CN107169621A - 一种水体溶解氧预测方法及装置 - Google Patents

一种水体溶解氧预测方法及装置 Download PDF

Info

Publication number
CN107169621A
CN107169621A CN201710214305.6A CN201710214305A CN107169621A CN 107169621 A CN107169621 A CN 107169621A CN 201710214305 A CN201710214305 A CN 201710214305A CN 107169621 A CN107169621 A CN 107169621A
Authority
CN
China
Prior art keywords
data
dissolved oxygen
template samples
sample
prediction
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
CN201710214305.6A
Other languages
English (en)
Inventor
杨卫中
饶伟
李道亮
付为森
王亮
杨昊
位耀光
李振波
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.)
China Agricultural University
Original Assignee
China Agricultural 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 China Agricultural University filed Critical China Agricultural University
Priority to CN201710214305.6A priority Critical patent/CN107169621A/zh
Publication of CN107169621A publication Critical patent/CN107169621A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06QDATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management, e.g. organising, planning, scheduling or allocating time, human or machine resources; Enterprise planning; Organisational models
    • G06Q10/063Operations research or analysis
    • G06Q10/0639Performance analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KGRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for recognising patterns
    • G06K9/62Methods or arrangements for pattern recognition using electronic means
    • G06K9/6217Design or setup of recognition systems and techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06K9/6218Clustering techniques
    • G06K9/622Non-hierarchical partitioning techniques
    • G06K9/6221Non-hierarchical partitioning techniques based on statistics
    • G06K9/6223Non-hierarchical partitioning techniques based on statistics with a fixed number of clusters, e.g. K-means clustering
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Computing arrangements based on biological models using neural network models
    • G06N3/04Architectures, e.g. interconnection topology
    • G06N3/0436Architectures, e.g. interconnection topology in combination with fuzzy logic
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Computing arrangements based on biological models using neural network models
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06QDATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/02Agriculture; Fishing; Mining

Abstract

本发明提供的一种水体溶解氧预测方法及装置,该方法包括:获取溶解氧数据与水质数据、气象数据以及生物量数据之间各自的相关系数,并根据该相关系数选取模板样本;通过K‑means聚类法按照第一预设时间段对该模板样本进行分类,并在分类的模板样本中识别出与预测样本相似的模板样本作为训练样本;对训练样本进行训练和预测,以建立预测模型;将预测样本输入到预测模型,以获得预测时刻后第一预设时间段内的溶解氧预测值。该预测方法具有较高的预测精度及较强的适应度,并且在预测稳定性和精度上,有较好的鲁棒性和复杂线性映射能力,特别适合于易受环境等外界因素影响的鱼菜共生系统的水体溶解氧预测。

