CN109187898B - 水产养殖环境中水质氨氮含量的软测量方法及装置 - Google Patents

水产养殖环境中水质氨氮含量的软测量方法及装置 Download PDF

Info

Publication number
CN109187898B
CN109187898B CN201811022621.4A CN201811022621A CN109187898B CN 109187898 B CN109187898 B CN 109187898B CN 201811022621 A CN201811022621 A CN 201811022621A CN 109187898 B CN109187898 B CN 109187898B
Authority
CN
China
Prior art keywords
ammonia nitrogen
nitrogen content
water quality
optimal
hidden layer
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.)
Active
Application number
CN201811022621.4A
Other languages
English (en)
Other versions
CN109187898A (zh
Inventor
李道亮
于辉辉
陈英义
成艳君
程倩倩
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 CN201811022621.4A priority Critical patent/CN109187898B/zh
Publication of CN109187898A publication Critical patent/CN109187898A/zh
Application granted granted Critical
Publication of CN109187898B publication Critical patent/CN109187898B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration

Abstract

本发明实施例提供一种水产养殖环境中水质氨氮含量的软测量方法及装置，其中所述方法包括：基于粒子群优化算法构建水质氨氮含量软测量的最优极限学习机网络模型；采集影响水质氨氮含量的参数因子的实测数据，并对所述实测数据进行归一化处理，将经过归一化处理后的所述实测数据输入所述水质氨氮含量软测量的最优极限学习机网络模型中，获得水质氨氮含量的预测数据。本发明实施例利用易在线测量的气象参数和水质参数，能够在线给出相对准确的水产养殖环境中水质氨氮的值，解决了水产养殖环境中水质氨氮含量难以在线测量的难题。

