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。     

Prophet时序模型在短期水质溶氧预测中的应用

Prophet是Facebook开源的一种时间序列预测模型,擅长处理具有大异常值和趋势变化的日常周期数据。针对Prophet时序模型在短时间数据上预测精度较低的问题,提出了基于Prophet改进的Prophet_SVR模型对未来2 h内溶氧参数进行预测,并利用对比模型在相同数据上进行对比试验。试验结果通过均方根误差(E_(RMSE))和平均绝对百分比误差(E_(MAPE))进行对比。结果显示:Prophet_SVR模型的试验结果相对于Prophet时序模型E_(RMSE)下降0.197 1,E_(MAPE)下降3.890 4%。试验对比可知,Prophet_SVR预测模型在降低预测整体误差和提升单个数值预测精度上效果更优。该方法训练模型的时间更短、效率更高,为短期水质参数预测提供了参考。     

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。     

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。     

基于SSA- LSTM模型的黄鳝池溶氧预测研究

溶氧含量是影响黄鳝养殖的重要因素，为提高黄鳝池溶氧浓度的预测精度，提出一种基于麻雀搜索算法(SSA)和长短期记忆神经网络(LSTM)的黄鳝池溶氧浓度预测模型，即利用SSA算法优化LSTM模型的超参数后，对循环水黄鳝养殖池的溶氧浓度进行预测。结果显示：基于SSA-LSTM模型的预测准确率为96.77%,相较于对照模型LSTM、门控循环单元(GRU)、粒子群算法-长短期记忆神经网络(PSO-LSTM)分别提升了2.09%、3.34%、0.55%。该模型其他指标均方误差(E_MSE)、平均绝对误差(E_MAE)、均方根误差(E_RMSE)分别为0.67、0.53、0.81,相较于对照模型也有明显下降。研究表明，利用SSA-LSTM模型预测黄鳝池溶氧浓度具有良好的准确性和鲁棒性，可以为黄鳝养殖中水质参数精准调控提供依据。     

灰色拓扑模型在海州湾人工鱼礁区水质预测的应用

该研究分别采用残差修正的GM(1,1)模型和灰色拓扑预测方法对2007—2017年春(5月)、秋(10月)海州湾人工鱼礁区的溶解氧(DO)、化学需氧量(COD)、生化需氧量(BOD5)及溶解无机氮(DIN)4个指标的监测数据建立水质预测模型并选择精度较高的模型预测2018—2022年的水质变化趋势,最终利用2018年的调查数据对预测结果进行检验。结果表明,灰色拓扑模型相较于残差修正的GM(1,1)模型针对水质数据具有更好的预测精度,预测结果与2018年的调查结果较吻合,可信度较高;预测结果显示,DO和COD在2018—2022年能够保持良好的水质状态,可见人工鱼礁建设对海域水环境状况具有一定的修复作用,但BOD5和DIN存在一定的超标风险;针对灰色拓扑模型的改进仍具有很大的研究空间,有待进一步挖掘。     

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。     

凡纳滨对虾选育群体子代仔虾幼体耐低温能力比较研究

为探索凡纳滨对虾选育技术方法,以A、B、C、D四个凡纳滨对虾选育群体的自交和杂交不同交配组合子代的仔虾幼体,进行耐低温能力的比较实验。实验仔虾发育期为P_(11)～P_(12),体长6.09～7.54 mm,实验水温为13.5～19.0℃,实验时间48 h。统计24、36和48 h的存活率,结合体长因素综合评价不同种源子代各组仔虾幼体的耐低温能力。结果表明,从低温实验24 h开始各组存活率出现显著差异。在实验48 h时,16个交配组合中,4组存活率最高且与A群种虾有关(与D群无关)的交配组合平均存活率为10.35%。而4组存活率最低且与A群种虾无关的组合,其中3组与D群有关的交配组合平均存活率为0%。不同种源子代仔虾幼体耐低温能力存在差异。     

缢蛏对养殖水体净化能力的研究

测定恒温20℃下24 h、48 h、72 h、96 h时试验水体的pH、DO、COD和氨氮值,与初始值和对照组作比较分析。经缢蛏96 h净化后,污染海水的pH值升高了7.79%,DO值升高了47.25%,而COD值降低了23.60%,氨氮降低了15.94%。实验表明:缢蛏对养殖水体中的DO、COD和氨氮具有一定的净化能力。     

基于粒子群可拓的南太平洋长鳍金枪鱼产量预测方法研究

长鳍金枪鱼(Thunnus alalunga)作为大洋中上层洄游性鱼类,因其经济价值高、分布范围广而成为各渔业国家的主要捕捞对象之一。结合南太平洋长鳍金枪鱼渔业捕捞作业背景,提出一种新的面向渔业应用的产量预测方法。依据2000—2015年南太平洋长鳍金枪鱼的延绳钓渔获数据、空间因子以及海表温度、海面高度和叶绿素a质量浓度等关键影响因子数据,利用可拓神经网络模型对金枪鱼进行产量预测,并采用粒子群算法(PSO)进行权值优化。结果显示:总召回率达到68%,较传统方法有所提高,对高产区预测有较大优势,召回率达到74.2%,但对中产区的预测效果明显低于高产区和低产区。研究表明,利用粒子群可拓的方法可解决可拓神经网络中经典域不易确定的问题,对丰富渔场预测方法和合理捕捞作业具有一定的指导作用。     