Description

一种水体溶解氧预测方法及装置
技术领域
[0001] 本发明涉及水处理技术领域,更具体地,涉及一种水体溶解氧预测方法及装置。
背景技术
[0002] 溶解氧作为水质的一项重要参数,在工厂化水产养殖、日光温室水培种养中扮演 着重要的角色,它很大程度上决定了鱼类的生长状态,所以预测溶解氧的变化趋势可以为 养殖人员的决策提供重要参考,减小养种植风险。
[0003] 水体溶解氧受到很多因素影响,包括:物理、化学、生物和人为因素。而一些复杂的 水循环系统,例如,鱼菜共生系统,包括水产养殖、水处理和水培三部分,是一种鱼、菜和生 物菌三者共生的复合种养系统,该系统不仅对溶解氧的要求很高,而且还极易受到气象环 境、水质参数和生物量的综合影响。因此,溶解氧的预测极为困难,十分迫切的需要可以应 对复杂多变的循环水系统水体溶解氧预测的解决方案。
[0004] 现有的水体溶解氧预测方法包括:步骤1、获取并存储一个时间段内的鱼菜共生系 统的环境数据及溶解氧数据;步骤2、用归一化方法对所述环境数据进行数据标准化预处 理,获得模糊神经网络溶解氧预测控制模型的训练数据集;步骤3、根据训练数据集,获取模 糊神经网络溶解氧预测控制模型;步骤4、将当前溶解氧含量的实时数据输入模糊神经网络 溶解氧预测控制模型,得到水中的溶解氧含量的预测结果。
[0005] 但是现有的水体溶解氧预测方法存在预测收敛速度慢、预测精度低以及效率低等 问题,而且无法精准快速的处理因环境等外界因素所带来的数据波动大等问题。
发明内容
[0006] 针对上述的技术问题,本发明提供一种水体溶解氧预测方法及装置。
[0007] 第一方面,本发明提供一种水体溶解氧预测方法,包括:将预测样本输入通过训练 基于K-means聚类法分类识别的训练样本建立的预测模型,获得未来第一预设时间段内的 溶解氧预测值。
[0008] 其中,所述方法进一步包括:Sl,获取水质数据、气象数据及生物量数据各自与溶 解氧数据的相关系数,并根据所述相关系数选取模板样本;S2,通过K-means聚类法按照所 述第一预设时间段对所述模板样本进行分类,在所述分类的模板样本中识别出与所述预测 样本相似的模板样本作为训练样本;S3,对所述训练样本进行训练,以建立预测模型。
[0009] 其中,在所述Sl之前还包括S0,采集并存储第二预设时间段内的溶解氧数据、水质 数据、气象数据以及生物量数据。
[0010] 其中,在所述SO之后、所述Sl之前包括:采用线性插值法对所述水质数据进行处 理,采用均值平滑法对所述生物量数据进行处理,以及采用小波变化法对所述气象数据进 行处理。
[0011] 其中,在所述SO之后、所述Sl之前还包括:对处理后的所述水质数据、所述气象数 据以及所述生物量数据分别进行归一化处理。
[0012] 其中,所述SI进一步包括:根据皮尔森相关系数法获取所述水质数据、所述气象数 据及所述生物量数据各自与所述溶解氧数据的相关系数。
[0013] 其中,所述S2中在所述分类的模板样本中识别出与所述预测样本相似的模板样本 作为训练样本进一步包括:根据基于欧式距离和夹角余弦原理获取的相似度,在所述分类 的模板样本中识别出与所述预测样本相似的模板样本作为训练样本。
[00M]其中,所述S3中对所述训练样本进行训练进一步包括:采用模糊神经网络对所述 训练样本进行训练。
[0015] 第二方面,本发明提供一种水体溶解氧预测装置,包括:预测模块,用于将预测样 本输入通过训练基于K-means聚类法分类识别的训练样本建立的预测模型,获得未来第一 预设时间段内的溶解氧预测值。
[0016] 其中,所述装置还包括:获取模块,用于获取水质数据、气象数据以及生物量数据 各自与溶解氧数据的相关系数,并根据所述相关系数选取模板样本;处理模块,用于通过K-means聚类法按照所述第一预设时间段对所述模板样本进行分类,在所述分类的模板样本 中识别出与所述预测样本相似的模板样本作为训练样本;模型建立模块,用于对所述训练 样本进行训练,以建立预测模型。
[0017] 本发明提供的一种水体溶解氧预测方法及装置,采用相关系数选取模板样本,然 后采用K-means聚类法按照第一预设时间段对模板样本进行分类,并在分类的模板样本中 识别出与预测样本相似的模板样本作为训练样本,再对训练样本进行训练和预测,以建立 预测模型,最后将预测样本输入预测模型,以获得预测时刻后一段时间内的溶解氧预测值。 该预测方法具有较高的预测精度及较强的适应度,并且在预测稳定性和精度上,有较好的 鲁棒性和复杂线性映射能力,特别适合于易受环境等外界因素影响的鱼菜共生系统的水体 溶解氧预测。
附图说明
[0018] 为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现 有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发 明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根 据这些附图获得其他的附图。
[0019] 图1为本发明实施例提供的水体溶解氧预测方法的流程图;
[0020] 图2为图1中所述通过K-means聚类法对所述模板样本进行分类的流程图;
[0021] 图3为本发明另一实施例提供的水体溶解氧预测方法中模糊神经网络的拓扑结构 示意图;
[0022] 图4为本发明实施例提供的水体溶解氧预测装置的结构图。
具体实施方式
[0023] 为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例 中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明 一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有 做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
[0024] 图1为本发明实施例提供的水体溶解氧预测方法的流程图,如图1所示,该方法包 括:Sl,获取水质数据、气象数据及生物量数据各自与溶解氧数据的相关系数,并根据所述 相关系数选取模板样本;S2,通过K-means聚类法按照第一预设时间段对所述模板样本进行 分类,在所述分类的模板样本中识别出与所述预测样本相似的模板样本作为训练样本;S3, 对所述训练样本进行训练,以建立预测模型;S4,将预测样本输入所述预测模型,获得未来 第一预设时间段内的溶解氧预测值。
[0025] 其中,相关系数是用以反映变量之间相关关系密切程度的统计指标。
[0026] 其中,K-means聚类法是硬聚类算法,是典型的基于原型的目标函数聚类方法的代 表,它是数据点到原型的某种距离作为优化的目标函数,利用函数求极值的方法得到迭代 运算的调整规则。K-means算法以欧式距离作为相似度测度,它是求对应某一初始聚类中心 向量V最优分类,使得评价指标J最小。
