基于粒子群的模糊神经网络养殖池塘溶氧预测研究

溶氧是水产养殖中的一项重要指标,与水产品生长有着十分密切的关系。为准确预测养殖池塘的溶氧量,降低水产养殖风险,提出基于小波包分析和粒子群算法优化模糊神经网络的组合预测模型。首先使用小波包变换对采集的原始信号进行消噪处理,然后将处理后的逼近信号分为训练数据和测试数据,利用训练数据对模糊神经网络进行训练,并使用粒子群算法对网络参数进行优化,最后利用测试数据进行溶氧预测并检验预测模型的性能。通过对比试验,分别证明了粒子群算法和小波包变换的有效性:预测溶氧值时,基于小波包变换,粒子群算法与BP算法相比,误差指标均方根误差(RMSE)、平均相对误差均值(MAPE)和平均绝对误差(MAE)分别降低了22.75、3.97和22.86个百分点;基于粒子群算法,有小波包变换和无小波包变换相比,3项指标分别降低了16.82、3.36和16.65个百分点。研究表明:小波包分析和粒子群算法可提高预测精度,该组合模型可对溶氧进行有效预测。     

基于启发式Johnson算法优化BP神经网络的水产养殖产量预测模型

针对水产养殖产量预测难的现状,提出一种基于启发式Johnson算法优化的反向传播神经网络(BPNN)的产量预测模型。该模型在传统BP神经网络的基础上,针对网络训练时间长、易陷入局部最优的问题,通过启发式Johnson算法降低输入神经元维度,再结合试凑法确定神经网络隐层个数,构建启发式Johnson反向传播神经网络(HJA-BPNN)学习预测模型。实验结果表明,该模型在山东省对虾海水养殖产量预测中,预测的均方根误差小于传统BP神经网络和GM(1,1),且学习效率相比传统BP神经网络有所提升。研究表明,该学习预测模型在大量历史数据的模型构造上有更大的优势,能够缩短建模时间,同时获得良好的预测效果,为水产养殖产量预测提供了一种可行的新方法。     

养殖水体水质的神经网络预测模型研究

以池塘养殖水体常规水质指标作为训练样本,在分析传统水质预测模型的基础上,构建神经网络水质预测模型。运用改进的BP算法对在线监测的水质指标进行分析、分类和预测,确定水质指标与其影响因子间的非线性关系,研究养殖水体水质指数变化梯度和分布规律,同时对水质状况进行模糊判别,为养殖生产提供预警控制,并对不同情况下的输出结果做出了比较。结果表明：该网络具有较好的泛化能力,预测平均误差在3％以内,实现了水质指标的准确预测和判别,收敛速度快,具有较好的实用性和较高的预测精度,基本满足环境管理的需要。     

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.     

BP神经网络模型在水环境质量综合评价应用中的一些问题

BP神经网络是采用误差反向传播算法对网络权值进行训练的多层前向神经网络，以其优良的非线性逼近能力，获得广泛应用，建立的神经网络模型具有优异性能的必要条件是神经网络结构及其参数的合理选取，具有足够多和代表性，典型性好的训练样本，训练时求得全局最小点和不出现“过学习”或“过拟合”等，本文根据近几年BP神经网络建模理论研究的最新成果，研究发现目前在建立水环境质量综合评价BP神经网络模型时存在的几个主要问题：（1）训练样本太小；（2）没有检验样本和测试样本；（3）神经网络结构太大等，从而极有可能造成在训练神经网络模型时再现“过拟合”或“过学习”现象，使建立的模型泛化能力较差或根本没有，在研究近年提出的应用BP神经网络方法建模的必备条件的基础上，对目前应用人工神经网络进行水环境质量综合评价的研究成果的分析表明，绝大多数水环境质量BP神经网络评价模型是在满足建模条件的情况下建立的，计算实例表明，在不满足建模条件下建立的神经网络模型泛化能力和预测能力较差，极有可能出现多模式现象，没有实用价值。     

