基于模糊神经网络的水产养殖及运输环境预警研究

【摘要】：随着水产养殖业的发展,水产养殖产量逐年增加,水产养殖业信息化程度逐年提高。水产养殖业迅速发展的同时也面临着一系列亟需解决的问题,如水产养殖造成的水体污染、管理者对养殖水质调控滞后、水产品运输环境监测技术不完善等,造成的经济损失不容忽视。因此,根据养殖需要,探索适用于水产养殖业的环境预测模型,搭建满足实际需求的养殖及运输环境预警系统,对水产养殖业的可持续发展有着重要的理论和现实意义。结合水产养殖及运输环境涉及参数的具体特性,在现有关于水产养殖水质参数预测的研究基础上,分析对比国内外相关领域研究现状,总结出现阶段关于水产养殖及运输环境预警研究存在的问题。发现虽然预测种类方法多种多样,但是大部分研究只停留在环境参数预测的理论研究、仿真模拟阶段,并未建立具体的、适用于水产养殖及运输环境的预警系统,实用价值低,不能满足实际应用。针对现阶段水产养殖及运输环境预警研究存在的问题,结合“基于物联网技术的水产品溯源与安全预警平台建设及应用示范”项目需求,在已有研究基础之上,发展以人工神经网络为主要技术手段的水产养殖及运输环境参数预测模型。在人工神经网络的基础上加入模糊理论,建立基于模糊神经网络的水产养殖及运输环境预测模型,在现有水产养殖信息管理平台的基础之上设计并实现水产养殖及运输环境预警系统。本文进行的主要工作如下:(1)通过分析国内外对环境参数预测方法,发现现阶段针对环境预测的主要方法有:时间序列法、支持向量机、组合预测法、人工神经网络等。主要应用在污水处理效果预测、自然水体污染预测、空气污染物预测领域。针对水产养殖领域,人工神经网络在预测溶解氧、氨氮、pH值等重要水质参数方面已有较多研究探索,但是针对水产品运输环境预测则涉及较少,未建立相应的预警系统。经过对现有环境预测方法的分析对比,结合已有的研究成果,本文选取适合水产养殖及运输环境数据预测的神经网络预测法作为主要技术手段,针对不同类型的人工神经网络对水质预测的研究现状,选取适合做时间序列预测的递归型神经网络(NARX模型)作为数据预测的理论模型。(2)阐述NARX模型的基本原理与网络结构,分析NARX模型相对于其他回归型神经网络更适合做时间序预测的原因。基于神经网络存在的一些问题,如隐层数量无法确定,参数设置凭借经验给出的缺点,加入模糊理论(T-S模型),利用T-S模糊模型对知识系统和专家经验的利用优势,建立基于T-S模糊NARX模糊神经网络(TSNN)。在TSNN网络基础上使用PCA主成分分析法对网络输入参数进行优化,减少输入层输入节点的数量。基于PCA优化的T-S模糊NARX神经网络的网络结构(PCA-TSNN)具有更精简的网络结构,重新设计网络训练流程。(3)为了验证PCA-TSNN模型的有效性,以水产养殖中的溶解氧为例,分别进行了NARX,TSNN,PCA-TSNN对养殖水溶解氧含量在短期(48小时)的预测实验,并做了上述三种网络的预测性能对比。仿真结果显示,PCA-TSNN模型有更高的预测精度。同时,在水产养殖信息管理平台的基础上,增加水产养殖与运输环境预警系统,包括水产养殖水质预警系统与水产品运输环境预警系统两个子系统。水质预警系统实时展示温度、溶解氧、氧化还原电位等重要参数,各项水质参数2小时与24小时之内的变化趋势;运输环境预警系统展示运输环境关键参数,包括温度、湿度、氧气、二氧化碳四项,与相应2小时内的变化趋势。经过预警系统的实际应用测试,该预警系统实时监测功能运行良好,较准确的完成数据的实时展示工作;预警系统的在线学习预测功能运行正常,实现动态的更新预测目标参数的变化趋势。实践证明,基于模糊神经网络水产养殖及运输环境预警系统具有较好的实用价值,能够为水产养殖管理者提供有效的预警信息,帮助管理者做出科学的决策。