CN117171583A - 一种基于人工智能神经网络的水质生物毒性预测方法 - Google Patents
一种基于人工智能神经网络的水质生物毒性预测方法 Download PDFInfo
- Publication number
- CN117171583A CN117171583A CN202311126957.6A CN202311126957A CN117171583A CN 117171583 A CN117171583 A CN 117171583A CN 202311126957 A CN202311126957 A CN 202311126957A CN 117171583 A CN117171583 A CN 117171583A
- Authority
- CN
- China
- Prior art keywords
- water quality
- water
- simulated
- fish
- predicted
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 434
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 20
- 241000251468 Actinopterygii Species 0.000 claims abstract description 130
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims abstract description 25
- 230000008859 change Effects 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000006243 chemical reaction Methods 0.000 claims description 28
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 16
- 229910001385 heavy metal Inorganic materials 0.000 claims description 16
- 229910052760 oxygen Inorganic materials 0.000 claims description 16
- 239000001301 oxygen Substances 0.000 claims description 16
- 230000004083 survival effect Effects 0.000 claims description 14
- 238000004088 simulation Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 description 6
- 231100000419 toxicity Toxicity 0.000 description 5
- 230000001988 toxicity Effects 0.000 description 5
- 239000000126 substance Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010067484 Adverse reaction Diseases 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 241001609213 Carassius carassius Species 0.000 description 1
- 241000195493 Cryptophyta Species 0.000 description 1