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。     

基于遗传BP神经网络的半滑舌鳎体重估算模型优化研究

针对人工估算半滑舌鳎(Cynoglossus semilaevis)鱼苗体重存在误差大、难度大、易伤鱼苗等缺点,提出了一种基于遗传BP神经网络体重估算模型优化研究的方法。首先利用参考系测量鱼苗体长和体宽,再通过遗传BP神经网络估算模型计算鱼苗体重。利用遗传算法对编码后的BP神经网络进行优化并验证了遗传算法能有效确定BP神经网络隐藏层节点数目。结合遗传算法优化BP神经网络的结构和连接权值,采用300份同一训练样本对优化的BP神经网络进行训练,最终建立准确遗传BP神经网络体重估算模型。结果显示,该方法对鱼苗体重估算与实际值平均相对误差不超过0.61%。研究表明,该方法为半滑舌鳎体重估算提供了一种比较科学的计算方法,在鱼苗生长发育监测和科学喂养等方面具有重要的实际意义。     

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。     

家鱼池塘底泥耗氧率与理化因子的相关性分析

采用原位底泥耗氧测定法,研究了10口家鱼鱼池底泥耗氧率与底部水体理化因子(溶氧、温度、pH值、氧化还原电位)和底泥有机质含量及深度的相关关系。结果显示:池塘平均底泥耗氧率(SOD)为0.91 g/(m2.d),变动范围为0.76～1.09 g/(m2.d)。双变量相关性分析表明,底泥耗氧率与池塘底部水体理化指标的相关性均达到极显著水平(P<0.01),与溶氧相关性最高(Pearson相关系数为0.779),其次是温度、pH值和氧化还原电位,相关系数分别为0.587、0.557和-0.421;底泥耗氧率与底泥深度相关性达到显著水平(P<0.05)。偏相关分析结果表明,底泥耗氧率与溶氧和温度呈极显著相关(P<0.01),与其它因素均未达到显著水平。影响底泥耗氧率最重要的环境因子是溶氧,其次是温度。利用BP神经网络分析影响SOD的理化因子,以溶氧、温度和底泥深度为BP神经网络模型的输入变量建立BP神经网络模型对SOD进行预测分析,BP神经网络模型训练和测试相关系数分别为0.911和0.879,平均相对误差分别为11.6%和10.4%,预测值与真实值偏差较小,拟合度较高,可有效预测池塘底泥耗氧率。     

滇池草海水质等级预测模型研究

综合考虑影响水质的不同类别因子之间的关系,为水质等级预测提供平均预测精度更高的模型。选取的p H、DO、CODMn、NH3-N、历史水质等级5个水质因子数据来源于中国环境保护部官方发布的水质数据,降雨量、光照时间2个气象因子数据来源于云南省气象局官方发布的气象数据。首先利用改进的灰色模型(Adaptive Grey Model,AGM)进行单因子预测,从而获取BP人工神经网络(BP Artificial Neural Network,BPANN)训练集和水质等级残差序列;然后使用经过训练集训练后的BPANN进行水质等级残差纠正;最后利用AGM模型得到未来水质等级,以滇池草海2006-2013年水质周报资料和气象资料为数据基础进行了仿真分析和验证实验。结果表明:(1)AGM模型对水体因子和气象因子的单项指标预测理想,保证了作用于BP人工神经网络数据的可靠性,同时降低了预测误差的传输;(2)来源于中国环境保护部与云南省气象局的数据保证了水质等级预测中数据的权威性,采用AGM-BPANN组合模型预测滇池草海水质等级精度达到90.2%,说明模型适用于同一地区短时间内的水质变化研究;(3)AGM-BPANN组合模型借助BP网络的高维非线性克服了数据突变对预测的影响,在AGM预测基础上,通过纠正预测残差获得最终的水质等级值,实现了对滇池草海短时间内水质的预测。     

Prediction of dissolved oxygen in pond culture water based on K-means clustering and gated recurrent unit neural network

