CN110045771A - 一种鱼塘水质智能监测系统 - Google Patents
一种鱼塘水质智能监测系统 Download PDFInfo
- Publication number
- CN110045771A CN110045771A CN201910319307.0A CN201910319307A CN110045771A CN 110045771 A CN110045771 A CN 110045771A CN 201910319307 A CN201910319307 A CN 201910319307A CN 110045771 A CN110045771 A CN 110045771A
- Authority
- CN
- China
- Prior art keywords
- fish pond
- neural network
- fish
- dissolved oxygen
- water quality
- 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
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D27/00—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00
- G05D27/02—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00 characterised by the use of electric means
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种鱼塘水质智能监测系统,其特征在于:所述由基于无线传感器网络的鱼塘水质参数检测平台和鱼塘产量智能预测系统二部分组成;本发明有效解决了现有技术仅依靠设备监测鱼塘水质参数,只获取鱼塘水质参数,而无有效根据鱼塘水质对鱼塘产量影响对鱼塘产量进行预测问题。
Description
技术领域
本发明涉及农业养殖自动化装备的技术领域,具体涉及一种鱼塘水质智能监测系统。
背景技术
随着水产养殖工厂化和精细养殖程度的提高,及时掌握水质的动态变化,提前预测水质情况是工厂化养殖亟待解决的重要问题。渔业养殖水域是水产养殖动物的生活环境,每一种水产养殖动物都需要有适合其生存的水质环境。水质环境若能满足要求,水产养殖动物就能生长和繁殖,如果水质环境中的水受到某种污染,某些水质指标超出水产养殖动物的适应和忍耐范围,轻者水产养殖动物不能正常生长,重者可能造成水产养殖动物大批死亡。近些年来,国内外许多学者对水产养殖监测技术进行了大量研究,有效地提高了传统水产养殖的精准管理水平。宋敬德等人开发的工厂化水产养殖的多点水质在线监测系统具有位置灵活,测量准确、方便的优点,但需要人工观测或周期接入计算机读出历史数据,无法实现实时监测和自动控制。吴沧海等人开发的渔业水质自动监控系统,解决了渔业生产过程中增氧、投饲、污水零排放和水质自动调理等环节的控制技术,为养殖业的科学管理提供了很大的方便;但是该监控系统价格昂贵、安装复杂、维护困难且不易操作,不适合我国现有的中小型水产公司和个人使用。李增祥等人设计的基于AVR单片机的鱼塘溶解氧监测系统能够实时监测并控制增氧机的开关;但是由于该系统监测和控制必须在一起,不能够进行无线控制,对控制增氧机的电路要求很高,不易实现,在渔塘和供电室距离较远的实际情况中不适合使用。在国外,Hamiltion S.J.et研制了一种水质养殖监测系统,EbelingJ.M.研制了基于计算机管理的养殖水质在线系统,但进口设备价格昂贵,不适合我国养殖业现状需求。随着淡水养殖业中网箱养殖和水池养殖模式的日益推广和普及,养殖密度不断提高,饲料的投放、疾病防治、水温、PH值和水中溶解氧浓度的检测与控制对提高养殖产量与质量非常重要,其中溶解氧浓度检测与控制成为提高养殖密度和产量的关键。
发明内容
本发明提供了一种鱼塘水质智能监测系统,本发明有效解决了现有技术仅依靠设备监测鱼塘水质参数,只获取鱼塘水质参数,而无有效根据鱼塘水质对鱼塘产量影响对鱼塘产量进行预测问题。
本发明通过以下技术方案实现:
一种鱼塘水质智能监测系统由基于无线传感器网络的鱼塘水质参数检测平台和鱼塘产量智能预测系统二部分组成。基于无线传感器网络的鱼塘水质参数检测平台实现对鱼塘水质因子参数进行检测、调节和监控,鱼塘产量智能预测系统包括鱼产量组合预测子系统、溶解氧预测子系统和鱼塘产量校正模型三部分组成。
本发明进一步技术改进方案是:
基于无线传感器网络的鱼塘水质参数检测平台由检测节点、控制节点和现场监控端组成,它们以自组织方式通过无线通信模块NRF2401构建成鱼塘水质参数检测平台。检测节点分别由传感器组模块、单片机和无线通信模块NRF2401组成,传感器组模块负责检测鱼塘水质的溶解氧、温度、PH值和浊度等鱼塘水质参数,由单片机控制采样间隔并通过无线通信模块NRF2401发送给现场监控端;控制节点实现对鱼塘水质参数的调节设备进行控制;现场监控端由一台工业控制计算机组成,实现对检测节点检测鱼塘水质参数进行管理和对鱼塘产量预测。基于无线传感器网络的鱼塘水质参数检测平台见图1所示。
本发明进一步技术改进方案是:
鱼塘产量智能预测系统包括鱼产量组合预测子系统、溶解氧预测子系统和鱼塘产量校正模型三部分组成。鱼塘产量智能预测系统结构见图2所示。
本发明进一步技术改进方案是:
鱼产量组合预测子系统包括自回归积分滑动平均模型(ARIMA)、GM(1,1)灰色预测模型、Elman神经网络预测模型和Elman神经网络鱼塘产量融合模型组成,针对历年鱼塘产量的非线性与变化复杂的特点,分别建立自回归积分滑动平均模型(ARIMA)、GM(1,1)灰色预测模型和Elman神经网络预测模型三种单一预测子模型分别预测鱼塘产量值,一个时延段的历年鱼塘产量数据分别作为三种单一预测子模型的输入,三种单一预测子模型的输出作为Elman神经网络鱼塘产量融合模型的输入,Elman神经网络鱼塘产量融合模型为鱼塘产量非线性组合预测模型的逼近器,实现对三种单一预测子模型结果的融合作为鱼塘产量的预测值,鱼产量组合预测子系统利用三种单一预测子模型的信息,实现预测信息之间的互补,提高了鱼塘产量组合预测子系统的鲁棒性,预测结果更科学和准确。
本发明进一步技术改进方案是:
溶解氧预测子系统包括鱼塘溶解氧减法聚类分类器、多个小波神经网络预测模型和小波神经网络鱼塘溶解氧预测值融合模型,利用鱼塘溶解氧减法聚类分类器对鱼塘多点溶解氧测量值进行分类,每类鱼塘多点溶解氧测量值输入对应的小波神经网络预测模型,多个小波神经网络预测模型的输出作为小波神经网络鱼塘溶解氧预测值融合模型的输入,小波神经网络鱼塘溶解氧预测值融合模型的输出为鱼塘溶解氧预测值,溶解氧预测子系统根据鱼塘多点溶解氧测量值预测鱼塘溶解未来值。
本发明进一步技术改进方案是:
鱼塘产量校正模型由4个微分算子和Elman神经网络组成,4个微分算子平均分成2组,每组2个微分算子相串联分别构成微分回路1和微分回路2,鱼产量组合预测子系统的输出为Elman神经网络的a端的输入;溶解氧预测子系统的输出为微分回路1的输入和Elman神经网络的D端的输入,微分回路1的输出为Elman神经网络的b输入端,微分回路1的2个微分算子的连接端的输出为Elman神经网络的C输入;鱼塘产量校正模型的输出为微分回路2的输入,微分回路2的输出为Elman神经网络的E输入,微分回路2的2个微分算子的连接端的输出为Elman神经网络的F输入;Elman神经网络由16个输入端节点、10个中间节点和1个输出端节点组成,输出端节点的数值代表鱼塘产量,微分算子在MATLAB中调用,鱼塘产量校正模型根据鱼塘溶解氧对鱼塘产量的影响实现对鱼塘产量预测值的校正,反映了鱼塘溶解氧的实际值变化对鱼塘产量的影响,提高鱼塘产量预测的精确度。
本发明与现有技术相比,具有以下明显优点:
一、本发明采用多个GM(1,1)灰色预测模型预测池塘鱼产量的时间跨度长。用GM(1,1)灰色预测模型模型可以根据池塘鱼产量的历史参数值预测未来时刻池塘鱼产量,用上述方法预测出的池塘鱼产量后,把它们再加分别加入池塘鱼产量的原始数列中,相应地去掉数列开头的一个数据建模,再进行预测池塘鱼产量。依此类推,预测出池塘鱼产量。这种方法称为等维灰数递补模型,它可实现较长时间的预测。养殖户可以更加准确地掌握池塘鱼产量的变化趋势,为搞好池塘鱼生产管理做好准备。
二、本发明采用ARIMA模型预测池塘鱼产量整合了池塘鱼产量变化的趋势因素、周期因素和随机误差等因素的原始时间序列变量,通过差分数据转换等方法将非平稳序列转变为零均值的平稳随机序列,通过反复识别和模型诊断比较并选择理想的模型进行池塘鱼产量数据拟合和预测。该方法结合了自回归和移动平均方法的长处,具有不受数据类型束缚和适用性强的特点,是一种对池塘鱼产量进行短期预测效果较好的模型。
三、本发明所采用的ELman网络预测池塘鱼产量,该模型的Elman神经网络一般分为4层:输入层、中间层(隐含层)、承接层和输出层,其输入层、隐含层和输出层的连接类似于前馈网络,输入层的单元仅起信号传输作用,输出层单元起线性加权作用。隐含层单元的传递函数可采用线性或非线性函数,承接层又称为上下文层或状态层,它用来记忆隐含层单元前一时刻的输出值,可以认为是一个一次延时算子。Elman型神经网络的特点是隐含层的输出通过承接层的延迟与存储,自联到隐含层的输入,这种自联方式使其对历史状态的数据具有敏感性,内部反馈网络的加入增加了网络本身处理动态信息的能力,从而达到了动态建模的目的。Elman型回归神经元网络的特点是隐层的输出通过结构单元的延迟、存储,自联到隐层的输入,这种自联方式使其对历史状态的数据具有敏感性,内部反馈网络的加入增加了网络本身处理动态信息的能力,有利于动态过程的建模;该模型利用关联层动态神经元的反馈连接,将未来预测网络和过去预测网络的信息进行融合,使网络对时间序列特征信息的记忆得到加强,从而提高池塘鱼产量预测精度。
四、本发明根据池塘多个监测点溶解氧参数样本差异的特点,构建池塘鱼溶解氧减法聚类分类器对池塘多个监测点溶解氧样本参数进行分类,设计多个小波神经网络预测模型对池塘多个溶解氧的样本参数进行分类再分别预测,在池塘溶解氧预测连续预报过程当中,充分考虑池塘溶解氧在时空间的特性,把成因相近的,相对均质的数据从海量级的数据中抽取出来,以建立针对性更强、更能反应任意时间阶段池塘溶解氧多个分类的多个小波神经网络预测模型预测模型,提高预测精度。
五、池塘鱼产量校正模型由4个微分算子和Elman神经网络组成,由于通过2个微分算子串联引入池塘溶解氧的一次和二次变化率,池塘鱼产量通过2个微分算子串联引入池塘鱼产量反馈的一次和二次变化率及输出反馈建立的动态池塘鱼产量校正模型,它将影响池塘鱼产量的溶解氧、溶解氧一次与二次变化率、鱼产量、鱼产量的一次与二次变化率引入网络训练中,形成新的输入向量,具有良好的非线性映射能力,校正模型的池塘鱼产量与溶解氧输入,还包括它们的一次与二次变化率,网络的泛化能力得到提高,使其在非线性池塘鱼产量的时间序列预测中根据根据池塘溶解氧以及变化率、池塘鱼产量以及变化率对池塘鱼产量的影响对池塘鱼产量预测进行校正较传统的静态神经网络具有更好的预测精度和自适应能力。
