CN104215746A - 一种海水养殖水质含氧量检测方法 - Google Patents

一种海水养殖水质含氧量检测方法 Download PDF

Info

Publication number
CN104215746A
CN104215746A CN201410439013.9A CN201410439013A CN104215746A CN 104215746 A CN104215746 A CN 104215746A CN 201410439013 A CN201410439013 A CN 201410439013A CN 104215746 A CN104215746 A CN 104215746A
Authority
CN
China
Prior art keywords
oxygen
water quality
weights
sea
characteristic variable
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201410439013.9A
Other languages
English (en)
Inventor
徐今强
唐丽平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Ocean University
Original Assignee
Guangdong Ocean University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Ocean University filed Critical Guangdong Ocean University
Priority to CN201410439013.9A priority Critical patent/CN104215746A/zh
Publication of CN104215746A publication Critical patent/CN104215746A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Farming Of Fish And Shellfish (AREA)

Abstract

本发明公开一种海水养殖水质含氧量检测方法，属于养殖水质检测技术领域，其特征在于：所述的含氧量检测方法是一种间接测量方法，选取影响海水养殖水质含氧量最大且彼此间相关性不大的特征变量；根据样本数据库中的样本数据（包含特征变量和含氧量）采用遗传算法离线优化各特征变量的权值，优化时以平均绝对百分数误差作为目标函数，优化后的权值存入权值数据库；当需要含氧量数据对水质参数进行检测和控制时，将实时检测到的特征变量与各自权值相乘，然后求和即得到含氧量；本发明科学而有效地解决了现有的海水养殖水质含氧量检测仪器基本靠进口、价格昂贵以及海水对传感器探头腐蚀性强、使用寿命短的问题，可操作性和实用性强。