[0027] 在本发明实施例中将该水体溶解氧预测方法应用于鱼菜共生系统,但并不用于限 制本发明的保护范围。具体地,在预测鱼菜共生系统中水体的溶解氧时,先获取水质数据、 气象数据及生物量数据各自与溶解氧数据的相关系数,例如,溶解氧与鱼菜共生系统中水 温的相关系数为0.43、溶解氧与鱼菜共生系统中气温的相关系数为0.34、溶解氧与鱼菜共 生系统中鱼的质量的相关系数为0.21等等。然后将获取到的相关系数按照大小进行排列, 根据需要选取靠前的影响因子作为模板样本,例如,选取前6种或者8种影响因子作为模板 样本。这样在保证准确性的基础上,可以提高溶解氧的预测效率。
[0028] 鱼菜共生系统属于循环水系统,受水质变化影响较大,因此加水对系统的影响与 其他因素的影响不在同一量级,所以需要将加水率单独算作一个重要影响因子权重。加水 率会对溶解氧数据的规律带来较为明显的变化,为了避免预测时这种多变情况导致溶解氧 的预测精度下降、收敛速度变慢等问题,采用了 K-means聚类方法按照第一预设时间段将模 板样本进行智能化分类,例如,将第一预设时间段设置为一天。如图2所示,S201,任意指定η 个模板样本中的s个模板样本作为簇中心;S202,计算模板样本与所有簇中心之间的相似 度;S203,确定模板样本的归属,当相似度大于阈值则形成新簇;S204,重新计算聚类后新簇 的簇中心,重复步骤S202-S203直到每个簇不再发生变化为止。通过K-means聚类的方法,将 模板样本按不同等级的相似度分为η个类型,每个类型中有s组数据。将模板样本进行分类 可以优化模板样本的结构性,将模板样本优化成几种不同相似度的类型,例如,划分为蓄水 初期、蓄水中期和蓄水后期几种类型。便于选取与预测样本具有高相似度的模板样本作为 后续训练的训练样本,从而提高预测的精准度。
[0029] 按照上面获取模板样本的方法获取预测时刻前第一预设时间段内的数据作为预 测样本,例如,预测时刻为2017年3月30日12点30分,则可以获取2017年3月30日12点30分前 一天的数据作为预测样本。然后在分类后的模板样本中识别出与预测样本相似的模板样本 作为训练样本,并对该训练样本进行训练以建立预测模型。最后将预测样本输入到预测模 型中,从而获得预测时刻后第一预设时间段内的溶解氧预测值,例如,获得2017年3月30日 12点30分后一天的溶解氧预测值。
[0030] 本发明实施例与现有技术相比,采用相关系数选取模板样本,然后采用K-means聚 类法按照第一预设时间段对模板样本进行分类,并在分类的模板样本中识别出与预测样本 最为相似的模板样本作为训练样本,再对训练样本进行训练以建立预测模型,最后将预测 样本输入预测模型,以获得未来第一预设时间段内的溶解氧预测值。该预测方法具有较高 的预测精度及较强的适应度,并且在预测稳定性和精度上,有较好的鲁棒性和复杂线性映 射能力,特别适合于易受环境等外界因素影响的鱼菜共生系统的水体溶解氧预测。
[0031] 在上述实施例的基础上,在所述Sl之前还包括S0,采集并存储第二预设时间段内 系统中的溶解氧数据、水质数据、气象数据以及生物量数据。所述水质数据包括:电导率、PH 值、水温和氨氮;所述气象数据包括:气温、湿度、光照强度和二氧化碳;所述生物量数据包 括:系统中鱼的质量、菜的质量以及投喂量。
[0032] 具体地,在对水体溶解氧进行预测时,首先要采集与溶解氧有关的数据,即对第二 预设时间段内的溶解氧数据、水质数据、气象数据以及生物量数据进行采集,例如,可以采 集2017年3月1日12:00至2017年3月30日12:00这一段时间的数据。选取某鱼菜共生系统,系 统外围搭建有远程无线监控系统,用来监测鱼菜共生系统水质周边的气象数据,监控系统 中的环境监测传感器对气象数据进行实时数据采集,采集到的气象数据包括:气温、湿度、 光照强度和二氧化碳。
[0033] 鱼菜共生系统中安装有有线水质参数采集装置,采集装置中的水质监测传感器用 于在线实时对水质参数进行全方位监测,采集到的水质数据包括:电导率、pH值、水温和氨 氮。使用鱼菜标记法和生物量测量仪对生物每段时间的生物量数据进行记录,记录的生物 量数据包括:鱼的质量、菜的质量以及投喂量。并对采集到的溶解氧数据、水质数据、气象数 据以及生物量数据进行存储,以供后续对溶解氧进行预测。例如,可以每隔30分钟采集一次 数据,并将各个点位采集到的数据通过可靠的通讯手段汇总并储存到汇聚节点处,以实现 对系统全方位数据采集工作,保证了数据技术方案的科学严谨性,降低因考虑不周全而导 致的系统参数预测准确性。
[0034] 在上述实施例的基础上,在所述SO之后、所述Sl之前包括:采用线性插值法对所述 水质数据进行处理,采用均值平滑法对所述生物量数据进行处理,以及采用小波变化法对 所述气象数据进行处理。
[0035] 由于采集设备侵蚀导致传感器老化、性能下降、数据传输线路故障等原因;人为因 素如增氧、清理系统杂物等,常常会给采集设备所采集的数据带来干扰,甚至数据丢失的情 况,使得监测到的水质数据、气象数据出现异常波动。鱼菜共生系统是一个复杂多变的系 统,多参数会相互影响,作用机理复杂,噪声和水质数据混杂交织,难以区分。上述原因导致 采集到的数据中常有部分丢失和不可无视的噪声。若使用监测采集的原始数据直接用于溶 解氧预测,将严重影响预测精度和可靠性,甚至完全误判。为此本发明实施例采用了几种快 速有效的方法来数据进行修复处理。
[0036] 使用线性插值法对水质数据进行修复处理,其具体公式如下:
[0037]
Figure CN107169621AD00061
,式中Xk和Xk+j分别为已知k时刻和k+ j 时刻监测的水质数据,xk+1为第k+i时刻缺失的水质数据值。若采集的水质数据丢失较多或 采集时间间隔较大时,可以采用天气类型相同或相近的同时刻数据进行填补。
[0038] 生物量数据具有时序性和延续性的特点,前后相邻时刻数据正常情况不会发生剧 烈跳变,因此可以采用均值平滑法对生物量数据进行平滑处理,保证数据的连续完整。
[0039] 由于气象数据变化幅度大,且传输距离长,空气介质不稳定,因此,采用信号处理 中常使用到的小波变换法来剔除冗余信息和噪声数据的干扰,本发明实施例中采取对连续 变量a,b和t施加不同的离散化条件,使连续小波及其变换进行离散化处理,具体如下:
Figure CN107169621AD00071
[0041]则得到所对应的离散簇表达式定义为:
Figure CN107169621AD00072
[0043] 使用比较典型的小波变化法对采集到的气象数据进行数据修复和数据降噪处理, 进一步增加数据的可靠性。
[0044] 然后计算处理后的水质数据、气象数据和生物量数据各自与溶解氧的相关系数, 然后根据计算得到的相关系数选取合适的模板样本。