Description

水产养殖环境中水质氨氮含量的软测量方法及装置
技术领域
本发明实施例涉及水产养殖技术和信息智能处理技术领域，更具体地，涉及一种水产养殖环境中水质氨氮含量的软测量方法及装置。
背景技术
水产养殖过程中，水质氨氮含量是反映水质优劣的重要参数。氨氮含量过高会导致水质恶化、使水产品抵抗力下降诱发疾病，对水产养殖的水质氨氮含量进行监测具有重要意义。
目前，对养殖水体进行检测方法主要有滴定法、分光光度法、电化学法等。滴定法与分光光度法因需要对水样进行预处理使得操作复杂、测量速度慢，无法实现养殖水体氨氮的快速检测；而在环保领域采用的电化学电极法发检测精度无法满足水产养殖水体氨氮的检测要求，难以用于指导水产养殖生产实际。国内外尚无在线监测水质氨氮含量的仪器，而一些高精手测仪器价格也相对昂贵，普通的养殖用户无力购买昂贵的氨氮检测设备用于日常的水质检测过程中。
因此，如何通过影响氨氮变化且易在线测量的水质参数和气象数据，经过软测量的方法计算获得相对准确的氨氮含量具有十分重要的研究意义。
发明内容
为了克服上述问题或者至少部分地解决上述问题，本发明实施例提供一种水产养殖环境中水质氨氮含量的软测量方法及装置。
根据本发明实施例的第一个方面，提供一种水产养殖环境中水质氨氮含量的软测量方法，包括：
基于粒子群优化算法构建水质氨氮含量软测量的最优极限学习机网络模型；
采集影响水质氨氮含量的参数因子的实测数据，并对所述实测数据进行归一化处理，将经过归一化处理后的所述实测数据输入所述水质氨氮含量软测量的最优极限学习机网络模型中，获得水质氨氮含量的预测数据。
根据本发明实施例的第二个方面，提供一种水产养殖环境中水质氨氮含量的软测量装置，包括：
模型构建模块，用于基于粒子群优化算法构建水质氨氮含量软测量的最优极限学习机网络模型；
软测量模块，用于采集影响水质氨氮含量的参数因子的实测数据，并对所述实测数据进行归一化处理，将经过归一化处理后的所述实测数据输入所述水质氨氮含量软测量的最优极限学习机网络模型中，获得水质氨氮含量的预测数据。
根据本发明实施例的第三个方面，提供一种水产养殖环境中水质氨氮含量的软测量设备，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述第一方面的各种可能的实现方式中任一种实现方式所提供的水产养殖环境中水质氨氮含量的软测量方法。
根据本发明实施例的第四个方面，提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行能够执行上述第一方面的各种可能的实现方式中任一种实现方式所提供的水产养殖环境中水质氨氮含量的软测量方法。
本发明实施例提出的水产养殖环境中水质氨氮含量的软测量方法及装置，能够利用水产养殖环境中易测量的水质参数和环境参数，获得较为准确的水质氨氮含量的值，解决了水产养殖环境中水质氨氮含量难以在线测量的难题。
附图说明
图1为本发明实施例提供的水产养殖环境中水质氨氮含量的软测量方法的流程示意图；
图2为本发明实施例提供的基于粒子群优化算法构建水质氨氮含量软测量的最优极限学习机网络模型的步骤的流程示意图；
图3为本发明实施例提供的基于粒子群优化算法和所述训练样本集对用于进行水质氨氮含量软测量的极限学习机网络模型进行训练，生成水质氨氮含量软测量的最优极限学习机网络模型的步骤的流程示意图；
图4为本发明实施例提供的水产养殖环境中水质氨氮含量的软测量装置的结构示意图；
图5为根据本发明实施例提供的电子设备的结构示意图。
具体实施方式
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、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，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的实施例，都属于本发明保护的范围。
如图1所示，为本发明实施例提供的水产养殖环境中水质氨氮含量的软测量方法的流程示意图，包括：
101、基于粒子群优化算法构建水质氨氮含量软测量的最优极限学习机网络模型；
极限学习机是一种简单、有效的单隐层前馈神经网络学习算法。给定一个样本集H＝{(x(n),t(n)),n＝1,2,...,N}，N为样本个数，x(n)为第n个样本的输入值，t(n)为第n个样本的期望输出值，其中x(n)＝(x1(n),x2(n),...,xd(n))T,d为输入层节点数，t(n)＝(t1(n),t2(n),...,tm(n))T，m为输出层节点数，一个具有L个隐含层节点的极限学习机可以表示为公式(1)：
Figure BDA0001787459850000041
其中，n＝1,2,...,N,j＝1,2,...,H,g()为激励函数，ωj＝[ω1j,ω2j,...,ωdj]T是连接输入层与第j个隐含层节点的输入权值向量，bj是第j个隐含层节点的偏置值，βj＝[β1j,β2j,...,βmj]T是连接第j个隐含层单元与输出层的输出权值向量，o(n)为第n个样本的极限学习机输出值。
