CN109255200A - 一种养殖水体氨氮的软测量方法及装置 - Google Patents

一种养殖水体氨氮的软测量方法及装置 Download PDF

Info

Publication number
CN109255200A
CN109255200A CN201811237454.5A CN201811237454A CN109255200A CN 109255200 A CN109255200 A CN 109255200A CN 201811237454 A CN201811237454 A CN 201811237454A CN 109255200 A CN109255200 A CN 109255200A
Authority
CN
China
Prior art keywords
mfo
model
data
ammonia nitrogen
water body
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.)
Granted
Application number
CN201811237454.5A
Other languages
English (en)
Other versions
CN109255200B (zh
Inventor
李道亮
丁颖
王亮
李永伟
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 CN201811237454.5A priority Critical patent/CN109255200B/zh
Publication of CN109255200A publication Critical patent/CN109255200A/zh
Application granted granted Critical
Publication of CN109255200B publication Critical patent/CN109255200B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明实施例提供一种养殖水体氨氮的软测量方法及装置，其中方法包括：获取预定时间段内水体的水质数据和气象数据；对水质数据和气象数据进行预处理，获得不同类型的预处理样本集；利用FEEMD方法将不同类型的预处理样本集分解为不同类型多个尺度的若干个固有模态分量和一个余量；将不同类型同一尺度的固有模态分量和余量分别输入至目标MFO‑LSSVM模型，循环若干次直至所有尺度都输入完毕，获得各类型多个尺度的多个输出值；将各类型不同尺度的多个输出值分别相加，获得氨氮测量结果。本发明实施例通过利用FEEMD方法对数据进行处理，并利用MFO方法对LSSVM模型的参数进行优化，得到MFO‑LSSVM模型，并通过该模型对水体中的氨氮含量进行实时在线测量，显著地提高了测量精度。