Dissolved oxygen in water is an important ecological factor in ensuring the healthy growth of aquatic products, as hypoxic stress is known to restrict the growth of aquatic products. The accurate monitoring and prediction of dissolved oxygen is the key to precise regulation and control of pond aquaculture water quality. The current dissolved oxygen prediction model has some limitations, such as a short prediction period and inadequate prediction accuracy for actual production demands. Therefore, a prediction model of dissolved oxygen in pond culture was proposed based on K-means clustering and Gated Recurrent Unit (GRU) neural network. Firstly, the key factors affecting the changes in dissolved oxygen were selected by principal component analysis (PCA). The dissolved oxygen time series was then subjected to K-means clustering, and the dissolved oxygen prediction model was constructed using GRU. To improve the clustering effect, we enhanced the similarity calculation for the time series based on the variation of dissolved oxygen. This process combined the Euclidean distance with the dynamic time-warping distance. The proposed method can predict the dissolved oxygen content of aquaculture water over different time intervals according to the demands of real-world scenarios. The average absolute error of the 30-min interval model was 0.264, and the mean absolute percentage error was 3.5 %. Experimental results indicated that the proposed method achieves higher prediction accuracy and flexibility than the conventional approach.     

秀丽高原鳅自然栖息地及人工驯养池水质评价研究

2015年全年对秀丽高原鳅(Triplophysa venusta)主要分布流域漾弓江上游鹤庆段开展水质调查,对洗马池、白龙潭、清水河、寺庄龙潭、美龙潭、西龙潭、人工驯养池及驯养池水源8个监测点的水温(T)、pH、溶解氧(DO)、氨氮(NH3-N)、总氮(TN)、总磷(TP)、高锰酸盐指数(CODMn)7个指标进行采样监测,采用模糊综合评价法和综合水质标识指数法对采样点水质现状进行评价;分析了人工驯养池和自然栖息地水质差异。结果显示:驯养池与自然栖息地部分水质指标差异显著;自然栖息地中,清水河夏季水质为Ⅲ类,主要污染物为TN,其余监测点各季节水质均满足水体环境功能区规划要求;驯养池夏季水质评价结果为Ⅳ类,主要污染物为TN。     

Vertical Water Circulation Capabilities of an Electric Paddle Wheel Aerator and Dissolved Oxygen Loss Due to Daytime Aeration

ABSTRACT

Vertical water circulation by the paddle wheel aerator was determined by measuring dissolved oxygen profiles in a 3.6-m deep watershed pond during daylight hours, using aerated and non-aerated treatments. The paddle wheel aerator circulated the well-oxygenated surface water to the pond bottom, producing a uniform dissolved oxygen profile in the aerated treatment, while the non-aerated treatment maintained high dissolved oxygen concentrations near the surface with low dissolved oxygen concentrations near the pond bottom. The aerated treatment contained 35.6% less dissolved oxygen than the non-aerated treatment after four hours as a result of operating the aerator during the daytime. The paddle wheel aerator, with a shallow (10 cm) paddle immersion, is effective in vertically circulating water in deeper ponds. However, substantial loss of dissolved oxygen may result from operating the aerator on days with high rates of photosynthesis.     

基于分布式无线网络的水质监控系统设计

为提高对水产养殖水质监控的实时性和测量精度,设计了一种基于无线传感器网络的水产养殖水质参数监控系统。该系统由水质参数采集终端、分布式传感器网络、传输控制中心基站、远程在线监控系统组成。参数采集终端采集水质参数并传输到中心基站,再通过GPRS发送给远程在线监控中心,根据用户向监控中心输入的参数实现水温、pH、溶氧(DO)的调节。参数测量过程中引入数字滤波算法提高测量精度,使用经过改进粒子群优化算法(PSO)整定的PID控制器实现水质参数的调节。结果显示:测量精度达到要求,温度、pH和DO的测量误差分别为2.1%、1.3%和3.6%,系统对温度、pH和溶氧调节的最大误差分别为1.9%、2.6%和3.1%。整个系统工作稳定可靠。     