本发明实施例采用极限学习机来实现对水质氨氮含量的软测量，软测量是指通过对易测得的水质数据和气象数据进行回归拟合获得难以在线测量的氨氮值。而极限学习机的输入权值和隐含层偏置的随机选取会对输出结果的准确性有影响，因此，本发明实施例采用粒子群优化算法找到最优的输入权值和隐含层偏置值，构建水质氨氮含量软测量的最优极限学习机网络模型。
102、采集影响水质氨氮含量的参数因子的实测数据，并对所述实测数据进行归一化处理，将经过归一化处理后的所述实测数据输入所述水质氨氮含量软测量的最优极限学习机网络模型中，获得水质氨氮含量的预测数据。
在获得水质氨氮含量软测量的最优极限学习机网络模型之后，将易测得的影响水质氨氮含量的各参数的实测数据进行预处理后输入到该最优极限学习机网络模型中，得到的输出结果即是水质氨氮含量的预测数据。
本发明实施例提出的一种水产养殖环境中水质氨氮含量的软测量方法，能够利用水产养殖环境中易测量的水质参数和环境参数，获得较为准确的水质氨氮含量的值，解决了水产养殖环境中水质氨氮含量难以在线测量的难题。
在上述实施例的基础上，如图2所示，为本发明实施例提供的基于粒子群优化算法构建水质氨氮含量软测量的最优极限学习机网络模型的步骤的流程示意图，即步骤101包括：
201、对水产养殖环境中与水质氨氮含量有关的可测参数进行分析，确定影响水质氨氮含量的参数因子，并采集各所述参数因子的实测数据和当前水质氨氮含量的实测数据，建立原始数据集。
具体地，对水产养殖环境中水质氨氮含量有影响的可测参数进行分析，分析各可测参数与水质氨氮含量的正负相关性，确定用于预测水质氨氮含量的参数因子，包括：水质因子和气象因子。
更具体地，包括：3个水质因子——溶解氧、水温、pH和8个气象因子——风速、风向、太阳辐射、空气温度、空气湿度、大气压强、土壤水分和土壤温度
每隔预设时间采集各参数因子的实测数据和当前时刻水质氨氮含量的实测数据，建立原始数据集。
202、对所述原始数据集进行归一化处理，获得样本集，并将所述样本集划分为训练样本集和测试样本集。
具体地，可以采用公式
Figure BDA0001787459850000051
对所采集到的各参数因子和当前水质氨氮含量的实测数据进行归一化处理。
将样本集进行划分的过程，优选地，随机选取样本集的80％数据作为训练样本集，剩余20％数据则归为测试样本集，划分训练样本和测试样本的比例可以根据需要进行调节。
203、基于粒子群优化算法和所述训练样本集对用于进行水质氨氮含量软测量的极限学习机网络模型进行训练，生成水质氨氮含量软测量的最优极限学习机网络模型。
首先确定用于进行水质氨氮含量软测量的极限学习机网络模型的拓扑结构，然后将训练样本集中的各参数因子的实测数据输入到该极限学习机网络模型中，基于粒子群优化算法对该极限学习机网络模型的参数——输入权值和隐含层偏置值进行寻优，使得该极限学习机网络模型的输出结果与水质氨氮含量的实测数据尽可能地接近，粒子群算法最终寻找到群体最优位置即对应着极限学习机网络模型的最优输入权值和隐含层偏置值，从而得到用于水质氨氮含量软测量的最优极限学习机网络模型。
204、利用所述测试样本集对所述水质氨氮含量软测量的最优极限学习机网络模型的泛化能力进行验证。
在训练获得最优极限学习机网络模型后，采用测试样本集对所获得的最优极限学习机网络模型进行验证，证明该极限学习机网络模型的有效性。
在上述各实施例的基础上，如图3所示，为本发明实施例提供的基于粒子群优化算法和所述训练样本集对用于进行水质氨氮含量软测量的极限学习机网络模型进行训练，生成水质氨氮含量软测量的最优极限学习机网络模型的步骤的流程示意图，即步骤203包括：
301、根据输入输出信号的个数确定用于进行水质氨氮含量软测量的极限学习机网络模型的拓扑结构；
输入信号的个数即参数因子的个数，输出信号我水质氨氮含量，因此，用于进行水质氨氮含量软测量的极限学习机网络模型的拓扑结构为输入层节点数为参数因子的个数，输出层节点数为1。
302、基于经验模态法确定所述用于进行水质氨氮含量软测量的极限学习机网络模型的最优的隐含层节点数；
在运行极限学习机之前，需要确定隐含层节点数，采用经验模态法确定隐含层节点数，可以获得更为准确的预测结果。
303、利用粒子群优化算法对所述用于进行水质氨氮含量软测量的极限学习机网络模型进行训练，获得最优的输入权值和隐含层偏置值，并根据所述最优的输入权值和隐含层偏置值计算获得输出权值；
具体地，将用于进行水质氨氮含量软测量的极限学习机网络模型的输入权值和隐含层偏置值编码成粒子，利用粒子群优化算法寻找粒子的最优位置，所找到的最优位置即为最优的输入权值和隐含层偏置值。
然后，利用广义逆方法，根据所述最优的输入权值和隐含层偏置值计算出输出权值。
304、将所述最优的输入权值、隐含层偏置值、隐含层节点数和输出权值输入到所述用于进行水质氨氮含量软测量的极限学习机网络模型中，生成水质氨氮含量软测量的最优极限学习机网络模型。
