一种水产养殖水质溶解氧检测方法技术

本发明专利技术提供一种水产养殖水质溶解氧检测方法，属于水产养殖领域。该方法将历史采集的数据作为数据集，基于BP神经网络建立检测溶解氧数值的人工智能模型，神经网络训练好后，在不使用溶解氧传感器测定溶解氧的情况下，根据温度、浊度、pH值和数据采集的时刻计算溶解氧数值。因为溶解氧检测传感器的价格昂贵，维护周期短，在水体中杂物吸附等会造成读数偏差较大，本发明专利技术根据多变量的相关性和数据融合，使用神经网络模型，在实际溶解氧的检测中不依赖于溶解氧传感器，节约了成本，同时能够解决杂物吸附造成的溶解氧读数不准确问题。

A method for detecting dissolved oxygen in aquaculture water

The invention provides a method for detecting dissolved oxygen in aquaculture water, and belongs to the field of aquaculture. This method takes the historical data as the data set, establishes the artificial intelligence model based on BP neural network to detect the dissolved oxygen value, and calculates the dissolved oxygen value according to the temperature, turbidity, pH value and the time of data acquisition without using the dissolved oxygen sensor. Because the dissolved oxygen detection sensor is expensive, the maintenance cycle is short, and the absorption of impurities in the water body will cause large reading deviation. According to the multivariate correlation and data fusion, the invention uses the neural network model, and does not rely on the dissolved oxygen sensor in the actual dissolved oxygen detection, thus saving the cost and being able to simultaneously. To solve the problem of inaccurate reading of dissolved oxygen caused by impurities adsorption.

【技术实现步骤摘要】
一种水产养殖水质溶解氧检测方法
本专利技术属于水产养殖领域，涉及使用神经网络算法，尤其使用历史数据训练构建溶解氧的检测模型，在不使用溶解氧传感器的情况下，实现检测水质溶解氧的目的。
技术介绍
水产养殖是我国的重要产业之一，而溶解氧又是检测养殖水域环境是否适合水产养殖的重要参数之一。但是检测水中溶解氧浓度的传感器价格昂贵，易受到侵蚀损坏或受到水中悬浮物吸附造成溶解氧传感器读数不准确，会带来大量的成本支出。溶解氧与水中的水生植物和藻类有很大的关系，因为水生植物和藻类通过光合作用产生的氧气溶于水的量大于来自于空气中氧气溶于水的量，而光合作用与一天的时刻、温度、pH以及浊度有关。因此通过测定温度、pH、浊度及记录下数据采集的时刻，利用多数据的相关性和融合，通过人工智能的方法，即可实现不需要溶解氧传感器即能达到溶解让检测的目的。目前市场上的溶解氧检测传感器价格较高，而且在养殖水域使用寿命较短，易受到侵蚀，或者溶解氧传感器易受吸附物的影响而降低数据的准确性，所以间接提高了养殖成本和数据的可靠性，因此本专利技术有重要的实用价值。
技术实现思路
为了降低养殖成本，本专利技术提供一种水产养殖水质溶解氧检测方法。本专利技术的技术方案：一种水产养殖水质溶解氧检测方法，将历史采集的数据作为数据集，基于BP神经网络建立检测溶解氧数值的人工智能模型，在神经网络训练好后，在不使用溶解氧传感器测定溶解氧的情况下，根据温度、浊度、pH值和数据采集的时刻计算溶解氧数值，步骤如下：S1：使用历史采集的养殖水域的溶解氧数值、温度、浊度、pH值和数据采集的时刻构建数据集；S2：对数据集中的数据进行清洗和归一化处理，构建样本集；S3：以交叉验证的方法从样本集中选取训练集和测试集，构建BP神经网络；以训练集中的温度、浊度、pH值和数据采集的时刻作为输入变量，溶解氧数值作为输出变量来训练BP神经网络，通过测试集测试BP神经网络的精度，当BP神经网络达到精度要求后，建立溶解氧BP神经网络模型；S4：采集实时养殖水域的温度、浊度、pH值并记录数据采集的时刻，运用步骤S3建立的溶解氧BP神经网络模型，计算得到养殖水域的溶解氧数据。所述步骤S2归一化处理后，先利用中值滤波法对数据进行滤波降噪，然后构建样本集。所述步骤S3的交叉验证，是将样本集D通过分层采样划分为k个互斥子集Di，每个互斥子集Di保持数据分布的一致性；然后每次用k-1个互斥子集的并集作为训练集，余下的互斥子集作为测试集，组成k组训练/测试集，进行k次训练和测试，最终返回k个测试结果的均值。所述步骤S3中的BP神经网络含有两层隐藏层，当测试集检测BP神经网络达到精度要求后，输出每层隐藏层的权值和阈值，建立溶解氧BP神经网络模型。本专利技术的有益效果：本专利技术通过使用历史数据分析水域检测过程中采集的各个变量之间的相关性，发现溶解氧与温度、时间、浊度和pH值有着很大的相关性。然后通过使用历史数据训练构建的溶解氧计算神经网络模型，试验结果发现BP神经网络算法可以很好地拟合出这种相关性，以达到使用温度、时间、浊度和pH值的数据计算出溶解氧数值的目的。从而节约了在实际养殖过程中用于检测溶解氧传感器的费用支出，解决了溶解氧传感器受水中悬浮物质的吸附读数不准的问题。附图说明图1为本专利技术的设计流程图。图2表明本专利技术中各变量与溶解氧的相关性。图3为BP网络结构示例图。图4是BP神经网络预测的效果图，虚线代表测试数据分布，实线代表模型预测数据，二者基本重合。具体实施方式以下结合技术方案和附图详细叙述本专利技术的实施例。实施例1：一种水产养殖水质溶解氧检测方法S1：使用养殖水域的近些年采集的溶解氧数值、温度、浊度、pH值和相应的采集时刻的数据构建数据集，令采集时间为列向量x1，温度为列向量x2，浊度为列向量x3，pH值为x4，x1、x2、x3和x4构成矩阵X0为数据输入集，令溶解氧Y0是数据输出集；S2：对历年采集的数据进行滤波和归一化处理，最后构建样本集X和Y；S3：以交叉验证的方法设定选取训练集和测试集；使用设定的训练集训练BP神经网络，BP网络模型示例如图3，设计为：(1)输入层为：Xωin+bin＝out1；(2)隐藏层为：out1ωhi+bhi＝out2；(3)输出层为：(4)使用调节器库调节各个阈值与权值，训练BP神经网络；最后使用测试集测试模型精度和对模型进行评估，使用如下评估项如果精度和评估未达到要求，重新训练网络或提高训练次数；当BP神经网络达到精度要求后，建立溶解氧BP神经网络模型；S4：采集实时温度、浊度、pH值和记录数据采集的时刻构成数据集，运用步骤S3所建立的溶解氧BP神经网络模型计算得出溶解氧数据。本文档来自技高网...

