CN102183621B - 水产养殖溶解氧浓度在线预测方法及系统 - Google Patents

Abstract

本发明提供了水产养殖溶解氧浓度在线预测方法及系统。该方法包括：采集预定时段内的水质指标和相关气象因子数据，以建立原始数据集；用归一化方法对原始数据集进行数据标准化预处理，获得最小二乘支持向量回归机模型的训练样本数据集；利用训练样本数据集训练最小二乘支持向量回归机模型并优化其参数，以获取最优最小二乘支持向量回归机模型；在线实时采集水产养殖生态环境水质指标和相关气象因子数据，并将所采集的水质指标和相关气象因子数据输入最优最小二乘支持向量回归机模型以获取溶解氧浓度预测值。本发明实现了水产养殖溶解氧浓度的准确、高效预测。

Description

水产养殖溶解氧浓度在线预测方法及系统

技术领域

本发明涉及信息技术领域和水产养殖技术交叉领域，特别涉及水产养殖溶解氧浓度在线预测方法及系统。

背景技术

水产养殖水体中溶解氧是水生动植物赖以生存必需的条件。快速、准确的溶解氧浓度预测对防范水质恶化，提高水产品质量和水产品健康养殖、推进渔业信息现代化中将发挥重要的作用。

目前常用的水质自动监测预测系统中硬件以在线式自动分析仪器为核心，预测方法采用多项式回归、数理统计法、灰色系统理论法、神经网络模型法、水质模拟模型法等方法，该系统对水质预测取得了一定成效，但在应用过程中仍存在一些问题：(1)缺乏对水质变化进行全天候长时间的监控、预测；(2)溶解氧浓度容易受养殖水体水质和气象等多个参数的影响，但现有技术的方法中没有充分考虑溶解氧与其它参数的影响，监测的参数少，且预测方法存在非线性、不确定性、高维数、易陷入局部极小点等缺陷，严重降低了其应用效果。

发明内容

为解决以上问题，本发明的目的是提供一种水产养殖溶解氧浓度在线预测方法及系统，以实现结合养殖生态环境的水质和气象因子等多参数影响因素对溶解氧浓度进行准确、快速的预测。

为了达到以上目的，本发明提供了一种水产养殖溶解氧浓度在线预测方法，包括：

步骤S1：采集预定时段内的水产养殖生态环境水质指标和相关气象因子数据，以建立原始数据集；

步骤S2：用归一化方法对所述原始数据集进行数据标准化预处理，获得最小二乘支持向量回归机模型的训练样本数据集；

步骤S3：利用所述训练样本数据集训练所述最小二乘支持向量回归机模型并优化所述最小二乘支持向量回归机模型的参数，以获取最优最小二乘支持向量回归机模型；

步骤S4：在线实时采集水产养殖生态环境水质指标和相关气象因子数据，并将所采集的水产养殖生态环境水质指标和相关气象因子数据输入所述最优最小二乘支持向量回归机模型以获取水产养殖溶解氧浓度预测值。

本发明还提供了一种水产养殖溶解氧浓度在线预测系统，包括：数据无线采集与传输模块、数据存储模块、数据预处理模块、最小二乘支持向量回归机训练优化模块和溶解氧预测模块；

所述数据无线采集与传输模块，用于采集预定时段内的水产养殖生态环境水质指标和相关气象因子数据，以建立原始数据集；在线实时采集水产养殖生态环境水质指标和相关气象因子数据并传输至所述数据存储模块；

所述数据存储模块，用于根据预定时段内采集的所述水产养殖生态环境水质指标和相关气象因子数据建立并存储原始数据集，存储对所述原始数据集归一化后的训练样本数据集，还存储在线实时采集的水产养殖生态环境水质指标和相关气象因子数据；

所述数据预处理模块，用于通过归一化方法对所述原始数据集进行数据标准化预处理，获得最小二乘支持向量回归机模型的训练样本数据集；

所述最小二乘支持向量回归机训练优化模块，用于利用所述训练样本数据集训练所述最小二乘支持向量回归机模型并优化所述最小二乘支持向量回归机模型的参数，以获取最优最小二乘支持向量回归机模型；

