水产养殖溶解氧浓度在线预测方法及系统技术方案

本发明专利技术提供了水产养殖溶解氧浓度在线预测方法及系统。该方法包括：采集预定时段内的水质指标和相关气象因子数据，以建立原始数据集；用归一化方法对原始数据集进行数据标准化预处理，获得最小二乘支持向量回归机模型的训练样本数据集；利用训练样本数据集训练最小二乘支持向量回归机模型并优化其参数，以获取最优最小二乘支持向量回归机模型；在线实时采集水产养殖生态环境水质指标和相关气象因子数据，并将所采集的水质指标和相关气象因子数据输入最优最小二乘支持向量回归机模型以获取溶解氧浓度预测值。本发明专利技术实现了水产养殖溶解氧浓度的准确、高效预测。

【技术实现步骤摘要】

本专利技术涉及信息
和水产养殖技术交叉领域，特别涉及水产养殖溶解氧浓度在线预测方法及系统。
技术介绍
水产养殖水体中溶解氧是水生动植物赖以生存必需的条件。快速、准确的溶解氧浓度预测对防范水质恶化，提高水产品质量和水产品健康养殖、推进渔业信息现代化中将发挥重要的作用。目前常用的水质自动监测预测系统中硬件以在线式自动分析仪器为核心，预测方法采用多项式回归、数理统计法、灰色系统理论法、神经网络模型法、水质模拟模型法等方法，该系统对水质预测取得了一定成效，但在应用过程中仍存在一些问题(1)缺乏对水质变化进行全天候长时间的监控、预测；( 溶解氧浓度容易受养殖水体水质和气象等多个参数的影响，但现有技术的方法中没有充分考虑溶解氧与其它参数的影响，监测的参数少， 且预测方法存在非线性、不确定性、高维数、易陷入局部极小点等缺陷，严重降低了其应用效果。
技术实现思路
为解决以上问题，本专利技术的目的是提供一种水产养殖溶解氧浓度在线预测方法及系统，以实现结合养殖生态环境的水质和气象因子等多参数影响因素对溶解氧浓度进行准确、快速的预测。为了达到以上目的，本专利技术提供了一种水产养殖溶解氧浓度在线预测方法，包括步骤Sl 采集预定时段内的水产养殖生态环境水质指标和相关气象因子数据，以建立原始数据集；步骤S2 用归一化方法对所述原始数据集进行数据标准化预处理，获得最小二乘支持向量回归机模型的训练样本数据集；步骤S3 利用所述训练样本数据集训练所述最小二乘支持向量回归机模型并优化所述最小二乘支持向量回归机模型的参数，以获取最优最小二乘支持向量回归机模型；步骤S4 在线实时采集水产养殖生态环境水质指标和相关气象因子数据，并将所采集的水产养殖生态环境水质指标和相关气象因子数据输入所述最优最小二乘支持向量回归机模型以获取水产养殖溶解氧浓度预测值。本专利技术还提供了一种水产养殖溶解氧浓度在线预测系统，包括数据无线采集与传输模块、数据存储模块、数据预处理模块、最小二乘支持向量回归机训练优化模块和溶解氧预测模块；所述数据无线采集与传输模块，用于采集预定时段内的水产养殖生态环境水质指标和相关气象因子数据，以建立原始数据集；在线实时采集水产养殖生态环境水质指标和相关气象因子数据并传输至所述数据存储模块；所述数据存储模块，用于根据预定时段内采集的所述水产养殖生态环境水质指标和相关气象因子数据建立并存储原始数据集，存储对所述原始数据集归一化后的训练样本数据集，还存储在线实时采集的水产养殖生态环境水质指标和相关气象因子数据；所述数据预处理模块，用于通过归一化方法对所述原始数据集进行数据标准化预处理，获得最小二乘支持向量回归机模型的训练样本数据集；所述最小二乘支持向量回归机训练优化模块，用于利用所述训练样本数据集训练所述最小二乘支持向量回归机模型并优化所述最小二乘支持向量回归机模型的参数，以获取最优最小二乘支持向量回归机模型；所述溶解氧预测模块，用于将所述在线实时采集的水产养殖生态环境水质指标和相关气象因子数据输入所述最优最小二乘支持向量回归机模型以获取水产养殖溶解氧浓度预测值。根据本专利技术的水产养殖溶解氧浓度在线预测方法及系统，由于采集被测水产养殖池塘的水质指标及所在区域的相关气象因子数据作为训练样本数据集，利用该训练样本数据集获取最优最小二乘支持向量回归机模型，并通过该最优最小二乘支持向量回归机模型来进行溶解氧浓度预测，从而实现了对溶解氧浓度的精确、高效预测，为后续实现水产养殖水体中溶解氧浓度的在线预警和智能控制奠定了基础。附图说明图1为本专利技术水产养殖溶解氧浓度在线预测方法的流程图。图2为应用于本专利技术水产养殖溶解氧浓度在线预测方法的最小二乘支持向量回归机模型的内部结构示意图。图3为在线预测水产养殖溶解氧浓度的详细流程图。图4为本专利技术水产养殖溶解氧浓度在线预测系统的结构示意图。