长领域知识的非线性、模糊性、不确定性、不全面等问题的存在，而研制一种多水质参数对生物生长状态的综合影响不再像单参数和双参数那样遵守传统的专家系统规则。其中，各个水质参数的相关性以及对生物生长状态的影响错综复杂，针对水产养殖生物生长领域知识的非线性、模糊性、不确定性、不全面等问题，提出了建立基于人工神经网络专家系统的模型，来分析多水质参数对生物生长状态的综合影响，进而指导实际生产。

其具体采用的技术手段如下：

一种养殖水体水质参数对养殖生物生长状态影响的预测方法，其特征在于包括如此步骤：

(1)首先选用同一养殖生物的品种，并且是同一生物品种的同一批幼虫，将它们放养在养殖密度相同的不同养殖池内，采用种类相同的饵料喂养，并且投饵量以及投饵时间均一致；

(2)随机调控改变水质参数中的温度、盐度、pH值、溶解氧和氨氮的数值且将它们的值一一记录下来，并在同一时间监测各个池内养殖生物的生长状态即养殖生物的体长或体重；

(3)应用BP神经网络来实现养殖生物生长状态模型的知识库表示，以影响养殖生物生长的主要养殖水体水质参数中的温度、盐度、pH值、溶解氧和氨氮作为神经网络系统的输入量，同时引入时间t作为神经网络的另一输入量，将表征养殖生物生长状态的养殖生物的体长或体重作为人工神经网络系统的输出量，至此，构建专家系统知识库的神经网络模型建成；

(4)对步骤(3)构建的神经网络模型进行学习训练，为了满足BP神经网络转换函数条件，在训练前要对训练样本做样本标准化处理，形成BP神经网络训练的标准化数据，训练时，首先把训练样本中的输入数据加载到神经网络模型的输入端，将训练样本中的输出数据加载到神经网络模型的输出端，进行学习训练；

(5)利用知识获取机构把训练后的网络模型，包括网络结构、网络输入变量、权值矩阵、阈值矩阵、迭代次数、输出误差值信息存储于知识库中；

(6)进行实际预测时，在计算机管理系统的推理模块里选择神经网络推理机制，输入相应的水质参数，即温度、盐度、pH值、溶解氧和氨氮，同时输入相应的时间变量t，推理机就会自动搜索步骤(5)所建立的知识库数据，在设定的输入量偏差范围内得到与此水质参数和养殖时间t相对应的养殖生物生长状态，即实现了养殖生物生长状态的预测。

在步骤(4)中还包括：把期望的输出值输入系统，在本系统中期望值为对应不同时间、不同养殖池的养殖生物状态实测值，即实测体长或体重值，把期望的输出值输入系统后，计算系统实际输出值，即神经网络模型输出值和期望输出值的误差，如果误差不能满足要求，则网络按原路径返回进行权值调整，直到收敛误差达到要求，训练结束的步骤。

由于采用了上述技术方案，本发明提供的养殖水体水质参数对养殖生物生长状态影响的预测方法同现有预测方法相比其优点是显而易见的具体如下：

(1)基于人工神经网络专家系统的养殖生物生长状态的模型解决了单一和水质参数不能全面的反映、记录和调控养殖生物的生长状态的问题，最大限度地提高养殖产量和质量，对实际生产具有较高的实际指导和应用作用。

(2)解决了以往传统简单的专家系统不能解决水产养殖生物生长领域知识的非线性、模糊性、不确定性等问题。实现了养殖生物生长状态的准确监测和生长环境的调控。

(3)填补了国内尚无多水质参数对生物生长状态研究的空白，实现了集约化水产养殖技术的突破。

附图说明

图1为生物生长期管理系统的主要功能结构图；

图2为本发明集约化养殖养殖生物生长状态模型建立流程图；

图3为本发明利用BP神经网络建立模型的知识库结构图；

图4为本发明实施例虾夷扇贝D型幼虫生长状态与水质参数实测数据表。

具体实施方式

如图1所示，养殖水体水质参数对养殖生物生长影响的模型，属于水产养殖计算机管理系统的生长期管理子系统。通常养殖生物的生长状态用生物的体长或体重来表示，在养殖品种选择以及养殖密度设定，并且饵料种类、投饵量以及投饵时间确定后，养殖生物生长期间，养殖水体水质参数的变化直接影响着生物的生长状态。如果把养殖水体的水质参数变化情况作为输入量，那么通过生长管理系统，养殖生物的生长状态就是系统的输出量。本发明基于人工神经网络专家系统建立养殖生物生长状态模型，当其它条件因素一定，而养殖水体的水质参数发生变化时，通过模型我们将能够推断出养殖生物的生长状态发生怎样的变化。推理得出的结果与养殖生物生长过程中得到的实际结果越接近，说明系统误差越小，模型建立的越精确。以多水质参数对养殖生物生长状态的影响为例建立模型。选用同一养殖生物的品种，并且是同一生物品种的同一批幼虫，将它们放养在养殖密度相同的不同养殖池内，采用种类相同的饵料喂养，并且投饵量以及投饵时间均一致。在满足上述条件下，随机调控改变多项水质参数数值且将它们的值一一记录下来，并在同一时间监测各个池内养殖生物的生长状态——养殖生物的体长，作为人工神经网络的专家系统的输入和输出来建立这个生物生长状态的模型。

