一种基于数据融合的水产养殖水质溶解氧预测方法技术

本发明专利技术涉及一种基于数据融合的水产养殖水质溶解氧预测方法，主要包括如下步骤：S1：获得多处溶解氧数值和气象数据，并对溶解氧数值进行归一化处理；S2：通过K‑聚类算法优化的RBF网络对归一化后的数据进行处理，得到更准确的溶解氧数值；S3：将更准确的溶解氧数值和步骤S1的气象数据重新组合形成样本预测训练样本，利用训练样本训练最小二乘支持向量机模型，获取最优最小二乘支持向量机预测模型；S4：在线实时采集水产养殖生态环境的溶解氧数据和气象环境数据，利用最优最小二乘支持向量机预测模型获得溶解氧预测值。采用本发明专利技术的方法可实现溶解氧精确、高效预测，为后续实现水产养殖的在线预测预警和智能控制奠定基础。

【技术实现步骤摘要】

本专利技术属于水产养殖
，具体涉及一种基于数据融合的水产养殖水质溶解氧预测方法。
技术介绍
池塘水产养殖过程中，溶解氧是水产品赖以生存的重要指标，及时准确的掌握溶解氧浓度的变化趋势是确保高密度水产养殖的关键。若不能精确掌握养殖池塘溶解氧浓度的变化趋势，增氧补救不及时，低氧或者严重缺氧的胁迫环境不仅制约着水产品健康甚至导致大面积水产死亡，给用户带来巨大的经济损失，还严重影响水产养殖业的健康持续发展。为此，基于智能信息处理技术对养殖水体溶解氧浓度进行准确预测，及时掌握养殖溶解氧的变化规律，辨识溶解氧异常变化，防范水质恶化及疾病爆发、水环境保护与治理提供科学决策依据。目前现有的水质溶解氧预测模型，输入参数多来自于单一传感器，易出现数据缺失、数据异常等问题，预测得到的溶解氧数值准确性、可靠性较低，不能很好的满足水产养殖的需求。
技术实现思路
本专利技术的目的是针对现有技术存在的缺陷和不足，提供一种基于数据融合的水产养殖水质溶解氧预测方法，该方法通过布设多个溶解氧传感器、获取多个溶解氧数据值，通过数据融合方法实现溶解氧的可靠实时测量，然后依据可靠、准确的数据源建立的预测模型将实现更加精确的养殖水质溶解氧预测。本专利技术的目的是通过如下技术方案实现的：一种基于数据融合的水产养殖水质溶解氧预测方法，包括如下步骤：S1：数据获取与预处理：采集水产养殖生态环境的溶解氧数据和气象环境数据，作为原始数据集，并将采集到的溶解氧数据进行归一化处理；S2：数据融合处理：通过K-聚类算法优化的RBF神经网络算法对步骤S1归一化处理后的溶解氧数据进行融合，获得更准确的溶解氧数值；S3：预测模型构建：将所述更准确的溶解氧数值与步骤S1中同时刻采集的气象数据重新组合作为预测模型的训练样本，利用所述训练样本训练最小二乘支持向量机模型并优化最小二乘支持向量机的参数，以获取最优最小二乘支持向量机预测模型；S4：溶解氧实时预测：在线实时采集水产养殖生态环境的溶解氧数据和气象环境数据，利用所述最优最小二乘支持向量机预测模型获得溶解氧预测值。其中，为了提高预测的精准度，步骤S1中，每次采集的溶解氧数据为4-8个，优选6个。由于随着池塘水深的改变，溶解氧的浓度也会发生改变，为了进一步确保测定结果的精准度，所述溶解氧数据优选从均布在同一水层的4-8个溶解氧传感器处获取。气象环境的变化会引起溶解氧浓度的变化，而溶解氧受水体环境和气象因子的影响呈非线性变化，本专利技术将气象环境数据作为输入样本的一部分可进一步增加预测的精准性。优选地，本专利技术所述的气象环境数据包括水温、空气湿度、空气温度、风速、光照强度5种。水温由设置在池塘中的水温传感器提供，空气湿度、空气温度、风速、光照强度等参数由布设在池塘岸边的气象数据采集装置提供。其中，步骤S1中，归一化方法为本领域公知的方法，即采用如下公式对采集到溶解氧原始数据进行归一化处理： f ( x i ) = x i - x min x max - x min , ( i = 1 , 2 , ... , n ) ]]>其中，xi为第i个输入数据，xmin为输入数据中的最小值，xmax为输入数据中的最大值，n为数据的总个数，f(xi)为归一化后数据。步骤S2中采用K-聚类算法对RBF神经网络进行优化，其具体优化方法包括如下步骤：S21：将采集的光照强度、风速、空气温度、空气湿度、水温、及多处溶解氧作为样本向量Xi(i＝1,2...n)，初始化聚类中心Cj(j＝1,2...k)；其中，n为样本数量，k聚类中心个数。S22：把样本向量Xi(i＝1,2...n)分配给初始化聚类中心Cj(j＝1,2...k)的聚类集合θj(i＝1,2...k)，按公式计算每个θj中训练样本的平均值作为新的聚类中心，根据聚类中心Cj与它最邻近的聚类中心之间的距离确定隐含层神经元节点的基宽向量bj＝σdj；隐含层到输出层之间的权值通过最小二乘法得到，即w＝(HTH)-1HTd；其中，dj＝min||Ci-Cj||，为第i个聚类中心与最邻近聚类中心之间的距离，σ为重叠系数；H＝[h1,h2...hn]，hn为高斯基函数；n为样本数量。S23：依据Step22获得RBF神经网络的最优的聚类中心C，计算RBF神经网络宽度σ的值，利用最小二乘法计算RBF神经网络连接权值w，构建RBF网络，以溶解氧数据为输入数据，利用构建的RBF网络，获得更准确的溶解氧参数数值。步骤S3中，所述最小二乘支持向量机模型LS_SVM为： F ( x ) = b + Σ i = 1 n ( α i × exp ( - | | x - c i | | 2 2 σ 2 ) ) ]]>其中，x为所述训练样本集中任意一个样本向量，所述样本向量为特征向量{v1，v2，…，vi，…，vn本文档来自技高网...