- 241001275898 Mylopharyngodon piceus Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000006838 adverse reaction Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工智能神经网络的水质生物毒性预测方法,属于水质生物毒性预测领域,用于解决当前水质生物毒性检测局限于水质生物自身的问题,包括水质分析单元、鱼类分析单元、水质判定单元和数据比对单元,所述水质分析单元用于对模拟预测水域进行分析,得到水质污染变化值,所述鱼类分析单元用于分析测试鱼类的鱼类情况,得到鱼类异常值,所述水质判定单元用于对模拟预测水域进行水质判定,得到模拟预测水域的实际水质等级并发送至数据比对单元,所述数据比对单元用于对模拟预测水域的水质情况进行数据比对,得到水质生物毒性预测结果;本发明结合水质生物对水质环境的影响情况,实现对水质生物毒性的准确预测。
Description
技术领域
本发明属于水质生物检测领域,涉及人工神经网络技术,具体是一种基于人工智能神经网络的水质生物毒性预测方法。
背景技术
工业化水平的提高在造福社会经济发展的同时,也留下了严重的环境问题,由于化工企业等高污染企业对于水源排放的污染物毒性不断增强,使得水质毒性检测面临着更大的困难。当前阶段,水质毒性检测所具有的灵敏性已经得到了一定的提高,但化合物的毒性效应是所有组成物质拮抗作用或抑制作用的综合结果,所以单纯的化学物质的限定不能为水体的安全提供充分的保障,而生物与环境相适应原理所发展的生物监测可以更直观反映水体水质变化,常用的生物及其特征信号主要是藻类荧光强度和发光细菌发光强度等,但此类检测手段不仅实验周期长、干扰因素多、成本高,而且都属于间歇式实验,准确的时效性较短;
同时,水质生物毒性检测局限于水质生物自身的毒性检测,没有对水质生物毒性对所处环境带来的影响进行分析检测;
为此,我们提出一种基于人工智能神经网络的水质生物毒性预测方法。
发明内容
针对现有技术存在的不足,本发明目的是提供一种基于人工智能神经网络的水质生物毒性预测方法。
本发明所要解决的技术问题为:
如何基于水质生物对水质环境的影响情况实现对水质生物毒性的准确预测。
本发明的目的可以通过以下技术方案实现:
一种基于人工智能神经网络的水质生物毒性预测方法,方法包括以下具体步骤:
步骤S100,水质模拟单元模拟多组模拟预测水域并投入固定数量的测试鱼类;
步骤S200,水质采集单元采集每组模拟预测水域的水质参数并发送至水质判定单元与模型构建单元,鱼类采集单元采集每组模拟预测水域中鱼类的鱼类反应参数并发送至鱼类分析单元;
步骤S300,水质分析单元分析每组模拟预测水域中的水质情况,分析得到水质污染变化值并发送至水质判定单元,鱼类分析单元分析每组模拟预测水域中测试鱼类的鱼类情况,分析得到鱼类异常值并发送水质判定单元;
步骤S400,水质判定单元对每组模拟预测水域进行水质判定,得到每组模拟预测水域的实际水质等级并发送至数据比对单元;
步骤S500,模拟预测水域的水质污染变化值以及模拟预测水域中测试鱼类的鱼类异常值导入水质预测模型,得到模拟预测水域的预测水质等级并发送至数据比对单元;
步骤S600,数据比对单元对模拟预测水域的水质情况进行数据比对,比对生成预测错误信号或预测正确信号。
进一步地,水质参数包括初始水质参数和实时水质参数,初始水质参数指的是模拟预测水域中的初始溶解氧含量、初始pH值以及初始重金属离子浓度;
鱼类反应参数包括初始鱼类反应参数和实时鱼类反应参数,初始鱼类反应参数指的是测试鱼类的初始现存活总数;
实时水质参数指的是模拟预测水域中的实时溶解氧含量、实时pH值以及实时重金属离子浓度;
实时鱼类反应参数指的是测试鱼类的实时现存活总数、实时异常总数以及实时繁殖个体总数,实时异常总数指的是生长受阻或繁殖受限的测试鱼类的数量。
进一步地,所述水质分析单元的分析步骤具体如下:
获取每组模拟预测水域中的初始水质参数,得到每组模拟预测水域中的初始溶解氧含量、初始pH值与初始重金属离子浓度;
而后获取每组模拟预测水域中的实时水质参数,得到每组模拟预测水域中的实时溶解氧含量、实时pH值以及实时重金属离子浓度;
计算每组模拟预测水域中的初始水质污染和实时水质污染值;
若初始水质污染大于等于实时水质污染值,则不进行任何操作;
若初始水质污染小于实时水质污染值,则计算实时水质污染值与初始水质污染值的差值得到每组模拟预测水域的水质污染变化值。
进一步地,水质污染变化值越大,则表示模拟预测水域受到测试鱼类的影响越严重。
进一步地,所述鱼类分析单元的分析步骤具体如下:
获取每组模拟预测水域中测试鱼类的实时鱼类反应参数,得到每组模拟预测水域中测试鱼类的实时现存活总数、实时异常总数以及实时繁殖个体总数;
而后获取每组模拟预测水域中测试鱼类的初始现存活总数;