Description

一种海水养殖水质含氧量检测方法
技术领域
本发明涉及一种海水养殖水质含氧量检测方法，具体涉及一种利用软测量技术对水质含氧量进行检测的方法，属于养殖水质检测技术领域。
背景技术
在过去的30年中，水产养殖已成为全球增长最快的食物生产来源之一，并对国民经济的发展、全球粮食供应和粮食安全作出了重要贡献。随着世界海洋捕捞强度的不断加大，海洋水产资源逐步衰退。因此，各国都在积极发展海水养殖业，特别是发展中国家在世界海水养殖生产中占有相当高的比例。
我国是海水养殖大国，养殖产量从20世纪80年代中期的100多万吨增加到2009年的1400多万吨，已连续20多年居世界第一。鉴于目前海水养殖业的快速发展，为了保持养殖产品质能够满足社会消费水平日益提高的要求，需对养殖进行系统管理。而海水养殖过程中，海水温度、含氧量、进水流量、氨氮含量、曝气量、固体悬浮物等都是影响养殖品质的重要因素，必须保持在一个适宜的范围，尤其是忌讳水质的突然变化。
软测量的基本思想是把自动控制理论与生产过程知识有机的结合起来，应用计算机技术对难以测量或者暂时不能测量的重要变量，选择另外一些容易测量的变量，通过构成某种数学关系来推断或者估计，以软件来替代硬件的功能。应用软测量技术实现元素组分含量的在线检测不但经济可靠，且动态响应迅速、可连续给出萃取过程中元素组分含量，易于达到对产品质量的控制。软测量技术是工业计算机优化控制的有利工具，在理论研究和实际应用中已经取得了不少成果，如CN201110001570.9（多喷嘴对置式水煤浆气化炉炉膛温度的软测量）和CN201010102046.6(一种水力旋流器溢流粒度分布的软测量方法)等，其理论体系亦正在逐步形成。
养殖水质含氧量直接关系到鱼类的健康生长、繁殖及产品品质，因此含氧量的检测和控制至关重要。CN201210247628.2公开一种新型鱼池含氧量预警装置，其中含氧量的检测依靠仪器检测装置；CN201220614873.8和CN201320505010.1分别公开了一种显示含氧量的鱼缸和养鱼池智能增氧系统，含氧量的检测均通过传感器实现。现有的海水养殖水质含氧量检测方法大也多数依靠仪器检测法，其检测仪器基本靠进口，不仅价格昂贵、成本较高，而且由于海水对传感器探头的腐蚀性强，导致检测仪器使用寿命短。而目前市场上还没有一种对海水养殖水质含氧量进行软测量的方法。
发明内容
本发明的目的是提供一种海水养殖水质含氧量检测方法，通过软测量技术实现养殖水质含氧量的间接测量。
为实现上述目的，本发明所采用的技术方案是：
一种海水养殖水质含氧量检测方法，其特征在于：所述的含氧量检测方法是一种间接测量方法，选取影响海水养殖水质含氧量最大且彼此间相关性不大的特征变量，即进水流量、水体温度、氨氮含量、曝气量、固体悬浮物；根据样本数据库中的样本数据（包含特征变量和含氧量）采用遗传算法离线优化各特征变量的权值（所有权值的代数和为1），优化时以平均绝对百分数误差（MAPE）作为目标函数，优化后的权值存入权值数据库；当需要含氧量数据对水质参数进行检测和控制时，将实时检测到的特征变量与各自权值相乘，然后求和即得到含氧量。
优选的是，所述的特征变量选取为进水流量、水体温度、氨氮含量、曝气量、固体悬浮物，它们对海水养殖水质含氧量影响最大，且彼此间相关性不大；养殖系统稳定时，水池进水流量和出水流量大小一致。
优选的是，所述的为寻找各特征变量与含氧量之间的权值，需要收集并存储一定数量的样本数据（包含特征变量和含氧量），样本数据要求大于100组。
优选的是，所述的采用遗传算法离线优化各特征变量的权值，其特征在于：定义平均绝对百分数误差（MAPE）为目标函数。
优选的是，所述的将实时检测到的特征变量与各自权值相乘，然后求和即得到含氧量。
一种海水养殖水质含氧量检测方法中采用遗传算法离线优化各特征变量的权值，其特征在于，包括以下步骤：
步骤1：初始化：设置进化代数计算器t←0；设置最大进化代数T；随机生成M个个体作为初始群体P（0）；初始化交叉概率和变异概率； 
步骤2：个体编码；
步骤3：个体评价：计算群体P(t)中各个个体的适应度；
步骤4：复制运算：将复制算子作用于群体；
步骤5：交叉运算：将交叉算子作用于群体；
步骤6：变异运算：将变异算子作用于群体，群体P(t)经过复制、交叉、变异运算后得到下一代群体P(t+1)；
步骤7：终止条件判断：若t≤T，则t←t+1，转到步骤2；若t>T，则以进化过程中所得到的具有最大适应度的个体作为最优解输出；
步骤8：个体解码。
优选的是，步骤2中所述的权值个体编码时，所有权值的代数和为1。
本发明相对于现有技术的有益效果是：
（1）本发明通过对海水养殖水质含氧量进行自动检测计算，科学而有效地解决了现有的海水养殖水质含氧量检测仪器基本靠进口、价格昂贵以及海水对传感器探头腐蚀性强、使用寿命短的问题，提高了海水养殖的品质和产量，降低了生产成本，可操作性和实用性强；
（2）本发明的海水养殖水质含氧量检测方法易于实现海水养殖水质含氧量的实时软测量；
（3）本发明的海水养殖水质含氧量检测方法结构简单，可操作性强；
（4）本发明的海水养殖水质含氧量检测方法易于实现，成本低。
附图说明
图1为本发明的测量原理图。
图2为本发明的遗传算法优化权值运算过程图。   
具体实施方式
下面结合附图，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
实施例1
本发明实施例的一种海水养殖水质含氧量检测方法的原理图如图1 所示，首先通过数据采集收集大量样本数据，存储在样本数据库中，每组样本数据包含海水养殖水质含氧量的特征变量（进水流量、氨氮含量、曝气量、固体悬浮物、温度）和含氧量，至少100组以上，样本数据太少，不足以反映各特征变量和含氧之间的相关关系；为了量化各特征变量对含氧量的影响程度，即权值大小，采用遗传算法离线优化并获得各特征变量的权值，优化后存储在权值数据库中；当需要实时含氧量数据对水质参数进行检测和控制时，现场采集各特征变量并传送至计算机，计算机调用权值数据库中各权值并与现场特征变量进行相乘，然后求和得到所需含氧量。
图2所示为本发明的遗传算法优化权值运算过程图，整个运算分为遗传空间和解空间两部分，连接遗传空间和解空间的是编码和解码过程，解空间包含各特征变量的权值集合及个体评价，编码是将群体中的包含了权值信息的各个体编成二进制码，以进行复制、交叉和变异运算，从而进化到下一代，解码是将各二进制形式的个体还原为权值信息；优化时以绝对百分数误差（其中n为样本数， 是含氧量实际值，是含氧量计算值）为目标函数，计算各个体的适应度即个体评价，当进化代数计数器超过最大进化代数时，以进化过程中所得到的具有最大适应度的个体作为最优解输出。

