基于NAR神经网络对养殖水体亚硝酸盐预测模型的研究

针对用传统机理建模不能满足水体中亚硝酸盐浓度变化预测的问题,引用非线性自结合的时间序列网络,建立了基于NAR神经网络的养殖水体亚硝酸盐预测模型。采用2014年6—10月养殖塘口检测的亚硝酸盐的数据建模,建立了用于养殖水体亚硝酸盐模拟的NAR神经网络,并利用2014年11月的观测数据对模型的模拟能力进行了检验。结果显示,建立的养殖水体亚硝酸盐预测模型,可以很好地模拟水体中亚硝酸盐浓度的变化趋势,模拟的绝对误差平均值为0.001 6 mg/L,纳什效率系数为0.72。研究表明,基于NAR神经网络建立的预测模型,在养殖水体亚硝酸盐含量变化预测中具有很强的非线性动态描述能力,对养殖水体中亚硝酸盐的预测有较好的适应性和预测精度。     

基于粒子群优化BP神经网络的水产养殖水温及pH预测模型

针对养殖水质、水温及p H预测准确性低的问题,提出了一种基于粒子群优化BP神经网络的养殖水质参数预测方法。首先应用粒子群算法优化得出BP神经网络的初始权值和阈值,然后对得到的数据进行预处理,修复异常数据信息,再以当前时间的多个水质参数作为输入,下个时间点的水温、p H作为输出,建立养殖水质预测模型,最后利用采集的水质数据在BP神经网络中进行训练,并通过实验检验水质预测模型的可行性和预测性能。与支持向量回归(SVR)和传统BP神经网络相比,基于粒子群优化的BP神经网络在预测水温方面,均方根误差(RMSE)下降幅度分别为64.4%和86.7%;在预测p H方面,RMSE下降幅度分别为11.1%和78.9%。研究表明,基于粒子群优化的BP神经网络养殖水质预测模型具有灵活简便、预测精度高、易于实现的特点,同时具有很好的预测能力。     

基于L-M神经网络优化算法的池塘水色判别系统的初步建立

为了将水产养殖水色判别传统技术经验转化为可以量化的数字技术,采用基于L-M神经网络优化算法和计算机图像处理技术的方法,建立了一个水色判别的水产养殖专家系统。通过实例预测,该系统判别误差率1%。该系统训练后的神经网络模型,能实现对养殖池塘水质的预测。系统的开发和使用对实现水产健康养殖、智能控制和计算机管理具有一定实用价值.     

枯草芽孢杆菌B7的分离和净化水质的初步研究

对水产养殖水体及底泥中的芽孢杆菌进行分离,得到四株芽孢杆菌。筛选各项指标较好的B7,研究其对水质的净化作用。结果表明,添加枯草芽孢杆菌后,池水的氨氮和亚硝酸盐浓度比对照池显著降低,即枯草芽孢杆菌B7对水质具有明显的净化作用。     

熵权法模糊物元模型在养殖水质评价中的应用

为客观综合评价养殖水体质量,利用熵确定水质指标权重,结合物元分析理论及贴近度的概念,构建养殖水质复合模糊物元模型,对2015—2019年监测的上海地区635批次养殖水样进行地表水环境质量等级分类。水质监测结果显示,池塘水体的pH、总磷、高锰酸盐指数、As(砷)和叶绿素a平均含量显著高于引水河道的(P<0.05),硝酸盐氮、Zn(锌)和石油类的平均分布显著低于后者(P<0.05),其他指标的平均分布差异不显著(P>0.05)。不同养殖品种池塘水体间,淡水鱼塘水体中氮、磷、有机质等相关指标的平均含量最高,蟹塘水体pH均值最高。熵权法模糊物元模型评价结果表明,在养殖水体水质指标中pH的权重最高,其次为高锰酸盐指数、总氮和氨氮,这4项合计权重超过0.5;89.29%的鱼塘、87.91%的虾塘和75.83%的蟹塘水样水质类别属于或优于地表Ⅲ类,相关河道水样水质满足地表Ⅲ类水质标准的样品占比达98.72%。整体上,上海地区的养殖水质满足地表水环境功能要求。     

