The embodiment of the present invention provides a soft-sensing method and device for water quality ammonia nitrogen content in aquaculture environment. The method includes: constructing an optimal limit learning machine network model for soft-sensing water quality ammonia nitrogen content based on particle swarm optimization algorithm; collecting the measured data of the parameter factors affecting water quality ammonia nitrogen content, and normalizing the measured data, and returning them to normal. The measured data after normalization are input into the optimal limit learning machine network model for soft sensing of ammonia nitrogen content in water quality, and the predicted data of ammonia nitrogen content in water quality are obtained. In the embodiment of the present invention, the meteorological parameters and water quality parameters which are easy to be measured on-line can be used to give relatively accurate values of water quality ammonia nitrogen in aquaculture environment online, thus solving the difficult problem of online measurement of water quality ammonia nitrogen content in aquaculture environment.
【技术实现步骤摘要】
水产养殖环境中水质氨氮含量的软测量方法及装置
本专利技术实施例涉及水产养殖技术和信息智能处理
,更具体地,涉及一种水产养殖环境中水质氨氮含量的软测量方法及装置。
技术介绍
水产养殖过程中,水质氨氮含量是反映水质优劣的重要参数。氨氮含量过高会导致水质恶化、使水产品抵抗力下降诱发疾病,对水产养殖的水质氨氮含量进行监测具有重要意义。目前,对养殖水体进行检测方法主要有滴定法、分光光度法、电化学法等。滴定法与分光光度法因需要对水样进行预处理使得操作复杂、测量速度慢,无法实现养殖水体氨氮的快速检测;而在环保领域采用的电化学电极法发检测精度无法满足水产养殖水体氨氮的检测要求,难以用于指导水产养殖生产实际。国内外尚无在线监测水质氨氮含量的仪器,而一些高精手测仪器价格也相对昂贵,普通的养殖用户无力购买昂贵的氨氮检测设备用于日常的水质检测过程中。因此,如何通过影响氨氮变化且易在线测量的水质参数和气象数据,经过软测量的方法计算获得相对准确的氨氮含量具有十分重要的研究意义。
技术实现思路
为了克服上述问题或者至少部分地解决上述问题,本专利技术实施例提供一种水产养殖环境中水质氨氮含量的软测量方法及装置。根据本专利技术实施例的第一个方面,提供一种水产养殖环境中水质氨氮含量的软测量方法,包括:基于粒子群优化算法构建水质氨氮含量软测量的最优极限学习机网络模型;采集影响水质氨氮含量的参数因子的实测数据,并对所述实测数据进行归一化处理,将经过归一化处理后的所述实测数据输入所述水质氨氮含量软测量的最优极限学习机网络模型中,获得水质氨氮含量的预测数据。根据本专利技术实施例的第二个方面,提供一种 ...
【技术保护点】
1.一种水产养殖环境中水质氨氮含量的软测量方法,其特征在于,包括:基于粒子群优化算法构建水质氨氮含量软测量的最优极限学习机网络模型;采集影响水质氨氮含量的参数因子的实测数据,并对所述实测数据进行归一化处理,将经过归一化处理后的所述实测数据输入所述水质氨氮含量软测量的最优极限学习机网络模型中,获得水质氨氮含量的预测数据。
【技术特征摘要】
1.一种水产养殖环境中水质氨氮含量的软测量方法,其特征在于,包括:基于粒子群优化算法构建水质氨氮含量软测量的最优极限学习机网络模型;采集影响水质氨氮含量的参数因子的实测数据,并对所述实测数据进行归一化处理,将经过归一化处理后的所述实测数据输入所述水质氨氮含量软测量的最优极限学习机网络模型中,获得水质氨氮含量的预测数据。2.根据权利要求1所述的方法,其特征在于,所述基于粒子群优化算法构建水质氨氮含量软测量的最优极限学习机网络模型的步骤,进一步包括:对水产养殖环境中与水质氨氮含量有关的可测参数进行分析,确定影响水质氨氮含量的参数因子,并采集各所述参数因子的实测数据和当前水质氨氮含量的实测数据,建立原始数据集;对所述原始数据集进行归一化处理,获得样本集,并将所述样本集划分为训练样本集和测试样本集;基于粒子群优化算法和所述训练样本集对用于进行水质氨氮含量软测量的极限学习机网络模型进行训练,生成水质氨氮含量软测量的最优极限学习机网络模型;利用所述测试样本集对所述水质氨氮含量软测量的最优极限学习机网络模型的泛化能力进行验证。3.根据权利要求2所述的方法,其特征在于,所述基于粒子群优化算法和所述训练样本集对用于进行水质氨氮含量软测量的极限学习机网络模型进行训练,生成水质氨氮含量软测量的最优极限学习机网络模型的步骤,进一步包括:根据输入输出信号的个数确定用于进行水质氨氮含量软测量的极限学习机网络模型的拓扑结构;基于经验模态法确定所述用于进行水质氨氮含量软测量的极限学习机网络模型的最优的隐含层节点数;利用粒子群优化算法对所述用于进行水质氨氮含量软测量的极限学习机网络模型进行训练,获得最优的输入权值和隐含层偏置值,并根据所述最优的输入权值和隐含层偏置值计算获得输出权值;将所述最优的输入权值、隐含层偏置值、隐含层节点数和输出权值输入到所述用于进行水质氨氮含量软测量的极限学习机网络模型中,生成水质氨氮含量软测量的最优极限学习机网络模型。4.根据权利要求3所述的方法,其特征在于,所述利用粒子群优化算法对所述用于进行水质氨氮含量软测量的极限学习机网络模型进行训练,获得最优的输入权值和隐含层偏置值的步骤,进一步包括:将输入权值和隐含层偏置值编码成粒子,对每个粒子进行随机初始化;根据粒子编码中所确定的输入权值及隐含层偏置值,采用所述用于进行水质氨氮含量软测量的极限学习机对每个训练样本进行预测;根据预测结果计算每个粒子的适应度,所述适应度计算公式为其中,N为样本个数,L为隐含层节点数,g()为隐含层的激励函数,ωj是连接输入层与第j个隐含层节点的输入权值向量,bj是第j个隐含层节点的偏置值,βj是连接第j个隐含层单元与输出层的输出权值向量,g(ωjTx(n)+bj)为第j个隐含层节点的输出值,βjg...
【专利技术属性】
技术研发人员:李道亮,于辉辉,陈英义,成艳君,程倩倩,
申请(专利权)人:中国农业大学,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。