如图2、图3所示，为了形象生动的说明养殖生物生长状态模型的建立过程和模型的可行性，以某养殖基地饲养的虾夷扇贝作为研究对象，以扇贝幼虫阶段为主要研究阶段，研究其生长水域的水质参数如温度、盐度、pH值、溶解氧以及氨氮含量对其生长状态的影响，并利用人工神经网络和专家系统知识建立模型，该模型将用于表明扇贝生长环境的水质参数与扇贝生长状态的关系。具体的操作步骤如下：

(1)养殖生物生长状态控制是养殖生物生长期管理系统下的子系统，随着养殖生物进入生长期，可实现养殖生物生长状态的控制。选用同一养殖生物的品种，并且是同一生物品种的同一批幼虫，将它们放养在养殖密度相同的不同养殖池内，采用种类相同的饵料喂养，并且投饵量以及投饵时间均一致。

(2)随机调控改变多项水质参数数值且将它们的值一一记录下来，并在同一时间监测各个池内养殖生物的生长状态即养殖生物的体长，如图4所示虾夷扇贝D型幼虫生长状态与水质参数实测数据表。

(3)由于在神经网络中引入了隐层神经元，神经网络就具有更好的分类和记忆等能力、因此相应的学习算法成了研究的焦点。1985年Rumelhart等提出的EBP(Error Back Propagation)算法(简称BP)，系统地解决了多层神经元网络中隐单元层连接权的学习问题，并在数学上给出了完整的推导。由于BP克服了简单感知机不能解决的XOR和其他一些问题，所以BP模型已成为神经网络的重要模型之一，并得以广泛使用。采用BP算法的多层神经网络模型一般称为BP网络。本方法采用BP神经网络，但不仅限于采用此种网络。

知识库的建造是建立专家系统的关键，应用BP神经网络来实现养殖生物生长状态模型的知识库表示，以影响养殖生物生长的主要养殖水体水质参数中的温度、盐度、pH值、溶解氧、氨氮作为神经网络系统的输入，同时考虑到要建立的是养殖生物生长状态模型，而养殖生物生长状态与时间密切相关，即养殖生物的体长(或体重)随时在变，所以在这里将时间t作为神经网络的一个输入量，这样就将影响养殖生物生长状态的所有变量都考虑到了，并作为神经网络的输入量；将表征养殖生物生长状态的养殖生物的体长(或体重)作为人工神经网络系统的输出量，至此，构建专家系统知识库的神经网络模型建成(如图3所示)。

(4)对步骤(3)构建的神经网络模型进行学习训练，为了满足BP神经网络转换函数条件，在训练前要对训练样本做样本标准化处理，形成BP神经网络训练的标准化数据。由于图4表中的各列数据大小不一，最小的为0.350，最大的为237，所以要对所有数据进行归一化处理。训练时，首先把归一化的训练样本输入数据加载到神经网络模型的输入端，即将图4表中的温度、盐度、pH值、溶解氧、氨氮以及与时间相对应的日期等各列数据归一化后加载到神经网络模型的输入端；将归一化的训练样本输出数据与神经网络模型的输出端相对应，即图4表中表征扇贝生长状态的最后一列壳长数据与神经网络模型的输出端相对应，进行学习训练。

BP网络的学习过程由两部分组成：正向传播和反向传播。当正向传播时，网络输入信息从输入层经隐单元层处理后传向神经网络模型输出层，每一层神经元的状态只影响下一层的神经元状态。如果在神经网络模型输出层得不到希望的输出，则转入反向传播，将误差信号沿原来的神经元连接通路返回。注意，此时神经网络模型输出层的希望值为与神经网络模型输入端的时间变量t相对应的养殖生物生长状态参数实测值，即实测的虾夷扇贝体长。将该希望值与神经网络模型实际输出值相比较形成误差信号，误差信号反向传播，返回过程中，逐一修改各层神经元连接的权值。这种过程不断迭代，最后使得信号误差达到允许的范围之内，构建专家系统知识库的神经网络学习训练结束。

(5)利用知识获取机构把训练后的网络模型，包括网络结构、网络输入变量、权值矩阵、阈值矩阵、迭代次数、输出误差值等信息存储于知识库中。

(6)实际应用推理时，在计算机管理系统的推理模块里选择神经网络推理机制，输入相应的水质参数，如温度、盐度、pH值、溶解氧、氨氮等，同时输入相应的时间变量t，推理机就会自动搜索步骤(5)所建立的知识库数据，在设定的输入量偏差范围内得到与此水质参数和养殖时间t相对应的养殖生物生长状态，即实现了养殖生物生长状态的预测。以虾夷扇贝为例：当系统输入测量的实际的水质参数温度、盐度、pH值、溶解氧、氨氮分别为14.1(℃)、27.0(g/l)、8.34、5.89(mg/l)、0.351(mg/l)并且时间参数为10天时保持正常的投饵量和间隔，那么系统就会自动根据经过神经网络模型输出虾夷扇贝壳长值191.50(mm)，即实现了依据水体水质参数对养殖生物生长状态的预测。