所述溶解氧预测模块，用于将所述在线实时采集的水产养殖生态环境水质指标和相关气象因子数据输入所述最优最小二乘支持向量回归机模型以获取水产养殖溶解氧浓度预测值。

根据本发明的水产养殖溶解氧浓度在线预测方法及系统，由于采集被测水产养殖池塘的水质指标及所在区域的相关气象因子数据作为训练样本数据集，利用该训练样本数据集获取最优最小二乘支持向量回归机模型，并通过该最优最小二乘支持向量回归机模型来进行溶解氧浓度预测，从而实现了对溶解氧浓度的精确、高效预测，为后续实现水产养殖水体中溶解氧浓度的在线预警和智能控制奠定了基础。

附图说明

图1为本发明水产养殖溶解氧浓度在线预测方法的流程图。

图2为应用于本发明水产养殖溶解氧浓度在线预测方法的最小二乘支持向量回归机模型的内部结构示意图。

图3为在线预测水产养殖溶解氧浓度的详细流程图。

图4为本发明水产养殖溶解氧浓度在线预测系统的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图，对本发明的技术方案进行清楚、完整地描述。

图1为本发明水产养殖溶解氧浓度在线预测方法的流程图。如图1所示，该水产养殖溶解氧浓度在线预测方法包括以下步骤：

步骤S1：采集预定时段内的水产养殖生态环境水质指标和相关气象因子数据，以建立原始数据集；

具体地，例如通过无线水质传感器采集水产养殖池塘的水质指标，通过小型气象站数据采集设备采集被测水产养殖池塘区域的相关气象因子数据，更为具体地，该水质指标例如为包括水位(WL)、酸碱度(PH)、溶解氧(DO)、水温(WT)和浊度(Tb)；相关气象因子数据例如为包括气温(AT)、温度(Hd)、降雨量(Rf)、大阳辐射(SR)和风速(WV)。采集频率例如为每10分钟一次，采集时长例如为连续60天，即共采集8640组数据，将同一时刻采集得到的水位、酸碱度、溶解氧、水温、温度、气温、湿度、降雨量、太阳辐射和风速数据分为一组，构建特征向量。

步骤S2：用归一化方法对所述原始数据集进行数据标准化预处理，获得最小二乘支持向量回归机模型的训练样本数据集；

具体地，最小二乘支持向量回归(LS-SVR)机是在统计学习理论体系下，基于结构风险最小原则的基础上发展而来，较好地解决了传统预测方法难以解决的非线性、过学习、高维数、局部极小点、不确定性等实际问题，具有较强的鲁棒性和泛化能力，能以任意精度逼近任意函数。

图2为应用于本发明水产养殖溶解氧浓度在线预测方法的最小二乘支持向量回归机模型的内部结构示意图。如图2所示，向该最小二乘支持向量回归机模型输入第i时刻的特征向量，利用多个核函数对输入的第i时刻的10个特征向量进行处理，并将各核函数的输出分配不同的权重并求和，即获得回归输出，即第i+1时刻的溶解氧浓度。

步骤S3：利用所述训练样本数据集训练所述最小二乘支持向量回归机模型并优化所述最小二乘支持向量回归机模型的参数，以获取最优最小二乘支持向量回归机模型；

具体地，在进行最小二乘支持向量回归机建模时，最优模型的选择是非常关键的工作，模型的优劣直接影响水产养殖水体溶解氧浓度预测值的计算精度。在模型优化过程中，先根据训练样本数据的数据、维数，初步确定支持向量回归机模型参数的取值范围，然后对模型参数进行优化，以获得最优参数组合。

根据水质指标和相关气象因子数据的特征，设计数据库，以支持向量机回归机原理为基础，采用标准C#语言编写最小二乘支持向量回归机训练程序，通过对最小二乘支持向量回归机训练程序进行样本数据的训练学习，采用遗传算法优化最小二乘支持向量回归机模型的参数，对样本的规律建立模式识别，构建最优最小二乘支持向量回归机模型。