[0045] 在本发明实施例中,通过采用线性插值法对所述水质数据进行处理,采用均值平 滑法对所述生物量数据进行处理,以及采用小波变化法对所述气象数据进行处理,提高模 板样本的可靠性,进而提高溶解氧预测的准确性。
[0046] 在上述实施例的基础上,在所述SO之后、所述Sl之前还包括:对处理后的所述水质 数据、所述气象数据以及所述生物量数据分别进行归一化处理。
[0047] 为避免各种数据的量级差异,先采样归一化方法对处理后的水质数据、气象数据 以及生物量数据进行无量纲化处理,将其归一映射在[0,1]的区间内,利用公式:
[0048]
Figure CN107169621AD00073
ί中X \ Xmir^Pxmax分别为输入数据、输入数据中的最小值和输入 数据中的最大值,X为归一化后的值。这样可以保证模板样本中数据的量级统一,形成同量 级数据。
[0049] 然后将归一化后的水质数据、气象数据以及生物量数据各自对溶解氧求取相关系 数,根据相关系数的大小关系,选取合适的数据作为模板样本,这样可以提高溶解氧的预测 效率。
[0050] 在上述实施例的基础上,所述Sl进一步包括:根据皮尔森相关系数法获取所述水 质数据、所述气象数据及所述生物量数据各自与所述溶解氧数据的相关系数。
[0051] 其中,皮尔森相关系数(Pearson correlation coefficient)也称皮尔森积矩相 关系数(Pearson product-moment correlation coefficient),是一种线性相关系数。皮 尔森相关系数是用来反映两个变量线性相关程度的统计量。相关系数用r表示,其中η为样 本量,分别为两个变量的观测值和均值。r描述的是两个变量间线性相关强弱的程度。r的绝 对值越大表明相关性越强。
Figure CN107169621AD00074
[0052] 具体地,在对采集到的水质数据、气象数据及生物量数据进行归一化处理后,则需 要获取水质数据、气象数据及生物量数据各自与溶解氧数据的相关系数,在本发明实施例 中采用皮尔森相关系数法获取相关系数,将水质数据、气象数据及生物量数据分别代入如 下公式, ί
[0053] 式中xi、yi表示向量X和y中 第i个元素;运、f分别为向量X和y中元素的平均值。经计算可以获得各数据参数与溶解氧 之间的相关系数。
[0054] 然后参照计算出的各数据参数与溶解氧的相关系数值,对数据进行筛选,本发明 实施例中选取前六种数据参数作为模板样本数据,例如选取的前六种数据为湿度、氨氮、光 照强度、水温、气温和投喂量。再根据选取的模板样本对水体溶解氧进行预测,这样可以提 高溶解氧预测的效率。
[0055] 以下对本发明实施例进行举例说明,但并不用于限制本发明的保护范围。以采集 的2017年3月1日12:00至2017年3月30日12:00的数据作为第二预设时间内采集的数据,这 里的数据包括:溶解氧数据、水质数据、气象数据以及生物量数据,以每30分钟采集的数据 作为一组数据。水质数据包括电导率、PH值、水温和氨氮;所述气象数据包括:气温、湿度、光 照强度和二氧化碳;所述生物量数据包括:系统中鱼的质量、菜的质量以及投喂量。并采用 线性插值法对所述水质数据进行处理,采用均值平滑法对所述生物量数据进行处理,以及 采用小波变化法对所述气象数据进行处理,提高数据的准确性和稳定性。再对处理后的所 述水质数据、所述气象数据以及所述生物量数据分别进行归一化处理,以便后续进行相关 系数的计算。
[0056] 然后采用皮尔森相关系数法获取溶解氧数据与水质数据、气象数据以及生物量数 据之间各自的相关系数。将水质数据、气象数据及生物量数据分别代入如下公式,
Figure CN107169621AD00081
[0058] 经计算得到其各自与溶解氧的相关系数值,结果如下表:
[0059] 数据参数与溶解氧的相关系数
[0060]
Figure CN107169621AD00082
[0061] 表1
[0062] 然后参照计算出的各数据参数与溶解氧的相关系数表,对数据进行筛选,本发明 实施例中选取前六种数据参数作为模板样本数据,即前六种数据为湿度、氨氮、光照强度、 水温、气温和投喂量,那么模板样本中包含有每隔30分钟采集一次的湿度、氨氮、光照强度、 水温、气温和投喂量这六种数据,总共采集30天,即模板样本中共有8640个数据,每组数据 有6个数据参数,因此构成1440组数。
[0063] 再通过K-means聚类法按照第一预设时间段对得到的模板样本进行分类,例如这 里的第一预设时间段为一天,采用一天共48组数据量为一簇,S卩U= Ix1,X2,…,xn},U为8640 个总数据,Xn为第η天的样本数据。每天48个时刻的采集数据构成一天的样本数据X,同时每 个样本数据中有6种参数,为此可以使用数据矩阵表示为:
Figure CN107169621AD00091
[0065]其中Xi为第i天的样本,m为数据参数,t为采集时刻,其中t = 48。任意指定这1440 组数中的一个48组数作为簇中心;计算模板样本与所有簇中心之间的相似度(距离);确定 模板样本归属,当相似度大于阈值则形成新簇;重新计算聚类后所得簇的簇中心,重复步骤 2〜3直到每个簇不再发生变化为止。这样按不同的相似度值进行分类,得到不同的聚类结 果,即分为几种不同相似度的类型,例如,划分为:加水区类型、趋于稳定区的类型、稳定区 的类型等。
[0066] 按照获取模板样本的方法获取预测时刻前第一预设时间段内的预测样本,例如, 获取2017年3月30日12:00前一天的数据作为预测样本。然后在分类后的模板样本中识别出 于预测样本最为相似的模板样本作为训练样本,再对训练样本进行训练以建立预测模块, 再将预测样本输入建立好的预测模型中,则输出2017年3月30日12:00后一天的水体溶解氧 预测结果。
[0067] 在上述实施例的基础上,所述S2中在所述分类的模板样本中识别出与所述预测样 本相似的训练样本进一步包括:根据基于欧式距离和夹角余弦原理获取的相似度,在所述 分类的模板样本中识别出与所述预测样本相似的训练样本。
[0068] 其中,欧氏距离(euclidean metric)(也称欧几里得度量)是一个通常采用的距离 定义,指在m维空间中两个点之间的真实距离,或者向量的自然长度(即该点到原点的距 离)。在二维和三维空间中的欧氏距离就是两点之间的实际距离。
[0069] 具体地,在采用K-means聚类法对得到的模板样本进行分类后,各聚类后的模板样 本中心按照平均公式计算:
[0070]
Figure CN107169621AD00092
,式中第i类模板样本包括P个样本数据。为了综合考虑历史数据中 的数值信息和趋势信息,本发明实施例采取了一种新型相似度计量,计算公式如下:
Figure CN107169621AD00093
