基于神经网络的水产养殖水质预测模型研究

水产养殖池塘是一个多变量、非线性和大时延系统,很难用传统方法建立水质预测的精确模型。神经网络具有良好的非线性函数逼近能力,非常适合处理水质预测等复杂问题。利用BP神经网络模型,通过自适应的动态学习方法和模型优化,采用MATLAB神经网络工具箱建立了水产养殖水环境因子pH值预测模型。在预测模型中输入测试样本,将预测结果与实测值进行比较,平均相对误差小于1%。结果表明,所构建的基于自适应BP算法的水产养殖水质预测模型具有良好的精确性和准确性,能有效地预测养殖池塘的水质状况。

一种低功耗水产养殖水质监测系统设计方法

为解决现有水产养殖水质监测系统功耗高、节点能量有限的问题,设计了一款低功耗水产养殖水质监测系统。对于无线检测节点,主要采用周期自适应调节算法减少数据发送次数和发射功率自适应调节算法降低功耗;对于检测网关,主要采用NB-Io T技术降低无线传输功耗和搭载FreeRTOS实时操作系统提高CPU利用率的方式降低功耗。试验测得:在不丢失重要变化数据的条件下,采用周期自适应调节算法与采用固定周期15 min和30 min相比,数据发送次数分别减少了140%和20%;在满足系统要求丢包率的条件下,采用功率自适应调节算法的节点要比采用固定发射功率4 d Bm的节点功耗降低9.5%~42.5%。研究表明,本系统具有功耗低、稳定性高、远程控制灵敏的特点,具有较高的应用价值。

基于APSO-WLSSVR的水质预测模型

为解决传统预测方法和标准最小二乘支持向量回归机(least squares support vector regression,LSSVR)在水质预测中存在预测精度低、鲁棒性差等问题,提出了自适应粒子群优化加权最小二乘支持向量回归机(adaptiveparticle swarm optimization weighted least squares support vector regression,APSO-WLSSVR)的水质预测模型。根据样本对模型重要性不同为各样本赋予不同权重,建立了加权最小二乘支持向量回归机(weighted least squaressupport vector regression,WLSSVR),实现对样本数据"重近轻远"的优化选择,避免标准LSSVR算法因没有考虑样本重要性差异致使预测精度低的问题;采用自适应粒子群优化算法对模型参数组合进行优化选择,克服了标准LSSVR算法因试凑法获取参数的盲目性和人为因素的影响。为验证该模型的性能,对江苏省宜兴市集约化河蟹养殖水质进行预测,并与其他预测方法对比分析,结果表明该模型预测精度明显提高,还具有较好的鲁棒性和泛化能力,能够满足集约化水产养殖水质管理的实际需要。