将初始现存活总数与实时现存活总数进行比对;
若实时现存活总数小于等于初始现存活总数,则通过初始现存活总数减去实时现存活总数计算得到每组模拟预测水域中测试鱼类的鱼类死亡数;
若实时现存活总数大于初始现存活总数,则通过初始现存活总数加上实时繁殖个体数的和减去实时现存活总数计算得到每组模拟预测水域中测试鱼类的鱼类死亡数;
而后计算每组模拟预测水域中测试鱼类的鱼类异常值。
进一步地,鱼类异常值越大,则表示测试鱼类受到模拟预测水域的影响越严重。
进一步地,所述水质判定单元的工作过程具体如下:
获取每组模拟预测水域的水质污染变化值;
而后获取每组模拟预测水域中测试鱼类的鱼类异常变化值;
计算每组模拟预测水域的水质判别值;
每组模拟预测水域的水质判别值与水质判别阈值进行比对,判定模拟预测水域的实际水质等级。
进一步地,所述数据比对单元进行数据比对的过程具体如下:
获取水质生物的水质预测模型输出每组模拟预测水域的预测水质等级;
而后获取水质判定单元计算的每组模拟预测水域的实际水质等级;
将每组模拟预测水域的实际水质等级与对应每组模拟预测水域的预测水质等级进行比对;
若实际水质等级与预测水质等级相同,则预测正确数计数一次;
获取模拟预测水域的数量并记为水域数,预测正确数比对水域数得到预测正确率;
预测正确数比对水域数得到模拟预测水域的预测正确率;
若预测正确率小于预设预测正确率,则生成预测错误信号;
若预测正确率大于等于预设预测正确率,则生成预测正确信号。
与现有技术相比,本发明的有益效果是:
本发明首先通过水质分析单元对每组模拟预测水域中的水质情况进行分析,得到水质污染变化值发送至水质判定单元,其次通过鱼类分析单元分析每组模拟预测水域中测试鱼类的鱼类情况,分析得到鱼类异常值发送水质判定单元,最终利用水质判定单元对每组模拟预测水域进行水质判定,得到每组模拟预测水域的实际水质等级并发送至数据比对单元,另一方面的,把模拟预测水域的水质污染变化值以及模拟预测水域中测试鱼类的鱼类异常值导入水质预测模型,得到模拟预测水域的预测水质等级发送至数据比对单元,最终利用数据比对单元对模拟预测水域的水质情况进行数据比对,比对生成预测错误信号或预测正确信号,本发明通过对模拟预测水域中水质情况以及测试鱼类的情况进行分析,从而实现了水质生物毒性的准确预测。
附图说明
为了便于本领域技术人员理解,下面结合附图对本发明作进一步的说明。
图1为本发明的分析方法步骤流程图。
图2为本发明涉及的系统流程图。
图3为RNN模型展开的全连接循环单元示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,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它实施例,都属于本发明保护的范围。
在一实施例中,请参阅图1所示,一种基于人工智能神经网络的水质生物毒性预测方法,应用于水域中,水域可以为池塘等,在本实施例中优选池塘,通过将水质生物投放至水域中,来判断水域的变化,从而印证水质生物的毒性,包括以下具体步骤:
步骤S100,水质模拟单元模拟多组模拟预测水域并投入固定数量的测试鱼类;
步骤S200,水质采集单元采集每组模拟预测水域的水质参数并发送至水质判定单元与模型构建单元,鱼类采集单元采集每组模拟预测水域中鱼类的鱼类反应参数并发送至鱼类分析单元;
步骤S300,水质分析单元分析每组模拟预测水域中的水质情况,分析得到水质污染变化值并发送至水质判定单元,鱼类分析单元分析每组模拟预测水域中测试鱼类的鱼类情况,分析得到鱼类异常值并发送水质判定单元;
步骤S400,水质判定单元对每组模拟预测水域进行水质判定,得到每组模拟预测水域的实际水质等级并发送至数据比对单元;
步骤S500,模拟预测水域的水质污染变化值以及模拟预测水域中测试鱼类的鱼类异常值导入水质预测模型得到模拟预测水域的预测水质等级并发送至数据比对单元;
步骤S600,数据比对单元对模拟预测水域的水质情况进行数据比对,比对生成预测错误信号或预测正确信号;
在本实施例中,请参阅图2所示,方法涉及有水质模拟单元、水质采集单元、鱼类采集单元、水质分析单元、鱼类分析单元、水质判定单元、模型构建单元、数据比对单元和显示终端;