基于上述各实施例，步骤303利用粒子群优化算法对所述用于进行水质氨氮含量软测量的极限学习机网络模型进行训练，获得最优的输入权值和隐含层偏置值，进一步包括：
1)将输入权值和隐含层偏置值编码成粒子，对每个粒子进行随机初始化并初始化粒子群优化算法。
具体地，粒子群中的每个粒子都由极限学习机的输入权值ωj和偏置值bj构成，粒子可表示为
Figure BDA0001787459850000071
对粒子中所有元素进行随机初始化；
初始化粒子群算法：设定种群大小、最大迭代次数、惯性权值和适应度预设阈值，设定学习因子c1和c2的取值范围值等。
2)根据粒子编码中所确定的输入权值及隐含层偏置值，采用所述用于进行水质氨氮含量软测量的极限学习机对每个训练样本进行预测；
即利用公式(1)计算每个训练样本的预测输出值。
根据预测结果计算每个粒子的适应度，所述适应度计算公式为：
Figure BDA0001787459850000081
其中，N为样本个数，L为隐含层节点数，g()为隐含层的激励函数，ωj是连接输入层与第j个隐含层节点的输入权值向量，bj是第j个隐含层节点的偏置值，βj是连接第j个隐含层单元与输出层的输出权值向量，g(ωj Tx(n)+bj)为第j个隐含层节点的输出值，βjg(ωj Tx(n)+bj)是训练样本集中第n个样本的极限学习机预测结果，x(n)为第n个样本的输入值，t(n)为第n个样本的水质氨氮含量实测值。
3)以适应度最小为优化目标，根据计算得到的每个粒子的适应度，确定并记录粒子的群体最优位置以及个体历史最优位置；
4)根据群体最优位置和个体历史最优位置对每个粒子的速度和位置向量进行更新，所述粒子的速度和位置更新公式为:
vi(k+1)＝ωvi(k)+c1r1(pb-xi(k))+c2r2(gb-xi(k)) (3)，
xi(k+1)＝xi(k)+vi(k) (4)，
其中，vi(k)为第k次迭代时粒子的速度编码矩阵，xi(k)为k次迭代时粒子的位置编码矩阵，r1和r2为随机数，ω为惯性权重，gb为群体最优位置，pb为个体历史最优位置；
c1和c2为变学习因子，c1和c2的计算公式为：
c1＝(((cmax/mean(fitness))+(min(fitness)/max(fitness)))+cmin (5)，
c2＝c1 (6)，
其中，mean(fitness)为每次迭代过程中所有粒子适应度的均值，min(fitness)为每次迭代过程中所有粒子适应度的最小值，max(fitness)为每次迭代过程中所有粒子适应度的最大值，cmax＝7，cmin＝1。
5)将更新后的粒子速度和位置向量作为下一次迭代的起始条件，直到达到最大迭代次数或者适应度值小于预设阈值时，停止迭代，对最终获得的最优群体位置进行解析获得最优的输入权值和隐含层偏置值。
本发明实施例采用变学习因子的改进粒子群算法，能够提高粒子群算法的搜索能力。
基于上述各实施例，所述隐含层的激励函数具体为Fourier正交基函数，其中，
第j个隐含层节点的激励函数为
Figure BDA0001787459850000091
x为极限状态机的输入，q、p是Fourier正交基函数的系数。
传统的极限学习机存在隐含层神经元激励函数固定，此种方法仅考虑了训练误差最小化，往往容易导致过拟合的问题，本发明实施例采用正交基函数作为极限学习机的激励函数，能够使得极限学习机具有较好的预测精度。
如图4所示，为本发明实施例提供的水产养殖环境中水质氨氮含量的软测量装置的结构示意图，该装置用于在前述各实施例中实现水产养殖环境中水质氨氮含量的软测量方法。因此，在前述各实施例中的水产养殖环境中水质氨氮含量的软测量方法中的描述和定义，可以用于本发明实施例中各个执行模块的理解。
该装置包括：模型构建模块401和软测量模块402，其中，
模型构建模块401，用于基于粒子群优化算法构建水质氨氮含量软测量的最优极限学习机网络模型；
软测量模块402，用于采集影响水质氨氮含量的参数因子的实测数据，并对所述实测数据进行归一化处理，将经过归一化处理后的所述实测数据输入所述水质氨氮含量软测量的最优极限学习机网络模型中，获得水质氨氮含量的预测数据。
其中，所述模型构建模块401进一步包括：
数据采集子模块，用于对水产养殖环境中与水质氨氮含量有关的可测参数进行分析，确定影响水质氨氮含量的参数因子，并采集各所述参数因子的实测数据和当前水质氨氮含量的实测数据，建立原始数据集；
样本获取子模块，用于对所述原始数据集进行归一化处理，获得样本集，并将所述样本集划分为训练样本集和测试样本集；
训练子模块，用于基于粒子群优化算法和所述训练样本集对用于进行水质氨氮含量软测量的极限学习机网络模型进行训练，生成水质氨氮含量软测量的最优极限学习机网络模型；
验证子模块，用于利用所述测试样本集对所述水质氨氮含量软测量的最优极限学习机网络模型的泛化能力进行验证。
其中，所述训练子模块具体用于：
根据输入输出信号的个数确定用于进行水质氨氮含量软测量的极限学习机网络模型的拓扑结构；