Description

一种养殖水体氨氮的软测量方法及装置
技术领域
本发明实施例涉及农业技术领域，尤其涉及一种养殖水体氨氮的软测量方法及装置。
背景技术
氨氮是水质的重要影响因素之一，水体中中氨氮的来源主要是生活污水中含氮有机物受微生物作用分解的产物、某些工业废水及农田排水等。当水体中氨氮含量较高时，会引起水体中富营养化的现象，对鱼类及某些水生生物产生毒害作用，进而造成严重的经济损失。例如，当水体中氨含量过高时，会使鱼虾等产生毒血症。而水体中氨氮含量长期偏高十分影响水生生物的生长，严重时造成死亡。因此，在农业水体养殖领域，氨氮含量的实时监测十分重要。
目前应用较为广泛的氨氮检测方法有分光光度法等，该方法需要首先对水体进行人工采样，并对样本进行过滤，向过滤后的样本中加入化学试剂，并等待其反应完全，最后再通过仪器对反应后的样本进行检测。一方面，检测过程十分繁琐耗时，无法满足水体氨氮实时测量的要求；另一方面，目前的氨氮软测量方法精度普遍不高。
因此，亟待一种养殖水体的氨氮软测量方法，以解决上述问题。
发明内容
针对现有技术存在的问题，本发明实施例提供一种水体氨氮的软测量方法及装置。
本发明实施例提供一种水体氨氮的软测量方法，包括：
获取预定时间段内水体的水质数据和气象数据；
对水质数据和气象数据进行预处理，获得不同类型的预处理样本集；
利用FEEMD方法将不同类型的预处理样本集分解为不同类型多个尺度的若干个固有模态分量和一个余量；
将不同类型同一尺度的固有模态分量和余量分别输入至目标MFO-LSSVM模型，循环若干次直至所有尺度都输入完毕，获得各类型多个尺度的多个输出值；其中，目标MFO-LSSVM模型是通过利用MFO方法对LSSVM模型的模型参数寻优，并利用训练样本集进行训练后得到；
将各类型不同尺度的多个输出值分别相加，获得氨氮测量结果。
本发明实施例提供一种水体氨氮的软测量装置，包括：
获取模块，用于获取预定时间段内水体的水质数据和气象数据；
处理模块，用于对水质数据和气象数据进行预处理，获得不同类型的预处理样本集；
分解模块，用于利用FEEMD方法将不同类型的预处理样本集分解为不同类型多个尺度的若干个固有模态分量和一个余量；
输入模块，用于将不同类型同一尺度的固有模态分量和余量分别输入至目标MFO-LSSVM模型，循环若干次直至所有尺度都输入完毕，获得各类型多个尺度的多个输出值；其中，目标MFO-LSSVM模型是通过利用MFO方法对LSSVM模型的模型参数寻优，并利用训练样本集进行训练后得到；
输出模块，用于将各类型不同尺度的多个输出值分别相加，获得氨氮测量结果。
本发明实施例提供的水体氨氮的软测量方法及装置，通过利用FEEMD方法对数据进行处理，并利用MFO方法对LSSVM模型的参数进行优化，得到MFO-LSSVM模型，并通过该模型对水体中的氨氮含量进行实时在线测量，显著地提高了测量精度，测量效率高。
附图说明
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。
图1为根据本发明实施例提供的水体氨氮的软测量方法流程图；
图2为根据本发明实施例提供的水体氨氮的软测量设备实施例结构示意图；
图3为根据本发明实施例提供的电子设备结构示意图。
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作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。
图1为根据本发明实施例提供的水体氨氮的软测量方法流程图，如图1所示，包括：
S1、获取预定时间段内水体的水质数据和气象数据。
需要说明的是，首先需要对水体进行采集，从而获取预定一段时间内水体的氨氮数据和相关数据。本发明实施例中，设置采集的频率为每间隔1-2小时采集一次，采集的时间长度即预定时间段为一个月。相关数据包括水质数据和气象数据，其中，水质数据包括水体温度、pH值、溶解氧含量和盐度，气象数据包括大气压强、大气温度、湿度和风速。
S2、对所述水质数据和气象数据进行预处理，获得不同类型的预处理样本集。