所述水质模拟单元用于模拟多组与待预测水域水质参数相同的模拟预测水域,并将模拟预测水域标记为n,n=1,2,……,z,z为正整数;具体的,可以在待预测水域中采集多组用于模拟培养的水体样本,也可以根据待预测水域的水质参数在实验室模拟出相同的模拟预测水域,其中水质参数指的是模拟预测水域中的溶解氧含量、pH值以及重金属离子浓度;
需要说明的是,除了保证模拟预测水域与待预测水域中水质参数相同外,还需要保证如光照、温度等外部环境参数相同;
模拟预测水域生成后,所述水质采集单元用于对模拟预测水域的初始水质参数进行采集,初始水质参数指的是模拟预测水域中的初始溶解氧含量、初始pH值以及初始重金属离子浓度,之后在模拟预测水域中投入固定数量的测试鱼类,为了普遍性,测试鱼类可以是青鱼、鲤鱼、鲫鱼等;测试鱼类在投入至模拟预测水域前,所述鱼类采集单元采集对测试鱼类的初始鱼类反应参数进行采集,其中初始鱼类反应参数指的是测试鱼类的初始现存活总数;
测试鱼类在投入至模拟预测水域后,经过测试时长后,所述水质采集单元还用于采集每组模拟预测水域中的实时水质参数,并将实时水质参数发送至水质判定单元与模型构建单元,实时水质参数指的是模拟预测水域中的实时溶解氧含量、实时pH值以及实时重金属离子浓度;
所述鱼类采集单元还用于采集每组模拟预测水域中测试鱼类的实时鱼类反应参数,并将实时鱼类反应参数发送至鱼类分析单元,其中,实时鱼类反应参数指的是测试鱼类的实时现存活总数、实时异常总数以及实时繁殖个体总数,实时异常总数指的是生长受阻、繁殖受限等具有明显的不良反应的测试鱼类的数量;
在具体实施时,水质采集单元可以为水溶解氧含量检测仪、pH检测仪、重金属检测仪以及水质检测仪中的一种或多种,在此不做具体限定;
需要说明的是,水质参数采集与鱼类反应参数采集是同步进行的;
所述水质分析单元用于分析每组模拟预测水域中的水质情况,分析的具体步骤如下:
步骤S1,获取每组模拟预测水域中的初始水质参数,得到每组模拟预测水域中的初始溶解氧含量RYCn、初始pH值pHCn与初始重金属离子浓度ZLCn;
获取每组模拟预测水域中的实时水质参数,得到每组模拟预测水域中的实时溶解氧含量RYSn、实时pH值pHSn以及实时重金属离子浓度ZLSn,其中n代表模拟预测水域的编号;
步骤S2,将初始溶解氧含量RYCn、初始pH值pHCn与初始重金属离子浓度ZLCn代入计算式SWCn=[A1×(pHCn-X)+A2×ZLCn]/RYCn得到每组模拟预测水域中的初始水质污染值SWCn;式中A1和A2均为固定数值的比例系数,A1和A2的取值大于0,X的取值依据pHCn而定,当pHCn小于6时,X的取值为6.5,当pHCn的取值大于9时,X的取值为8.5,其它场景下X的取值为7;
同理将实时溶解氧含量RYSn、实时pH值pHSn以及实时重金属离子浓度ZLSn代入计算式SWSn=[A1×(pHSn-X)+A2×ZLSn]/RYSn计算得到每组模拟预测水域中的实时水质污染值;
步骤S3,计算每组模拟预测水域中实时水质污染值与初始水质污染值的差值得到每组模拟预测水域的水质污染变化值SWBn=SWSn-SWCn;
需要说明的是,若SWnc的值大于SWns,该组模拟预测水域不参与计算,同时也不参与后续所有步骤;
其中水质污染变化值越大,则表示当前模拟预测水域受鱼类影响的污染越严重;
所述水质分析单元将每组模拟预测水域的水质污染变化值发送至水质判定单元和模型构建单元;
所述鱼类分析单元用于分析每组模拟预测水域中测试鱼类的鱼类情况,分析的具体步骤如下:
步骤P1,获取每组模拟预测水域中测试鱼类的实时鱼类反应参数,实时鱼类反应参数指的是测试鱼类的实时现存活总数YCSn、实时异常总数YYSn以及实时繁殖个体总数YFSn;
获取每组模拟预测水域中测试鱼类的初始现存活总数YCCn;
将初始现存活总数与实时现存活总数进行比对;
若实时现存活总数小于等于初始现存活总数,则通过公式YSn=YCCn-YCSn计算得到每组模拟预测水域中测试鱼类的鱼类死亡数YSn;
若实时现存活总数大于初始现存活总数,则通过公式YSn=YCCn+YFSn-YCSn计算得到每组模拟预测水域中测试鱼类的鱼类死亡数YSn;
步骤P2,通过公式YZn=(B1×YYSn+B2×YSn)/YCCn求得每组模拟预测水域中测试鱼类的鱼类异常值YZn,式中B1和B2均为固定数值的比例系数,且B1和B2的取值大于0;
其中鱼类异常值越大,则表示当前模拟预测水域中的测试鱼类受当前模拟预测水域的影响越严重;
所述鱼类分析单元将每组模拟预测水域中测试鱼类的鱼类异常值发送至水质判定单元与模型构建单元;