Simulation of future dissolved oxygen distribution in pond culture based on sliding window-temporal convolutional network and trend surface analysis

Dissolved oxygen (DO) is a key ecological factor to measure the quality of water in the aquaculture. As the pond water body is affected by the breeding environment, the spatial distribution of DO shows a certain law in the entire pond. Therefore, to simulate the distribution of DO in aquaculture waters and grasp the temporal and spatial variation of DO is the key to achieving precise regulation of DO. For this purpose, this paper proposed a method for simulating the temporal and spatial distribution of DO in pond culture based on a sliding window-temporal convolutional network together with trend surface analysis (SW-TCN-TSA). This paper first utilized SW to construct DO data sets with different prediction durations, and then used the improved TCN model to realize one-dimensional time series prediction for DO at single monitoring point. Based on the prediction results of DO, a TSA method was performed on the predicted values of DO at the extreme moments of all discrete monitoring points, so as to realize the simulation of the temporal and spatial distribution of DO in the pond. Experimental results show that the SW-TCN model has better prediction performance for one-dimensional time series prediction of DO. Compared with traditional deep networks, such as CNN, GRU, LSTM, CNN-GRU and CNN-LSTM, the values of evaluation indicators (MSE, MAE and RMSE) have been greatly improved. In the process of trend surface fitting, all fitting R² of DO at different water depths are higher than 0.9, indicating that the TSA can accurately reflect the temporal and spatial distribution of DO. This method can provide a basis for the prediction and early warning of DO in the three-dimensional space of the pond and has high practicability in aquaculture.     

鳜塘水体生态因子的计算机模式识别法应用

应用计算机模式识别技术研究鳜塘水体中溶氧量与九项生态因子间的相互关系。研究表明 ,不同塘或不同时期其生态因子差异较大。在高维空间中 ,高、低溶氧量两类样品点聚集在不同的区域 ,周界清晰、分类十分成功 ,表明池塘水体溶氧量与水中多项生态因子间存在显著规律性。用模式识别优化技术求得维持稳定的高溶氧状态的 9项生态指标值 ,优化生态因子的溶氧预报值大于 8.4mg/L。水体溶氧量与其它九项因子成多元的二次函数关系 ,其模型复相关系数R =0 .97。对测量点溶氧量的回代准确率为 93.9%。     

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.     

河流藻类生长动态预测方法研究-以德国易北河为例

基于变量参数的建模思想,依据拉格朗日法提出了河流藻类生长单日定时预测机理,并采用L-M率定方法对模型参数进行动态率定。该模型以德国易北河为例进行验证。首先构建了河流藻类叶绿素a单日12时预测机理模型,对机理模型中的7个参数进行选择,取其中5个参数作为率定参数,其余2个参数作为先验参数。根据易北河2000年5月1日至8月1日期间的12时的叶绿素a浓度,对2组5参数组合分别进行率定,根据率定参数将机理模型沿时间轴外推至次日12时获得计算值作为预测结果。结果表明以率定最优(率定误差最小)为原则选取的5参数组合获得的预测结果最优。而通过改变率定数据长度获得的率定参数进行预测比较表明,采用连续7 d的近期历史数据获得预测结果最优。该方法还原藻类生长空间和时间异质性上优于先验参数预测方法,为采用机理模型进行河流短期藻类预测提供了一种新的解决方案。     

基于模糊神经网络的池塘溶解氧预测模型

在分析了池塘溶解氧影响因素的基础上，利用模糊神经网络良好的非线性逼近能力建立了池塘溶解氧的模糊神经网络预测模型。神经网络模型如采用常规的BP或其它梯度算法，常导致训练时间较长且易陷入局部极小点，本实验采用快速的粒子群优化算法对模糊神经网络进行训练，收敛速度明显加快。实验结果表明采用该方法预报溶解氧的预测精度较常规BP递推算法的预测精度明显提高，所采用的模型能对溶解氧进行可靠的预测，该方法为研制开发智能水质检测仪以及工厂化养殖工作奠定了基础，对实际生产具有一定的指导意义。     

大菱鲆腐败菌生长动力学研究和货架期预测

采集0、3、7、10℃贮藏大菱鲆中希瓦氏菌生长数据,建立了大菱鲆0~10℃贮藏中特定腐败菌生长动力学模型和剩余货架期预测模型。感官、化学和微生物生长动态分析表明,希瓦氏菌为大菱鲆0~10℃贮藏中的特定腐败菌。Gompertz方程能较好地描述希瓦氏菌的生长。采用Belehradek方程描述的温度对希瓦氏菌最大比生长速率和延滞时间的影响均呈较好线性关系。以5℃贮藏大菱鲆中希瓦氏菌生长数据,对所建立的生长动力学模型和剩余货架期预测模型的准确性进行验证,得到最大比生长速率、延滞时间、货架期的预测值相比实测值的相对误差分别为-14.36%、5.61%和6.74%,表明建立的模型可以快速准确的预测大菱鲆0~10℃贮藏过程中的鲜度变化和剩余货架期。