基于经验模态法确定所述用于进行水质氨氮含量软测量的极限学习机网络模型的最优的隐含层节点数；
利用粒子群优化算法对所述用于进行水质氨氮含量软测量的极限学习机网络模型进行训练，获得最优的输入权值和隐含层偏置值，并根据所述最优的输入权值和隐含层偏置值计算获得输出权值；
将所述最优的输入权值、隐含层偏置值、隐含层节点数和输出权值输入到所述用于进行水质氨氮含量软测量的极限学习机网络模型中，生成水质氨氮含量软测量的最优极限学习机网络模型。
其中，所述训练子模块具体用于：
将输入权值和隐含层偏置值编码成粒子，对每个粒子进行随机初始化；
根据粒子编码中所确定的输入权值及隐含层偏置值，采用所述用于进行水质氨氮含量软测量的极限学习机对每个训练样本进行预测；
根据预测结果计算每个粒子的适应度，所述适应度计算公式为
Figure BDA0001787459850000111
其中，N为样本个数，L为隐含层节点数，g()为隐含层的激励函数，ωj是连接输入层与第j个隐含层节点的输入权值向量，bj是第j个隐含层节点的偏置值，βj是连接第j个隐含层单元与输出层的输出权值向量，g(ωj Tx(n)+bj)为第j个隐含层节点的输出值，βjg(ωj Tx(n)+bj)是训练样本集中第n个样本的极限学习机预测结果，x(n)为第n个样本的输入值，t(n)为第n个样本的水质氨氮含量实测值；
以适应度最小为优化目标，根据计算得到每个粒子的适应度，记录粒子的群体最优位置以及个体历史最优位置；
根据群体最优位置和个体历史最优位置对每个粒子的速度和位置向量进行更新；
将更新后的粒子速度和位置向量作为下一次迭代的起始条件，直到达到最大迭代次数或者适应度值小于指定阈值时，停止迭代，对最终获得的最优群体位置进行解析获得最优的输入权值和隐含层偏置值。
其中，所述隐含层的激励函数具体为Fourier正交基函数，其中，
第j个隐含层节点的激励函数为
Figure BDA0001787459850000112
q，p是Fourier正交基函数的系数。
所述粒子的速度和位置更新公式为:
vi(k+1)＝ωvi(k)+c1r1(pb-xi(k))+c2r2(gb-xi(k))，
xi(k+1)＝xi(k)+vi(k)，
其中，vi(k)为第k次迭代时粒子的速度编码矩阵，xi(k)为k次迭代时粒子的位置编码矩阵，r1和r2为随机数，ω为惯性权重；
c1和c2为变学习因子，c1和c2的计算公式为：
c1＝(((cmax/mean(fitness))+(min(fitness)/max(fitness)))+cmin，
c2＝c1，
其中，mean(fitness)为每次迭代过程中所有粒子适应度的均值，min(fitness)为每次迭代过程中所有粒子适应度的最小值，max(fitness)为每次迭代过程中所有粒子适应度的最大值。
其中，所述影响水质氨氮含量的参数因子包括：溶解氧、水温、pH、风速、风向、太阳辐射、空气温度、空气湿度、大气压强、土壤水分和土壤温度。
如图5所示，为本发明另一实施例提供的一种电子设备，包括：处理器(processor)501、存储器(memory)502和总线503；
其中，处理器501及存储器502分别通过总线503完成相互间的通信；处理器501用于调用存储器502中的程序指令，以执行上述实施例所提供的水产养殖环境中水质氨氮含量的软测量方法，例如包括：基于粒子群优化算法构建水质氨氮含量软测量的最优极限学习机网络模型；采集影响水质氨氮含量的参数因子的实测数据，并对所述实测数据进行归一化处理，将经过归一化处理后的所述实测数据输入所述水质氨氮含量软测量的最优极限学习机网络模型中，获得水质氨氮含量的预测数据。
本发明又一实施例，提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如上述各实施例所提供的水产养殖环境中水质氨氮含量的软测量方法，例如包括：基于粒子群优化算法构建水质氨氮含量软测量的最优极限学习机网络模型；采集影响水质氨氮含量的参数因子的实测数据，并对所述实测数据进行归一化处理，将经过归一化处理后的所述实测数据输入所述水质氨氮含量软测量的最优极限学习机网络模型中，获得水质氨氮含量的预测数据。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的设备实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分方法。
最后，本发明的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种水产养殖环境中水质氨氮含量的软测量方法，其特征在于，包括：
基于粒子群优化算法构建水质氨氮含量软测量的最优极限学习机网络模型；
采集影响水质氨氮含量的参数因子的实测数据，并对所述实测数据进行归一化处理，将经过归一化处理后的所述实测数据输入所述水质氨氮含量软测量的最优极限学习机网络模型中，获得水质氨氮含量的预测数据；