通常为了达到准确的生物生长状态模型，在步骤(4)中还包含有把期望的输出值输入系统。在本系统中期望值为水产养殖专家给出的同一品种的养殖生物在不同时期的历史最优值，它也是某养殖生物的优质品种在不同时期能够期望达到的理想数据。把期望的输出值输入系统后，计算系统实际输出值和期望输出值(即最优值)的误差，如果误差不能满足要求，则网络按原路径返回进行权值调整，直到收敛误差达到要求，训练结束。以图4表中虾夷扇贝数据为例，当系统输入相应的水质参数温度、盐度、pH值、溶解氧、氨氮分别为14.1(℃)、27.0(g/l)、8.34、5.89(mg/l)、0.351(mg/l)并且时间参数为10天时，这些数据经归一化处理后加到神经网络模型输入端。神经网络模型开始学习训练，首先正向传播，网络输入信息从输入层经隐单元层处理后传向神经网络模型输出层，每一层神经元的状态只影响下一层的神经元状态，神经网络模型输出值即为养殖生物生长状态的预测值，即虾夷扇贝壳长预测值。如果在神经网络模型输出层得不到希望的输出，则转入反向传播，将误差信号沿原来的神经元连接通路返回。此例中神经网络模型输出层的希望值为与图4表中3号池第10天的实测虾夷扇贝壳长值191.51(mm)，如果神经网络模型输出的预测值与希望值存在差异，将该希望值与神经网络模型实际输出值相比较形成误差信号，并按照BP网络误差反传的基本原理将误差信号反向传播，返回过程中，逐一修改各层神经元连接的权值。假设输出值反归一化后的绝对误差目标值为|Δ|≤0.01，当神经网络模型实际输出预测值为191.53(mm)时，即误差绝对值|Δ|＝191.53-191.51＝0.02，误差值超过允许的范围，误差反传修改各层神经元连接权值的过程继续进行，这种过程不断迭代，直到信号误差达到允许的范围之内。例如，当神经网络模型实际输出预测值为191.50(mm)时，即误差绝对值|Δ|＝191.51-191.50＝0.01时，信号误差达到允许的目标值范围之内，即|Δ|≤0.01，神经网络学习训练结束。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (2)

1.一种养殖水体水质参数对养殖生物生长状态影响的预测方法，其特征在于包括如此步骤：

(1)首先选用同一养殖生物的品种，并且是同一生物品种的同一批幼虫，将它们放养在养殖密度相同的不同养殖池内，采用种类相同的饵料喂养，并且投饵量以及投饵时间均一致；

(2)随机调控改变水质参数中的温度、盐度、pH值、溶解氧和氨氮的数值且将它们的值一一记录下来，并在同一时间监测各个池内养殖生物的生长状态即养殖生物的体长或体重；

(3)应用BP神经网络来实现养殖生物生长状态模型的知识库表示，以影响养殖生物生长的主要养殖水体水质参数中的温度、盐度、pH值、溶解氧和氨氮作为神经网络系统的输入量，同时引入时间t作为神经网络的另一输入量，将表征养殖生物生长状态的养殖生物的体长或体重作为人工神经网络系统的输出量，至此，构建专家系统知识库的神经网络模型建成；

(4)对步骤(3)构建的神经网络模型进行学习训练，为了满足BP神经网络转换函数条件，在训练前要对训练样本做样本标准化处理，形成BP神经网络训练的标准化数据，训练时，首先把训练样本中的输入数据加载到神经网络模型的输入端，将训练样本中的输出数据加载到神经网络模型的输出端，进行学习训练；

(5)利用知识获取机构把训练后的网络模型，包括网络结构、网络输入变量、权值矩阵、阈值矩阵、迭代次数、输出误差值信息存储于知识库中；

(6)进行实际预测时，在计算机管理系统的推理模块里选择神经网络推理机制，输入相应的水质参数，即温度、盐度、pH值、溶解氧和氨氮，同时输入相应的时间变量t，推理机就会自动搜索步骤(5)所建立的知识库数据，在设定的输入量偏差范围内得到与此水质参数和养殖时间t相对应的养殖生物生长状态，即实现了养殖生物生长状态的预测。

2.根据权利要求1所述的养殖水体水质参数对养殖生物生长状态影响的预测方法，其特征在于在步骤(4)中还包括：把期望的输出值输入系统，在本系统中期望值为对应不同时间、不同养殖池的养殖生物状态实测值，即实测体长或体重值，把期望的输出值输入系统后，计算系统实际输出值，即神经网络模型输出值，和期望输出值的误差，如果误差不能满足要求，则网络按原路径返回进行权值调整，直到收敛误差达到要求，训练结束的步骤。

Images