应用藕田湿地净化水体养殖桂花鱼

<正>桂花鱼养殖已进入高密度养殖时期。如何对养殖水体水质进行调节,是目前桂花鱼养殖业最大的问题。利用藕田湿地净化水质和水循环养殖技术,能较好地解决桂花鱼养殖中的水质调节和养殖污水排放对周边环境污染的问题,并可实现对养殖水体营养的综合利用。一、藕田湿地水质净化技术划出专门的鱼塘种植莲藕建造成藕田湿地,将桂花鱼养殖排出的污水引入莲藕田,通过藕田土壤和莲藕茎叶的     

养殖水体多参数在线监控系统通过成果鉴定

日前 ,由上海市科委组织专家评审 ,在沪通过了中国水产科学研究院渔业机械仪器研究所的“养殖水体多参数在线监控系统”的科技成果鉴定。与会专家一致认为 ,该项目利用了自动监测领域的成熟技术 ,可靠性高 ,便于推广 ,其技术水平为国内领先。该项成果为国内第一套投入生产应用养殖水体监控系统 ,其包括监测和控制两大部分 ,能对水体进行实时监测 ,然后根据水质情况和养殖要求进行调控 ,使水质指标始终处于适宜养殖的范围内。它的应用使得对养殖水体水质的掌握从静态型、经验型向动态化、数字化方向迈出了坚实的第一步 ,为从粗放型养殖模式向…     

养殖水体变化对鱼的生长影响

<正>养殖水体的优劣对鱼类生存、生长起着关键性作用。掌握和了解养殖水体水质变化的特点以及水质与鱼类生长的关系,就能很好地控制水质变化,保持优良的水质,为鱼类生长创造一个舒适的生存水体环境。做到健康养殖,减少病害,提高生产效益,提升产品质量。1养殖水体环境主要构成鱼类养殖水体不仅有适宜鱼类生活的生物和非生物因子,还有对鱼类生活有害的生化物质。判断养殖水体优劣的主要几项指标包括:水温、溶     

基于局部化双向LSTM和状态转移约束的养殖水质分类预测

养殖水质对水产养殖的产出和收益具有非常重要的影响,提前预测水质状况可以提高治理水平,从而减少水产养殖的损失。以南美白对虾(俗称白肢虾)日常养殖水质为研究对象,选取温度(T)、pH、溶氧(DO)、盐度、氧化还原电位(ORP)、亚硝酸盐氮(NO^-_2-N)和氨氮(NH^+_4-N)作为水质数据特征,提出基于局部化双向LSTM(CovBiLSTM)和状态转移约束的水质预测模型(CovBiLSTMST)。首先使用双向LSTM网络接收历史水质数据序列信息的输入,然后利用卷积函数和最大池化技术(Max pooling)来挖掘双向LSTM网络不同单元输出数据之间的关系,对历史不同时间的水质数据进行融合,最后采用Softmax分类器来预测水质状况,同时利用状态转移约束条件来提高预测的准确率。通过对比试验,分别证明了局部双向化LSTM和状态转移约束对水质预测的有效性。与基于LSTM的预测方法相比,评价指标分类准确率和召回率分别提高5%和4%。研究表明:基于局部化双向LSTM(CovBiLSTM)网络模型的水质预测算法比基于其他模型的预测算法能更准确预测南美白对虾的水质状况。     

基于栈式自编码BP神经网络预测水体亚硝态氮浓度模型

亚硝态氮对于水产养殖动物具有毒性,对于其含量的及时监控非常重要。基于光谱法和电极法设计的亚硝态氮传感器价格昂贵,难以大面积推广,因此急需研发一种能快速预测养殖水体亚硝态氮的模型。实验通过实验室构建的水质在线检测系统测定水体中温度、pH、溶解氧、氧化还原电位4个参数,同时用α-萘胺比色法测定水体中亚硝态氮的浓度,从4种参数中选取与亚硝态氮浓度相关的参数作为预测模型的关联变量。水质参数数据及亚硝态氮浓度数据分别经预处理后作为原始数据用于SAE神经网络的训练,训练方法采用无监督逐层贪婪训练法,用学习到的特征监督训练SAE-BP神经网络,利用反向传播算法(BP)优化模型。训练得到结构为4-5-4-3-1的SAE-BP神经网络模型,建立的神经网络模型对实验数据预测的拟合优度R²为0.95,预测结果的均方根误差RMSEP为0.099 71。研究表明,亚硝态氮预测模型可以较为精准地预测水体中亚硝态氮的浓度。本模型将为开发在线快速监测养殖水体亚硝态氮浓度提供新的思路。