【技术保护点】
一种基于数据融合的水产养殖水质溶解氧预测方法，其特征在于，包括如下步骤：S1：数据获取与预处理：采集水产养殖生态环境的溶解氧数据和气象环境数据，作为原始数据集，并将采集到的溶解氧数据进行归一化处理；S2：数据融合处理：通过K‑聚类算法优化的RBF神经网络算法对步骤S1归一化处理后的溶解氧数据进行融合，获得更准确的溶解氧数值；S3：预测模型构建：将所述更准确的溶解氧数值与步骤S1中同时刻采集的气象数据重新组合作为预测模型的训练样本，利用所述训练样本训练最小二乘支持向量机模型并优化最小二乘支持向量机的参数，以获取最优最小二乘支持向量机预测模型；S4：溶解氧实时预测：在线实时采集水产养殖生态环境的溶解氧数据和气象环境数据，利用所述最优最小二乘支持向量机预测模型获得溶解氧预测值。

【技术特征摘要】
1.一种基于数据融合的水产养殖水质溶解氧预测方法，其特征在于，包括如下步骤：S1：数据获取与预处理：采集水产养殖生态环境的溶解氧数据和气象环境数据，作为原始数据集，并将采集到的溶解氧数据进行归一化处理；S2：数据融合处理：通过K-聚类算法优化的RBF神经网络算法对步骤S1归一化处理后的溶解氧数据进行融合，获得更准确的溶解氧数值；S3：预测模型构建：将所述更准确的溶解氧数值与步骤S1中同时刻采集的气象数据重新组合作为预测模型的训练样本，利用所述训练样本训练最小二乘支持向量机模型并优化最小二乘支持向量机的参数，以获取最优最小二乘支持向量机预测模型；S4：溶解氧实时预测：在线实时采集水产养殖生态环境的溶解氧数据和气象环境数据，利用所述最优最小二乘支持向量机预测模型获得溶解氧预测值。2.根据权利要求1所述的预测方法，其特征在于：步骤S1中，每次采集的溶解氧数据为4-8个，优选6个。3.根据权利要求2所述的预测方法，其特征在于：所述溶解氧数据为同一水层不同位置的数据。4.根据权利要求1-3任一项所述的预测方法，其特征在于：所述气象环境数据为水温、空气湿度、空气温度、风速和光照强度。5.根据权利要求1-4任一项所述的预测方法，其特征在于：步骤S2具体包括如下步骤：S21：将采集的光照强度、风速、空气温度、空气湿度、水温、及多处溶解氧作为样本向量Xi(i＝1,2...n)，初始化聚类中心Cj(j＝1,2...k)；其中，n为样本数量，k聚类中心个数；S22：把样本向量Xi(i＝1,2...n)分配给初始化聚类中心Cj(j＝1,2...k)的聚类集合θj(i＝1,2...k)，按公式计算每个θj中训练样本的平均值作为新的聚类中心，根据聚类中心Cj与它最邻近的聚类中心之间的距离确定隐含层神经元节点的基宽向量bj＝σdj；隐含层到输出层之间的权值通过最小二乘法得到，即w＝(HTH)-1HTd；其中，dj＝min||Ci-...

【专利技术属性】
技术研发人员：陈英义，于辉辉，李道亮，位耀光，刘延忠，许静，甄珠米，杨昊，孙传仁，王利民，魏晓华，薛佳妮，
申请(专利权)人：中国农业大学，山东省农业科学院科技信息研究所，
类型：发明
国别省市：北京;11