[发明专利]一种智能的活鱼养殖水质综合预测方法

说明书

技术领域

本发明涉及水产养殖领域，具体涉及一种智能的活鱼养殖水质综合预测方法。 

背景技术

水质预测是水环境规划、评价和管理工作的基础；水质预测方法有水质数学模拟预测、多元回归模式、灰色预测模型法和神经网络模型预测等；但由于受水文、水质监测条件的限制，国内大部分河流还未建立相应的水质模型，或者成果较为零散，表现形式较为单一，在池塘养殖水质模型方面，我国对这方面的研究更是稀少，加上在池塘养殖之中，对池塘水质造成影响的因素不仅包括了鱼类本身的体质，也包括了如季节，地理位置，周围环境等诸多因素的影响，这就给水质预测方法的运用带来了很大的困难；近几年国内外在水环境保护和水污染控制中，对水质模型的研究和应用取得了很大发展，神经网络方法在水质预测与评价方面的应用研究已取得进展；尽管我国在水质预测研究起步较晚，但近年来也取得了一些成果；目前国内水质信息系统研究都集中在河流水质上，较少涉足水产养殖水质，主要原因是受我国对水产养殖的观念以及技术水平的影响，水产养殖一直处于小型，零星还有机械化的阶段，所以造成了多年形成的连续数据较少，也很少有学者针对这方面做出进一步研究；其次，对池塘水质研究缺乏系统性，在池塘水质的评价及方法上，只有“渔业水质标准”和“精养池塘水体营养等级的测定方法”可以参考；在预测上也只有针对单因子的预测，很少考虑多种因素的综合作用，池塘水质预测预警研究尚在开拓阶段。 

随着近几年我国对水产品养殖重视度加大之后，国内很多学者针对这个问题做出了很多研究；文献1(养殖水体水质的神经网络预测模型研究，渔业现代化，Vol.36No.6，June 2009)在分析传统水质预测模型的基础上，构建神经网络水质预测模型；运用改进的BP算法对在线监测的水质指标进行分析、分类和预测，确定水质指标与其影响因子间的非线性关系，然而于文献1中，神经网络的构建没能体现出不同时间段水质之间存在着间接关系这个问题，其采用的训练样本中的输入项和目标输出项都使用了同一时间段的数据，例如以这一时间段的一个或几个水质因子作为输入项，以同一时间段的一个或几个水质因子作为目标输出项，训练好样本后，但得到测试输入项时，使用训练好的网络预测测试将得到的目标输出项；在现实工业养殖生产之中，水质环境的变化也是动态，其动态不仅变现在自然变化上，如季节性温 度，湿度的影响，同时也包括了人为的控制环境过程与活鱼生存过程中生理的变化造成对水质生态环境不稳定的影响，所有的这些变化都可能是动态产生的，所以我们不能单单使用上述的方法进行预测，应该兼顾到整体的池塘水质变化上。 

文献2(基于BP网络养殖水体氨氮预测模型及实现，农机化研究，第7期，July2008)在分析水产养殖水质影响因素的基础上，发现水体中氨氮的含量不仅与养殖水体的pH值和温度有密切的关系，还与水体中氧气的来源与消耗、氧气的溶解与溢出速率有关，利用BP神经网络良好的非线性映射特性，建立BP网络预测模型以对未来池塘养殖中氨氮的量进行预测；文献2的弊端在于只是简单地阐述氨氮与其他水质因子之间影响关系，并没有对其之间进行进一步的分析，已得到更深一层隐藏的关系，同时其也有文献1中出现的弊端，就是没能体现水质变化之间的动态性。 

文献3(基于神经网络的水质评价与预测的探索，杜伟，学位论文，June2007)分别从BP神经网络和RBF(径向基)神经网络出发，分析了两者之间的关系，通过实例去探讨两种神经网络的有点和弊端，其结论为径向基神经网络是一种局部逼近网络，即对于输入空间的某一个局部区域只存在少数的神经元用于决定网络的输出；BP网络则是典型的全局逼近网络，即对每一个输入/输出数据对，网络的所有参数都需要调整；由于二者的构造本质不同，径向基神经网络相比在函数逼近能力、分类能力和学习速度等方面均优于BP神经网络，所以将它应用于池塘水质预测会使用BP神经网络预测得到更好的效果。 

发明内容

基于文献3提供的径向基神经网络的基础上，为了能够克服文献1，2中不能体现池塘水质动态变化的特点和文献2中不能系统和更深一层挖掘各项水质因子影响关系的特点，本发明提出了一种全面，动态，智能的池塘水质预测模型，采用递推滚动预测的方法体现池塘水质之中不同时间段的水质动态影响，同时针对整体的池塘水质因子和单独的关键水质因子分别使用递推滚动式预测，在进行单独关键因子预测的过程中，为了能够更好的挖掘关键因子和其他因子之间的潜在关系和反馈机理，采用了系统动力学模型，系统性地分析了其之间的关系，从而更好地进行神经网络预测，同时针对整体和单独关键因子预测得到的两组水质因子的值，进行调整以更好的缩小其与现实值的误差。