【摘要】：養(yǎng)殖水質(zhì)惡化是誘導(dǎo)水產(chǎn)品疾病爆發(fā)甚至大批量死亡的首要因素,而養(yǎng)殖水質(zhì)受多種因素影響,參數(shù)間作用機(jī)理復(fù)雜,導(dǎo)致水質(zhì)精準(zhǔn)預(yù)測預(yù)警一直是水產(chǎn)養(yǎng)殖業(yè)亟需解決的棘手難題。本文以水產(chǎn)養(yǎng)殖中河蟹養(yǎng)殖水質(zhì)關(guān)鍵參數(shù)溶解氧和pH值為研究對象,采用信號處理技術(shù)、群集智能計算和機(jī)器學(xué)習(xí)技術(shù),研究了基于計算智能的水產(chǎn)養(yǎng)殖水質(zhì)預(yù)測預(yù)警方法,具體如下： (1)水產(chǎn)養(yǎng)殖水質(zhì)因子及其影響分析。針對水產(chǎn)養(yǎng)殖水體水質(zhì)參數(shù)多、互相作用機(jī)理復(fù)雜、水質(zhì)參數(shù)間的作用關(guān)系及參數(shù)自身的變化規(guī)律難以分析等問題,提出了基于系統(tǒng)動力學(xué)和能量守恒的水質(zhì)參數(shù)互相作用關(guān)系方法,建立了溶解氧、pH值、水溫等水質(zhì)參數(shù)系統(tǒng)動力學(xué)模型,闡明了水產(chǎn)養(yǎng)殖水質(zhì)關(guān)鍵參數(shù)互相作用的關(guān)系。研究表明,該方法是適用于水產(chǎn)養(yǎng)殖水質(zhì)參數(shù)定性的多因素分析方法。 (2)水產(chǎn)養(yǎng)殖水質(zhì)數(shù)據(jù)預(yù)處理方法研究。針對監(jiān)測的水質(zhì)數(shù)據(jù)中存在數(shù)據(jù)缺失和噪聲影響預(yù)測預(yù)警方法性能的問題,提出了簡單實用的養(yǎng)殖水質(zhì)數(shù)據(jù)修復(fù)、降噪與特征提取方法。通過線性插值法,相似數(shù)據(jù)的水平和垂直處理均值法對數(shù)據(jù)進(jìn)行修復(fù)；采用改進(jìn)小波分析方法對水質(zhì)數(shù)據(jù)進(jìn)行降噪和特征提取處理。在相同條件下,與其他方法相比,改進(jìn)小波分析的降噪方法,其評價指標(biāo)SNR提高了18.93%,BIAS和RMS分別下降了96.15%和33.76%。結(jié)果表明,該方法能夠滿足養(yǎng)殖水質(zhì)數(shù)據(jù)凈化的要求,為養(yǎng)殖水質(zhì)信號降噪和特征提取提供一條新手段。 (3)基于改進(jìn)蟻群算法優(yōu)化最小二乘支持向量回歸機(jī)(ACO-LSSVR)的水產(chǎn)養(yǎng)殖溶解氧非線性預(yù)測方法研究。針對傳統(tǒng)預(yù)測方法不適于小樣本、高維數(shù)、參數(shù)優(yōu)化受人為主觀因素影響大等問題,提出了基于ACO-LSSVR的水產(chǎn)養(yǎng)殖溶解氧非線性預(yù)測方法。該方法通過基于“探測”思想的局部精細(xì)搜索和信息素動態(tài)更新思想,改進(jìn)了蟻群優(yōu)化算法,實現(xiàn)了LSSVR模型最佳參數(shù)自動獲取,構(gòu)建了ACO融合LSSVR的溶解氧非線性預(yù)測模型。與BPNN相比,該方法的RMSE.運(yùn)行時間t分別降低了67.9%和2.3464s。結(jié)果表明,該方法不僅克服了傳統(tǒng)方法的缺陷,而且能夠基本滿足水產(chǎn)養(yǎng)殖溶解氧預(yù)測的需要。 (4)基于改進(jìn)粒子群算法優(yōu)化最小二乘支持向量回歸機(jī)(IPSO-LSSVR)的水產(chǎn)養(yǎng)殖溶解氧非線性預(yù)測方法研究。針對傳統(tǒng)預(yù)測方法收斂速度慢、預(yù)測精度低的問題,提出了IPSO-LSSVR的水產(chǎn)養(yǎng)殖溶解氧非線性預(yù)測模型。該方法通過慣性權(quán)重自適應(yīng)動態(tài)更新策略,改進(jìn)了粒子群算法(IPSO),實現(xiàn)了LSSVR模型組合參數(shù)優(yōu)化過程中的精細(xì)搜索,構(gòu)建了IPSO融合LSSVR的溶解氧非線性預(yù)測模型。與傳統(tǒng)的LSSVR相比,該方法的RMSE、MAE分別下降了29.36%和67.46%,結(jié)果表明,該方法收斂速度快,預(yù)測效果好,實現(xiàn)了水產(chǎn)養(yǎng)殖溶解氧高精度預(yù)測。 (5)基于小波分析、柯西粒子群算法優(yōu)化最小二乘支持向量回歸機(jī)(WA-CPSO-LSSVR)的水產(chǎn)養(yǎng)殖溶解氧非線性預(yù)測方法研究。針對傳統(tǒng)方法受噪音干擾大、預(yù)測精度低、易陷入局部極值的缺陷,提出了基于WA-CPSO-LSSVR的水產(chǎn)養(yǎng)殖溶解氧非線性預(yù)測方法。通過多分辨率的小波分析,實現(xiàn)了養(yǎng)殖水質(zhì)數(shù)據(jù)降噪和多尺度特征分量提��；柯西變異和權(quán)重自適應(yīng)更新算子相結(jié)合,改進(jìn)了粒子群優(yōu)化算法,實現(xiàn)了LSSVR模型全局最佳組合參數(shù)的自適應(yīng)獲取,構(gòu)建了多尺度分析的水產(chǎn)養(yǎng)殖溶解氧非線性組合預(yù)測模型。實驗結(jié)果表明,該方法不僅有效解決了傳統(tǒng)方法的問題,而且能夠多尺度分析水質(zhì)特征,預(yù)測效果更好,更適合高密度水產(chǎn)養(yǎng)殖溶解氧的非線性預(yù)測,為水質(zhì)科學(xué)化調(diào)控提供決策依據(jù)。 (6)基于主成分分析法、文化魚群算法優(yōu)化最小二乘支持向量回歸機(jī)(PCA-MCAFA-LSSVR的水產(chǎn)養(yǎng)殖pH值非線性預(yù)測方法研究。為減少pH值對水產(chǎn)品新陳代謝及生理功能的脅迫影響,提出了基于PCA-MCAFA-LSSVR的養(yǎng)殖水質(zhì)pH值非線性預(yù)測方法。通過主成分分析法實現(xiàn)養(yǎng)殖水質(zhì)數(shù)據(jù)降維和pH值關(guān)鍵影響因子的篩選,優(yōu)化模型結(jié)構(gòu)；采用文化魚群算法對最小二乘支持向量回歸機(jī)參數(shù)組合優(yōu)化,避免搜索過程的盲目性,構(gòu)建了pH非線性預(yù)測模型。該方法將養(yǎng)殖水質(zhì)指標(biāo)由10個壓縮到4個主成分,其絕對誤差小于8%的樣本達(dá)到93.05%。研究表明,該方法不僅消除了水質(zhì)信息冗余、降低了計算復(fù)雜度,且具有較高的預(yù)測精度,為水產(chǎn)養(yǎng)殖pH值精準(zhǔn)預(yù)測提供一條新途徑。 (7)基于粗糙集融合支持向量L(RS-SVM)的水產(chǎn)養(yǎng)殖水質(zhì)預(yù)警方法研究。為解決因水質(zhì)預(yù)警耦合因素多,預(yù)警模式復(fù)雜以及信息不完整所引起的水質(zhì)預(yù)警精度低的問題,提出了基于RS-SVM的水質(zhì)預(yù)警模型。通過粗糙集對水質(zhì)數(shù)據(jù)進(jìn)行屬性約簡,精簡了基于支持向量機(jī)的分類器網(wǎng)絡(luò)結(jié)構(gòu),縮減了SVM的訓(xùn)練時間,提高了計算效率。該方法將養(yǎng)殖水質(zhì)預(yù)警指標(biāo)由14個約簡到5個核心預(yù)警指標(biāo),在不同精度級別上,預(yù)警精度均在91%以上。結(jié)果表明,該方法不僅消除了冗余屬性干擾、優(yōu)化了模型結(jié)構(gòu),提高了計算效率,還取得了較好的水質(zhì)預(yù)警效果,能夠滿足水產(chǎn)養(yǎng)殖水質(zhì)預(yù)警的實際需要。 (8)水產(chǎn)養(yǎng)殖水質(zhì)預(yù)測預(yù)警系統(tǒng)的設(shè)計與實現(xiàn)。為驗證上述方法的有效性,設(shè)計實現(xiàn)了水產(chǎn)養(yǎng)殖水質(zhì)預(yù)測預(yù)警系統(tǒng)。該系統(tǒng)的硬件部分主要包括水質(zhì)傳感器、水質(zhì)數(shù)據(jù)采集器、無線傳輸設(shè)備、現(xiàn)場監(jiān)控中心、遠(yuǎn)程監(jiān)控中心等5部分；軟件系統(tǒng)主要包括數(shù)據(jù)獲取、水質(zhì)預(yù)測預(yù)警管理、數(shù)據(jù)檢索、信息發(fā)布與水質(zhì)調(diào)控管理、系統(tǒng)維護(hù)等5個功能模塊。通過在該系統(tǒng)上的多次實驗表明,所提出的基于計算智能的水產(chǎn)養(yǎng)殖水質(zhì)預(yù)測預(yù)警方法是可靠有效的。 【學(xué)位授予單位】：中國農(nóng)業(yè)大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2014
【分類號】：X714;X832