步骤S4：在线实时采集水产养殖生态环境水质指标和相关气象因子数据，并将所采集的水产养殖生态环境水质指标和相关气象因子数据输入所述最优最小二乘支持向量回归机模型以获取水产养殖溶解氧浓度预测值。

具体地，例如实时采集t时刻的水位、酸碱度、溶解氧、水温、温度、气温、湿度、降雨量、太阳辐射和风速，对这些数据进行归一化，并将归一化后的10个数据输入在步骤S3中得到的最优最小二乘支持向量回归机模型，即可获取该最优最小二乘支持向量回归机模型的回归输出：t+1时刻的溶解氧浓度预测值。所获得的溶解氧浓度预测值可以以动态曲线形式展示，即随着时刻的推进，绘制各时刻溶解氧浓度预测值所形成的曲线，以便更为直观地展现溶解氧浓度的变化趋势。

根据上述实施例的水产养殖溶解氧浓度在线预测方法，由于采集被测水产养殖池塘的水质指标及所在区域的相关气象因子数据作为训练样本数据集，利用该训练样本数据集获取最优最小二乘支持向量回归机模型，并通过该最优最小二乘支持向量回归机模型来进行溶解氧浓度预测，从而实现了对溶解氧浓度的精确、高效预测。为后续实现水产养殖水体中溶解氧浓度的在线预警和智能控制做好准备(例如当溶解氧浓度预测值超出一预设范围时发出告警或采取相应控制措施)。

进一步地，在上述实施例的水产养殖溶解氧浓度在线预测方法中，步骤S2具体包括：

步骤S21，根据下述公式1对所述水产养殖生态环境水质指标和相关气象因子数据进行归一化，

$f\left(x_i\right)=\frac{x_i-x_{\min }}{x_{\max }-x_{\min }},(i=\mathrm{1,2},...,n)$ 公式1

其中x_i为第i个输入数据，x_min为输入数据中的最小值，x_max为输入数据中的最大值，n为数据的总个数；

具体地，用归一化方法对采集的原始数据进行归一化预处理，利用公式1将水质指标和相关气象因子数据归一化到-1和+1之间。

步骤S22，获取归一化后的前70％数据作为所述训练样本数据集，获取归一化后的后30％数据作为测试样本数据集。

具体地，将归一化处理后的原始数据分为两部分：前70％数据作为训练样本数据集，用于训练最小二乘支持向量回归机模型；后30％数据作为测试样本数据集，用于在建立最优最小二乘支持向量回归机模型后，对该模型进行准确性检验。

进一步地，在上述实施例的水产养殖溶解氧浓度在线预测方法中，步骤S3具体包括：

步骤S31，选择径向基函数作为最小二乘支持向量回归机模型的核函数，利用归一化后的训练样本数据集训练如公式2所述的最小二乘支持向量回归机预测模型，

$f\left(x\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})K(x,x_i^{*})+b$ 公式2

其中，α_i，

为Lagrange乘子，是通过训练得到对偶问题的解系数，b为相应的偏差值，x∈Rⁿ为n维结构的输入参数，x_i ^*∈Rⁿ为溶解氧实际观察值，R为n维的样本空间。

具体地，选择径向基函数K(x，x_i ^*)＝exp(-(x-x_i ^*)²/(2δ)²)，(δ为训练样本的方差)作为最小二乘支持向量回归机的核函数。

步骤S32，利用遗传算法优化最小二乘支持向量回归机模型的参数，以获取最优最小二乘支持向量回归机模型；

具体地，选取最佳的参数组合代入预测模型，使得最小二乘支持向量回归机预测值与测试样本真值之间的均方根误差(RMSE)和相对最大绝对误差(RMAE)都最小，即遗传算法适应度函数为：

$F={\mathrm{\ψ}}_1*\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_i-f\left(x_i\right))}^2}+{\mathrm{\ψ}}_2*\frac{\max \left\{\right|y_1-f\left(x_1\right)|,\mathrm{\Λ},|y_n-f\left(x_n\right)\left|\right\}}{\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_i-\stackrel{\‾}{y})}^2}}$

