CN110895727A - 基于卡尔曼滤波模型的鱼塘水质预测方法及系统 - Google Patents

Abstract

本公开公开了基于卡尔曼滤波模型的鱼塘水质预测方法及系统，采用改进的卡尔曼滤波，采用信号与噪声的状态空间模型，利用前一时刻地估计值和现时刻的观测值来更新对状态变量的估计，求出现时刻的估计值，使卡尔曼滤波模型适合于实时处理；通过对实测的数据进行预测的结果分析，基于卡尔曼滤波理论的鱼塘水质预测模型具有较高的预测精度,特别是对原始数据进行比例变换的预测方法更为理想；使基于卡尔曼滤波理论的鱼塘水质预测模型便于在计算机上实现，并具有变量类型少和在线预测的特点，适用于对整个鱼塘的水质环境进行实时预测。

Description

基于卡尔曼滤波模型的鱼塘水质预测方法及系统

技术领域

本公开涉及水产养殖技术领域，具体涉及基于卡尔曼滤波模型的鱼塘水质预测方法及系统。

背景技术

由于水产养殖的大多数养殖户多为人工养殖，费时费力，对水质的可操作性差，在淡水养殖里水质环境起着关键的作用，一旦淡水环境里面某个指标控制不好鱼类的成活率很低。目前大多数水产业信息化处于程度较低阶段，采用手工记录数据，机械化程度较低，缺乏技术储备，较少技术改造和扩大再生产资金。而目前社会上即使存在相对完善的检测仪价格也十分昂贵，普通的养殖户无法承担相应的费用，大部分相对廉价的仪器仅仅只能收集数据，所以在这种情况下使用廉价的仪器测得数据然后基于改进的卡尔曼滤波模型预测鱼塘水质环境的变化起着十分关键的作用。随着新型水产养殖的兴起，规模化的水产养殖企业走低碳高效健康发展之路是当前的主要养殖管理需求，因此这就对水产养殖水质提出了更高的要求。

卡尔曼滤波的实质是由量测值重构系统的状态向量。它以“预测-实测-修正”的顺序递推，根据系统的量测值来消除随机干扰，再现系统的状态，卡尔曼滤波是解决状态空间模型估计与预测的有力工具之一，可以对状态空间模型进行优化拟合。

现有的水质环境监测大多数都由农户人工监测，受自然灾害或者一些人为因素的影响，缺少技术分析，不能精确实时的知道水质的变化，从而使鱼苗的成活率大大降低，并且由于现有设备高额的定价使得渔农们难以使用，因此基于改进的卡尔曼滤波可以方便并且精确的实时反映水塘里水质的变化，从而提高鱼苗的成活率。

发明内容

本公开提供基于卡尔曼滤波模型的鱼塘水质预测方法及系统，本公开实现一个基于卡尔曼滤波模型监测鱼塘水质环境的变化，能够快速了解到此时鱼塘的水温、水位、溶解氧、氨氮值等指标。利用大数据技术对各项指标进行分析，从而做到快速监测预警淡水水质环境。采用改进的卡尔曼滤波，采用信号与噪声的状态空间模型，利用前一时刻地估计值和现时刻的观测值来更新对状态变量的估计，求出现时刻的估计值，使卡尔曼滤波模型适合于实时处理。

为了实现上述目的，根据本公开的一方面，提供基于卡尔曼滤波模型的鱼塘水质预测方法，所述方法包括以下步骤：

步骤1：通过传感器采集水质数据集，采集的水质数据集包括鱼塘的水温、水位、溶解氧、氨氮值等水质数据，在水塘内安装传感器，收集水质数据，在收集了1500条水质数据后(每一条数据均应该含有水温、水位、溶解氧、氨氮值)，每条数的时间单位均为小时，每日固定时间从传感器收集上述数据，组成水质数据集；

步骤2：构建卡尔曼滤波模型的状态方程：设每小时的溶解氧为x(k)。对于不同时间值k均有一值x(k)与之对应,当取样时刻变化时,就得到一时溶解氧序列{x(k)},溶解氧预测序列{x(k)}为白噪声序列{x(k)}驱动的一阶递归模型,状态方程如下:

式中：x(k)为k时刻溶解氧的真值；

为k-1时刻和k时刻时溶解氧之间的相关系数；w为表示过程噪声；

步骤3：构建卡尔曼滤波模型的测量方程：测量方程如下：y(k)＝Hx(k)+v(k),y(k)为k时刻溶解氧的量测值；H为量测参数，它由测量系统和测量方法所确定，不随时间变化的一个常量，取1；v(k)为量测噪声，均方估计误差为p(k)＝E[x(k)-x(k)]²，在均方估计误差为最小的准则下加以推导,可以得出递推公式如下:预测估计方程为x(k+1|k)＝F(k)(k|k-1)+b(k)[y(k)-Hx(k|k-1)]，预测增益方程：