所述水质判定单元用于对每组模拟预测水域进行水质判定,工作过程具体如下:
步骤Q1,获取每组模拟预测水域的水质污染变化值SWBn;
步骤Q2,获取每组模拟预测水域中测试鱼类的鱼类异常变化值YZn;
步骤Q3,通过公式DPn=C1×SWBn+C2×YZn计算得到每组模拟预测水域的水质判别值,其中C1和C2均为固定数值的比例系数,且C1和C2的取值大于0;
步骤Q4,比对每组模拟预测水域的水质判别值与水质判别阈值;
若DPn≤X1,则模拟预测水域的实际水质等级为优等水质;
若X1<DPn≤X2,则模拟预测水域的实际水质等级为良好水质;
若X2<DPn≤X3,则模拟预测水域的实际水质等级为轻度污染水质;
若X3<DPn,则模拟预测水域的实际水质等级为污染水质;其中,0<X1<X2<X3;
所述水质判定单元将每组模拟预测水域的实际水质等级发送至数据比对单元;
所述模型构建单元用于依据人工循环神经网络构建水质生物的水质预测模型,工作流程具体如下:
步骤T1,获取每组模拟预测水域中的初始水质参数和实时水质参数,以及每组模拟预测水域中测试鱼类的初始鱼类反应参数和实时鱼类反应参数;
需要提前声明的是,模型构建单元搭载有PyTorch,PyTorch是一个流行的深度学习框架,提供了构建和训练神经网络的工具;
步骤T2,模型构建单元应用PyTorch创建人工循环神经网络RNN,以每组模拟预测水域中的初始水质参数和实时水质参数,以及每组模拟预测水域中测试鱼类的初始鱼类反应参数和实时鱼类反应参数作为RNN模型的输入,而后预测每组模拟预测水域预测的预测水质等级,作为RNN模型的输出;
步骤T3,进行学习训练,如图3所示RNN模型展开的全连接循环单元,其中的循环单元将输出每组模拟预测水域的预测水质等级至数据比对单元;
所述数据比对单元用于对模拟预测水域的水质情况进行数据比对,数据比对过程具体如下:
获取水质生物的水质预测模型输出每组模拟预测水域的预测水质等级;
而后获取水质判定单元计算的每组模拟预测水域的实际水质等级;
将每组模拟预测水域的实际水质等级与对应每组模拟预测水域的预测水质等级进行比对;
若实际水质等级与预测水质等级相同,则预测正确数计数一次,需要说明的是预测正确数初始值为0;
获取模拟预测水域的数量并记为水域数,预测正确数比对水域数得到预测正确率,其中,此处的水域数为上述参与计算的模拟预测水域的总数;
预测正确数比对水域数得到模拟预测水域的预测正确率;
若预测正确率小于预设预测正确率,则生成预测错误信号;
若预测正确率大于等于预设预测正确率,则生成预测正确信号;
所述数据比对模块将预测错误信号或预测正确信号发送至显示终端,所述用于显示模拟预测水域的水质生物毒性预测结果,水质生物毒性预测结果记为预测错误信号或预测正确信号;
在本申请中,若出现相应的计算公式,则上述计算公式均是去量纲取其数值计算,公式中存在的权重系数、比例系数等系数,其设置的大小是为了将各个参数进行量化得到的一个结果值,关于权重系数和比例系数的大小,只要不影响参数与结果值的比例关系即可。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (8)
1.一种基于人工智能神经网络的水质生物毒性预测方法,其特征在于,方法包括以下具体步骤:
步骤S100,水质模拟单元模拟多组模拟预测水域并投入固定数量的测试鱼类;
步骤S200,水质采集单元采集每组模拟预测水域的水质参数并发送至水质判定单元与模型构建单元,鱼类采集单元采集每组模拟预测水域中鱼类的鱼类反应参数并发送至鱼类分析单元;
步骤S300,水质分析单元分析每组模拟预测水域中的水质情况,分析得到水质污染变化值并发送至水质判定单元,鱼类分析单元分析每组模拟预测水域中测试鱼类的鱼类情况,分析得到鱼类异常值并发送水质判定单元;
步骤S400,水质判定单元对每组模拟预测水域进行水质判定,得到每组模拟预测水域的实际水质等级并发送至数据比对单元;
步骤S500,模拟预测水域的水质污染变化值以及模拟预测水域中测试鱼类的鱼类异常值导入水质预测模型,得到模拟预测水域的预测水质等级并发送至数据比对单元;
步骤S600,数据比对单元对模拟预测水域的水质情况进行数据比对,比对生成预测错误信号或预测正确信号。
2.根据权利要求1所述的一种基于人工智能神经网络的水质生物毒性预测方法,其特征在于,水质参数包括初始水质参数和实时水质参数,初始水质参数指的是模拟预测水域中的初始溶解氧含量、初始pH值以及初始重金属离子浓度;