需要说明的是，获取原始的氨氮数据和相关数据，需要将明显异常的数据剔除，并采用线性插值的方法，填充缺失的数据。然后，再进行相关性分析，筛选出和氨氮相关性较高的数据。经过相关性分析，能够发现水体温度、pH值、溶解氧含量和大气压强与氨氮含量的相关性较高，将这些数据称为相关数据，因此，对相关数据进行归一化处理，获得不同类型的预处理样本集，例如溶解氧类型、水体温度类型等预处理样本集，从而利于后续的处理与测量。其中，归一化处理的公式为：
其中，xi为采集的第i种相关数据，xmin为xi中的最小值，xmax为xi中的最大值，n为相关数据的类型数量，f(xi)为归一化后的数据。
S3、利用FEEMD方法将所述不同类型的预处理样本集分解为不同类型多个尺度的若干个固有模态分量和一个余量。
需要说明的是，本发明实施例利用FEEMD(Fast Ensemble Empirical modeDecomposition，快速集合经验模态分解)方法，按照不同尺度的波动或趋势，将预处理样本集的数据逐级分解成若干个固有模态分量(Intrinsic Mode Functions，IMF)和一个余量。其中，按照不同尺度的波动或趋势分解，可以按照例如以频率划分，将预处理样本集的数据分为高频若干组、低频若干组等。在一个具体的实施例中，例如可以通过FEEMD方法，将水体温度a(x)、pH值b(x)、溶解氧含量c(x)、大气压强d(x)的同一时刻的值分解成若干个IMFs和一个余量，分别为ra、rb、rc和rd：
则同一时刻目标MFO-LSSVM模型的第i组输入值为：ai(x)、bi(x)、ci(x)和di(x)。
一般来说，为了避免信号混叠问题，可选的，可以向原始时间序列数据x(t)中添加随机高斯白噪声序列nm(t)：
xm(t)＝x(t)+nm(t)
其中，xm(t)表示在第m次试验中使用的添加噪声的信号。然后将xm(t)分解成若干个IMFs和一个余量，分别表示为ci,m(t),i＝1,2,…,n和rn,m(t)。每次添加不同的具有相同RMSE(Root Mean Square Error，均方根误差)的白噪声序列，并重复上述步骤直到m＝M，然后计算每个IMF的M个试验的集合平均值。其中，M表示试验的次数。
S4、将不同类型同一尺度的固有模态分量和余量分别输入至目标MFO-LSSVM模型，循环若干次直至所有尺度都输入完毕，获得各类型多个尺度的多个输出值；其中，所述目标MFO-LSSVM模型是通过利用MFO方法对LSSVM模型的模型参数寻优，并利用训练样本集进行训练后得到。
需要说明的是，可选的，本发明实施例中随机选择总采集样本中的80％的数据作为训练样本，从而构成训练样本集，以用来对MFO-LSSVM模型进行训练。
在得到不同类型的若干个IMFs和余量后，将不同类型同一尺度的IMFs和余量分别输入至已经训练好的最小二乘支持向量机(Least Squares Support Vector Machine，LSSVM)模型即目标MFO(Moth-flame optimization，飞蛾火焰优化算法)-LSSVM模型中，每个尺度为组都是一个子模型，重复此步骤，直至所有尺度都输入完毕，从而获得氨氮不同尺度的多个输出值。
S5、将所述各类型不同尺度的多个输出值分别相加，获得最终测量结果。
需要说明的是，将分解后的不同尺度的若干个IMFs及余量经过目标MFO-LSSVM模型计算后的多个输出值相加，从而获得氨氮输出值，即为氨氮含量的测量结果。例如，水体的水质数据和气象数据经过FEEMD分解为若干个IMFs及余量，输入至MFO-LSSVM模型后，MFO-LSSVM模型输出多个氨氮分量Yi(x)；其中，Yi(x)＝ai(x)+bi(x)+ci(x)+di(x)。将所有的氨氮分量及余量r相加，则得到最终的输出值Y(x)，即：
本发明实施例通过将FEEMD方法、MFO方法和LSSVM模型三者结合，利用FEEMD方法将不同类型的数据按不同尺度的波动或趋势分别逐级分解成若干个固有模态分量和最终分量，并通过MFO方法对LSSVM的模型参数进行寻优，最后得到了训练好的MFO-LSSVM模型，并利用该模型对水体中的氨氮含量进行测量，从而实现了水产养殖中水体的氨氮含量的精确在线软测量，解决了传统方法测量效率低、测量过程繁琐，无法实现实时性的难题。