均方预测误差方程：p(k+1|k)＝F(k)²p(k|k-1)-F(k)Hb(k)p(k|k-1)+Q，式中：x(k+1|k)基于k时刻的k+1时刻时溶解氧基础的估计值；R为量测噪声的方差；Q为过程噪声的方差；F(k)为状态转移矩阵，它表示我们如何从上一状态来推测当前状态，

Δk为单位时间。

步骤4：通过构建改进的卡尔曼滤波模型对水质数据集进行预测，通过卡尔曼滤波模型是以预测加修正来实现其滤波递推的，完成对时溶解氧的预测之后，按照相同的方法对鱼塘的水温、水位、氨氮值等水质数据集进行预测。

本公开还提供了基于卡尔曼滤波模型的鱼塘水质预测系统，所述系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下系统的单元中：

水质数据采集单元，用于通过传感器采集水质数据集；

状态方程构建单元，用于构建卡尔曼滤波模型的状态方程；

测量方程构建单元，用于构建卡尔曼滤波模型的测量方程；

模型预测单元，用于通过构建改进的卡尔曼滤波模型对水质数据集进行预测。

本公开的有益效果为：本公开提供基于卡尔曼滤波模型的鱼塘水质预测方法及系统，通过对实测的数据进行预测的结果分析，基于卡尔曼滤波理论的鱼塘水质预测模型具有较高的预测精度,特别是对原始数据进行比例变换的预测方法更为理想。由于卡尔曼滤波采用了较灵活及适应性较广的状态空间模型的系统分析法以及递推算法，从而使基于卡尔曼滤波理论的鱼塘水质预测模型便于在计算机上实现，并具有变量类型少和在线预测的特点，适用于对整个鱼塘的水质环境进行实时预测。

附图说明

通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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，在附图中：

图1所示为基于卡尔曼滤波模型的鱼塘水质预测方法的流程图；

图2所示为基于卡尔曼滤波模型的鱼塘水质预测系统结构图。

具体实施方式

以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本公开的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

如图1所示为根据本公开的基于卡尔曼滤波模型的鱼塘水质预测方法的流程图，下面结合图1来阐述根据本公开的实施方式的基于卡尔曼滤波模型的鱼塘水质预测方法。

本公开提出基于卡尔曼滤波模型的鱼塘水质预测方法，具体包括以下步骤：

步骤1：通过传感器采集水质数据集，采集的水质数据集包括鱼塘的水温、水位、溶解氧、氨氮值等水质数据，在水塘内安装传感器，收集水质数据，在收集了1500条水质数据后(每一条数据均应该含有水温、水位、溶解氧、氨氮值)，每条数的时间单位均为小时，每日固定时间从传感器收集上述数据，组成水质数据集；

步骤2：构建卡尔曼滤波模型的状态方程：设每小时的溶解氧为x(k)。对于不同时间值k,均有一值x(k)与之对应,当取样时刻变化时,就得到一时溶解氧序列{x(k)},溶解氧预测序列{x(k)}为白噪声序列{x(k)}驱动的一阶递归模型,状态方程如下:

式中：x(k)为k时刻溶解氧的真值；

为k-1时刻和k时刻时溶解氧之间的相关系数；w为表示过程噪声；

步骤3：构建卡尔曼滤波模型的测量方程：测量方程如下：y(k)＝Hx(k)+v(k),y(k)为k时刻溶解氧的量测值；H为量测参数，它由测量系统和测量方法所确定，不随时间变化的一个常量，取1；v(k)为量测噪声，均方估计误差为p(k)＝E[x(k)-x(k)]²，在均方估计误差为最小的准则下加以推导,可以得出递推公式如下:预测估计方程为x(k+1|k)＝F(k)x(k|k-1)+b(k)[y(k)-Hx(k|k-1)]，预测增益方程：

均方预测误差方程：p(k+1|k)＝F(k)²p(k|k-1)-F(k)Hb(k)p(k|k-1)+Q，式中：x(k+1|k)基于k时刻的k+1时刻时溶解氧基础的估计值；R为量测噪声的方差；Q为过程噪声的方差；F(k)为状态转移矩阵，它表示我们如何从上一状态来推测当前状态，

Δk为单位时间。

步骤4：通过构建改进的卡尔曼滤波模型对水质数据集进行预测，通过卡尔曼滤波模型是以预测加修正来实现其滤波递推的，完成对时溶解氧的预测之后，按照相同的方法对鱼塘的水温、水位、氨氮值等水质数据集进行预测。