其中ψ₁和ψ₂分为RMSE和RMAE的调节因子。遗传算法的初始参数：初始种群为160，遗传代数为25，交叉因子为0.85，变异因子为0.005。

步骤S33，利用所述测试样本数据集检验所述最优最小二乘支持向量回归机模型的RMSE和RMAE；

具体地，当选取归一化后的样本数据中的第6048至8640组数据作为测试样本数据集时，例如利用第6048组数据作为输入变量，输入所获取的最优最小二乘支持向量回归机模型中，将该模型输出溶解氧浓度预测值与第6049组数据中的溶解氧数值相比较，即可获知两者的差值。依此类推，利用该测试样本数据集中的2592组数据对该模型进行2591次检验，能够得到2591个溶解氧浓度预测值与真实值之间的误差值。具体地，根据下述公式计算出RMSE和RMAE，以衡量该最上二乘支持向量回归机模块的优劣：

$\mathrm{RMSE}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_i-f\left(x_i\right))}^2}$ 公式3

$\mathrm{RMAE}=\frac{\max \left\{\right|y_1-f\left(x_1\right)|,|y_2-f\left(x_2\right)|,...,|y_n-f\left(x_n\right)\left|\right\}}{\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_i-\stackrel{\‾}{y})}^2}}$ 公式4

式中，n为样本个数，y_i为测试样本的真实值，f(x_i)为测试样本的支持向量回归机预测值，

为y的均值。

步骤S34，若获知所述RMSE或所述RMAE大于相应的预设值，则增加所述训练样本数据集中的数据，并重复执行步骤S31至步骤S33，直至所述RMSE和所述RMAE均小于相应的预设值。

具体地，根据需要设定预测精度，即分别设置RMSE参考值和RMAE参考值。当在步骤S33中获得的RMSE大于RMSE参考值或RMAE大于RMAE参考值时，则认定当前的模型的预测精度不符合标准，不能满足应用需求。此时，需扩大训练样本数据集，例如采集更多时刻的水产养殖生态环境水质指标和相关气象因子数据，并按照上述实施例的步骤重新构建和优化最小二乘支持向量回归机模型，直至达到水产养殖实际应用需求的精度为止(即满足RMSE≤RMSE参考值且RMAE≤RMAE参考值)。

图3为在线预测水产养殖溶解氧浓度的详细流程图。如图3所示，包括：

步骤S101，采集水产养殖生态环境水质指标及相关气象因子数据；

步骤S102，基于归一化方法对数据集进行标准化预处理；

步骤S103，选择径向基函数作为最小二乘支持向量回归机模型的核函数；

步骤S104，利用遗传算法训练优化最小二乘支持向量回归机模型的参数，以获取最优最小二乘支持向量回归机模型；

步骤S105，判断是否满足终止条件，若满足，则执行步骤S106，若不满足，则添加训练样本并返回执行步骤S101；

步骤S106，在线实时监测数据，通过将监测的数据输入最优最小二乘支持向量回归机模型以进行溶解氧浓度预测。

本发明还提供一种水产养殖溶解氧浓度在线预测系统，图4为本明水产养殖溶解氧浓度在线预测系统的结构示意图。如图4所示，该溶解氧浓度在线预测系统包括：数据无线采集与传输模块10、数据存储模块20、数据预处理模块30、最小二乘支持向量回归机训练优化模块40和溶解氧预测模块50。

其中，数据无线采集与传输模块10用于采集预定时段内的水产养殖生态环境水质指标和相关气象因子数据，以建立原始数据集；在线实时采集水产养殖生态环境水质指标和相关气象因子数据并传输至数据存储模块20。具体地，所采集的数据可通过ZigBee技术的无线传感器网络和GPRS信道将现场采集的数据实时传输到远程数据库服务器。

数据存储模块20用于根据预定时段内采集的水产养殖生态环境水质指标和相关气象因子数据建立并存储原始数据集，存储对原始数据集归一化后的训练样本数据集，还存储在线实时采集的水产养殖生态环境水质指标和相关气象因子数据；该数据存储模块20例如包括实时数据库服务器和中央数据库服务器，其中实时数据库服务器用于根据预定时段内采集的所述水质指标和所述相关气象因子数据建立并存储原始数据集；中央数据库服务器用于存储对原始数据集归一化后的训练样本数据集和在线实时采集的水产养殖生态环境水质指标和相关气象因子数据。