【技术保护点】
1.一种水产养殖水质溶解氧检测方法，其特征在于，包括以下步骤：S1：使用历史采集的养殖水域的溶解氧数值、温度、浊度、pH值和数据采集的时刻构建数据集；S2：对数据集中的数据进行清洗和归一化处理，构建样本集；S3：以交叉验证的方法从样本集中选取训练集和测试集，构建BP神经网络；以训练集中的温度、浊度、pH值和数据采集的时刻作为输入变量，溶解氧数值作为输出变量来训练BP神经网络；通过测试集测试BP神经网络的精度，当BP神经网络达到精度要求后，建立溶解氧BP神经网络模型；S4：采集实时养殖水域的温度、浊度、pH值并记录数据采集的时刻，运用步骤S3建立的溶解氧BP神经网络模型，计算得到养殖水域的溶解氧数据。

【技术特征摘要】
1.一种水产养殖水质溶解氧检测方法，其特征在于，包括以下步骤：S1：使用历史采集的养殖水域的溶解氧数值、温度、浊度、pH值和数据采集的时刻构建数据集；S2：对数据集中的数据进行清洗和归一化处理，构建样本集；S3：以交叉验证的方法从样本集中选取训练集和测试集，构建BP神经网络；以训练集中的温度、浊度、pH值和数据采集的时刻作为输入变量，溶解氧数值作为输出变量来训练BP神经网络；通过测试集测试BP神经网络的精度，当BP神经网络达到精度要求后，建立溶解氧BP神经网络模型；S4：采集实时养殖水域的温度、浊度、pH值并记录数据采集的时刻，运用步骤S3建立的溶解氧BP神经网络模型，计算得到养殖水域的溶解氧数据。2.根据权利要求1所述的一种水产养殖水质溶解氧检测方法，其特征在于，所述步骤S2归一化处理后，先利用中值滤波法对数据进行滤波降噪，然后构建样...

【专利技术属性】
技术研发人员：郭亚，李无言，蒋永年，胡凯，朱南阳，刘旭，朱启兵，黄敏，
申请(专利权)人：江南大学，江苏中农物联网科技有限公司，
类型：发明
国别省市：江苏,32