本公开的实施例提供的基于卡尔曼滤波模型的鱼塘水质预测系统，如图2所示为本公开的基于卡尔曼滤波模型的鱼塘水质预测系统结构图，该实施例的基于卡尔曼滤波模型的鱼塘水质预测系统包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于卡尔曼滤波模型的鱼塘水质预测系统实施例中的步骤。

所述系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下系统的单元中：

水质数据采集单元，用于通过传感器采集水质数据集；

状态方程构建单元，用于构建卡尔曼滤波模型的状态方程；

测量方程构建单元，用于构建卡尔曼滤波模型的测量方程；

模型预测单元，用于通过构建改进的卡尔曼滤波模型对水质数据集进行预测。

所述基于卡尔曼滤波模型的鱼塘水质预测系统可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述基于卡尔曼滤波模型的鱼塘水质预测系统，可运行的系统可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是基于卡尔曼滤波模型的鱼塘水质预测系统的示例，并不构成对基于卡尔曼滤波模型的鱼塘水质预测系统的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述基于卡尔曼滤波模型的鱼塘水质预测系统还可以包括输入输出设备、网络接入设备、总线等。

所称处理器可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现场可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述基于卡尔曼滤波模型的鱼塘水质预测系统运行系统的控制中心，利用各种接口和线路连接整个基于卡尔曼滤波模型的鱼塘水质预测系统可运行系统的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于卡尔曼滤波模型的鱼塘水质预测系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(SmartMediaCard,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。

Claims (5)

1.基于卡尔曼滤波模型的鱼塘水质预测方法，其特征在于，所述方法包括以下步骤：

步骤1：通过传感器采集水质数据集；

步骤2：构建卡尔曼滤波模型的状态方程；

步骤3：构建卡尔曼滤波模型的测量方程；

步骤4：通过构建改进的卡尔曼滤波模型对水质数据集进行预测。

2.根据权利要求1所述的基于卡尔曼滤波模型的鱼塘水质预测方法，其特征在于，在步骤1中，水质数据集包括鱼塘的水温、水位、溶解氧、氨氮值等水质数据，通过在水塘内安装传感器，收集水质数据，在收集了1500条水质数据后，每条数的时间单位均为小时，每日固定时间从传感器收集上述数据，组成水质数据集。

3.根据权利要求2所述的基于卡尔曼滤波模型的鱼塘水质预测方法，其特征在于，在步骤2中，构建卡尔曼滤波模型的状态方程的方法为：设每小时的溶解氧为x(k)；对于不同时间值k,均有一值x(k)与之对应,当取样时刻变化时,就得到一时溶解氧序列{x(k)},溶解氧预测序列{x(k)}为白噪声序列{x(k)}驱动的一阶递归模型,状态方程如下:

式中：x(k)为k时刻溶解氧的真值；

为k-1时刻和k时刻时溶解氧之间的相关系数，采用了时变模型，认为F是一个随时间变化的系数；w为表示过程噪声。

4.根据权利要求3所述的基于卡尔曼滤波模型的鱼塘水质预测方法，其特征在于，在步骤3中，构建卡尔曼滤波模型的测量方程的方法为：

令y(k)＝Hx(k)+v(k),y(k)为k时刻溶解氧的量测值；H为量测参数，它由测量系统和测量方法所确定，不随时间变化的一个常量，取1；v(k)为量测噪声，均方估计误差为p(k)＝E[x(k)-x(k)]²，在均方估计误差为最小的准则下加以推导,可以得出递推公式如下:预测估计方程为x(k+1|k)＝F(k)x(k|k-1)+b(k)[y(k)-Hx(k|k-1)]，预测增益方程：

均方预测误差方程：p(k+1|k)＝F(k)²p(k|k-1)-F(k)Hb(k)p(k|k-1)+Q，式中：x(k+1|k)基于k时刻的k+1时刻时溶解氧基础的估计值；R为量测噪声的方差；Q为过程噪声的方差；F(k)为状态转移矩阵，它表示我们如何从上一状态来推测当前状态，

Δk为单位时间。

5.基于卡尔曼滤波模型的鱼塘水质预测系统，其特征在于，所述系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下系统的单元中：

水质数据采集单元，用于通过传感器采集水质数据集；

状态方程构建单元，用于构建卡尔曼滤波模型的状态方程；

测量方程构建单元，用于构建卡尔曼滤波模型的测量方程；

模型预测单元，用于通过构建改进的卡尔曼滤波模型对水质数据集进行预测。

Images