[0074] 式中样本X和样本y在i时刻、j数据参数的数值分别用xij、yij表示,且Xij和yij均在 [0,1]之间。样本中第j个数据参数的权值用表示;α和β为欧式距离dxy和夹角余弦Dcqs xy的 权重系数,相似度统计量由值系数和形系数两项共同决定。α+β=1,不同蓄水时间段的取值 会不同,大量新水加入时,α应取1,否则接近〇。然后按照欧式距离和夹角余弦计算得到相似 度,再按照相似度选取与预测样本(即,预测时刻前第一预设时间段内的预测样本)最相似 的模板样本作为训练样本,并对该训练样本进行训练和预测,以建立预测模型。最后将预测 样本输入到建立好的预测模型中,即可输出预测时刻后一段时间的水体溶解氧预测结果, 例如,预测时刻后一天的溶解氧预测结果。
[0075] 在本发明实施例中,通过采用欧式距离及夹角余弦原理和中心点计算公式来识别 出与预测样本相似的模板样本作为训练样本,可以精确地在模板样本中识别出与预测样本 相似的t吴板样本,提尚水体溶解氧预测的精确性。
[0076] 在上述实施例的基础上,所述S3中对所述训练样本进行训练进一步包括:采用模 糊神经网络对所述训练样本进行训练。
[0077] 其中,模糊神经网络就是模糊理论同神经网络相结合的产物,它汇集了神经网络 与模糊理论的优点,集学习、联想、识别、信息处理于一体。
[0078] 具体地,在采用模糊神经网络对训练样本进行训练和预测时,需要先建立模糊神 经网络系统,在本发明实施例中选定模糊神经网络系统为三层,包括:输入层,隐含层和输 出层,网络的拓扑结构如图3所示;由于本发明实施例的训练样本中包括6个数据参数,故输 入层采用6维输入模式;输出层采用一个单输出模式;隐含层神经元14个,输入层和隐含层 之间的激活函数为f。
[0079] 对与预测样本相似的模板样本进行划分,取其五分之四作为训练数据,剩下的五 分之一作为预测数据,利用模糊神经网路对训练数据进行训练,训练后通过预测数据进行 反向修正;取1440组数据中的前五分之四组数据作为训练数据,即取前1152组数据作为训 练数据,剩余288组作为预测数据。将与预测样相似的模板样本按照系统构建的六维输入模 式放入模糊神经网络系统的输入层;将与之对应的溶解氧数据样本放入系统构建的单输出 模式的输出层。然后通过模糊神经网络对1152组数据进行训练,不断反馈循环修正参数;利 用288组数据进行预测仿真,检验预测结果的准确性;最终训练出成型的神经网络模型。
[0080] 将预测时刻前第一预设时间段内的预测样本,例如,2017年3月30日12:00前一天 内的数据作为预测样本,即预测样本有48组数据,将这48组数据输入建立好的神经网络模 型中,即可输出2017年3月30日12:00后一天的水体溶解氧预测结果。
[0081] 在本发明实施例中,通过采用模糊神经网络对所述训练样本进行训练以建立预测 模型,再将预测样本输入预测模型中,即可输出未来一段时间的溶解氧预测结果,以达到能 够准确预测水体溶解氧的目的。
[0082] 图4为本发明实施例提供的水体溶解氧预测装置的结构图,如图4所示,该装置包 括:获取模块401、处理模块402、模型建立模块403和预测模块404。获取模块401用于获取水 质数据、气象数据及生物量数据各自与溶解氧数据的相关系数,并根据所述相关系数选取 模板样本;处理模块402用于通过K-means聚类法按照第一预设时间段对所述模板样本进行 分类,并在所述分类的模板样本中识别出与所述预测样本相似的模板样本作为训练样本; 模型建立模块403用于对所述训练样本进行训练,以建立预测模型;预测模块404用于将所 述预测样本输入所述预测模型,以获得未来第一预设时间段内的溶解氧预测值。
[0083] 在本发明实施例中将该水体溶解氧预测装置应用于鱼菜共生系统中,但并不用于 限制本发明的保护范围。具体地,在预测鱼菜共生系统中水体的溶解氧时,先通过获取模块 401获取水质数据、气象数据及生物量数据各自与溶解氧数据的相关系数,例如,溶解氧与 鱼菜共生系统中水温的相关系数为0.43、溶解氧与鱼菜共生系统中气温的相关系数为 0.34、溶解氧与鱼菜共生系统中鱼的质量的相关系数为0.21等等。然后将获取到的相关系 数按照大小进行排列,获取模块401根据需要选取靠前的影响因子作为模板样本,例如,选 取前6种或者8种影响因子作为模板样本。这样在保证准确性的基础上,可以提高溶解氧的 预测效率。
[0084] 鱼菜共生系统属于循环水系统,受水质变化影响较大,因此加水对系统的影响与 其他因素的影响不在同一量级,所以需要将加水率单独算一重要影响因子权重。加水率会 对溶解氧数据的变化规律带来较为明显的变化,为了避免预测时这种多变情况导致溶解氧 的预测精度下降、收敛速度变慢等问题,处理模块402采用K-means聚类方法按照第一预设 时间段将模板样本进行智能化分类,例如,第一预设时间段为一天,如图2所示。将模板样本 进行分类可以优化模板样本的结构性,将模板样本优化成几种不同相似度的类型,便于处 理模块402在分类的模板样本中识别出与预测样本具有高相似度的模板样本作为后续训练 的训练样本,从而提高预测的精准度。
[0085] 获取模块401还用于获取预测时刻前第一预设时间段内的预测样本,例如,预测时 刻为2017年3月30日12点30分,则可以获取2017年3月30日12点30分前一天的数据作为预测 样本。然后处理模块402在分类好的模板样本中识别出与预测样本相似的模板样本作为训 练样本,模型建立模块403在对该训练样本进行训练和预测,以建立预测模型。最后预测模 块404将预测样本输入到预测模型中,从而获得预测时刻后第一预设时间段内的溶解氧预 测值,例如,获得2017年3月30日12点30分后一天的溶解氧预测值。
[0086] 本发明实施例与现有技术相比,通过获取模块采用相关系数选取模板样本,然后 处理模块采用K-means聚类法按照第一预设时间段对模板样本进行分类,在分类的模板样 本中识别出与预测样本最为相似的模板样本作为训练样本,模型建立模块再对训练样本进 行训练以建立预测模型,最后预测模块将预测样本输入预测模型,以获得未来第一预设时 间段内的溶解氧预测值。该预测装置具有较高的预测精度及较强的适应度,并且在预测稳 定性和精度上,有较好的鲁棒性和复杂线性映射能力,特别适合于易受环境等外界因素影 响的鱼菜共生系统的水体溶解氧预测。
[0087] 上述各实施例提供的水体溶解氧预测方法及装置,采用相关系数选取模板样本, 这是利用了主成分分析的方法,提高溶解氧的预测效率。然后采用K-means聚类法对模板样 本进行智能化分类,优化模板样本的结构性,将模板样本优化成几种不同相似度的类型。之 后采用欧式距离及夹角余弦原理和中心点计算公式来完成预测样本的分类识别功能,精确 地在模板样本中寻找出与预测样本相似的模板样本最为训练样本,降低了因外界不可抗逆 的条件对系统带来的误差因素,从而提高了预测的适应性和精准度。
[0088] 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 (10)