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳弘揚(yáng);任華堂;徐世英;夏建新;;淮南市水廠取水口水質(zhì)指標(biāo)預(yù)警研究[J];北京大學(xué)學(xué)報(自然科學(xué)版);2012年03期

2 洪梅,趙勇勝,張博;地下水水質(zhì)預(yù)警信息系統(tǒng)研究[J];吉林大學(xué)學(xué)報(地球科學(xué)版);2002年04期

3 吳瑩;黃顯林;高曉智;Kai Zenger;;一種文化魚群算法及其在電機(jī)參數(shù)辨識中的應(yīng)用[J];電機(jī)與控制學(xué)報;2012年05期

4 高艷萍;于紅;崔新忠;;基于優(yōu)化BP網(wǎng)絡(luò)的工廠化水產(chǎn)養(yǎng)殖水質(zhì)預(yù)測模型的實現(xiàn)[J];大連水產(chǎn)學(xué)院學(xué)報;2008年03期

5 繆新穎;葛廷友;高輝;王建彬;;基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的池塘溶解氧預(yù)測模型[J];大連海洋大學(xué)學(xué)報;2011年03期

6 郭一楠;劉丹丹;程健;王輝;;自適應(yīng)混合變異文化算法[J];電子學(xué)報;2011年08期

7 殷高方;張玉鈞;胡麗;王志剛;肖雪;石朝毅;于紹惠;段靜波;劉文清;;BP神經(jīng)網(wǎng)絡(luò)在水華短期預(yù)測中的應(yīng)用[J];北京理工大學(xué)學(xué)報;2012年06期

8 朱麗楠;官滌;王永軍;劉桂芳;康凱;;典型湖庫富營養(yǎng)化的模糊綜合評價研究[J];長江流域資源與環(huán)境;2012年09期

9 王登;苗奪謙;王睿智;;一種新的基于小波包分解的EEG特征抽取與識別方法研究[J];電子學(xué)報;2013年01期

10 杜春艷;梁婕;黃璐;陳宏;余關(guān)龍;陳鉑;;基于BP神經(jīng)網(wǎng)絡(luò)的韶山地表徑流pH預(yù)測研究[J];安徽農(nóng)業(yè)科學(xué);2013年19期

，

本文編號：2712201