在上述实施例的基础上，作为一种可选的实施例，本发明实施例获得目标MFO-LSSVM模型的过程包括：
S41、利用MFO方法对LSSVM模型的模型参数进行寻优，获得最优模型参数；模型参数包括核带宽和正则化参数；
S42、将最优模型参数输入至LSSVM模型，获得初始MFO-LSSVM模型；
S43、利用FEEMD方法，将不同类型的训练样本集分别分解为不同尺度的若干个固有模态分量和一个余量；训练样本集包括预设时间段内水体的部分水质数据和气象数据；
S44、将不同类型同一尺度固有模态分量和余量分别输入至初始MFO-LSSVM模型中进行训练，直至满足预设终止条件，获得目标MFO-LSSVM模型。
需要说明的是，参数寻优是采用MFO(Moth-flame optimization，飞蛾火焰优化算法)对LSSVM模型的模型参数进行寻优，模型参数包括LSSVM模型中RBF(Radial BasisFunction，径向基函数)核“σ”的带宽和正则化参数“C”。
飞蛾火焰优化算法是一种新颖的群智能优化算法，该算法的主要灵感来源于飞蛾在自然界中被称为横向定位的飞行方式。由于该算法的精度高于现有的大部分寻优算法，并且由于火焰的数量采用自适应机制，以及飞蛾的轨迹为螺旋式，飞蛾火焰优化算法可以防止陷入局部最优。每次迭代结束后，根据最佳解决方案改变火焰序列，并且根据更新的火焰更新飞蛾的位置，直到寻优停止，从而获得最佳飞蛾。同时，可以得到RBF核“σ”的带宽和正则化参数“C”。
利用MFO方法，首先需要设置寻优参数，寻优参数包括飞蛾和火焰的数量SearchAgents_no、变量数量dim、最大迭代次数Max_iteration、寻优下限lb＝[lb1,lb2,...]和寻优上限ub＝[ub1,ub2,…]。本发明实施例中，设置SearchAgents_no＝50，dim＝2，Max_iteration＝200，lb＝[-2,-1000]，ub＝[2,1000]。
由于MFO是一种基于种群的算法，需要初始化种群。飞蛾的集合可以表示为：
其中，M是飞蛾的位置矩阵，mi,j表示第i个蛾的第j个参数的值，i＝1,2,...,h，j＝1,2,...,d。其中，h表示矩阵的行数，d表示矩阵的列数。mi,1＝σ，mi,2＝C，mi,j可以由M(i,j)使用随机分布给出，即：
M(i,j)＝(ubi-lbi)*rand()+lbi；
其中，M(i,j)表示矩阵的第i行第j列的值，ubi和lbi分别表示第i蛾的上限和下限，rand()是在区间[0,1]中均匀分布生成的随机数。
而火焰的位置可以表示为：
其中，F是火焰的位置矩阵，Fi,j表示第i个火焰的第j个变量的值，i＝1,2,...，h，j＝1,2,...,d。
在MFO算法中，飞蛾是在搜索空间中移动的实际搜索代理，而火焰是到目前为止获得的飞蛾的最佳位置。OM矩阵与OF矩阵用于分别存储飞蛾和火焰的适合度值。其中，OM矩阵表示为：
其中OM矩阵是飞蛾的适应度矩阵，可以保存飞蛾的适应度值。f[(*)]表示适应度函数，也称为目标函数。
OF矩阵表示为：
其中OF矩阵是火焰的适应度矩阵，可以保存火焰的适应值。为了防止陷入局部最优，对火焰的数量采用自适应机制，即：
其中，flame_no表示火焰的数量，l是当前迭代次数，N是最大火焰数，T是最大迭代次数。
飞蛾的位置代表LSSVM模型里面需要优化的模型参数，即mi,1＝σ,mi,2＝C。在本发明实施例中，σ的取值范围为[0.1,10]，C的取值范围为[0,180]。选平均绝对百分比误差(Mean Absolute Percentage Error，MAPE)作为适应度函数，MAPE越小，结果越好。其中，MAPE的计算公式如下：
式中，M(k)为真实值，M′(k)为k时刻的模型输出值。
在初始迭代数量为1时，所有飞蛾的适应度值由上面所述的MAPE给出，然后，根据它们的适应度值对第一群飞蛾进行分类，选择具有最佳适合度值的种群作为火焰，并将火焰的适合度值等于最佳蛾的适合度值。每次迭代后，火焰的数量可能会有变化，由flame_no给出，当新的迭代开始，飞蛾根据其相应火焰或一个火焰更新位置。
为了对飞蛾的横向定向行为进行数学模拟，MFO算法使用对数螺旋作为飞蛾的主要更新机制，采用下式更新每个飞蛾相对于火焰的位置。