具体实施例方式为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图，对本专利技术的技术方案进行清楚、完整地描述。图1为本专利技术水产养殖溶解氧浓度在线预测方法的流程图。如图1所示，该水产养殖溶解氧浓度在线预测方法包括以下步骤步骤Sl 采集预定时段内的水产养殖生态环境水质指标和相关气象因子数据，以建立原始数据集；具体地，例如通过无线水质传感器采集水产养殖池塘的水质指标，通过小型气象站数据采集设备采集被测水产养殖池塘区域的相关气象因子数据，更为具体地，该水质指标例如为包括水位(WL)、酸碱度(PH)、溶解氧(DO)、水温(WT)和浊度(Tb)；相关气象因子数据例如为包括气温(AT)、温度(Hd)、降雨量(Rf)、大阳辐射(SR)和风速(WV)。采集频率例如为每10分钟一次，采集时长例如为连续60天，即共采集8640组数据，将同一时刻采集得到的水位、酸碱度、溶解氧、水温、温度、气温、湿度、降雨量、太阳辐射和风速数据分为一组，构建特征向量。步骤S2 用归一化方法对所述原始数据集进行数据标准化预处理，获得最小二乘支持向量回归机模型的训练样本数据集；具体地，最小二乘支持向量回归(LS-SVR)机是在统计学习理论体系下，基于结构风险最小原则的基础上发展而来，较好地解决了传统预测方法难以解决的非线性、过学习、 高维数、局部极小点、不确定性等实际问题，具有较强的鲁棒性和泛化能力，能以任意精度逼近任意函数。图2为应用于本专利技术水产养殖溶解氧浓度在线预测方法的最小二乘支持向量回归机模型的内部结构示意图。如图2所示，向该最小二乘支持向量回归机模型输入第i时刻的特征向量，利用多个核函数对输入的第i时刻的10个特征向量进行处理，并将各核函数的输出分配不同的权重并求和，即获得回归输出，即第i+Ι时刻的溶解氧浓度。步骤S3 利用所述训练样本数据集训练所述最小二乘支持向量回归机模型并优化所述最小二乘支持向量回归机模型的参数，以获取最优最小二乘支持向量回归机模型；具体地，在进行最小二乘支持向量回归机建模时，最优模型的选择是非常关键的工作，模型的优劣直接影响水产养殖水体溶解氧浓度预测值的计算精度。在模型优化过程中，先根据训练样本数据的数据、维数，初步确定支持向量回归机模型参数的取值范围，然后对模型参数进行优化，以获得最优参数组合。根据水质指标和相关气象因子数据的特征，设计数据库，以支持向量机回归机原理为基础，采用标准c#语言编写最小二乘支持向量回归机训练程序，通过对最小二乘支持向量回归机训练程序进行样本数据的训练学习，采用遗传算法优化最小二乘支持向量回归机模型的参数，对样本的规律建立模式识别，构建最优最小二乘支持向量回归机模型。步骤S4 在线实时采集水产养殖生态环境水质指标和相关气象因子数据，并将所采集的水产养殖生态环境水质指标和相关气象因子数据输入所述最优最小二乘支持向量回归机模型以获取水产养殖溶解氧浓度预测值。具体地，例如实时采集t时刻的水位、酸碱度、溶解氧、水温、温度、气温、湿度、降雨量、太阳辐射和风速，对这些数据进行归一化，并将归一化后的10个数据输入在步骤S3 中得到的最优最小二乘支持向量回归机模型，即可获取该最优最小二乘支持向量回归机模型的回归输出t+l时刻的溶解氧浓度预测值。所获得的溶解氧浓度预测值可以以动态曲线形式展示，即随着时刻的推进，绘制各时刻溶解氧浓度预测值所形成的曲线，以便更为直观地展现溶解氧浓度的变本文档来自技高网...

【技术保护点】
１．一种水产养殖溶解氧浓度在线预测方法，其特征在于，包括：步骤Ｓ１：采集预定时段内的水产养殖生态环境水质指标和相关气象因子数据，以建立原始数据集；步骤Ｓ２：用归一化方法对所述原始数据集进行数据标准化预处理，获得最小二乘支持向量回归机模型的训练样本数据集；步骤Ｓ３：利用所述训练样本数据集训练所述最小二乘支持向量回归机模型并优化所述最小二乘支持向量回归机模型的参数，以获取最优最小二乘支持向量回归机模型；步骤Ｓ４：在线实时采集水产养殖生态环境水质指标和相关气象因子数据，并将所采集的所述水产养殖生态环境水质指标和相关气象因子数据输入所述最优最小二乘支持向量回归机模型以获取水产养殖溶解氧浓度预测值。

【技术特征摘要】

【专利技术属性】
技术研发人员：李道亮，刘双印，陈英义，位耀光，台海江，徐龙琴，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：11