数据预处理模块30用于通过归一化方法对所述原始数据集进行数据标准化预处理，获得最小二乘支持向量回归机模型的训练样本数据集；其中，对采集的数据进行归一化预处理能够加速收敛速度，从而消除水产养殖生态环境水质指标和相关气象因子数据的各输入变量由于量纲的差异给系统运行造成的影响。

最小二乘支持向量回归机训练优化模块40用于利用所述训练样本数据集训练所述最小二乘支持向量回归机模型并优化所述最小二乘支持向量回归机模型的参数，以获取最优最小二乘支持向量回归机模型；此外，该最小二乘支持向量回归机训练优化模块40还可用于利用测试样本数据集检验最优最小二乘支持向量回归机模型的RMSE和RMAE；若获知所述RMSE或所述RMAE大于相应的预设值，则指示增加所述训练样本数据集中的数据，以使最小二乘支持向量回归机训练优化模块重新获取最优最小二乘支持向量回归机模型。

溶解氧预测模块50用于将所述在线实时采集的水产养殖生态环境水质指标和相关气象因子数据输入所述最优最小二乘支持向量回归机模型以获取水产养殖溶解氧浓度预测值。具体地，提供多参数水质指标和气象因子输入接口，并调用最优最小二乘支持向量回归机模型，输入变量通过该模型即可预测出溶解氧浓度，该溶解氧预测模块50将预测结果以图表的形式展示给用户，以辅助用户决策。

根据上述实施例的水产养殖溶解氧浓度在线预测系统，由于采集被测水产养殖池塘的水质指标及所在区域的相关气象因子数据作为训练样本数据集，利用该训练样本数据集获取最优最小二乘支持向量回归机模型，并通过该最优最小二乘支持向量回归机模型来进行溶解氧浓度预测，从而实现了对溶解氧浓度的精确、高效预测，并且为后续实现养殖水体溶解氧的在线预警和智能控制奠定了坚实的基础。

根据上述实施例的水产养殖溶解氧浓度在线预测系统，能够根据应用需要，提供满足预定精度的水产养殖溶解氧浓度在线预测。

进一步地，在上述实施例的水产养殖溶解氧浓度在线预测系统中，数据存储模块包括：

实时数据库服务器，用于根据预定时段内采集的所述水产养殖生态环境水质指标和相关气象因子数据建立并存储原始数据集；

中央数据库服务器，用于存储对原始数据集归一化后的训练样本数据集和在线实时采集的水产养殖生态环境水质指标和相关气象因子数据。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种水产养殖溶解氧浓度在线预测方法，其特征在于，包括： 

步骤S1：采集预定时段内的水产养殖生态环境水质指标和相关气象因子数据，以建立原始数据集； 

步骤S2：用归一化方法对所述原始数据集进行数据标准化预处理，获得最小二乘支持向量回归机模型的训练样本数据集； 

步骤S3：利用所述训练样本数据集训练所述最小二乘支持向量回归机模型并利用遗传算法优化所述最小二乘支持向量回归机模型的参数，以获取最优最小二乘支持向量回归机模型，所述遗传算法适应度函数为： 

其中ψ₁和ψ₂分为最小均方根误差RMSE和相对最大绝对误差RMAE的调节因子； 

步骤S4：在线实时采集水产养殖生态环境水质指标和相关气象因子数据，并将所采集的所述水产养殖生态环境水质指标和相关气象因子数据输入所述最优最小二乘支持向量回归机模型以获取水产养殖溶解氧浓度预测值。 

2.根据权利要求1所述的水产养殖溶解氧浓度在线预测方法，其特征在于，所述水质指标包括水位、酸碱度、溶解氧、水温和浊度，所述相关气象因子数据包括气温、温度、降雨量、大阳辐射和风速。 