Mi＝S(Mi,Fj)＝Di*ebt*cos(2πt)+Fj；
其中，Mi表示第i个飞蛾，Fj表示第j个火焰，S表示螺旋函数，Di表示第i个蛾与第j个火焰的距离，即：Di＝|Fj-Mi|，b是用于定义对数螺旋形状的常数，t是[-1,1]中的随机数。为了避免快速陷入局部最佳状态，每只飞蛾都必须仅使用上式螺旋公式中的一个火焰来更新其位置。设置b＝1，t可以根据下式计算得出：
其中，l为当前迭代次数，T为迭代最大次数，t＝-1表示飞蛾离火焰最近的位置，t＝1表示飞蛾离火焰最远的位置。
基于每次迭代中的最佳解决方案改变火焰序列，并且飞蛾根据更新的火焰更新它们的位置。当每次迭代结束时，可以获得新的最佳飞蛾和火焰及其相应的适应值。在达到最高迭代次数之后，寻优停止，此时可以获得最佳飞蛾。同时，可以获得mi,1和mi,2的值，即RBF核“σ”的带宽和正则化参数“C”。将得到的RBF核“σ”的带宽和正则化参数“C”的值代入LSSVM模型中，获得初始MFO-LSSVM模型。在获得初始MFO-LSSVM模型后，将训练样本集输入至模型中，从而对模型进行训练，获得目标MFO-LSSVM模型。其中，目标MFO-LSSVM模型的公式为：
其中，x为训练样本集中的样本，Y(x)为模型的氨氮输出值，αi为拉格朗日乘子且0<αi<λ，参数b是αi的偏差值，为所述LSSVM模型的径向基函数，ci为径向基函数的中心。
在本发明实施例中，可选的，随机选择总样本中的80％的数据作为训练样本，构成训练样本集。同样，为了避免信号混叠问题，对训练样本集添加随机高斯白噪声，以便后续进行处理。然后利用FEEMD方法将训练集分解后，得到的若干个IMFs及余量为：
其中，ci(t)代表IMFs，rn(t)代表余量。氨氮数据和相关数据都会被分解成若干个IMFs和一个余量，将其按照不同尺度分组分别输入MFO-LSSVM模型中进行训练，直至满足预设终止条件，获得MFO-LSSVM模型。其中，预设终止条件可以为例如达到满足适应度函数的最大迭代次数。
本发明实施例提供的一种养殖水体氨氮的软测量方法，通过使用快速集合经验模态分解将原始数据按不同尺度的波动或趋势逐级分解成若干个固有模态分量和最终分量，并通过飞蛾火焰优化算法对最小二乘支持向量机的核函数的带宽σ和正则化参数C的寻优，最后得到了MFO-LSSVM模型，从而实现对水产养殖中水质的氨氮的实时在线软测量，一方面实时性强，显著地提高了测量效率和测量精确度，另一方面也解决了在线传感器探头价格昂贵的难题，并为后续实现水产养殖中氨氮的预测与控制奠定基础。
图2为根据本发明实施例提供的水体氨氮的软测量设备实施例结构示意图，如图2所示，包括获取模块210、处理模块220、分解模块230、输入模块240和输出模块250，其中：获取模块210用于获取预定时间段内水体的水质数据和气象数据；处理模块220用于对水质数据和气象数据进行预处理，获得不同类型的预处理样本集；分解模块230用于利用FEEMD方法将不同类型的预处理样本集分解为不同类型多个尺度的若干个固有模态分量和一个余量；输入模块240用于将不同类型同一尺度的固有模态分量和余量分别输入至目标MFO-LSSVM模型，循环若干次直至所有尺度都输入完毕，获得各类型多个尺度的多个输出值；其中，目标MFO-LSSVM模型是通过利用MFO方法对LSSVM模型的模型参数寻优，并利用训练样本集进行训练后得到；输出模块250用于将各类型不同尺度的多个输出值分别相加，获得氨氮测量结果。
需要说明的是，首先需要对水体进行采集，从而获取预定一段时间内水体的水质数据和气象数据，其中，水质数据包括水体温度、pH值、溶解氧含量和盐度，气象数据包括大气压强、大气温度、湿度和风速。然后对水质数据和气象数据进行预处理，获得预处理样本集。将明显异常的数据剔除，并采用线性插值的方法，填充缺失的数据，再进行相关性分析。经过相关性分析，能够发现水体温度、pH值、溶解氧含量和大气压强与氨氮含量的相关性较高，因此，对这些数据进行归一化处理，获得预处理样本集，从而利于后续的处理与测量。然后利用FEEMD方法，按照不同尺度的波动或趋势，将预处理样本集的数据逐级分解成若干个固有模态分量和一个余量。