1. 一种水体溶解氧预测方法,其特征在于,包括: 将预测样本输入通过训练基于κ-means聚类法分类识别的训练样本建立的预测模型, 获得未来第一预设时间段内的溶解氧预测值。
2. 根据权利要求1所述的方法,其特征在于,进一步包括: S1,获取水质数据、气象数据及生物量数据各自与溶解氧数据的相关系数,并根据所述 相关系数选取模板样本; S2,通过K-means聚类法按照所述第一预设时间段对所述模板样本进行分类,在所述分 类的模板样本中识别出与所述预测样本相似的模板样本作为训练样本; S3,对所述训练样本进行训练,以建立预测模型。
3. 根据权利要求2所述的方法,其特征在于,在所述Sl之前还包括SO,采集并存储第二 预设时间段内的溶解氧数据、水质数据、气象数据以及生物量数据。
4. 根据权利要求3所述的方法,其特征在于,在所述SO之后、所述Sl之前包括: 采用线性插值法对所述水质数据进行处理,采用均值平滑法对所述生物量数据进行处 理,以及采用小波变化法对所述气象数据进行处理。
5. 根据权利要求4所述的方法,其特征在于,在所述SO之后、所述Sl之前还包括: 对处理后的所述水质数据、所述气象数据以及所述生物量数据分别进行归一化处理。
6. 根据权利要求2所述的方法,其特征在于,所述Sl进一步包括: 根据皮尔森相关系数法获取所述水质数据、所述气象数据及所述生物量数据各自与所 述溶解氧数据的相关系数。
7. 根据权利要求2所述的方法,其特征在于,所述S2中在所述分类的模板样本中识别出 与所述预测样本相似的模板样本作为训练样本进一步包括: 根据基于欧式距离和夹角余弦原理获取的相似度,在所述分类的模板样本中识别出与 所述预测样本相似的模板样本作为训练样本。
8. 根据权利要求2所述的方法,其特征在于,所述S3中对所述训练样本进行训练进一步 包括: 采用模糊神经网络对所述训练样本进行训练。
9. 一种水体溶解氧预测装置,其特征在于,包括: 预测模块,用于将预测样本输入通过训练基于K-means聚类法分类识别的训练样本建 立的预测模型,获得未来第一预设时间段内的溶解氧预测值。
10. 根据权利要求9所述的装置,其特征在于,还包括: 获取模块,用于获取水质数据、气象数据以及生物量数据各自与溶解氧数据的相关系 数,并根据所述相关系数选取模板样本; 处理模块,用于通过K-means聚类法按照所述第一预设时间段对所述模板样本进行分 类,在所述分类的模板样本中识别出与所述预测样本相似的模板样本作为训练样本; 模型建立模块,用于对所述训练样本进行训练,以建立预测模型。
CN201710214305.6A 2017-04-01 2017-04-01 一种水体溶解氧预测方法及装置 Pending CN107169621A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710214305.6A CN107169621A (zh) 2017-04-01 2017-04-01 一种水体溶解氧预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710214305.6A CN107169621A (zh) 2017-04-01 2017-04-01 一种水体溶解氧预测方法及装置