Claims (7)

1.一种海水养殖水质含氧量检测方法，其特征在于：所述的含氧量检测方法是一种间接测量方法，选取影响海水养殖水质含氧量最大且彼此间相关性不大的特征变量，即进水流量、水体温度、氨氮含量、曝气量、固体悬浮物；根据样本数据库中的样本数据，包含特征变量和含氧量，采用遗传算法离线优化各特征变量的权值：所有权值的代数和为1，优化时以平均绝对百分数误差MAPE作为目标函数，优化后的权值存入权值数据库；当需要含氧量数据对水质参数进行检测和控制时，将实时检测到的特征变量与各自权值相乘，然后求和即得到含氧量。
2.根据权利要求1所述的一种海水养殖水质含氧量检测方法，其特征在于：特征变量选取为进水流量、水体温度、氨氮含量、曝气量、固体悬浮物。
3.根据权利要求1所述的一种海水养殖水质含氧量检测方法，其特征在于：样本数据要求大于100组。
4.根据权利要求1所述的一种海水养殖水质含氧量检测方法，其特征在于：所述的采用遗传算法离线优化各特征变量的权值定义平均绝对百分数误差MAPE为目标函数，计算公式如下：
，其中n为样本数， 是含氧量实际值，是含氧量计算值。
5.根据权利要求1所述的一种海水养殖水质含氧量检测方法，其特征在于：将实时检测到的特征变量与各自权值相乘，然后求和即得到含氧量。
6.根据权利要求1所述的一种海水养殖水质含氧量检测方法，其特征在于：一种海水养殖水质含氧量检测方法中采用遗传算法离线优化各特征变量的权值，包括以下步骤：
步骤1：初始化：设置进化代数计算器t←0；设置最大进化代数T；随机生成M个个体作为初始群体P（0）；初始化交叉概率和变异概率；
步骤2：个体编码；
步骤3：个体评价：计算群体P(t)中各个个体的适应度；
步骤4：复制运算：将复制算子作用于群体；
步骤5：交叉运算：将交叉算子作用于群体；
步骤6：变异运算：将变异算子作用于群体，群体P(t)经过复制、交叉、变异运算后得到下一代群体P(t+1)；
步骤7：终止条件判断：若t≤T，则t←t+1：，转到步骤2；若t>T，则以进化过程中所得到的具有最大适应度的个体作为最优解输出；
步骤8：个体解码。
7.根据权利要求1或6所述的一种海水养殖水质含氧量检测方法：所述的采用遗传算法离线优化各特征变量的权值，步骤2中所述的权值个体编码时，所有权值的代数和为1。
CN201410439013.9A 2014-09-01 2014-09-01 一种海水养殖水质含氧量检测方法 Pending CN104215746A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410439013.9A CN104215746A (zh) 2014-09-01 2014-09-01 一种海水养殖水质含氧量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410439013.9A CN104215746A (zh) 2014-09-01 2014-09-01 一种海水养殖水质含氧量检测方法

Publications (1)

Publication Number Publication Date
CN104215746A true CN104215746A (zh) 2014-12-17

Family

ID=52097460

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410439013.9A Pending CN104215746A (zh) 2014-09-01 2014-09-01 一种海水养殖水质含氧量检测方法

Country Status (1)