例如，可以按频率划分，将预处理样本集的数据分为高频若干组、低频若干组和一个最终余量等。将固有模态分量和余量输入至目标MFO-LSSVM模型，获得不同尺度类型的多个输出值；其中，目标MFO-LSSVM模型是通过利用MFO方法对LSSVM模型的模型参数寻优，并利用训练样本集进行训练后得到；训练样本集包括历史时间段内水体的氨氮数据和相关数据。
可选的，本发明实施例中随机选择总采集样本中的80％的数据作为训练样本，从而构成训练样本集，以用来对MFO-LSSVM模型进行训练。在得到不同类型的若干个IMFs和余量后，将不同类型的同一尺度的IMFs和余量分别输入至已经训练好的最小二乘支持向量机模型即目标MFO-LSSVM模型中，从而获得不同尺度的的多个软测量值。将不同尺度的多个软测量值相加，从而获得氨氮输出值，即为最终的测量结果。
本发明实施例使用快速集合经验模态分解将原始数据按不同尺度的波动或趋势逐级分解成若干个固有模态分量和最终分量，并通过飞蛾火焰优化算法对最小二乘支持向量机的核函数的带宽σ和正则化参数C的寻优，最后得到了MFO-LSSVM模型，从而实现对水产养殖中水质的氨氮的精确在线软测量，解决了传统方法测量效率低，测量繁琐，且在线传感器探头昂贵的难题，并为后续实现水产养殖中氨氮的预测与控制奠定基础。
以上所描述的装置实施例仅仅是示意性的，其中所述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所述的方法。
举个例子如下：
图3示例了一种服务器的实体结构示意图，如图3所示，该服务器可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行如下方法：获取预定时间段内水体的水体的氨氮数据和相关数据，相关数据包括水质数据和气象数据；对水质数据和气象数据氨氮数据和相关数据进行预处理，获得不同类型的预处理样本集；利用FEEMD方法将不同类型的预处理样本集分解为多个尺度的若干个固有模态分量和一个余量；将不同类型同一尺度的固有模态分量和余量分别输入至目标MFO-LSSVM模型，循环若干次直至所有尺度都输入完毕，获得各类型多个尺度的多个输出值；其中，目标MFO-LSSVM模型是通过利用MFO方法对LSSVM模型的模型参数寻优，并利用训练样本集进行训练后得到；训练样本集包括历史时间段内水体的氨氮数据和相关数据；将各类型不同尺度的多个输出值分别相加，获得氨氮测量结果。
此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令使计算机执行上述实施例所提供的水体氨氮的软测量方法，例如包括：获取预定时间段内水体的水体的氨氮数据和相关数据，相关数据包括水质数据和气象数据；对水质数据和气象数据氨氮数据和相关数据进行预处理，获得不同类型的预处理样本集；利用FEEMD方法将不同类型的预处理样本集分解为不同类型多个尺度的若干个固有模态分量和一个余量；将不同类型同一尺度的固有模态分量和余量分别输入至目标MFO-LSSVM模型，循环若干次直至所有尺度都输入完毕，获得各类型多个尺度的多个输出值；其中，目标MFO-LSSVM模型是通过利用MFO方法对LSSVM模型的模型参数寻优，并利用训练样本集进行训练后得到；训练样本集包括历史时间段内水体的氨氮数据和相关数据；将各类型不同尺度的多个输出值分别相加，获得氨氮测量结果。
另外，本领域内的技术人员应当理解的是，在本发明的申请文件中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明的说明书中，说明了大量具体细节。然而应当理解的是，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本发明公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。
然而，并不应将该公开的方法解释呈反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
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)