Publications (1)

Publication Number Publication Date
CN107169621A true CN107169621A (zh) 2017-09-15

Family

ID=59849655

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710214305.6A Pending CN107169621A (zh) 2017-04-01 2017-04-01 一种水体溶解氧预测方法及装置

Country Status (1)

Country Link
CN (1) CN107169621A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108334975A (zh) * 2017-12-25 2018-07-27 中国农业大学 面向无水贮藏环境下的氧气含量动态预测方法及装置
CN108376297A (zh) * 2018-02-09 2018-08-07 中国农业大学 一种水产养殖水质预警方法、设备及存储介质
CN108439580A (zh) * 2018-05-30 2018-08-24 北京天诚同创电气有限公司 溶解氧浓度控制系统、方法和装置
CN108450386A (zh) * 2018-01-22 2018-08-28 中国农业大学 一种工厂化水产养殖的水质调控系统与方法
CN108668962A (zh) * 2018-04-16 2018-10-19 北京师范大学 一种鱼类窒息死亡风险的确定方法及系统
CN109324014A (zh) * 2018-10-08 2019-02-12 华东理工大学 一种自适应的原油性质近红外快速预测方法
CN110889201A (zh) * 2019-11-05 2020-03-17 北京工商大学 基于混杂动态系统的水质机理建模及健康风险评估方法
CN110987825A (zh) * 2019-12-05 2020-04-10 南京师范大学 一种基于光谱匹配的城市黑臭水体分级方法
CN113238014A (zh) * 2021-04-19 2021-08-10 中国农业大学 一种基于鱼群行为的水质溶解氧预测方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020642A (zh) * 2012-10-08 2013-04-03 江苏省环境监测中心 水环境监测质控数据分析方法
CN103064290A (zh) * 2013-01-01 2013-04-24 北京工业大学 基于自组织径向基神经网络的溶解氧模型预测控制方法
CN103218669A (zh) * 2013-03-19 2013-07-24 中山大学 一种智能的活鱼养殖水质综合预测方法
CN104899653A (zh) * 2015-06-02 2015-09-09 北京工商大学 基于专家系统及蓝藻生长机理时序模型的湖库蓝藻水华预测方法
CN105956702A (zh) * 2016-04-29 2016-09-21 中国农业大学 一种基于数据融合的水产养殖水质溶解氧预测方法
CN106292802A (zh) * 2016-09-18 2017-01-04 中国农业大学 一种用于鱼菜共生系统的智能预测控制系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020642A (zh) * 2012-10-08 2013-04-03 江苏省环境监测中心 水环境监测质控数据分析方法
CN103064290A (zh) * 2013-01-01 2013-04-24 北京工业大学 基于自组织径向基神经网络的溶解氧模型预测控制方法
CN103218669A (zh) * 2013-03-19 2013-07-24 中山大学 一种智能的活鱼养殖水质综合预测方法
CN104899653A (zh) * 2015-06-02 2015-09-09 北京工商大学 基于专家系统及蓝藻生长机理时序模型的湖库蓝藻水华预测方法
CN105956702A (zh) * 2016-04-29 2016-09-21 中国农业大学 一种基于数据融合的水产养殖水质溶解氧预测方法
CN106292802A (zh) * 2016-09-18 2017-01-04 中国农业大学 一种用于鱼菜共生系统的智能预测控制系统及方法

