針對集約化水產(chǎn)養(yǎng)殖環(huán)境復(fù)雜、氨氮質(zhì)量濃度在線檢測困難等問題,提出了一種基于廣義可加模型和支持向量回歸的混合建模方法。首先根據(jù)機理分析,選擇水溫、溶氧、pH、電導(dǎo)率作為輔助變量,然后分析數(shù)據(jù)確定各個變量的分布形式,以對數(shù)函數(shù)作為連接函數(shù),建立氨氮質(zhì)量濃度廣義可加模型。為提高建模精度,將其與BP神經(jīng)網(wǎng)絡(luò)、隨機配置網(wǎng)絡(luò)、支持向量回歸建模方法相結(jié)合,分別對養(yǎng)殖水質(zhì)氨氮質(zhì)量濃度進行混合軟測量,并對結(jié)果進行比較。結(jié)果顯示:廣義可加模型能較為迅速地找出氨氮質(zhì)量濃度和輔助變量之間的關(guān)系,有更高的可解釋性,基于支持向量回歸補償后的混合模型有更高的精度,氨氮質(zhì)量濃度的變化趨勢能更好地跟蹤實驗室化驗值的變化。與單獨使用廣義可加模型相比,混合模型的均方根誤差降低了0.013;與單獨使用支持向量回歸相比,混合模型的均方根誤差降低了0.005。試驗結(jié)果證明了廣義可加模型和支持向量回歸混合模型的有效性,為水產(chǎn)養(yǎng)殖氨氮質(zhì)量濃度檢測提供了一種新的方法。 

【文章來源】：漁業(yè)現(xiàn)代化. 2020,47(03)CSCD

【文章頁數(shù)】：9 頁

【文章目錄】：
1 氨氮質(zhì)量濃度軟測量建模策略
    1.1 循環(huán)水養(yǎng)殖工藝過程描述
    1.2 氨氮在養(yǎng)殖水體中的反應(yīng)原理
    1.3 氨氮軟測量建模結(jié)構(gòu)
2 基于廣義可加模型的氨氮質(zhì)量濃度機理近似模型
    2.1 廣義可加模型簡介
    2.2 基于廣義可加模型的氨氮質(zhì)量濃度建模
3 基于支持向量回歸的氨氮質(zhì)量濃度補償模型
4 仿真試驗
    4.1 數(shù)據(jù)采集與預(yù)處理
    4.2 試驗過程
        4.2.1 試驗內(nèi)容
        4.2.2 試驗結(jié)果
5 結(jié)果與討論
    5.1 支持向量機與神經(jīng)網(wǎng)絡(luò)軟測量性能的對比
    5.2 混合模型帶來的改進
6 結(jié)論


【參考文獻】：
期刊論文
[1]基于GA-SVR的海水養(yǎng)殖過程軟測量建模[J]. 李康,王魏,林少涵.  控制工程. 2019(11)
[2]基于隨機配置網(wǎng)絡(luò)的海水養(yǎng)殖氨氮濃度軟測量模型[J]. 王魏,郭戈.  農(nóng)業(yè)機械學(xué)報. 2020(01)
[3]基于支持向量機的靜壓轉(zhuǎn)臺熱誤差補償[J]. 黃智,賈臻杰,鄧濤,劉永超,杜麗.  浙江大學(xué)學(xué)報(工學(xué)版). 2019(08)
[4]基于改進深度信念網(wǎng)絡(luò)的池塘養(yǎng)殖水體氨氮預(yù)測模型研究[J]. 陳英義,成艷君,楊玲,劉燁琦,李道亮.  農(nóng)業(yè)工程學(xué)報. 2019(07)
[5]集約化養(yǎng)殖水體氨氮危害及調(diào)控措施[J]. 朱日同.  河南水產(chǎn). 2018(03)
[6]基于尖峰自組織徑向基網(wǎng)絡(luò)的氨氮軟測量方法[J]. 盧超,楊翠麗,喬俊飛.  信息與控制. 2017(06)
[7]基于遞歸RBF神經(jīng)網(wǎng)絡(luò)的出水氨氮預(yù)測研究[J]. 喬俊飛,馬士杰,許進超.  計算機與應(yīng)用化學(xué). 2017(02)
[8]基于LS-SVM的養(yǎng)殖水體氨氮含量分析模型的優(yōu)化[J]. 居錦武.  大連海洋大學(xué)學(xué)報. 2016(04)
[9]我國氨氮海水質(zhì)量基準(zhǔn)的探討[J]. 鄭磊,張娟,閆振廣,劉征濤.  海洋學(xué)報. 2016(04)
[10]基于廣義可加模型分析時空和環(huán)境因子對2013年南極磷蝦資源分布的影響[J]. 孫珊,李顯森,趙文武,張吉昌,朱建成,徐玉成.  水產(chǎn)科學(xué). 2015(10)

碩士論文
[1]廣義可加模型及其在醫(yī)學(xué)中的應(yīng)用[D]. 賈彬.山西醫(yī)科大學(xué) 2005



本文編號：3166700