1.一种养殖水体氨氮的软测量方法，其特征在于，包括：
获取预定时间段内水体的水质数据和气象数据；
对所述水质数据和气象数据进行预处理，获得不同类型的预处理样本集；
利用FEEMD方法将所述不同类型的预处理样本集分解为不同类型多个尺度的若干个固有模态分量和一个余量；
将不同类型同一尺度的固有模态分量和余量分别输入至目标MFO-LSSVM模型，循环若干次直至所有尺度都输入完毕，获得各类型多个尺度的多个输出值；其中，所述目标MFO-LSSVM模型是通过利用MFO方法对LSSVM模型的模型参数寻优，并利用训练样本集进行训练后得到；
将所述各类型不同尺度的多个输出值分别相加，获得氨氮测量结果。
2.根据权利要求1所述的方法，其特征在于，获得所述目标MFO-LSSVM模型的过程包括：
利用MFO方法对LSSVM模型的模型参数进行寻优，获得最优模型参数；所述模型参数包括核带宽和正则化参数；
将所述最优模型参数输入至LSSVM模型，获得初始MFO-LSSVM模型；
利用FEEMD方法，将不同类型的训练样本集分别分解为不同尺度的若干个固有模态分量和一个余量；所述训练样本集包括预设时间段内水体的部分水质数据和气象数据；
将所述不同类型同一尺度固有模态分量和余量分别输入至所述初始MFO-LSSVM模型中进行训练，直至满足预设终止条件，获得目标MFO-LSSVM模型。
3.根据权利要求2所述的方法，其特征在于，所述利用MFO方法对LSSVM模型的模型参数进行寻优，包括：
设置寻优参数和适应度函数，所述寻优参数包括飞蛾和火焰的数量、变量数量、最大迭代次数、寻优下限、和寻优上限；
根据所述寻优参数和适应度函数，对LSSVM模型的模型参数进行迭代优化，直至迭代次数达到预设阈值，获得最优模型参数。
4.根据权利要求1所述的方法，其特征在于，所述对所述氨氮数据和相关数据进行预处理，获得预处理数据，包括：剔除异常数据、线性插值填补缺失数据、相关性分析以及归一化处理。
5.根据权利要求1所述的方法，其特征在于，所述水质数据包括水体温度、pH值、溶解氧含量和盐度。
6.根据权利要求1所述的方法，其特征在于，所述气象数据包括大气压强、大气温度、湿度和风速。
7.根据权利要求2所述的方法，其特征在于，所述训练样本集中的数据占总采集样本的80％。
8.一种养殖水体氨氮的软测量装置，其特征在于，包括：
获取模块，用于获取预定时间段内水体的水质数据和气象数据；
处理模块，用于对所述水质数据和气象数据进行预处理，获得不同类型的预处理样本集；
分解模块，用于利用FEEMD方法将所述不同类型的预处理样本集分解为不同类型多个尺度的若干个固有模态分量和一个余量；
输入模块，用于将不同类型同一尺度的固有模态分量和余量分别输入至目标MFO-LSSVM模型，循环若干次直至所有尺度都输入完毕，获得各类型多个尺度的多个输出值；其中，所述目标MFO-LSSVM模型是通过利用MFO方法对LSSVM模型的模型参数寻优，并利用训练样本集进行训练后得到；
输出模块，用于将所述各类型不同尺度的多个输出值分别相加，获得氨氮测量结果。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述养殖水体氨氮的软测量方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述养殖水体氨氮的软测量方法的步骤。
CN201811237454.5A 2018-10-23 2018-10-23 一种养殖水体氨氮的软测量方法及装置 Active CN109255200B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811237454.5A CN109255200B (zh) 2018-10-23 2018-10-23 一种养殖水体氨氮的软测量方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811237454.5A CN109255200B (zh) 2018-10-23 2018-10-23 一种养殖水体氨氮的软测量方法及装置