鱼类反应参数包括初始鱼类反应参数和实时鱼类反应参数,初始鱼类反应参数指的是测试鱼类的初始现存活总数;
实时水质参数指的是模拟预测水域中的实时溶解氧含量、实时pH值以及实时重金属离子浓度;
实时鱼类反应参数指的是测试鱼类的实时现存活总数、实时异常总数以及实时繁殖个体总数,实时异常总数指的是生长受阻或繁殖受限的测试鱼类的数量。
3.根据权利要求1所述的一种基于人工智能神经网络的水质生物毒性预测方法,其特征在于,所述水质分析单元的分析步骤具体如下:
获取每组模拟预测水域中的初始水质参数,得到每组模拟预测水域中的初始溶解氧含量、初始pH值与初始重金属离子浓度;
而后获取每组模拟预测水域中的实时水质参数,得到每组模拟预测水域中的实时溶解氧含量、实时pH值以及实时重金属离子浓度;
计算每组模拟预测水域中的初始水质污染和实时水质污染值;
若初始水质污染大于等于实时水质污染值,则不进行任何操作;
若初始水质污染小于实时水质污染值,则计算实时水质污染值与初始水质污染值的差值得到每组模拟预测水域的水质污染变化值。
4.根据权利要求3所述的一种基于人工智能神经网络的水质生物毒性预测方法,其特征在于,水质污染变化值越大,则表示模拟预测水域受到测试鱼类的影响越严重。
5.根据权利要求1所述的一种基于人工智能神经网络的水质生物毒性预测方法,其特征在于,所述鱼类分析单元的分析步骤具体如下:
获取每组模拟预测水域中测试鱼类的实时鱼类反应参数,得到每组模拟预测水域中测试鱼类的实时现存活总数、实时异常总数以及实时繁殖个体总数;
而后获取每组模拟预测水域中测试鱼类的初始现存活总数;
将初始现存活总数与实时现存活总数进行比对;
若实时现存活总数小于等于初始现存活总数,则通过初始现存活总数减去实时现存活总数计算得到每组模拟预测水域中测试鱼类的鱼类死亡数;
若实时现存活总数大于初始现存活总数,则通过初始现存活总数加上实时繁殖个体数的和并减去实时现存活总数计算得到每组模拟预测水域中测试鱼类的鱼类死亡数;
而后计算每组模拟预测水域中测试鱼类的鱼类异常值。
6.根据权利要求5所述的一种基于人工智能神经网络的水质生物毒性预测方法,其特征在于,鱼类异常值越大,则表示测试鱼类受到模拟预测水域的影响越严重。
7.根据权利要求1所述的一种基于人工智能神经网络的水质生物毒性预测方法,其特征在于,所述水质判定单元的工作过程具体如下:
获取每组模拟预测水域的水质污染变化值;
而后获取每组模拟预测水域中测试鱼类的鱼类异常变化值;
计算每组模拟预测水域的水质判别值;
每组模拟预测水域的水质判别值与水质判别阈值进行比对,判定模拟预测水域的实际水质等级。
8.根据权利要求1所述的一种基于人工智能神经网络的水质生物毒性预测方法,其特征在于,所述数据比对单元进行数据比对的过程具体如下:
获取水质生物的水质预测模型输出每组模拟预测水域的预测水质等级;
而后获取水质判定单元计算的每组模拟预测水域的实际水质等级;
将每组模拟预测水域的实际水质等级与对应每组模拟预测水域的预测水质等级进行比对;
若实际水质等级与预测水质等级相同,则预测正确数计数一次;
获取模拟预测水域的数量并记为水域数,预测正确数比对水域数得到预测正确率;
预测正确数比对水域数得到模拟预测水域的预测正确率;
若预测正确率小于预设预测正确率,则生成预测错误信号;
若预测正确率大于等于预设预测正确率,则生成预测正确信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311126957.6A CN117171583B (zh) | 2023-09-04 | 2023-09-04 | 一种基于人工智能神经网络的水质生物毒性预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311126957.6A CN117171583B (zh) | 2023-09-04 | 2023-09-04 | 一种基于人工智能神经网络的水质生物毒性预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117171583A true CN117171583A (zh) | 2023-12-05 |
CN117171583B CN117171583B (zh) | 2024-05-31 |
Family