附图说明
图1为基于无线传感器网络的鱼塘水质参数检测平台;
图2为鱼塘产量智能预测系统;
图3为检测节点功能图;
图4为控制节点功能图;
图5为现场监控端软件功能图;
图6为鱼塘水质参数智能检测平台平面布置图。
具体实施方式
结合附图1-6,对本发明技术方案作进一步描述:
1、系统总体功能的设计
本发明一种鱼塘水质智能监测系统,实现对鱼塘环境水质因子参数进行检测和根据水质参数对鱼生长过程的影响智能化预测鱼塘产量,该系统由基于无线传感器网络的鱼塘水质参数检测平台和鱼塘产量智能预测系统二部分组成。基于无线传感器网络的鱼塘水质参数检测平台包括鱼塘水质参数的检测节点1和调节鱼塘水质参数的控制节点2以及现场监控端组成,它们分别采用NRF2401结合MSP430系列微处理器实现检测节点1、控制节点2和现场监控端3之间的无线通信;检测节点1和控制节点2安装在被监测鱼塘环境区域内以自组织的形式构成参数采集和测控网络,它们和现场监控端3进行信息交互。检测节点1将检测的鱼塘环境水质参数发送给现场监控端3并对传感器数据进行初步处理;现场监控端3把控制信息传输到检测节点1和控制节点2。整个系统结构见图1所示。
2、检测节点的设计
采用大量基于无线传感器网络的检测节点1作为鱼塘环境水质参数感知终端,检测节点1和控制节点2通过自组织无线网络实现现场监控端3之间的信息相互交互。检测节点1包括采集鱼塘环境水质的溶解氧、温度、PH值和浊度参数的传感器和对应的信号调理电路、MSP430微处理器和NRF2401无线传输模块;检测节点的软件主要实现无线通信和鱼塘环境水质参数的采集与预处理。软件采用C语言程序设计,兼容程度高,大大提高了软件设计开发的工作效率,增强了程序代码的可靠性、可读性和可移植性。检测节点结构见图3。
3、控制节点的设计
控制节点2在输出通路设计了3路D/A转换电路实现对溶解氧、温度、PH值的调节输出量、继电器控制电路、MSP430微处理器和无线通信模块接口,实现对鱼塘环境水质控制设备进行控制,控制节点见图4。
4、现场监控端的软件设计
现场监控端3是一台工业控制计算机,现场监控端3主要实现对鱼塘环境水质参数进行采集与鱼塘产量进行智能预测,实现与检测节点1与控制节点2的信息交互,现场监控端3主要功能为通信参数设置、数据分析与数据管理和通过鱼塘产量智能预测系统对鱼塘产量进行智能预测,该管理软件选择了Microsoft Visual++6.0作为开发工具,调用系统的Mscomm通信控件来设计通讯程序,现场监控端软件功能见图5。鱼塘产量智能预测系统包括鱼产量组合预测子系统、溶解氧预测子系统和鱼塘产量校正模型三部分组成。
(1)、鱼产量组合预测子系统设计
鱼产量组合预测子系统包括自回归积分滑动平均模型(ARIMA)、GM(1,1)灰色预测模型、Elman神经网络预测模型和Elman神经网络鱼塘产量融合模型组成,针对历年鱼塘产量的非线性与变化复杂的特点,分别建立自回归积分滑动平均模型(ARIMA)、GM(1,1)灰色预测模型和Elman神经网络预测模型三种单一预测子模型分别预测鱼塘产量值,一个时延段的历年鱼塘产量数据分别作为三种单一预测子模型的输入,三种单一预测子模型的输出作为Elman神经网络鱼塘产量融合模型的输入,Elman神经网络鱼塘产量融合模型为鱼塘产量非线性组合预测模型的逼近器,实现对三种单一预测子模型结果的融合作为鱼塘产量的预测值,鱼产量组合预测子系统利用三种单一预测子模型的信息,实现预测信息之间的互补,提高了鱼塘产量组合预测子系统的鲁棒性,预测结果更科学和准确。
A、自回归积分滑动平均模型(ARIMA)
ARIMA模型一种根据被预测池塘鱼产量历史数据预测池塘将来鱼产量的建模方法,它对被预测池塘鱼产量的时间序列进行分析。本专利采用池塘鱼产量历史参数来分析池塘鱼产量的时间序列对ARIMA动态预测模型的时间序列特征的自回归阶数(p)、差分次数(d)和移动平均阶数(q)进行研究。ARIMA动态预测模型被写作为:ARIMA(p,d,q)。以p、d、q为参数的ARIMA动态预测池塘鱼产量的方程可以表示如下:
Δdyt表示yt经d次差分转换之后的序列,εt是随机误差,方差为常量σ2的正态分布,φi(i=1,2,…,p)和θj(j=1,2,…,q)为ARIMA动态预测模型的待估计参数,p和q为ARIMA动态预测池塘鱼产量模型的阶。ARIMA动态预测池塘鱼产量本质上属于线性模型,建模与预测包含4个步骤:(1)、序列平稳化处理。如果池塘鱼产量历史数据序列是非平稳的,如存在一定的增长或下降趋势等,则需对池塘鱼产量历史数据进行差分处理。(2)、模型识别。通过自相关系数和偏自相关系数来确定ARIMA动态预测池塘鱼产量模型的阶数p,d和q。(3)、估计模型的参数和模型诊断。用极大似然估计得到ARIMA动态预测池塘鱼产量模型中所有参数的估计值,并检验包括参数的显著性检验和残差的随机性检验,然后判断所建池塘鱼产量模型是否可取,利用选取合适参数的ARIMA动态预测池塘鱼产量模型进行池塘鱼产量的预测;并在模型中进行检验,以判定该模型是否恰当,如果不恰当就重新估计参数。(4)、利用具有合适参数模型进行池塘鱼产量的预测。本专利使用软件调用SPSS统计分析软件包中时间序列分析功能的ARIMA模块实现池塘鱼产量预测的整个建模过程。
B、GM(1,1)灰色预测模型