其中，所述基于粒子群优化算法构建水质氨氮含量软测量的最优极限学习机网络模型的步骤，进一步包括：
对水产养殖环境中与水质氨氮含量有关的可测参数进行分析，确定影响水质氨氮含量的参数因子，并采集各所述参数因子的实测数据和当前水质氨氮含量的实测数据，建立原始数据集；
对所述原始数据集进行归一化处理，获得样本集，并将所述样本集划分为训练样本集和测试样本集；
基于粒子群优化算法和所述训练样本集对用于进行水质氨氮含量软测量的极限学习机网络模型进行训练，生成水质氨氮含量软测量的最优极限学习机网络模型；
利用所述测试样本集对所述水质氨氮含量软测量的最优极限学习机网络模型的泛化能力进行验证；
其中，所述基于粒子群优化算法和所述训练样本集对用于进行水质氨氮含量软测量的极限学习机网络模型进行训练，生成水质氨氮含量软测量的最优极限学习机网络模型的步骤，进一步包括：
根据输入输出信号的个数确定用于进行水质氨氮含量软测量的极限学习机网络模型的拓扑结构；
基于经验模态法确定所述用于进行水质氨氮含量软测量的极限学习机网络模型的最优的隐含层节点数；
利用粒子群优化算法对所述用于进行水质氨氮含量软测量的极限学习机网络模型进行训练，获得最优的输入权值和隐含层偏置值，并根据所述最优的输入权值和隐含层偏置值计算获得输出权值；
将所述最优的输入权值、隐含层偏置值、隐含层节点数和输出权值输入到所述用于进行水质氨氮含量软测量的极限学习机网络模型中，生成水质氨氮含量软测量的最优极限学习机网络模型；
其中，所述利用粒子群优化算法对所述用于进行水质氨氮含量软测量的极限学习机网络模型进行训练，获得最优的输入权值和隐含层偏置值的步骤，进一步包括：
将输入权值和隐含层偏置值编码成粒子，对每个粒子进行随机初始化；
根据粒子编码中所确定的输入权值及隐含层偏置值，采用所述用于进行水质氨氮含量软测量的极限学习机对每个训练样本进行预测；
根据预测结果计算每个粒子的适应度，所述适应度计算公式为
Figure FDA0002423936810000021
其中，N为样本个数，L为隐含层节点数，g()为隐含层的激励函数，ωj是连接输入层与第j个隐含层节点的输入权值向量，bj是第j个隐含层节点的偏置值，βj是连接第j个隐含层单元与输出层的输出权值向量，g(ωj Tx(n)+bj)为第j个隐含层节点的输出值，βjg(ωj Tx(n)+bj)是训练样本集中第n个样本的极限学习机预测结果，x(n)为第n个样本的输入值，t(n)为第n个样本的水质氨氮含量实测值；
以适应度最小为优化目标，根据计算得到的每个粒子的适应度，确定并记录粒子的群体最优位置以及个体历史最优位置；
根据群体最优位置和个体历史最优位置对每个粒子的速度和位置向量进行更新；
将更新后的粒子速度和位置向量作为下一次迭代的起始条件，直到达到最大迭代次数或者适应度值小于指定阈值时，停止迭代，对最终获得的最优群体位置进行解析获得最优的输入权值和隐含层偏置值；
其中，所述隐含层的激励函数具体为Fourier正交基函数，其中，
第j个隐含层节点的激励函数为
Figure FDA0002423936810000031
q，p是Fourier正交基函数的系数；
其中，所述粒子的速度和位置更新公式为:
vi(k+1)＝ωvi(k)+c1r1(pb-xi(k))+c2r2(gb-xi(k))
xi(k+1)＝xi(k)+vi(k)，
其中，vi(k)为第k次迭代时粒子的速度编码矩阵，xi(k)为k次迭代时粒子的位置编码矩阵，r1和r2为随机数，ω为惯性权重，gb为群体最优位置，pb为个体历史最优位置，c1和c2为变学习因子；
其中，c1和c2的计算公式为：
c1＝(((cmax/mean(fitness))+(min(fitness)/max(fitness)))+cmin
c2＝c1，
其中，mean(fitness)为每次迭代过程中所有粒子适应度的均值，min(fitness)为每次迭代过程中所有粒子适应度的最小值，max(fitness)为每次迭代过程中所有粒子适应度的最大值，cmax为预先设置的变学习因子取值范围的最大值，cmin为预先设置的变学习因子取值范围的最小值；
其中，所述影响水质氨氮含量的参数因子包括：溶解氧、水温、pH、风速、风向、太阳辐射、空气温度、空气湿度、大气压强、土壤水分和土壤温度。
2.一种水产养殖环境中水质氨氮含量的软测量装置，其特征在于，包括：
模型构建模块，用于基于粒子群优化算法构建水质氨氮含量软测量的最优极限学习机网络模型；
软测量模块，用于采集影响水质氨氮含量的参数因子的实测数据，并对所述实测数据进行归一化处理，将经过归一化处理后的所述实测数据输入所述水质氨氮含量软测量的最优极限学习机网络模型中，获得水质氨氮含量的预测数据；
其中，所述模型构建模块，进一步包括：
原始数据集获取单元，用于对水产养殖环境中与水质氨氮含量有关的可测参数进行分析，确定影响水质氨氮含量的参数因子，并采集各所述参数因子的实测数据和当前水质氨氮含量的实测数据，建立原始数据集；