ID=88944347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311126957.6A Active CN117171583B (zh) | 2023-09-04 | 2023-09-04 | 一种基于人工智能神经网络的水质生物毒性预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117171583B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN111624037A (zh) * | 2020-06-12 | 2020-09-04 | 顾晓东 | 一种基于大数据的水产养殖业水体环境智能监测系统 |
CN111948272A (zh) * | 2020-07-30 | 2020-11-17 | 北京航空航天大学 | 一种基于人工神经网络的水质生物毒性预测方法 |
CN112101789A (zh) * | 2020-09-16 | 2020-12-18 | 清华大学合肥公共安全研究院 | 一种基于人工智能的水污染报警等级识别方法 |
CN112734694A (zh) * | 2020-12-19 | 2021-04-30 | 闫耀伟 | 一种基于大数据的水质监测方法 |
CN114935637A (zh) * | 2022-06-06 | 2022-08-23 | 倪文兵 | 基于大数据的环境污染监测系统 |
CN115600829A (zh) * | 2022-07-15 | 2023-01-13 | 海煜(福州)生物科技有限公司(Cn) | 一种养殖水质的预测方法及装置 |
CN116451870A (zh) * | 2023-04-28 | 2023-07-18 | 重庆大学 | 基于多模型的水生态系统健康评价与预测系统 |
-
2023
- 2023-09-04 CN CN202311126957.6A patent/CN117171583B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN111624037A (zh) * | 2020-06-12 | 2020-09-04 | 顾晓东 | 一种基于大数据的水产养殖业水体环境智能监测系统 |
CN111948272A (zh) * | 2020-07-30 | 2020-11-17 | 北京航空航天大学 | 一种基于人工神经网络的水质生物毒性预测方法 |
CN112101789A (zh) * | 2020-09-16 | 2020-12-18 | 清华大学合肥公共安全研究院 | 一种基于人工智能的水污染报警等级识别方法 |
CN112734694A (zh) * | 2020-12-19 | 2021-04-30 | 闫耀伟 | 一种基于大数据的水质监测方法 |
CN114935637A (zh) * | 2022-06-06 | 2022-08-23 | 倪文兵 | 基于大数据的环境污染监测系统 |
CN115600829A (zh) * | 2022-07-15 | 2023-01-13 | 海煜(福州)生物科技有限公司(Cn) | 一种养殖水质的预测方法及装置 |
CN116451870A (zh) * | 2023-04-28 | 2023-07-18 | 重庆大学 | 基于多模型的水生态系统健康评价与预测系统 |
Non-Patent Citations (4)
Title |
---|
LIAO Y,ET AL.: "A method of water quality assessment based on biomonitoring and multiclass support vector machine", 《PROCEDIA ENVIRONMENTAL SCIENCES》, 31 December 2011 (2011-12-31), pages 451 - 457, XP028343403, DOI: 10.1016/j.proenv.2011.09.074 * |
曾泽熠 等: "基于优化深度置信网络的多传感器水质监测研究", 《计算机测量与控制》, vol. 31, no. 11, 13 July 2023 (2023-07-13), pages 66 - 73 * |
