為了解決集約化海水養(yǎng)殖過程中水體氨氮濃度測(cè)量存在的成本高、消耗大、難以實(shí)時(shí)有效檢測(cè)等問題,本文以實(shí)驗(yàn)室集約化循環(huán)海水養(yǎng)殖控制系統(tǒng)在養(yǎng)殖大菱鲆過程中所采集到的相關(guān)水質(zhì)參數(shù)為基礎(chǔ),對(duì)影響水體氨氮濃度的相關(guān)變量進(jìn)行分析。根據(jù)輔助變量易測(cè)的要求,結(jié)合實(shí)際條件選取大菱鲆養(yǎng)殖過程中所獲得的養(yǎng)殖水體的溫度、溶解氧、電導(dǎo)率和pH值作為輔助變量,建立相應(yīng)的氨氮濃度軟測(cè)量模型,進(jìn)而實(shí)現(xiàn)對(duì)養(yǎng)殖水體氨氮濃度進(jìn)行實(shí)時(shí)有效的監(jiān)測(cè)。通過分析和對(duì)比BP網(wǎng)絡(luò)、隨機(jī)向量功能鏈網(wǎng)絡(luò)（Random Vector Function Link,RVFL）以及隨機(jī)配置網(wǎng)絡(luò)（Stochastic configuration networks;SCNs）各自算法的特點(diǎn)和不足,利用隨機(jī)配置網(wǎng)絡(luò)具有快速學(xué)習(xí)能力和較高逼近性能等優(yōu)勢(shì),將隨機(jī)配置網(wǎng)絡(luò)引入到集約化養(yǎng)殖水體氨氮濃度的軟測(cè)量過程中。為避免SCNs參數(shù)選取的隨機(jī)性給模型測(cè)量性能帶來的影響,提出了遺傳算法（Genetic Algorithm,GA）優(yōu)化的SCNs軟測(cè)量模型。該模型基于遺傳算法對(duì)SCNs的預(yù)選權(quán)值和閾值矩陣進(jìn)行了優(yōu)化,并將優(yōu)化后的預(yù)選矩陣用于SCNs模型的構(gòu)建,然后基于集... 

【文章來源】：大連海洋大學(xué)遼寧省

【文章頁(yè)數(shù)】：56 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

集約化循環(huán)海水養(yǎng)殖系統(tǒng)結(jié)構(gòu)

72.1.3循環(huán)養(yǎng)殖系統(tǒng)的設(shè)計(jì)在集約化循環(huán)控制系統(tǒng)的循環(huán)水養(yǎng)殖區(qū)共包含5個(gè)水箱。其分別為上位水箱、備用水箱、養(yǎng)殖水箱、沉淀水箱和過濾水箱。其中各水箱間的水循環(huán)連通方式，如圖2-2所示。其中備用水箱用來儲(chǔ)備新鮮海水，用于對(duì)集約化海水循環(huán)養(yǎng)殖系統(tǒng)日常消耗的海水進(jìn)行補(bǔ)充，備用水箱通過水泵1的作用，將備用水箱中存有的海水，輸送到上位水箱中，來為系統(tǒng)注入新鮮海水，這也是外來海水輸入系統(tǒng)的唯一途徑。圖2-2養(yǎng)殖水箱循環(huán)控制系統(tǒng)Fig.2-2Circulationcontrolsystemofaquaculturewatertank上位水箱分別與養(yǎng)殖水箱和過濾水箱相連接。在養(yǎng)殖過程中，通過上位機(jī)與PLC控制電磁閥1和閥2的開關(guān)，來控制上位水箱與養(yǎng)殖水箱和過濾水箱的連通。值得注意的是，系統(tǒng)中上位水箱的位置均高于其余四個(gè)水箱。因此，當(dāng)打開系統(tǒng)中電磁閥1和閥2時(shí)，海水將從上位水箱流出，并通過重力的作用分別流入到養(yǎng)殖水箱和過濾水箱中。這樣可以減少資源的浪費(fèi)，降低系統(tǒng)運(yùn)行成本。養(yǎng)殖水箱與沉淀水箱分別用于生產(chǎn)養(yǎng)殖與廢水的初步處理。在養(yǎng)殖水箱中裝有水體溫度、壓力、pH值、溶解氧以及電導(dǎo)率等傳感器，用于對(duì)相關(guān)水質(zhì)參數(shù)進(jìn)行檢測(cè)。養(yǎng)殖水箱中的水僅由上位水箱提供，養(yǎng)殖水箱中的水可以通過泵2輸入到沉淀水箱中進(jìn)行廢水的初步處理。經(jīng)沉淀水箱初步處理后的廢水經(jīng)過泵3到達(dá)過濾水箱，再經(jīng)由過濾水箱來進(jìn)一步的進(jìn)行過濾處理，來達(dá)到更好的處理效果。在過濾水箱中的水源，除了沉淀水箱經(jīng)泵3輸入外，還可由上位水箱進(jìn)行輸入。通過上位水箱與過濾水箱的循環(huán)，可以實(shí)現(xiàn)對(duì)養(yǎng)殖海水進(jìn)行反復(fù)過濾。然后在將過濾后滿足養(yǎng)殖要求的海水再經(jīng)上位水箱注入養(yǎng)殖水箱中，實(shí)現(xiàn)海水的重復(fù)循環(huán)利用，減少水資源的浪費(fèi)和對(duì)環(huán)境的污染。

12圖3-1BP基本網(wǎng)絡(luò)結(jié)構(gòu)Fig.3-1BPbasicnetworkstructureBP算法用于網(wǎng)絡(luò)訓(xùn)練時(shí)主要包含兩個(gè)階段[57]：第一階段為前向計(jì)算階段。該階段從輸入層開始，逐層計(jì)算各節(jié)點(diǎn)的輸出，最終得到網(wǎng)絡(luò)的實(shí)際輸出。第二階段為反向誤差傳播階段。在該階段通過計(jì)算期望輸出與實(shí)際輸出的誤差，來判斷所得誤差是否滿足預(yù)設(shè)精度，若不滿足則將誤差反向傳播到網(wǎng)絡(luò)的各層神經(jīng)元節(jié)點(diǎn)中。利用梯度下降法來依次調(diào)整各層神經(jīng)元節(jié)點(diǎn)的連接權(quán)值，然后返回第一階段重新開始新一輪前向計(jì)算過程。反向傳播算法通過前向計(jì)算，反向誤差傳播兩個(gè)階段的循環(huán)，來迭代修正網(wǎng)絡(luò)參數(shù)，直到網(wǎng)絡(luò)輸出結(jié)果滿足預(yù)設(shè)精度，或達(dá)到預(yù)設(shè)的循環(huán)次數(shù)為止，其算法流程圖如圖3-2所示：圖3-2BP神經(jīng)網(wǎng)絡(luò)基本流程圖Fig.3-2AlgorithmflowchartofBPneuralnetwork


本文編號(hào)：2991945