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108334975A (zh) * 2017-12-25 2018-07-27 中国农业大学 面向无水贮藏环境下的氧气含量动态预测方法及装置
CN108450386B (zh) * 2018-01-22 2019-10-11 中国农业大学 一种工厂化水产养殖的水质调控系统与方法
CN108450386A (zh) * 2018-01-22 2018-08-28 中国农业大学 一种工厂化水产养殖的水质调控系统与方法
CN108376297A (zh) * 2018-02-09 2018-08-07 中国农业大学 一种水产养殖水质预警方法、设备及存储介质
CN108376297B (zh) * 2018-02-09 2021-02-02 中国农业大学 一种水产养殖水质预警方法、设备及存储介质
CN108668962A (zh) * 2018-04-16 2018-10-19 北京师范大学 一种鱼类窒息死亡风险的确定方法及系统
CN108439580A (zh) * 2018-05-30 2018-08-24 北京天诚同创电气有限公司 溶解氧浓度控制系统、方法和装置
CN108439580B (zh) * 2018-05-30 2020-12-18 北京天诚同创电气有限公司 溶解氧浓度控制系统、方法和装置
CN109324014A (zh) * 2018-10-08 2019-02-12 华东理工大学 一种自适应的原油性质近红外快速预测方法
CN109324014B (zh) * 2018-10-08 2021-09-24 华东理工大学 一种自适应的原油性质近红外快速预测方法
CN110889201A (zh) * 2019-11-05 2020-03-17 北京工商大学 基于混杂动态系统的水质机理建模及健康风险评估方法
CN110889201B (zh) * 2019-11-05 2020-07-03 北京工商大学 基于混杂动态系统的水质机理建模及健康风险评估方法
CN110987825A (zh) * 2019-12-05 2020-04-10 南京师范大学 一种基于光谱匹配的城市黑臭水体分级方法
CN113238014A (zh) * 2021-04-19 2021-08-10 中国农业大学 一种基于鱼群行为的水质溶解氧预测方法及装置

Similar Documents

Publication Publication Date Title
CN107169621A (zh) 一种水体溶解氧预测方法及装置
CN110109193B (zh) 一种基于drnn神经网络的茄子温室温度智能化检测装置
CN110119766B (zh) 一种多组合智能化模型的青椒温室温度智能化预警装置
CN110119086B (zh) 一种基于anfis神经网络的番茄温室环境参数智能监测装置
CN110084417B (zh) 一种基于grnn神经网络的草莓温室环境参数智能监测系统
CN102183621A (zh) 水产养殖溶解氧浓度在线预测方法及系统
CN106373022B (zh) 基于bp-ga的温室农作物种植效率条件优化方法及系统
CN110069032B (zh) 一种基于小波神经网络的茄子温室环境智能检测系统
CN107728477A (zh) 一种工厂化水产养殖水质溶解氧预测控制方法及系统
CN109978234A (zh) 墒情预测、灌溉决策方法和装置
CN110163254B (zh) 一种基于递归神经网络的黄瓜温室产量智能化预测装置
CN110119767B (zh) 一种基于lvq神经网络的黄瓜温室温度智能化检测装置
CN110119169A (zh) 一种基于最小向量机的番茄温室温度智能预警系统
CN110083190B (zh) 一种基于减法聚类分类器的青椒温室环境智能监测系统
CN108507700A (zh) 一种猪舍多点温度预测方法及系统
CN110070228A (zh) 一种神经元分支进化的bp神经网络风速预测方法
Wang et al. A new approach of obtaining reservoir operation rules: Artificial immune recognition system
CN110147825B (zh) 一种基于经验模态分解模型的草莓温室温度智能检测装置
CN111292124A (zh) 一种基于优化组合神经网络的需水预测方法
Keerthana et al. An ensemble algorithm for crop yield prediction
Cao et al. Prediction of dissolved oxygen content in aquaculture based on clustering and improved ELM
CN112364710A (zh) 一种基于深度学习算法的植物电信号分类识别方法
Huan et al. A dissolved oxygen prediction method based on K-means clustering and the ELM neural network: a case study of the Changdang Lake, China
Chen et al. A Water-saving Irrigation Decision-making Model for Greenhouse Tomatoes based on Genetic Optimization TS Fuzzy Neural Network
Shang et al. Research on intelligent pest prediction of based on improved artificial neural network

Legal Events

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

Application publication date: 20170915