GM(1,1)灰色预测模型是将无规律的池塘鱼产量的历史数据进行累加,得到规律性比较强的生成数据序列后预测池塘鱼产量的建模过程,由生成预测池塘鱼产量GM(1,1)灰色预测模型得到的数据再进行累减得到原始数据的预测值。假设要预测池塘鱼产量的历史数据数列为:
x(0)=(x(0)(1),x(0)(2),…x(0)(n)) (2)
一阶累加后生成新的序列为:x(1)=(x(1)(1),x(1)(2),…x(1)(n)) (3)
其中:
则x(1)序列具有指数增长的规律,即满足一阶线性微分方程:
公式中a成为发展灰数,它反映x(1)和x(0)的发展趋势;u为内生控制灰数,反映了数据之间的变化关系。解上式的微分方程得到x(1)的池塘鱼产量预测值为:
通过下面公式的累减还原,得到原始序列x(0)的池塘鱼产量灰色预测模型为:
通过构建GM(1,1)灰色预测池塘鱼产量模型,可以实现对本专利池塘鱼产量的预测,构建对应池塘鱼产量的GM(1,1)灰色预测模型。
C、Elman神经网络预测模型
Elman神经网络预测模型可以预测池塘鱼产量,该模型是一个具有局部记忆单元和局部反馈连接的前向神经网络,关联层从隐层接收反馈信号,每一个隐层节点都有一个与之对应的关联层节点连接。关联层将上一时刻的隐层状态连同当前时刻的网络输入一起作为隐层的输入作为状态反馈。隐层的传递函数一般为Sigmoid函数,关联层和输出层为线性函数。设Elman神经网络预测模型的输入层、输出层和隐层的个数分别为m,n和r;w1,w2,w3和w4分别表示结构层单元到隐层、输入层到隐层、隐层到输出层、结构层到输出层的连接权矩阵,则网络的隐含层、关联层和输出层的输出值表达式分别为:
cp(k)=xp(k-1) (8)
Elman神经网络预测模型的输入数据为池塘产量的历史数据,输出为池塘池塘的将来值,Elman神经网络预测模型的输入层、输出层和隐层的个数分别为10,1和21,Elman神经网络预测模型的输入层和输出层分别为养殖池塘的10个历史数据和养殖池塘产量的预测值,Elman神经网络预测模型实现对池塘鱼产量的非线性预测。
D、Elman神经网络鱼塘产量融合模型
Elman神经网络池塘鱼产量融合模型实现对池塘鱼产量的自回归积分滑动平均模型(ARIMA)、GM(1,1)灰色预测模型和Elman神经网络预测模型的融合,这三个子模型有线性预测、灰色预测和非线性预测池塘鱼产量作为Elman神经网络池塘鱼产量融合模型的输入,Elman神经网络池塘鱼产量融合模型的输出作为这三个子模型的融合值,通过Elman神经网络池塘鱼产量融合模型对三种预测方法的融合,提高预测池塘鱼产量的准确度。Elman神经网络池塘鱼产量融合模型的输入层、输出层和隐层的个数分别为3,1和7,Elman神经网络池塘鱼产量融合模型实现对池塘鱼产量预测自回归积分滑动平均模型(ARIMA)、GM(1,1)灰色预测模型和Elman神经网络预测模型三个子模型信息的融合。
(2)、溶解氧预测子系统设计
溶解氧预测子系统包括鱼塘溶解氧减法聚类分类器、多个小波神经网络预测模型和小波神经网络鱼塘溶解氧预测值融合模型,利用鱼塘溶解氧减法聚类分类器对鱼塘多点溶解氧测量值进行分类,每类鱼塘多点溶解氧测量值输入对应的小波神经网络预测模型,多个小波神经网络预测模型的输出作为小波神经网络鱼塘溶解氧预测值融合模型的输入,小波神经网络鱼塘溶解氧预测值融合模型的输出为鱼塘溶解氧预测值,溶解氧预测子系统根据鱼塘多点溶解氧测量值预测鱼塘溶解未来值。
A、鱼塘溶解氧减法聚类分类器
溶解氧减法聚类是一种用来估计一组池塘溶解氧检测数据中的聚类个数以及聚类中心位置的快速实用的单次算法。减法聚类方法将检测的每个池塘溶解氧数据点都作为可能的聚类中心,然后根据各个池塘溶解氧数据点周围的数据点密度来计算该点作为聚类中心的可能性。被选为聚类中心的池塘溶解氧数据点周围具有最高的数据点密度,同时该池塘溶解氧数据点附近的数据点就被排除作为聚类中心的可能性。在选出第一个聚类中心后,从剩余的可能作为聚类中心的池塘溶解氧数据点中,继续用类似方法选择下一个中心,直至所有剩余池塘溶解氧数据点作为聚类中心的可能性低于设定的设定阈值。假设所有池塘溶解氧数据点位于一个单位超立方体内,即各维的坐标都在0-1之间,通常指定池塘溶解氧数据向量的每一维坐标上聚类中心的影响范围在0.2-0.5。定义池塘溶解氧数据点xi的密度为:
半径ra定义了该池塘溶解氧数据点的密度范围,范围外的池塘溶解氧数据点对密度影响很微小。计算池塘溶解氧每个数据点密度后,选取池塘溶解氧密度高的数据点为第一个聚类中心,计此数据点xi和DXi为其密度,则其他池塘溶解氧数据点密度修正为:
常数rb定义了一个密度显著减小的范围,通常大于rb。然后重复以上步骤,直至所有剩余的池塘溶解氧数据点作为聚类中心的可能性低于某一个阈值。当输入池塘溶解氧个数比较多时,采用溶解氧减法聚类算法划分输入空间,实现对被监测池塘溶解氧数据的分类,池塘溶解氧分类划分更合理、溶解氧减法聚类算法简单、训练时间短。
B、多个小波神经网络预测模型
多个小波神经网络预测模型实现对经过溶解氧减法聚类分类器划归不同类池塘溶解氧分别进行预测来提高池塘溶解氧预测精度,池塘溶解氧小波神经网络预测模型基于小波神经网络WNN(WaveletNeuralNetworks)理论基础构建的池塘溶解氧预测模型,小波神经网络以小波函数为神经元的激励函数并结合人工神经网络提出的一种前馈型网络。小波神经网络预测模型中小波的伸缩、平移因子以及连接权重在对误差能量函数的优化过程中被自适应调整。设小波神经网络预测模型的输入信号可以表示为一个池塘溶解氧输入的一维向量xi(i=1,2,…,n),输出信号表示为yk(k=1,2,…,m),池塘溶解氧小波神经网络预测模型输出层预测值的计算公式为:
公式中ωij输入层i节点和隐含层j节点间的连接权值,为小波基函数,bj为小波基函数的平移因子,aj小波基函数的伸缩因子,ωjk为隐含层j节点和输出层k节点间的连接权值。本专利中的小波神经网络预测模型的权值和阈值的修正算法采用梯度修正法来更新网络权值和小波基函数参数,从而使小波神经网络预测模型输出不断逼近期望输出。
C、小波神经网络鱼塘溶解氧预测值融合模型
小波神经网络池塘溶解氧预测融合模型的输入为池塘溶解氧的多个小波神经网络预测模型的输出,小波神经网络池塘溶解氧预测融合模型的输出为池塘溶解氧的多个小波神经网络预测模型的融合值,融合值的计算方法可以参照公式(12)。
(3)、鱼塘产量校正模型设计
鱼塘产量校正模型由4个微分算子和Elman神经网络组成,4个微分算子平均分成2组,每组2个微分算子相串联分别构成微分回路1和微分回路2,鱼产量组合预测子系统的输出为Elman神经网络的a端的输入;溶解氧预测子系统的输出为微分回路1的输入和Elman神经网络的D端的输入,微分回路1的输出为Elman神经网络的b输入端,微分回路1的2个微分算子的连接端的输出为Elman神经网络的C输入;鱼塘产量校正模型的输出为微分回路2的输入,微分回路2的输出为Elman神经网络的E输入,微分回路2的2个微分算子的连接端的输出为Elman神经网络的F输入;Elman神经网络由16个输入端节点、10个中间节点和1个输出端节点组成,输出端节点的数值代表鱼塘产量,微分算子在MATLAB中调用,鱼塘产量校正模型根据鱼塘溶解氧对鱼塘产量的影响实现对鱼塘产量预测值的校正,反映了鱼塘溶解氧的实际值变化对鱼塘产量的影响,提高鱼塘产量预测的精确度。微分算子可以通过调用Mathlab中微分算子直接实现,Elman神经网络中的计算公式可以参照本专利的公式(7)、(8)和(9)。
5、鱼塘水质智能监测系统的设计举例
根据鱼塘环境水质参数的分布状况,系统布置了检测节点1和控制节点2和现场监控端3的平面布置安装图,其中检测节点1均衡布置在被检测鱼塘环境中实现对水质参数的检测,整个系统平面布置见图6,通过该系统实现对鱼塘环境水质参数的采集与鱼塘产量的智能化预测。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段,还包括由以上技术特征任意组合所组成的技术方案。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (5)
1.一种鱼塘水质智能监测系统,其特征在于:所述由基于无线传感器网络的鱼塘水质参数检测平台和鱼塘产量智能预测系统二部分组成;鱼塘产量智能预测系统包括鱼产量组合预测子系统、溶解氧预测子系统和鱼塘产量校正模型三部分组成;
所述鱼产量组合预测子系统包括自回归积分滑动平均模型(ARIMA)、GM(1,1)灰色预测模型、Elman神经网络预测模型和Elman神经网络鱼塘产量融合模型组成,针对历年鱼塘产量的非线性与变化复杂的特点,分别建立自回归积分滑动平均模型(ARIMA)、GM(1,1)灰色预测模型和Elman神经网络预测模型三种单一预测子模型分别预测鱼塘产量值,一个时延段的历年鱼塘产量数据分别作为三种单一预测子模型的输入,三种单一预测子模型的输出作为Elman神经网络鱼塘产量融合模型的输入,Elman神经网络鱼塘产量融合模型为鱼塘产量非线性组合预测模型的逼近器,实现对三种单一预测子模型结果的融合作为鱼塘产量的预测值,鱼产量组合预测子系统利用三种单一预测子模型的信息,实现预测信息之间的互补;
所述溶解氧预测子系统包括鱼塘溶解氧减法聚类分类器、多个小波神经网络预测模型和小波神经网络鱼塘溶解氧预测值融合模型,利用鱼塘溶解氧减法聚类分类器对鱼塘多点溶解氧测量值进行分类,每类鱼塘多点溶解氧测量值输入对应的小波神经网络预测模型,多个小波神经网络预测模型的输出作为小波神经网络鱼塘溶解氧预测值融合模型的输入,小波神经网络鱼塘溶解氧预测值融合模型的输出为鱼塘溶解氧预测值,溶解氧预测子系统根据鱼塘多点溶解氧测量值预测鱼塘溶解未来值;
所述鱼塘产量校正模型由4个微分算子和Elman神经网络组成, 4个微分算子平均分成2组,每组2个微分算子相串联分别构成微分回路1和微分回路2,鱼产量组合预测子系统的输出为Elman神经网络的a端的输入;溶解氧预测子系统的输出为微分回路1的输入和Elman神经网络的D端的输入,微分回路1的输出为Elman神经网络的b输入端,微分回路1的2个微分算子的连接端的输出为Elman神经网络的C输入;鱼塘产量校正模型的输出为微分回路2的输入,微分回路2的输出为Elman神经网络的E输入,微分回路2的2个微分算子的连接端的输出为Elman神经网络的F输入;Elman神经网络由16个输入端节点、10个中间节点和1个输出端节点组成,输出端节点的数值代表鱼塘产量,鱼塘产量校正模型根据鱼塘溶解氧对鱼塘产量的影响实现对鱼塘产量预测值的校正,反映了鱼塘溶解氧的实际值变化对鱼塘产量的影响。
2.根据权利要求1所述的一种鱼塘水质智能监测系统,其特征在于:基于无线传感器网络的鱼塘水质参数检测平台由检测节点、控制节点和现场监控端组成,它们以自组织方式通过无线通信模块NRF2401构建成鱼塘水质参数检测平台,实现对鱼塘水质因子参数进行检测、调节和监控。
3.根据权利要求2所述的一种鱼塘水质智能监测系统,其特征在于:所述检测节点分别由传感器组模块、单片机和无线通信模块NRF2401组成,传感器组模块负责检测鱼塘水质的溶解氧、温度、PH值和浊度鱼塘水质参数,由单片机控制采样间隔并通过无线通信模块NRF2401发送给现场监控端。