3.根据权利要求1所述的水产养殖溶解氧浓度在线预测方法，其特征在于，所述步骤S2具体包括： 

步骤S21，根据下述公式1对所述水产养殖生态环境水质指标和相关气象因子数据进行归一化， 

（i＝1,2,…,n）   公式1 

其中x_i为第i个输入数据，x_min为输入数据中的最小值，x_max为输入数据中的最大值，n为数据的总个数，f(x_i)为第i个输入数据的归一化数据； 

步骤S22，获取归一化后的前70％数据作为所述训练样本数据集，获取归一化后的后30%数据作为测试样本数据集。 

4.根据权利要求3所述的水产养殖溶解氧浓度在线预测方法，其特征在于，所述步骤S3具体包括： 

步骤S31，选择径向基函数作为最小二乘支持向量回归机模型的核函数，利用归一化后的训练样本数据集训练如公式2所述的最小二乘支持向量回归机预测模型， 

   公式2 

其中，α_i，α_i ^*为Lagrange乘子，是通过训练得到对偶问题的解系数，b为相应的偏差值，x∈Rⁿ为n维结构的输入参数，x_i ^*∈Rn为溶解氧实际观察值，R为n维的样本空间。 

步骤S32，利用遗传算法优化最小二乘支持向量回归机模型的参数，以获取最优最小二乘支持向量回归机模型； 

步骤S33，利用所述测试样本数据集检验所述最优最小二乘支持向量回归机模型的最小均方根误差RMSE和相对最大绝对误差RMAE； 

步骤S34，若获知所述RMSE或所述RMAE大于相应的预设值，则增加所述训练样本数据集中的数据，并重复执行步骤S31至步骤S33，直至所述RMSE和所述RMAE均小于相应的预设值。 

5.一种水产养殖溶解氧浓度在线预测系统，其特征在于，包括：数据无线采集与传输模块、数据存储模块、数据预处理模块、最小二乘支持向量回归机训练优化模块和溶解氧预测模块； 

所述数据无线采集与传输模块，用于采集预定时段内的水产养殖生态环境水质指标和相关气象因子数据，以建立原始数据集；在线实时采集水产养 殖生态环境水质指标和相关气象因子数据并传输至所述数据存储模块； 

所述数据存储模块,用于根据预定时段内采集的所述水产养殖生态环境水质指标和相关气象因子数据建立并存储原始数据集，存储对所述原始数据集归一化后的训练样本数据集，还存储在线实时采集的水产养殖生态环境水质指标和相关气象因子数据； 

所述数据预处理模块，用于通过归一化方法对所述原始数据集进行数据标准化预处理，获得最小二乘支持向量回归机模型的训练样本数据集； 

所述最小二乘支持向量回归机训练优化模块，用于利用所述训练样本数据集训练所述最小二乘支持向量回归机模型，并利用遗传算法优化所述最小二乘支持向量回归机模型的参数，以获取最优最小二乘支持向量回归机模型，所述遗传算法适应度函数为： 

其中ψ₁和ψ₂分为最小均方根误差RMSE和相对最大绝对误差RMAE的调节因子； 

所述溶解氧预测模块，用于将所述在线实时采集的水产养殖生态环境水质指标和相关气象因子数据输入所述最优最小二乘支持向量回归机模型以获取水产养殖溶解氧浓度预测值。 

6.根据权利要求5所述的水产养殖溶解氧浓度在线预测系统，其特征在于，所述数据存储模块包括： 

实时数据库服务器，用于根据预定时段内采集的所述水产养殖生态环境水质指标和相关气象因子数据建立并存储原始数据集； 

中央数据库服务器，用于存储对原始数据集归一化后的训练样本数据集和在线实时采集的水产养殖生态环境水质指标和相关气象因子数据。 

7.根据权利要求5所述的水产养殖溶解氧浓度在线预测系统，其特征在于，所述最小二乘支持向量回归机训练优化模块还用于利用测试样本数据集检验所述最优最小二乘支持向量回归机模型的RMSE和RMAE；若获知所述RMSE或所述RMAE大于相应的预设值，则指示增加所述训练样本数据集中的数据，以使所述最小二乘支持向量回归机训练优化模块重新获取最优最小二乘支持向量回归机模型。 

Images