样本划分单元，用于对所述原始数据集进行归一化处理，获得样本集，并将所述样本集划分为训练样本集和测试样本集；
模型生成单元，用于基于粒子群优化算法和所述训练样本集对用于进行水质氨氮含量软测量的极限学习机网络模型进行训练，生成水质氨氮含量软测量的最优极限学习机网络模型；
验证单元，用于利用所述测试样本集对所述水质氨氮含量软测量的最优极限学习机网络模型的泛化能力进行验证；
其中，所述模型生成单元具体用于：
根据输入输出信号的个数确定用于进行水质氨氮含量软测量的极限学习机网络模型的拓扑结构；
基于经验模态法确定所述用于进行水质氨氮含量软测量的极限学习机网络模型的最优的隐含层节点数；
利用粒子群优化算法对所述用于进行水质氨氮含量软测量的极限学习机网络模型进行训练，获得最优的输入权值和隐含层偏置值，并根据所述最优的输入权值和隐含层偏置值计算获得输出权值；
将所述最优的输入权值、隐含层偏置值、隐含层节点数和输出权值输入到所述用于进行水质氨氮含量软测量的极限学习机网络模型中，生成水质氨氮含量软测量的最优极限学习机网络模型；
其中，所述利用粒子群优化算法对所述用于进行水质氨氮含量软测量的极限学习机网络模型进行训练，获得最优的输入权值和隐含层偏置值，进一步包括：
将输入权值和隐含层偏置值编码成粒子，对每个粒子进行随机初始化；
根据粒子编码中所确定的输入权值及隐含层偏置值，采用所述用于进行水质氨氮含量软测量的极限学习机对每个训练样本进行预测；
根据预测结果计算每个粒子的适应度，所述适应度计算公式为
Figure FDA0002423936810000051
其中，N为样本个数，L为隐含层节点数，g()为隐含层的激励函数，ωj是连接输入层与第j个隐含层节点的输入权值向量，bj是第j个隐含层节点的偏置值，βj是连接第j个隐含层单元与输出层的输出权值向量，g(ωj Tx(n)+bj)为第j个隐含层节点的输出值，βjg(ωj Tx(n)+bj)是训练样本集中第n个样本的极限学习机预测结果，x(n)为第n个样本的输入值，t(n)为第n个样本的水质氨氮含量实测值；
以适应度最小为优化目标，根据计算得到的每个粒子的适应度，确定并记录粒子的群体最优位置以及个体历史最优位置；
根据群体最优位置和个体历史最优位置对每个粒子的速度和位置向量进行更新；
将更新后的粒子速度和位置向量作为下一次迭代的起始条件，直到达到最大迭代次数或者适应度值小于指定阈值时，停止迭代，对最终获得的最优群体位置进行解析获得最优的输入权值和隐含层偏置值；
其中，所述隐含层的激励函数具体为Fourier正交基函数，其中，
第j个隐含层节点的激励函数为
Figure FDA0002423936810000061
q，p是Fourier正交基函数的系数；
其中，所述粒子的速度和位置更新公式为:
vi(k+1)＝ωvi(k)+c1r1(pb-xi(k))+c2r2(gb-xi(k))
xi(k+1)＝xi(k)+vi(k)，
其中，vi(k)为第k次迭代时粒子的速度编码矩阵，xi(k)为k次迭代时粒子的位置编码矩阵，r1和r2为随机数，ω为惯性权重，gb为群体最优位置，pb为个体历史最优位置，c1和c2为变学习因子；
其中，c1和c2的计算公式为：
c1＝(((cmax/mean(fitness))+(min(fitness)/max(fitness)))+cmin
c2＝c1，
其中，mean(fitness)为每次迭代过程中所有粒子适应度的均值，min(fitness)为每次迭代过程中所有粒子适应度的最小值，max(fitness)为每次迭代过程中所有粒子适应度的最大值，cmax为预先设置的变学习因子取值范围的最大值，cmin为预先设置的变学习因子取值范围的最小值；
其中，所述影响水质氨氮含量的参数因子包括：溶解氧、水温、pH、风速、风向、太阳辐射、空气温度、空气湿度、大气压强、土壤水分和土壤温度。
3.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1所述的方法。
4.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1所述的方法。
CN201811022621.4A 2018-09-03 2018-09-03 水产养殖环境中水质氨氮含量的软测量方法及装置 Active CN109187898B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811022621.4A CN109187898B (zh) 2018-09-03 2018-09-03 水产养殖环境中水质氨氮含量的软测量方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811022621.4A CN109187898B (zh) 2018-09-03 2018-09-03 水产养殖环境中水质氨氮含量的软测量方法及装置