Publications (2)

Publication Number Publication Date
CN109255200A true CN109255200A (zh) 2019-01-22
CN109255200B CN109255200B (zh) 2021-04-23

Family

ID=65046626

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811237454.5A Active CN109255200B (zh) 2018-10-23 2018-10-23 一种养殖水体氨氮的软测量方法及装置

Country Status (1)

Country Link
CN (1) CN109255200B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112858619A (zh) * 2021-03-03 2021-05-28 华南农业大学 一种对虾养殖水质的预测预警方法
CN113762078A (zh) * 2021-08-03 2021-12-07 南昌工程学院 基于vmd-cssa-lstm-mlr组合模型的湖泊tn预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160140437A1 (en) * 2014-11-17 2016-05-19 Beijing University Of Technology Method to predict the effluent ammonia-nitrogen concentration based on a recurrent self-organizing neural network
CN108549740A (zh) * 2018-03-06 2018-09-18 华南理工大学 一种基于混合智能算法的厌氧系统出水氨氮软测量方法
CN108665106A (zh) * 2018-05-15 2018-10-16 中国农业大学 一种水产养殖溶解氧预测方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160140437A1 (en) * 2014-11-17 2016-05-19 Beijing University Of Technology Method to predict the effluent ammonia-nitrogen concentration based on a recurrent self-organizing neural network
CN108549740A (zh) * 2018-03-06 2018-09-18 华南理工大学 一种基于混合智能算法的厌氧系统出水氨氮软测量方法
CN108665106A (zh) * 2018-05-15 2018-10-16 中国农业大学 一种水产养殖溶解氧预测方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
宋益春: "智能算法在水产养殖水质预测中的应用研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 *
徐圆等: "基于FEEMD_AE与反馈极限学习机组合模型预测研究与应用", 《化工学报》 *
谭清雄: "基于信号分解技术的组合模型在风电功率预测中的研究", 《万方数据知识服务平台学位论文》 *
陈英义 等: "面向预测的水产养殖物联网数据预处理方法", 《中国畜牧兽医学会信息技术分会第十二届学术研讨会》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112858619A (zh) * 2021-03-03 2021-05-28 华南农业大学 一种对虾养殖水质的预测预警方法
CN113762078A (zh) * 2021-08-03 2021-12-07 南昌工程学院 基于vmd-cssa-lstm-mlr组合模型的湖泊tn预测方法

Also Published As

Publication number Publication date
CN109255200B (zh) 2021-04-23

Similar Documents

Publication Publication Date Title
CN103778482B (zh) 基于多尺度分析的水产养殖溶解氧短期预测方法
Zhou et al. A monitoring system for the segmentation and grading of broccoli head based on deep learning and neural networks
CN117322214B (zh) 一种基于神经网络的农作物肥料精准施用方法与系统
Silver et al. In vino veritas: Estimating vineyard grape yield from images using deep learning
Dai et al. An industrial-grade solution for crop disease image detection tasks
CN109255200A (zh) 一种养殖水体氨氮的软测量方法及装置
CN103226728B (zh) 高密度聚乙烯串级聚合反应过程智能检测与收率优化方法
CN112418498A (zh) 用于智能温室的温度预测方法及系统
Chang et al. Time-series growth prediction model based on U-net and machine learning in Arabidopsis
Li et al. An adaptive method for fish growth prediction with empirical knowledge extraction
Lu et al. Image classification and identification for rice leaf diseases based on improved WOACW_SimpleNet
Jiang et al. YOLOv8-Peas: a lightweight drought tolerance method for peas based on seed germination vigor
Jung et al. Deep learning algorithms correctly classify Brassica rapa varieties using digital images
Zhu et al. Exploring soybean flower and pod variation patterns during reproductive period based on fusion deep learning
Jin et al. Hydroponic lettuce defective leaves identification based on improved YOLOv5s
Chen et al. CropQuant-Air: an AI-powered system to enable phenotypic analysis of yield-and performance-related traits using wheat canopy imagery collected by low-cost drones
CN114022678A (zh) 一种基于优化卷积神经网络的玉米病害图像识别方法
Thapliyal et al. ASCAEO: accelerated sine cosine algorithm hybridized with equilibrium optimizer with application in image segmentation using multilevel thresholding
Richards et al. Optimisation of competition indices using simulated annealing and artificial neural networks
CN116630080A (zh) 基于图像识别的水产集约化养殖饲料容量确定方法及系统
CN109187898A (zh) 水产养殖环境中水质氨氮含量的软测量方法及装置
CN111126827A (zh) 一种基于bp人工神经网络的投入产出核算模型构建方法
CN114296487B (zh) 一种养殖池盐度参数智能调控方法及系统
CN115035309A (zh) 一种水稻病害识别方法及装置
CN111738410B (zh) 肉牛个体生长曲线获取方法、装置和存储介质

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