苗雷;汤涛林;王鹏祥;: "养殖水体水质的神经网络预测模型研究", 渔业现代化, no. 06, 20 December 2009 (2009-12-20), pages 20 - 24 * |
马然 等: "基于双目视觉技术的海水生物毒性监测方法研究", 《山东科学》, vol. 29, no. 05, 31 December 2016 (2016-12-31), pages 9 - 16 * |
Also Published As
Publication number | Publication date |
---|---|
CN117171583B (zh) | 2024-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110308255B (zh) | 一种基于污染指示菌群对近海水体污染程度定量预测方法 | |
CN107402586A (zh) | 基于深度神经网络的溶解氧浓度控制方法及系统 | |
CN116630122A (zh) | 基于水文-生态响应关系的湖泊生态水力调控方法及系统 | |
CN113011661A (zh) | 一种用于河流生态修复的曝气控制系统及其控制方法 | |
Cullen | Biomonitoring and environmental management | |
KR20030084486A (ko) | 미생물연료전지를 이용한 수질 내 독극물 감지 장치 | |
CN114240196A (zh) | 一种基于水动力-水质-生态模型的湖泊多水源调控方法 | |
JP4190517B2 (ja) | プロセスモデルのパラメータ調整支援装置及び方法 | |
KR20020023747A (ko) | 조류를 이용한 수질감시방법 | |
CN114578011A (zh) | 一种基于多传感器多源数据融合的水质监测方法 | |
CN113642268A (zh) | 一种河流水华预测方法及系统 | |
CN117171583B (zh) | 一种基于人工智能神经网络的水质生物毒性预测方法 | |
Ruprecht et al. | Implications of bacterial mineralisation in aquatic ecosystem response models | |
JP2008112428A (ja) | 水処理施設における流入水水質の統計的予測方法及びその装置 | |
CN115423383B (zh) | 基于人工智能的分布式村镇饮用水监测调控系统及方法 | |
CN117196883A (zh) | 一种基于人工智能的污水处理决策优化方法及系统 | |
KR101037960B1 (ko) | 파래의 포자 방출을 이용하여 독성을 진단하기 위한 키트 및 방법 | |
KR100300445B1 (ko) | 발광미생물을이용한수계의독성물질연속감시방법및이를위한연속감시용키트 | |
Stevenson et al. | Designing data collection for ecological assessments | |
Millie et al. | Neural net modeling of estuarine indicators: Hindcasting phytoplankton biomass and net ecosystem production in the Neuse (North Carolina) and Trout (Florida) Rivers, USA | |
JP2002328702A (ja) | プロセスモデルのパラメータ調整装置、調整支援装置及び方法 | |
CN116152804B (zh) | 一种藻类密度、生物量与叶绿素a的快速估算方法及系统 | |
Lean et al. | Everglades nutrient threshold research plan | |
CN118071177B (zh) | 一种污水处理模拟调控方法和系统 | |
CN116413318B (zh) | 一种基于井盖的有毒气体联合检测方法及系统 |
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 |