池塘生态系统中溶氧动态和管理

本文对池塘的溶氧动态进行了分析研究,得出了池塘溶氧的昼夜变化和垂直变化的规律,描述了夜间池塘溶氧下降的预测方法,文中还对池塘水深和溶氧管理进行了初步探讨。     

养殖池塘增氧机制与装备性能比较研究

水产养殖过程中,池塘生态系统可分为自成熟期和人工维持期。在养殖容量提高的情况下,养殖生物呼吸需氧量在不断增加,缺氧条件下有机物分解成有害物质,影响养殖生产。维持池塘生态系统稳定的主要工程机制为:通过上下水层交换、平衡营养元素等方法,强化光合作用,提高营养物质转化规模,提升初级生产力;形成生态增氧为主、机械增氧为辅的高效增氧机制。以中国养殖池塘生态系统为研究对象,分析探讨养殖池塘生态机制、水体溶氧理论、增氧机作用机理、不同类型增氧机的机械性能等,提出了大宗淡水鱼混养池塘及几种典型单养池塘增氧机配置方式,从而为池塘养殖系统增氧机的配置提供技术参考。     

基于模糊控制的水产养殖环境智能监控系统设计

为实时掌握水产养殖水质和气象环境信息,针对溶氧控制过程中非线性、惯性大和时滞的问题,以循环水流水槽养殖模式为基础,设计了水产养殖环境监测和控制系统。通过PLC对养殖环境中溶氧、pH、温度、湿度、风速、风向、大气压等参数进行信息采集与传输,上位机实时显示环境信息,用模糊算法处理信息,处理后的结果作为PLC的输出传送到变频器中,变频器控制增氧机调节水中溶氧量。结果显示:该系统可实时传输与显示上述参数信息,提供历史数据和环境异常报警功能。模糊控制在调节溶氧过程中超调小、精度高,溶氧偏差±0.4 mg/L,可减少增氧机启停次数、延长设备寿命。监控系统进行实地应用测试,达到预期效果,可在水产养殖中进行推广和应用。     

池塘养殖水体不同水层水质变化研究

为探讨池塘养殖水体时间和空间上的变化特征,在上海市标准化养殖池塘里进行了水质参数监测和分析,研究了池塘上层、中层、下层不同水层的水质变化情况。结果表明:一年中池塘水质呈季节性变化,氨氮均值在9—11月最高,在5月份最低;溶氧均值在9—11月最低,在12月至次年3月最高;pH无明显季节性变化。不同水质参数日变化研究发现,一天中氨氮值在6:00左右最高,在17:00左右最低;溶氧最高值出现在15:00—17:00,最低值在5:00左右;pH在1:00最低,14:00左右最高。养鱼池塘水体有较明显的分层现象,上层、中层、下层不同水层的氨氮、溶氧、pH均有差异。一天中氨氮与溶氧总体呈负相关性(t<0.05),溶氧值升高时氨氮值下降。     

Patterns of oxygen production and consumption in intensively managed marine shrimp ponds

Abstract. Temporal trends were determined for primary production and respiration in marine shrimp ponds. Dissolved oxygen concentration (DO) and water temperature were monitored in four marine shrimp, Penaeus vannamei Boone and P. monodon Fabricius , ponds during the grow-out. Wind speed was also measured. Pond production and respiration were estimated based on DO curves. Trend analysis revealed a significant decline in pond net production during grow-out. Ponds were autotrophic at the start of grow-out but heterotrophic at the end. Pond respiration, adjusted for water temperature, increased during grow-out. Temporal trends in pond gross production appeared to be influenced by seasonal patterns in solar radiation intensity. Pond sediments and water column were the chief consumers of oxygen in the pond, accounting for 51% and 45%, respectively, of the total pond oxygen consumed. Despite showing a marked increase during grow-out, shrimp respiration rate was of relatively minor importance in the pond oxygen budget. Pond management strategies to maintain positive pond net production and to mitigate the impact of sediment respiration on pond DO were recommended.