水产养殖环境中水质氨氮含量的软测量方法及装置制造方法及图纸

本发明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，其中所述方法包括：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。本发明专利技术实施例利用易在线测量的气象参数和水质参数，能够在线给出相对准确的水产养殖环境中水质氨氮的值，解决了水产养殖环境中水质氨氮含量难以在线测量的难题。

Soft Sensing Method and Device for Ammonia Nitrogen Content in Aquaculture Environment

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，提供一种水产养殖环境中水质氨氮含量的软测量装置，包括：模型构建模块，用于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；软测量模块，用于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三个方面，提供一种水产养殖环境中水质氨氮含量的软测量设备，包括：至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述第一方面的各种可能的实现方式中任一种实现方式所提供的水产养殖环境中水质氨氮含量的软测量方法。根据本专利技术实施例的第四个方面，提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行能够执行上述第一方面的各种可能的实现方式中任一种实现方式所提供的水产养殖环境中水质氨氮含量的软测量方法。本专利技术实施例提出的水产养殖环境中水质氨氮含量的软测量方法及装置，能够利用水产养殖环境中易测量的水质参数和环境参数，获得较为准确的水质氨氮含量的值，解决了水产养殖环境中水质氨氮含量难以在线测量的难题。附图说明图1为本专利技术实施例提供的水产养殖环境中水质氨氮含量的软测量方法的流程示意图；图2为本专利技术实施例提供的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的流程示意图；图3为本专利技术实施例提供的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的流程示意图；图4为本专利技术实施例提供的水产养殖环境中水质氨氮含量的软测量装置的结构示意图；图5为根据本专利技术实施例提供的电子设备的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他的实施例，都属于本专利技术保护的范围。如图1所示，为本专利技术实施例提供的水产养殖环境中水质氨氮含量的软测量方法的流程示意图，包括：101、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；极限学习机是一种简单、有效的单隐层前馈神经网络学习算法。给定一个样本集H＝{(x(n),t(n)),n＝1,2,...,N}，N为样本个数，x(n)为第n个样本的输入值，t(n)为第n个样本的期望输出值，其中x(n)＝(x1(n),x2(n),...,xd(n))T,d为输入层节点数，t(n)＝(t1(n),t2(n),...,tm(n))T，m为输出层节点数，一个具有L个隐含层节点的极限学习机可以表示为公式(1)：其中，n＝1,2,...,N,j＝1,2,...,H,g()为激励函数，ωj＝[ω1j,ω2j,...,ωdj]T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＝[β1j,β2j,...,βmj]T是连接第j个隐含层单元与输出层的输出权值向量，o(n)为第n个样本的极限学习机输出值。本专利技术实施例采用极限学习机来实现对水质氨氮含量的软测量，软测量是指通过对易测得的水质数据和气象数据进行回归拟合获得难以在线测量的氨氮值。而极限学习机的输入权值和隐含层偏置的随机选取会对输出结果的准确性有影响，因此，本专利技术实施例采用粒子群优化算法找到最优的输入权值和隐含层偏置值，构建水质氨氮含量软测量的最优极限学习机网络模型。102、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。在获得水质氨氮含量软测量的最优极限学习机网络模型之后，将易测得的影响水质氨氮含量的各参数的实测数据进行预处理后输入到该最优极限学习机网络模型中，得到的输出结果即是水质氨氮含量的预测数据。本专利技术实施例提出的一种水产养殖环境中水质氨氮含量的软测量方法，能够利用水产养殖环境中易测量的水质参数和环境参数，获得较为准确的水质氨氮含量的值，解决了水产养殖环境中水质氨氮含量难以在线测量的难题。在上述实施例的基础上，如图2所示，为本专利技术实施例提供的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的流程示意图，即步骤101包括：201、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。具体地，对水产养殖环境中水质氨氮含量有影响的可测参数进行分析，分析各可测参数与水质氨氮含量的正负相关性，确定用于预测水质氨氮含量的参数因子，包括：水质因子和气象因子。更具体地，包括：3个水质因子——溶解氧、水温、pH和8个气象因子——风速、风向、太阳辐射、空气温度、空气湿度、大气压强、土壤水分和土壤温度每隔预设时间采集各参数因子的实测数据和当前时刻水质氨氮含量的实测数据，建立原始数据集。202、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。具体地，可以采用公式对所采集到的各参数因子和当前水质氨氮含量的实测数据进行归一化处理。将样本集进行划本文档来自技高网...

【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