Publications (2)

Publication Number Publication Date
CN109187898A CN109187898A (zh) 2019-01-11
CN109187898B true CN109187898B (zh) 2020-06-26

Family

ID=64912073

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811022621.4A Active CN109187898B (zh) 2018-09-03 2018-09-03 水产养殖环境中水质氨氮含量的软测量方法及装置

Country Status (1)

Country Link
CN (1) CN109187898B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529147A (zh) * 2020-10-19 2021-03-19 北京工业大学 断面水质中的氨氮含量预测方法及装置
CN112485394A (zh) * 2020-11-10 2021-03-12 浙江大学 一种基于稀疏自编码和极限学习机的水质软测量方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105243259A (zh) * 2015-09-02 2016-01-13 上海大学 基于极限学习机的脉动风速快速预测方法
CN106650920A (zh) * 2017-02-19 2017-05-10 郑州大学 一种基于优化极限学习机的预测模型
CN106897957B (zh) * 2017-02-22 2020-08-04 南京信息工程大学 一种基于pca和pso-elm的自动气象站实时数据质量控制方法
CN107122861B (zh) * 2017-04-28 2020-02-11 辽宁工程技术大学 一种基于pca-pso-elm的瓦斯涌出量预测方法

Also Published As

Publication number Publication date
CN109187898A (zh) 2019-01-11

Similar Documents

Publication Publication Date Title
CN106022521B (zh) 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法
CN108596327B (zh) 一种基于深度学习的地震速度谱人工智能拾取方法
CN113259331B (zh) 一种基于增量学习的未知异常流量在线检测方法及系统
CN111414977A (zh) 机床主轴热误差建模的加权集成温度敏感点组合选取方法
US11709979B1 (en) Bridge damage identification method considering uncertainty
CN110456026B (zh) 一种土壤墒情监测方法及装置
CN109886337B (zh) 基于自适应采样的深度度量学习方法及系统
CN109187898B (zh) 水产养殖环境中水质氨氮含量的软测量方法及装置
CN112926265A (zh) 基于遗传算法优化神经网络的大气多孔探针测量校准方法
Felix et al. Analysis of training parameters in the ANN learning process to mapping the concrete carbonation depth
CN108446594B (zh) 基于动作识别的应急反应能力测评方法
CN110555524A (zh) 基于室内环境监测的训练样本数据获取方法及装置
CN111428419A (zh) 悬浮泥沙浓度预测方法、装置、计算机设备和存储介质
CN110289987B (zh) 基于表征学习的多智能体系统网络抗攻击能力评估方法
CN113486580B (zh) 在役风电机组高精度数值建模方法、服务端及存储介质
CN112949944B (zh) 一种基于时空特征的地下水位智能预测方法及系统
CN114154401A (zh) 基于机器学习和观测数据的土壤侵蚀模数计算方法及系统
CN112307536B (zh) 一种大坝渗流参数反演方法
CN114217025B (zh) 评估空气质量浓度预测中气象数据对其影响的分析方法
CN111066562A (zh) 一种葡萄霜霉病预测方法及系统
CN115907204A (zh) 麻雀搜索算法优化bp神经网络的林木蒸腾耗水预测方法
CN113151842B (zh) 风光互补电解水制氢的转化效率的确定方法和确定装置
CN115545334A (zh) 土地利用类型预测方法、装置、电子设备及存储介质
CN114818945A (zh) 融入类别自适应度量学习的小样本图像分类方法及装置
CN114492199A (zh) 一种电压互感器性能的分析方法、系统、电子设备及介质

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
GR01 Patent grant
GR01 Patent grant