4.根据权利要求2所述的一种鱼塘水质智能监测系统,其特征在于:所述控制节点实现对鱼塘水质参数的调节设备进行控制。
5.根据权利要求2所述的一种鱼塘水质智能监测系统,其特征在于:所述现场监控端由一台工业控制计算机组成,实现对检测节点检测鱼塘水质参数进行管理和对鱼塘产量预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910319307.0A CN110045771B (zh) | 2019-04-19 | 2019-04-19 | 一种鱼塘水质智能监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910319307.0A CN110045771B (zh) | 2019-04-19 | 2019-04-19 | 一种鱼塘水质智能监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110045771A true CN110045771A (zh) | 2019-07-23 |
CN110045771B CN110045771B (zh) | 2020-12-08 |
Family
ID=67278082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910319307.0A Active CN110045771B (zh) | 2019-04-19 | 2019-04-19 | 一种鱼塘水质智能监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110045771B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110119165A (zh) * | 2019-04-19 | 2019-08-13 | 淮阴工学院 | 一种水产养殖池塘溶解氧检测装置 |
CN111426344A (zh) * | 2020-03-20 | 2020-07-17 | 淮阴工学院 | 一种建筑物能耗智能检测系统 |
CN113854221A (zh) * | 2021-10-29 | 2021-12-31 | 广州市蓝得生命科技有限公司 | 智能喂食控制系统 |
CN113917103A (zh) * | 2021-10-15 | 2022-01-11 | 贵州师范学院 | 可自动调节深度的多水质参数检测装置 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101995891A (zh) * | 2010-09-17 | 2011-03-30 | 南京工业大学 | 一种芳香酸生产中母固料回收系统水分在线分析方法 |
CN203072684U (zh) * | 2013-01-17 | 2013-07-24 | 广州中和通信科技有限公司 | 一种用于水产养殖的物联网水体监控系统 |
CN103324980A (zh) * | 2013-04-25 | 2013-09-25 | 华北电力大学(保定) | 一种风电场风速预测方法 |
CN204166418U (zh) * | 2014-09-11 | 2015-02-18 | 陕西理工学院 | 一种池塘水质监控装置 |
CN104965971A (zh) * | 2015-05-24 | 2015-10-07 | 北京工业大学 | 一种基于模糊神经网络的氨氮浓度软测量方法 |
CN104992244A (zh) * | 2015-07-08 | 2015-10-21 | 中国民用航空总局第二研究所 | 一种基于sarima和rbf神经网络集成组合模型的机场货运量预测分析方法 |
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 |
CN105976199A (zh) * | 2016-04-26 | 2016-09-28 | 重庆大学 | 一种基于混合模型的医药销量的预测方法及系统 |
CN106168813A (zh) * | 2016-08-22 | 2016-11-30 | 淮阴工学院 | 一种无线传感器网络的养殖池塘溶解氧控制系统 |
CN106198909A (zh) * | 2016-06-30 | 2016-12-07 | 中南大学 | 一种基于深度学习的水产养殖水质预测方法 |
CN106933282A (zh) * | 2017-05-09 | 2017-07-07 | 盐城工业职业技术学院 | 水产养殖监控系统及水产养殖系统 |
CN107071716A (zh) * | 2017-06-14 | 2017-08-18 | 扬州大学 | 基于td-lte专网的水环境监测系统及方法 |
CA2821103C (en) * | 2012-07-20 | 2017-08-22 | Tata Consultancy Services Limited | Method and system for adaptive forecast of wind resources |
CN107153874A (zh) * | 2017-04-11 | 2017-09-12 | 中国农业大学 | 水质预测方法及系统 |