Country Link
CN (1) CN104215746A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106560713A (zh) * 2016-10-20 2017-04-12 浙江农林大学 大型养猪场处理后的污水水质监测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070156350A1 (en) * 2001-12-20 2007-07-05 Japan Science And Technology Agency Metabolism circuit information processing method, metabolism circuit information processor, program, and recording medium
CN101051032A (zh) * 2006-04-06 2007-10-10 华北电力大学 大型锅炉排烟含氧量软测量方法
CN102183621A (zh) * 2011-02-28 2011-09-14 中国农业大学 水产养殖溶解氧浓度在线预测方法及系统
CN103969412A (zh) * 2014-04-13 2014-08-06 北京工业大学 一种基于群决策案例推理的溶解氧浓度软测量方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070156350A1 (en) * 2001-12-20 2007-07-05 Japan Science And Technology Agency Metabolism circuit information processing method, metabolism circuit information processor, program, and recording medium
CN101051032A (zh) * 2006-04-06 2007-10-10 华北电力大学 大型锅炉排烟含氧量软测量方法
CN102183621A (zh) * 2011-02-28 2011-09-14 中国农业大学 水产养殖溶解氧浓度在线预测方法及系统
CN103969412A (zh) * 2014-04-13 2014-08-06 北京工业大学 一种基于群决策案例推理的溶解氧浓度软测量方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张春涛: "遗传算法及其在数值逼近中的应用研究", 《中国优秀博硕士学位论文全文数据库（硕士）》, no. 01, 15 March 2004 (2004-03-15) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106560713A (zh) * 2016-10-20 2017-04-12 浙江农林大学 大型养猪场处理后的污水水质监测方法

Similar Documents

Publication Publication Date Title
Mustapha et al. Sustainable aquaculture development: a review on the roles of cloud computing, internet of things and artificial intelligence (CIA)
Gentry et al. Offshore aquaculture: spatial planning principles for sustainable development
Liu et al. A hybrid approach of support vector regression with genetic algorithm optimization for aquaculture water quality prediction
McCAIRNS et al. Landscape genetic analyses reveal cryptic population structure and putative selection gradients in a large‐scale estuarine environment
Lawrence et al. Drivers of protistan grazing pressure: seasonal signals of plankton community composition and environmental conditions
Özkan et al. Cross‐taxon congruence in lake plankton largely independent of environmental gradients
Gebühr et al. Influence of nutrients, temperature, light and salinity on the occurrence of Paralia sulcata at Helgoland Roads, North Sea
Liu et al. Prediction of dissolved oxygen content in aquaculture of Hyriopsis cumingii using Elman neural network
Singh et al. AcetoBase: a functional gene repository and database for formyltetrahydrofolate synthetase sequences
Duan et al. Modeling changes in the coastal ecosystem of the Pearl River Estuary from 1981 to 1998
Karim et al. IoT based smart fish farming aquaculture monitoring system
CN114242156A (zh) 海洋微塑料上致病性弧菌相对丰度的实时预测方法及系统
Zheng et al. Sediment resuspension drives protist metacommunity structure and assembly in grass carp (Ctenopharyngodon idella) aquaculture ponds
Ghedini et al. Metabolic scaling across succession: Do individual rates predict community‐level energy use?
Kenitz et al. Environmental and ecological drivers of harmful algal blooms revealed by automated underwater microscopy
Khotimah Aquaculture water quality prediction using smooth SVM
Deschamps et al. Major shift in the copepod functional community of the southern North Sea and potential environmental drivers
CN104215746A (zh) 一种海水养殖水质含氧量检测方法
CN117314266A (zh) 一种基于超图注意力机制的新型科技人才智能评价方法
CN116884523A (zh) 一种海洋牧场水质多参数预测方法
Sefeedpari et al. Application of artificial neural network to model the energy output of dairy farms in Iran
Hairston Jr et al. Daphnia paleogenetics and environmental change: deconstructing the evolution of plasticity
CN112001641B (zh) 一种扇贝养殖区适宜性遥感评估系统
White et al. Empirical approaches to measure connectivity
Peng et al. A review on the application of machine learning in production of woody biomass from natural and planted forests

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C12 Rejection of a patent application after its publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20141217