CN108053052A (zh) * | 2017-11-20 | 2018-05-18 | 淮阴工学院 | 一种油罐车油气泄漏速度智能监测系统 |
WO2018117890A1 (en) * | 2016-12-21 | 2018-06-28 | Schlumberger Technology Corporation | A method and a cognitive system for predicting a hydraulic fracture performance |
CN108416479A (zh) * | 2018-03-20 | 2018-08-17 | 易联众信息技术股份有限公司 | 一种基于gdp的决策方案数据分析模型的构建方法 |
CN108846512A (zh) * | 2018-06-05 | 2018-11-20 | 南京邮电大学 | 基于择优分类的水质预测方法 |
CN109067879A (zh) * | 2018-08-08 | 2018-12-21 | 四川理工学院 | 一种物联网多参数水质在线监测系统 |
-
2019
- 2019-04-19 CN CN201910319307.0A patent/CN110045771B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101995891A (zh) * | 2010-09-17 | 2011-03-30 | 南京工业大学 | 一种芳香酸生产中母固料回收系统水分在线分析方法 |
CA2821103C (en) * | 2012-07-20 | 2017-08-22 | Tata Consultancy Services Limited | Method and system for adaptive forecast of wind resources |
CN203072684U (zh) * | 2013-01-17 | 2013-07-24 | 广州中和通信科技有限公司 | 一种用于水产养殖的物联网水体监控系统 |
CN103324980A (zh) * | 2013-04-25 | 2013-09-25 | 华北电力大学(保定) | 一种风电场风速预测方法 |
CN204166418U (zh) * | 2014-09-11 | 2015-02-18 | 陕西理工学院 | 一种池塘水质监控装置 |
CN104965971A (zh) * | 2015-05-24 | 2015-10-07 | 北京工业大学 | 一种基于模糊神经网络的氨氮浓度软测量方法 |
CN104992244A (zh) * | 2015-07-08 | 2015-10-21 | 中国民用航空总局第二研究所 | 一种基于sarima和rbf神经网络集成组合模型的机场货运量预测分析方法 |
CN105976199A (zh) * | 2016-04-26 | 2016-09-28 | 重庆大学 | 一种基于混合模型的医药销量的预测方法及系统 |
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 |
CN106198909A (zh) * | 2016-06-30 | 2016-12-07 | 中南大学 | 一种基于深度学习的水产养殖水质预测方法 |
CN106168813A (zh) * | 2016-08-22 | 2016-11-30 | 淮阴工学院 | 一种无线传感器网络的养殖池塘溶解氧控制系统 |
WO2018117890A1 (en) * | 2016-12-21 | 2018-06-28 | Schlumberger Technology Corporation | A method and a cognitive system for predicting a hydraulic fracture performance |
CN107153874A (zh) * | 2017-04-11 | 2017-09-12 | 中国农业大学 | 水质预测方法及系统 |
CN106933282A (zh) * | 2017-05-09 | 2017-07-07 | 盐城工业职业技术学院 | 水产养殖监控系统及水产养殖系统 |
CN107071716A (zh) * | 2017-06-14 | 2017-08-18 | 扬州大学 | 基于td-lte专网的水环境监测系统及方法 |
CN108053052A (zh) * | 2017-11-20 | 2018-05-18 | 淮阴工学院 | 一种油罐车油气泄漏速度智能监测系统 |
CN108416479A (zh) * | 2018-03-20 | 2018-08-17 | 易联众信息技术股份有限公司 | 一种基于gdp的决策方案数据分析模型的构建方法 |
CN108846512A (zh) * | 2018-06-05 | 2018-11-20 | 南京邮电大学 | 基于择优分类的水质预测方法 |
CN109067879A (zh) * | 2018-08-08 | 2018-12-21 | 四川理工学院 | 一种物联网多参数水质在线监测系统 |
Non-Patent Citations (2)
Title |
---|
周恒瑞,马从国,金德飞: "基于无线传感网的池塘养殖水质监控系统设计", 《黑龙江科技信息》 * |
马从国: "基于无线传感器网络的水产养殖池塘溶解氧智能监控系统", 《农业工程学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110119165A (zh) * | 2019-04-19 | 2019-08-13 | 淮阴工学院 | 一种水产养殖池塘溶解氧检测装置 |
CN110119165B (zh) * | 2019-04-19 | 2021-12-17 | 淮阴工学院 | 一种水产养殖池塘溶解氧检测装置 |
CN111426344A (zh) * | 2020-03-20 | 2020-07-17 | 淮阴工学院 | 一种建筑物能耗智能检测系统 |
CN113917103A (zh) * | 2021-10-15 | 2022-01-11 | 贵州师范学院 | 可自动调节深度的多水质参数检测装置 |
CN113917103B (zh) * | 2021-10-15 | 2023-05-19 | 贵州师范学院 | 可自动调节深度的多水质参数检测装置 |
CN113854221A (zh) * | 2021-10-29 | 2021-12-31 | 广州市蓝得生命科技有限公司 | 智能喂食控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110045771B (zh) | 2020-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110045771A (zh) | 一种鱼塘水质智能监测系统 | |
CN107168402B (zh) | 基于can现场总线的鸡舍环境温度智能监测系统 | |
CN107289998B (zh) | 基于can总线的猪舍环境温度智能监测系统 | |
CN101796928B (zh) | 养殖水体水质参数对养殖生物生长状态影响的预测方法 | |
Zhu et al. | A remote wireless system for water quality online monitoring in intensive fish culture | |
CN110069032A (zh) | 一种基于小波神经网络的茄子温室环境智能检测系统 | |
CN104123595B (zh) | 一种配电网负荷预测方法及系统 | |
CN113126490B (zh) | 智能变频增氧控制方法及装置 | |
CN114169638A (zh) | 一种水质预测方法及装置 | |
CN104898723B (zh) | 水产养殖池塘ph值智能控制系统 | |
CN116029435B (zh) | 一种生猪设施养殖环境舒适度预警系统 | |
CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
NO20210919A1 (en) | Systems and methods for predicting growth of a population of organisms | |
CN116629550B (zh) | 一种基于云计算的水环境监管方法及调度运行系统 | |
CN110119767A (zh) | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 | |
CN110119165B (zh) | 一种水产养殖池塘溶解氧检测装置 | |
CN114418183B (zh) | 畜禽健康体征大数据物联网检测系统 | |
CN115099512A (zh) | 一种淡水鱼养殖智能管理系统以及管理方法 | |
CN117473446B (zh) | 基于深度学习的异常检测和处理方法及系统 | |
CN116884523B (zh) | 一种海洋牧场水质多参数预测方法 | |
CN116957144A (zh) | 一种复杂养殖环境下基于深度学习的水质溶解氧预测方法 | |
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 | |
CN114357877A (zh) | 一种基于模糊评价与改进支持向量机的鱼塘水质评价预测系统及方法 | |
CN105527398A (zh) | 一种凡纳滨对虾养殖池塘水质的评价方法 | |
Mulema et al. | Quality and productivity in aquaculture: Prediction of oreochromis mossambicus growth using a transfer function arima model |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20211206 Address after: 510000 unit 302, floor 3, No. 7, helix 4th Road, International Biological Island, Guangzhou, Guangdong Patentee after: Guangdong Xuanda Testing Technology Service Co.,Ltd. Address before: 223005 Jiangsu Huaian economic and Technological Development Zone, 1 East Road. Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY |