CN110119165B - 一种水产养殖池塘溶解氧检测装置 - Google Patents
一种水产养殖池塘溶解氧检测装置 Download PDFInfo
- Publication number
- CN110119165B CN110119165B CN201910319291.3A CN201910319291A CN110119165B CN 110119165 B CN110119165 B CN 110119165B CN 201910319291 A CN201910319291 A CN 201910319291A CN 110119165 B CN110119165 B CN 110119165B
- Authority
- CN
- China
- Prior art keywords
- dissolved oxygen
- pond
- neural network
- input
- temperature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 title claims abstract description 292
- 229910052760 oxygen Inorganic materials 0.000 title claims abstract description 291
- 239000001301 oxygen Substances 0.000 title claims abstract description 291
- 238000001514 detection method Methods 0.000 title claims abstract description 65
- 238000009360 aquaculture Methods 0.000 title claims abstract description 45
- 244000144974 aquaculture Species 0.000 title claims abstract description 44
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 36
- 230000008859 change Effects 0.000 claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims description 108
- 230000004927 fusion Effects 0.000 claims description 40
- 230000000306 recurrent effect Effects 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 26
- 238000012937 correction Methods 0.000 claims description 24
- 241000251468 Actinopterygii Species 0.000 claims description 23
- 238000000354 decomposition reaction Methods 0.000 claims description 23
- 238000003062 neural network model Methods 0.000 claims description 23
- 238000012544 monitoring process Methods 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 11
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 24
- 238000013461 design Methods 0.000 description 20
- 230000006872 improvement Effects 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000012886 linear function Methods 0.000 description 3
- 238000005312 nonlinear dynamic Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006213 oxygenation reaction Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 241001597062 Channa argus Species 0.000 description 1
- 241000252230 Ctenopharyngodon idella Species 0.000 description 1
- 241000252233 Cyprinus carpio Species 0.000 description 1
- MYMOFIZGZYHOMD-UHFFFAOYSA-N Dioxygen Chemical compound O=O MYMOFIZGZYHOMD-UHFFFAOYSA-N 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241000252234 Hypophthalmichthys nobilis Species 0.000 description 1
- 241000238371 Sepiidae Species 0.000 description 1
- 241001125843 Trichiuridae Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- HDRXZJPWHTXQRI-BHDTVMLSSA-N diltiazem hydrochloride Chemical compound [Cl-].C1=CC(OC)=CC=C1[C@H]1[C@@H](OC(C)=O)C(=O)N(CC[NH+](C)C)C2=CC=CC=C2S1 HDRXZJPWHTXQRI-BHDTVMLSSA-N 0.000 description 1
- 229910001882 dioxygen Inorganic materials 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000000366 juvenile effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 150000002926 oxygen Chemical class 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D11/00—Control of flow ratio
- G05D11/02—Controlling ratio of two or more flows of fluid or fluent material
- G05D11/13—Controlling ratio of two or more flows of fluid or fluent material characterised by the use of electric means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Farming Of Fish And Shellfish (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种水产养殖池塘溶解氧检测装置，其特征在于：所述检测系统由基于无线传感器网络的水产养殖池塘环境水质参数采集平台和池塘溶解氧智能预警系统两部分组成；本发明有效解决了现有水产养殖池塘溶解氧没有根据池塘溶解氧变化的非线性、大滞后和养殖池塘面积大溶解氧变化复杂等特点，对水产池塘的溶解氧的进行检测，从而极大的影响水产养殖池塘溶解氧检测的问题。
Description
技术领域
本发明涉及农业养殖自动化装备的技术领域，具体涉及一种水产养殖池塘溶解氧检测装置。
背景技术
溶解氧是渔业水体的一项十分重要的水质指标,溶解氧是指溶解于水中的分子态氧，是水中生物和植物生存不可缺少的条件。它对水质和养殖生物的生长均有重要影响,及时掌握池塘水域溶解氧的动态变化规律,在池塘缺氧之前进行池塘溶解氧的事前预测是水产养殖生产中迫切需要解决的问题。由于水中的溶解氧浓度受水体温度和季节变化的影响,在淡水养殖中,水体加氧一般是根据经验,随意性较大,由于加氧不及时而造成养殖损失的现象时在发生。我国养殖的几种主要鱼类，在成鱼阶段可允许溶氧量为3mg/L以上；当溶氧量降低到2mg/L以下，会发生轻度浮头；降到0.8–0.6mg/L时，出现严重浮头；降到0.5–0.3mg/L时，鱼就会窒息而死。因此，有效地监测和控制水中溶氧量成为水产养殖亟需解决的问题。目前对池塘溶解氧多数采用定时、定点测量,对溶解氧动态变化的辨识主要基于养殖人员对池塘内养殖生物活动变化的观察来识别的。这种事后控制的方式常常会造成对养殖生物生长发育的不良影响。准确掌握水产养殖池塘溶解氧变化规律，对集约化水产养殖高效、高产、健康、安全的保障与水产养殖业可持续发展的实现具有重要意义。目前，为了克服温度对水质溶解氧的影响，国内外许多专家学者做了系列研究，在溶解氧测量方面，丁启胜等提出了一种溶解氧智能传感器补偿校正方法，对氧电极进行了温度补偿分析，所得结果较为满意；张广辉等对溶解氧传感器温度特性进行了研究和补偿，保证了溶解氧测量的准确性。在借鉴国内外相关研究的基础上，本专利分析了温度对溶解氧测量结果的影响，提出池塘溶解氧的温度补偿方法,旨在提高水产养殖池塘水质因子的测量精度。池塘溶解氧的预测是多变量、非线性、大时滞问题,国外有关于应用人工神经网络进行水产养殖预测的研究,国内也有人曾应用神经网络对池塘溶解氧进行预测。张广辉等溶氧传感器的温度特性研究及其补偿,曾文辉等设计水产养殖水质监测温度补偿系统，郭连喜等设计基于模糊神经网络的池塘溶解氧预测模型,溶解氧是池塘养殖环境非常关键的一个参数,能够精确地预报池塘溶解氧,为研制开发水产养殖环境智能水质检测仪以及工厂化养殖控制系统奠定了基础,对对水产养殖具有重要意义。
发明内容
本发明提供了一种水产养殖池塘溶解氧检测装置，本发明有效解决了现有水产养殖池塘溶解氧没有根据池塘溶解氧变化的非线性、大滞后和养殖池塘面积大溶解氧变化复杂等特点，对水产池塘的溶解氧的进行检测，从而极大的影响水产养殖池塘溶解氧检测的问题。
本发明通过以下技术方案实现：
一种水产养殖池塘溶解氧检测装置，基于无线传感器网络的水产养殖池塘环境水质参数采集平台和池塘溶解氧智能预警系统两部分组成，基于无线传感器网络的水产养殖池塘环境水质参数采集平台实现对池塘水产参数检测、溶解氧调节和监控，池塘溶解氧智能预警系统包括池塘溶解氧预测子系统、池塘温度预测子系统、池塘溶解氧校正模型和递归神经网络池塘溶解氧等级分类器四部分组成，提高池塘溶解氧检测精确度、可靠性和鲁棒性。
本发明进一步技术改进方案是：
基于无线传感器网络的水产养殖池塘环境水质参数采集平台由检测节点、控制节点和现场监控端组成，它们以自组织方式通过无线通信模块NRF2401构建成池塘水质参数采集与溶解氧智能预测平台。检测节点分别由传感器组模块、单片机MSP430和无线通信模块NRF2401组成，传感器组模块负责检测池塘溶解氧的溶解氧、温度、PH值和水位等水产养殖池塘水质参数，由单片机控制采样间隔并通过无线通信模块NRF2401发送给现场监控端；控制节点实现池塘溶解氧参数的调节设备进行控制；现场监控端由一台工业控制计算机组成，实现对检测节点检测池塘溶解氧参数进行管理和对池塘溶解氧进行预警。基于无线传感器网络的水产养殖池塘环境水质参数采集平台见图1所示。
本发明进一步技术改进方案是：
池塘溶解氧智能预警系统包括池塘溶解氧预测子系统、池塘温度预测子系统、池塘溶解氧校正模型和递归神经网络池塘溶解氧等级分类器四部分组成。池塘溶解氧智能预警系统结构见图2所示。
本发明进一步技术改进方案是：
池塘溶解氧预测子系统包括池塘溶解氧减法聚类分类器、多个小波分解模型、多组DRNN神经网络模型和递归神经网络池塘溶解氧预测融合模型；池塘多个检测点溶解氧值作为池塘溶解氧减法聚类分类器的输入，池塘溶解氧减法聚类分类器对池塘多个检测点溶解氧值进行分类，每种类型的池塘检测点溶解氧值作为各个小波分解模型的输入，每个小波分解模型的多个输出作为每组DRNN神经网络模型的输入，每组各个DRNN神经网络模型值等权重相加和得到每组DRNN神经网络模型的溶解氧融合预测值，每组DRNN神经网络模型的溶解氧融合预测值作为递归神经网络溶解氧预测融合模型的输入，递归神经网络溶解氧预测融合模型的输出值为池塘溶解氧预测子系统的溶解氧预测输出值。
本发明进一步技术改进方案是：
池塘温度预测子系统包括池塘温度减法聚类分类器、多个Elman神经网络温度预测模型和递归神经网络温度预测融合模型三部分组成；池塘多个检测点温度值作为池塘温度减法聚类分类器的输入，池塘温度减法聚类分类器对池塘多个检测点温度值进行分类，每种类型的池塘温度检测点温度值作为各个Elman神经网络温度预测模型的输入，每个Elman神经网络温度预测模型的温度预测值作为递归神经网络温度预测融合模型的输入，递归神经网络温度预测融合模型的输出值为池塘温度预测子系统的温度预测输出值。
本发明进一步技术改进方案是：
池塘溶解氧校正模型由4个微分算子和DRNN神经网络组成，4个微分算子平均分成2组，每组2个微分算子相串联分别构成微分回路1和微分回路2；池塘溶解氧预测子系统的输出为微分回路1的输入和DRNN神经网络的a端的输入，微分回路1的输出为DRNN神经网络的b端输入，微分回路1的2个微分算子的连接端的输出为DRNN神经网络的C端输入；池塘温度预测子模型的输出为微分回路2的输入和DRNN神经网络的F端输入，微分回路2的输出为DRNN神经网络的E端输入，微分回路2的2个微分算子的连接端的输出为DRNN神经网络的D端输入；DRNN神经网络由6个输入端节点分别为a、b、C、D、E和F，13个中间节点和1个输出端节点组成，微分算子在MATLAB中调用，池塘溶解氧校正模型实现对池塘温度对溶解氧影响变化的校正，反映了池塘温度的实际值变化对池塘溶解氧的影响大小，提高池塘溶解氧预测的精确度。
本发明进一步技术改进方案是：
递归神经网络池塘溶解氧等级分类器根据池塘溶解氧校正模型输出池塘溶解氧预测值的大小、对池塘溶解氧需求量大小不同的鱼生长阶段和鱼的种类为递归神经网络池塘溶解氧等级分类器的输入，递归神经网络池塘溶解氧等级分类器的输出把池塘溶解氧预测值大小满足不同种类鱼在不同生长阶段的需求分为池塘溶解氧太高、池塘溶解氧比较高、池塘溶解氧正好、池塘溶解氧低和池塘溶解氧太低五个池塘溶解氧等级。
本发明与现有技术相比，具有以下明显优点：
一、池塘溶解氧和温度减法聚类与其他聚类方法相比，不需要预先确定聚类数，仅根据池塘溶解氧和温度样本数据密度即可快速确定池塘溶解氧和温度聚类中心的位置和聚类数，把每一个池塘溶解氧和温度数据点作为一个潜在的聚类中心的特性，则克服了山峰聚类法计算量随着问题的维数按指数增长的不足，使得池塘溶解氧和温度聚类的结果与问题的维数无关。提高池塘溶解氧和温度分类的灵活性，根据池塘溶解氧和温度的分类结果分别输入池塘溶解氧的小波分解模型和温度预测模型，提高池塘溶解氧和温度预测的精确性和可靠性。
二、每个池塘溶解氧DRNN网络预测模型是一种具有反馈的动态回归神经网络和适应时变特性的能力，该网络能够更直接生动地反映池塘溶解氧动态变化性能，可以更加精确预测池塘溶解氧含量，每个DRNN网络3-7-1的3层网络结构，其隐层为回归层。
三、多个小波分析可以将池塘溶解氧数据序列信号分解到不同的分辨率空间中，这样处理后的效果是分解到各分辨率空间中的池塘溶解氧数据序列进行分别预测比池塘溶解氧原始数据序列简单并且预测池塘溶解氧含量更加精确。
四、本专利的递归神经网络HRFNN池塘溶解氧和温度预测融合模型，采用加入交叉验证的梯度下降算法对神经网络的权值进行训练。HRFNN通过在反馈环节引入内部变量，将规则层的输出量加权求和后再反模糊化输出作为反馈量，并将反馈量与隶属度函数层的输出量一起作为规则层的下一时刻的输入。网络输出包含规则层激活强度和输出的历史信息，增强了HRFNN适应非线性动态系统的能力，HRFNN可以准确地融合预测的池塘溶解氧和温度参数。
五、本发明所采用的Elman网络池塘温度预测模型，该模型的Elman神经网络一般分为4层:输入层、中间层(隐含层)、承接层和输出层,其输入层、隐含层和输出层的连接类似于前馈网络,输入层的单元仅起信号传输作用,输出层单元起线性加权作用。隐含层单元的传递函数可采用线性或非线性函数,承接层又称为上下文层或状态层,它用来记忆隐含层单元前一时刻的输出值,可以认为是一个一次延时算子。Elman型神经网络的特点是隐含层的输出通过承接层的延迟与存储,自联到隐含层的输入,这种自联方式使其对历史状态的数据具有敏感性,内部反馈网络的加入增加了网络本身处理动态信息的能力,从而达到了动态建模的目的。Elman型回归神经元网络的特点是隐层的输出通过结构单元的延迟、存储,自联到隐层的输入,这种自联方式使其对历史状态的数据具有敏感性,内部反馈网络的加入增加了网络本身处理动态信息的能力,有利于动态过程的建模；该模型利用关联层动态神经元的反馈连接,将未来预测网络和过去预测网络的信息进行融合,使网络对时间序列特征信息的记忆得到加强,从而提高池塘温度预测精度。
六、池塘溶解氧校正模型设计
池塘溶解氧校正模型由4个微分算子和DRNN神经网络组成，4个微分算子平均分成2组，每组2个微分算子相串联分别构成微分回路1和微分回路2；通过两组微分算子分别把池塘溶解氧和温度变化的一次变化率和二次变化率作为DRNN神经网络的输入不仅包括池塘的溶解氧和温度原始输入数据，还包括它们变化的一次变化率和二次变化率，DRNN神经网络的泛化能力得到提高，池塘溶解氧校正模型池塘溶解氧和温度的实际值变化以及它们的一次变化率和二次变化率对池塘溶解氧的影响大小实现对池塘温度对溶解氧影响变化的校正，提高池塘溶解氧预测的精确度。
七、递归神经网络池塘溶解氧等级分类器根据池塘溶解氧校正模型输出池塘溶解氧预测值的大小、对池塘溶解氧需求量大小不同的鱼生长阶段和鱼的种类为递归神经网络池塘溶解氧等级分类器的输入，递归神经网络池塘溶解氧等级分类器的输出把池塘溶解氧预测值大小满足不同种类鱼在不同生长阶段的需求分为池塘溶解氧太高、池塘溶解氧比较高、池塘溶解氧正好、池塘溶解氧低和池塘溶解氧太低五个池塘溶解氧等级。根据对池塘溶解氧需求量大小不同的鱼生长阶段和鱼的种类对池塘溶解氧进行分类，提高池塘溶解氧分类的准确性和科学性。
附图说明
图1为本发明基于无线传感器网络的水产养殖池塘环境水质参数采集平台；
图2为本发明池塘溶解氧智能预警系统；
图3为本发明检测节点功能图；
图4为本发明控制节点功能图；
图5为本发明现场监控端软件功能图；
图6为本发明池塘溶解氧参数采集平台平面布置图。
具体实施方式
结合附图1-6，对本发明技术方案作进一步描述：
1、系统总体功能的设计
本发明一种水产养殖池塘溶解氧检测装置实现对养殖池塘环境水质参数进行检测和根据水产养殖池塘鱼的种类的生长需要智能化预警池塘溶解氧，该装置由基于无线传感器网络的水产养殖池塘环境水质参数采集平台和池塘溶解氧智能预警系统两部分组成。基于无线传感器网络的水产养殖池塘环境水质参数采集平台包括池塘溶解氧参数的检测节点1和调节池塘溶解氧参数的控制节点2，它们以自组织方式构建成无线测控网络来实现检测节点1、控制节点2和现场监控端3之间的无线通信；检测节点1将检测的池塘水质参数发送给现场监控端3并对传感器数据进行初步处理；现场监控端3把控制信息传输到检测节点1和控制节点2。整个系统结构见图1所示。
2、检测节点的设计
采用大量基于无线传感器网络的检测节点1作为池塘环境水质参数感知终端，检测节点1和控制节点2通过自组织无线网络实现现场监控端3之间的信息相互交互。检测节点1包括采集池塘溶解氧溶解氧、温度、PH值和水位参数的传感器和对应的信号调理电路、MSP430微处理器和NRF2401无线传输模块；检测节点的软件主要实现无线通信和池塘溶环境水质参数的采集与预处理。软件采用C语言程序设计，兼容程度高，大大提高了软件设计开发的工作效率，增强了程序代码的可靠性、可读性和可移植性。检测节点结构见图3。
3、控制节点的设计
控制节点2在输出通路设计了4路D/A转换电路实现对溶解氧的调节输出量控制电路、MSP430微处理器和无线通信模块接口，实现对池塘溶解氧控制设备进行控制，控制节点见图4。
4、现场监控端软件
现场监控端3是一台工业控制计算机，现场监控端3主要实现对池塘水质参数进行采集、溶解氧预警和调节池塘溶解氧，实现与检测节点1与控制节点2的信息交互，现场监控端3主要功能为通信参数设置、数据分析与数据管理、预警池塘溶解氧和调节池塘溶解氧。该管理软件选择了Microsoft Visual++6.0作为开发工具，调用系统的Mscomm通信控件来设计通讯程序，现场监控端软件功能见图5。池塘溶解氧智能预警系统包括池塘溶解氧预测子系统、池塘温度预测子系统、池塘溶解氧校正模型和递归神经网络池塘溶解氧等级分类器四部分组成。池塘溶解氧智能预警系统的设计如下：
(1)、池塘溶解氧预测子系统设计
池塘溶解氧预测子系统包括池塘溶解氧减法聚类分类器、多个小波分解模型、多组DRNN神经网络模型和递归神经网络池塘溶解氧预测融合模型；池塘多个检测点溶解氧值作为池塘溶解氧减法聚类分类器的输入，池塘溶解氧减法聚类分类器对池塘多个检测点溶解氧值进行分类，每种类型的池塘检测点溶解氧值作为各个小波分解模型的输入，每个小波分解模型的多个输出作为每组DRNN神经网络模型的输入，每组DRNN神经网络模型的融合预测值作为递归神经网络溶解氧预测融合模型的输入，每组DRNN神经网络模型的融合预测值作为递归神经网络溶解氧预测融合模型的输入，递归神经网络溶解氧预测融合模型的输出值为池塘溶解氧预测子系统的溶解氧预测输出值。
A、池塘溶解氧减法聚类分类器
池塘溶解氧减法聚类与其他聚类方法相比，不需要预先确定聚类数，仅根据池塘溶解氧样本数据密度即可快速确定池塘溶解氧聚类中心的位置和聚类，而它把每一个池塘溶解氧数据点作为一个潜在的聚类中心的特性，则克服了山峰聚类法计算量随着问题的维数按指数增长的不足，使得池塘溶解氧聚类的结果与问题的维数无关。因此，池塘溶解氧减法聚类算法是一种适合基于池塘溶解氧数据建模的规则自动提取方法。设定m维空间中的N个池塘溶解氧数据点(X1,X2,…XN)，每个数据点Xi＝(xi,1,xi,1,…,xi,m)都是聚类中心的候选者，i＝1,2,…,N，数据点Xi的密度函数定义为：
式中，半径ra是一个正数，ra定义了该点的一个影响邻域，半径以外的数据点对该点的密度指标贡献非常小，一般忽略不计。计算每一点Xi的密度值，选择具有最高密度指标Dc1的数据点作为第一个聚类中心Xc1；然后修正密度值，消除前面已有聚类中心的影响。按下式修正密度值:
其中，Dc1是初始聚类中心对应的最高密度值，修正半径rb的设定是为了避免第二个聚类中心点离前一个中心点太近，一般设定为rb＝ηra,1.25≤η≤1.5。修正每个数据点的密度指标后，当Dck与Dc1满足下式时，该密度指标对应的聚类中心即为第K个聚类中心。不断重复这个过程，直到新的聚类中心Xck的相应的密度指标Dck与Dc1满足下式时终止聚类:
Dck/Dc1＜δ (3)
式中，δ是根据实际情况提前设定的阈值。
本发明提出的在线聚类方法基本思想如下:如果一个池塘溶解氧点到一个组的中心的距离小于聚类半径ra，那么该点属于此组，当获得新的数据时，组和组的中心做相应的变化。随着输入池塘溶解氧空间数据的不断增加，本发明算法通过实时动态的调整池塘溶解氧聚类中心与聚类个数获得更好的输入空间划分，步骤如下：
步骤1：数据归一化处理，输入数据各维聚类半径ra及阈值δ等参数设定。
步骤2：由池塘溶解氧数据集进行减法聚类得到c个聚类中心并存储vi(i＝1,2,…,c)及其对应的密度值D(vi)。
步骤3当新增的在线池塘溶解氧数据集中的第k个数据到来时，计算xk(k＝1,2,…,M)到i个聚类中心vi的距离dki＝||xk-vi||，若dki＞ra，转到步骤4；若dki≤ra，转到步骤5。
步骤4由式(2)计算xk的密度值D(xk)，并且D(xk)＞ε，则说明池塘溶解氧数据xk不属于任何一个已有的聚类，则新创建一个聚类，输入空间的聚类个数c＝c+1，返回步骤3。
步骤5根据最小距离准则确定数据点xk属于最近的聚类子集，进一步比较新数据xk的密度值与聚类中心的密度值，如果D(xk)＞D(vi)，则数据xk更靠近其最近的聚类中心，xk取代原聚类中心作为该子集的新聚类中心；如果D(xk)≤D(vi)，则保持聚类结果不改变，判断新增数据组是否结束。如果结束，则转到步骤6；否则，返回步骤3.。
步骤6计算聚类中心vi与vj之间的距离，如果min||vi-vj||≤(0.5-0.7)ra，且D(vi)＞D(vj)，则说明聚类子集vi与vj可以合并为一个聚类，该聚类中心为vi；否则保持聚类结果不变。
B、多个小波分解模型
池塘溶解氧减法聚类根据池塘溶解氧的特点分成多个种类，每种池塘溶解氧作为对应的小波分解模型的输入，每个对应的小波分解模型把对应种类的池塘溶解氧分成低频分量和多个高频分量，每组低频分量和高频分量分别作为每组DRNN神经网络模型的输入，来提高池塘溶解氧预测精确度。本发明专利用小波分析方法对池塘溶解氧的时间序列检测进行分解，对分解后的各层信息进行自相关和互相关分析；小波分解过程中对信号做了平滑处理，因此，分析经过小波处理后的数据要容易很多。根据各层信号分析后的特点分别建立相应的DRNN神经网络预测模型来预测池塘溶解氧含量，最后将各层预测结果进行等权重相加重构，得出各类池塘溶解氧基于池塘溶解氧原始数据的池塘溶解氧预测值。多个小波多分辨率分解过程一般采用Mallat算法，该算法的分解关系表示如下:
式(4)中h0、h1分别为低通分解滤波器和高通分解滤波器。mp、np分别是分辨率为2-p下的低频系数和高频系数。该算法重构关系如下:
式(5)中g0、g1分别为低通重构滤波器和高通重构滤波器。Ap、Dp分别是分辨率2-p下的低频分量和高频分量。Mallat算法将每一层分解后的低频信号部分再次分解成高频和低频，这样进行层层分解。原始信号X进行p层分解后得到的结果为:
X＝D1+D2+…Dp+Ap (6)
式(6)中Ap为第p层分解后的低频信号部分，Dp为第p层分解后的高频部分。多个小波分析可以将池塘溶解氧数据序列信号分解到不同的分辨率空间中，这样处理后的效果是分解到各分辨率空间中的池塘溶解氧数据序列比池塘溶解氧原始数据序列简单并且预测池塘溶解氧含量更加精确。
C、多组DRNN神经网络模型
每个DRNN网络预测模型是一种具有反馈的动态回归神经网络和适应时变特性的能力，该网络能够更直接生动地反映池塘溶解氧动态变化性能，可以更加精确预测池塘溶解氧含量，每个DRNN网络3-7-1的3层网络结构，其隐层为回归层。在本发明DRNN神经网络模型中，设I＝[I1(t),I2(t),…,In(t)]为网络输入向量，其中Ii (t)为池塘溶解氧预测模型DRNN网络输入层第i个神经元t时刻的输入，回归层第j个神经元的输出为Xj (t)，Sj (t)为第j个回归神经元输入总和，f(·)为S的函数，则O(t)为DRNN网络的输出。则DRNN网络预测模型的输出层输出为：
各个小波分解模型把每类池塘溶解氧分解为低频趋势部分和多个高频波动部分作为每组DRNN网络预测模型的输入，每组DRNN神经网络模型实现对每类池塘溶解氧的预测，每组各个DRNN神经网络模型输出等权重累加和为每组DRNN神经网络模型的溶解氧融合预测值。
D、递归神经网络池塘溶解氧预测融合模型
递归神经网络(HRFNN)池塘溶解氧预测融合模型的输入是多组DRNN神经网络模型的输出，递归神经网络(HRFNN)池塘溶解氧预测融合模型的输出为多组DRNN神经网络模型输出的融合值。递归神经网络(HRFNN)池塘溶解氧预测融合模型是多输入单输出的网络拓扑结构，网络由4层组成：输入层、成员函数层、规则层和输出层。网络包含n个输入节点，其中每个输入节点对应m个条件节点，m代表规则数，nm个规则节点，1个输出节点。第Ⅰ层将输入引入网络；第Ⅱ层将输入模糊化，采用的隶属函数为高斯函数；第Ⅲ层对应模糊推理；第Ⅳ层对应去模糊化操作。用
分别代表第k层的第i个节点的输入和输出，则网络内部的信号传递过程和各层之间的输入输出关系可以描述如下。第Ⅰ层：输入层，该层的各输入节点直接与输入变量相连接，网络的输入和输出表示为：
式中
和
为网络输入层第i个节点的输入和输出，N表示迭代的次数。第Ⅱ层：成员函数层，该层的节点将输入变量进行模糊化，每一个节点代表一个隶属函数，采用高斯基函数作为隶属函数，网络的输入和输出表示为：
式中mij和σij分别表示第Ⅱ层第i个语言变量的第j项高斯基函数的均值中心和宽度值，m为对应输入节点的全部语言变量数。第Ⅲ层：模糊推理层，即规则层，加入动态反馈，使网络具有更好的学习效率，反馈环节引入内部变量hk，选用sigmoid函数作为反馈环节内部变量的激活函数。网络的输入和输出表示为：
式中ωjk是递归部分的连接权值，该层的神经元代表了模糊逻辑规则的前件部分，该层节点对第二层的输出量和第三层的反馈量进行Π操作，
是第三层的输出量，m表示完全连接时的规则数。反馈环节主要是计算内部变量的值和内部变量相应隶属函数的激活强度。该激活强度与第3层的规则节点匹配度相关。反馈环节引入的内部变量，包含两种类型的节点：承接节点，反馈节点。承接节点，使用加权求和来计算内部变量，实现去模糊化的功能；内部变量表示的隐藏规则的模糊推理的结果。反馈节点，采用sigmoid函数作为模糊隶属度函数，实现内部变量的模糊化。第Ⅳ层：去模糊化层，即输出层。该层节点对输入量进行求和操作。网络的输入和输出表示为：
公式中λj是输出层的连接权值。递归神经网络具有逼近高度非线性动态系统的性能，加入内部变量的递归神经网络的训练误差和测试误差分别为明显减少，本专利的递归神经网络HRFNN池塘溶解氧预测融合模型，并采用加入交叉验证的梯度下降算法对神经网络的权值进行训练。HRFNN通过在反馈环节引入内部变量，将规则层的输出量加权求和后再反模糊化输出作为反馈量，并将反馈量与隶属度函数层的输出量一起作为规则层的下一时刻的输入。网络输出包含规则层激活强度和输出的历史信息，增强了HRFNN适应非线性动态系统的能力，HRFNN可以准确地融合预测的池塘溶解氧参数。
(2)、池塘温度预测子系统设计
池塘温度预测子系统包括池塘温度减法聚类分类器、多个Elman神经网络温度预测模型和递归神经网络温度预测融合模型三部分组成；池塘多个检测点温度值作为池塘温度减法聚类分类器的输入，池塘温度减法聚类分类器对池塘多个检测点温度值进行分类，每种类型的池塘温度检测点温度值作为各个Elman神经网络温度预测模型的输入，每个Elman神经网络温度预测模型的温度预测值作为递归神经网络温度预测融合模型的输入，递归神经网络温度预测融合模型的输出值为池塘温度预测子系统的温度预测输出值。
A、池塘温度减法聚类分类器
池塘温度减法聚类分类器实现对池塘多个检测点的温度进行分类，池塘温度减法聚类分类器的输入为池塘多个温度检测点值，输出为对多个温度检测点值进行分类。池塘温度减法聚类分类器的设计方法可以参照池塘溶解氧减法聚类分类器设计方法。
B、多个Elman神经网络温度预测模型
多个Elman神经网络温度预测模型输入池塘多类温度原始参数值来预测每种类型池塘温度原始参数的未来值，每个Elman神经网络温度预测模型可以看作是一个具有局部记忆单元和局部反馈连接的前向神经网络。除了隐层外,还有一个特别的关联层；关联层从隐层接收反馈信号,每一个隐层节点都有一个与之对应的关联层节点连接。关联层将上一时刻的隐层状态连同当前时刻的网络输入一起作为隐层的输入,相当于状态反馈。隐层的传递函数一般为Sigmoid函数,输出层为线性函数,关联层也为线性函数。为了有效地解决池塘温度预测中的逼近精度问题,增强关联层的作用,设计一种改进的Elman网络温度预测模型。设Elman神经网络温度预测模型的输入层、输出层、隐层的个数分别为m,n和r；w1，w2，w3和w4分别表示结构层单元到隐层、输入层到隐层、隐层到输出层、结构层到输出层的连接权矩阵,则Elman神经网络温度预测模型隐含层、关联层和输出层的表达式分别为:
cp(k)＝xp(k-1) (13)
本专利每个Elman神经网络温度预测模型的输入层、输出层、隐层的个数分别为5,1和11，该模型的输入为池塘温度的历史参数，输出为池塘每种类型温度参数的预测值，实现对池塘温度的分类预测，提高预测精确度。
C、递归神经网络温度预测融合模型
递归神经网络温度预测融合模型输入为多个Elman神经网络温度预测模型的输出，递归神经网络温度预测融合模型输出为多个Elman神经网络温度预测模型输出的融合值，递归神经网络温度预测融合模型的设计方法参照本专利的递归神经网络池塘溶解氧预测融合模型设计方法。
(3)、池塘溶解氧校正模型设计
池塘溶解氧校正模型由4个微分算子和DRNN神经网络组成，4个微分算子平均分成2组，每组2个微分算子相串联分别构成微分回路1和微分回路2；池塘溶解氧预测子系统的输出为微分回路1的输入和DRNN神经网络的a端的输入，微分回路1的输出为DRNN神经网络的b端输入，微分回路1的2个微分算子的连接端的输出为DRNN神经网络的C端输入；池塘温度预测子模型的输出为微分回路2的输入和DRNN神经网络的F端输入，微分回路2的输出为DRNN神经网络的E端输入，微分回路2的2个微分算子的连接端的输出为DRNN神经网络的D端输入；DRNN神经网络由6个输入端节点分别为a、b、C、D、E和F，13个中间节点和1个输出端节点组成，微分算子在MATLAB中调用，池塘溶解氧校正模型实现对池塘温度对溶解氧影响变化的校正，反映了池塘温度的实际值变化对池塘溶解氧的影响大小，提高池塘溶解氧预测的精确度。DRNN神经网络的设计可以参照本专利的多组DRNN神经网络模型设计方法。
(4)、递归神经网络池塘溶解氧等级分类器设计
递归神经网络池塘溶解氧等级分类器根据池塘溶解氧校正模型输出池塘溶解氧预测值的大小、对池塘溶解氧需求量大小不同的鱼生长阶段和鱼的种类为递归神经网络池塘溶解氧等级分类器的输入，递归神经网络池塘溶解氧等级分类器的输出把池塘溶解氧预测值大小满足不同种类鱼在不同生长阶段的需求分为池塘溶解氧太高、池塘溶解氧比较高、池塘溶解氧正好、池塘溶解氧低和池塘溶解氧太低五个池塘溶解氧等级。递归神经网络池塘溶解氧等级分类器的设计方法参照本专利的递归神经网络池塘溶解氧预测融合模型的设计方法。鱼的生长阶段，胚胎期为1，仔鱼为2，苗鱼为3，幼鱼为4，成鱼为5等根据不同生长阶段量化为不同的数字；草鱼为1，带鱼为2，鲢鱼为3，黑鱼为4，墨鱼为5，鲤鱼为6等根据鱼的不同种类量化为不同的数值。递归神经网络池塘溶解氧等级分类器的输出大小[1-0.8)为池塘溶解氧太高，[0.8-0.6)为池塘溶解氧比较高,[0.6-0.4)为池塘溶解氧正好,[0.4-0.2)为池塘溶解氧低,[0.2-0.0]为池塘溶解氧太低。
5、水产养殖池塘溶解氧检测装置的设计举例
根据池塘环境水质参数的状况，该装置布置了检测节点1和控制节点2和现场监控端3的平面布置安装图，其中检测节点1均衡布置在被检测池塘溶解氧中，整个系统平面布置见图6，通过该系统实现对池塘水质参数的采集与池塘溶解氧预警和调节。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (5)
1.一种水产养殖池塘溶解氧检测装置，其特征在于：检测系统由基于无线传感器网络的水产养殖池塘环境水质参数采集平台和池塘溶解氧智能预警系统两部分组成；池塘溶解氧智能预警系统由池塘溶解氧预测子系统、池塘温度预测子系统、池塘溶解氧校正模型和递归神经网络池塘溶解氧等级分类器四部分组成；
所述池塘溶解氧预测子系统包括池塘溶解氧减法聚类分类器、多个小波分解模型、多组DRNN神经网络模型和递归神经网络池塘溶解氧预测融合模型；池塘多个检测点溶解氧值作为池塘溶解氧减法聚类分类器的输入，池塘溶解氧减法聚类分类器对池塘多个检测点溶解氧值进行分类，每种类型的池塘检测点溶解氧值作为各个小波分解模型的输入，每个小波分解模型的多个输出作为每组DRNN神经网络模型的输入，每组各个DRNN神经网络模型值等权重相加和得到每组DRNN神经网络模型的溶解氧融合预测值，每组DRNN神经网络模型的溶解氧融合预测值作为递归神经网络溶解氧预测融合模型的输入，递归神经网络溶解氧预测融合模型的输出值为池塘溶解氧预测子系统的溶解氧预测输出值；
所述池塘温度预测子系统包括池塘温度减法聚类分类器、多个Elman神经网络温度预测模型和递归神经网络温度预测融合模型三部分组成；池塘多个检测点温度值作为池塘温度减法聚类分类器的输入，池塘温度减法聚类分类器对池塘多个检测点温度值进行分类，每种类型的池塘温度检测点温度值作为各个Elman神经网络温度预测模型的输入，每个Elman神经网络温度预测模型的温度预测值作为递归神经网络温度预测融合模型的输入，递归神经网络温度预测融合模型的输出值为池塘温度预测子系统的温度预测输出值；
所述池塘溶解氧校正模型由4个微分算子和DRNN神经网络组成， 4个微分算子平均分成2组，每组2个微分算子相串联分别构成微分回路1和微分回路2；池塘溶解氧预测子系统的输出为微分回路1的输入和DRNN神经网络的a端的输入，微分回路1的输出为DRNN神经网络的b端输入，微分回路1的2个微分算子的连接端的输出为DRNN神经网络的C端输入；池塘温度预测子模型的输出为微分回路2的输入和DRNN神经网络的F端输入，微分回路2的输出为DRNN神经网络的E端输入，微分回路2的2个微分算子的连接端的输出为DRNN神经网络的D端输入；DRNN神经网络由6个输入端节点分别为a、b、C、D、E和F，13个中间节点和1个输出端节点组成，池塘溶解氧校正模型实现对池塘温度对溶解氧影响变化的校正，反映了池塘温度的实际值变化对池塘溶解氧的影响大小；
所述递归神经网络池塘溶解氧等级分类器根据池塘溶解氧校正模型输出池塘溶解氧预测值的大小、对池塘溶解氧需求量大小不同的鱼生长阶段和鱼的种类为递归神经网络池塘溶解氧等级分类器的输入，递归神经网络池塘溶解氧等级分类器的输出把池塘溶解氧预测值大小满足不同种类鱼在不同生长阶段的需求分为池塘溶解氧太高、池塘溶解氧比较高、池塘溶解氧正好、池塘溶解氧低和池塘溶解氧太低五个池塘溶解氧等级。
2.根据权利要求1所述的一种水产养殖池塘溶解氧检测装置，其特征在于：所述基于无线传感器网络的水产养殖池塘环境水质参数采集平台由检测节点、控制节点和现场监控端组成，以自组织方式通过无线通信模块NRF2401构建成池塘水质参数采集与溶解氧智能预测平台，实现对池塘水产参数检测、溶解氧调节和监控。
3.根据权利要求2所述的一种水产养殖池塘溶解氧检测装置，其特征在于：所述检测节点分别由传感器组模块、单片机MSP430和无线通信模块NRF2401组成，传感器组模块负责检测池塘溶解氧的溶解氧、温度、PH值和水位水产养殖池塘水质参数，由单片机控制采样间隔并通过无线通信模块NRF2401发送给现场监控端。
4.根据权利要求2所述的一种水产养殖池塘溶解氧检测装置，其特征在于：所述控制节点实现池塘溶解氧参数的调节设备进行控制。
5.根据权利要求2所述的一种水产养殖池塘溶解氧检测装置，其特征在于：所述现场监控端由一台工业控制计算机组成，实现对检测节点检测池塘溶解氧参数进行管理和对池塘溶解氧进行预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910319291.3A CN110119165B (zh) | 2019-04-19 | 2019-04-19 | 一种水产养殖池塘溶解氧检测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910319291.3A CN110119165B (zh) | 2019-04-19 | 2019-04-19 | 一种水产养殖池塘溶解氧检测装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110119165A CN110119165A (zh) | 2019-08-13 |
| CN110119165B true CN110119165B (zh) | 2021-12-17 |
Family
ID=67521180
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910319291.3A Active CN110119165B (zh) | 2019-04-19 | 2019-04-19 | 一种水产养殖池塘溶解氧检测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110119165B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111507295B (zh) * | 2020-04-23 | 2023-03-07 | 广西壮族自治区水产科学研究院 | 一种水产养殖管理系统 |
| CN113218598B (zh) * | 2021-05-07 | 2022-06-03 | 淮阴工学院 | 一种气密性检测系统 |
| CN113281465A (zh) * | 2021-05-07 | 2021-08-20 | 淮阴工学院 | 一种畜禽舍养殖环境有害气体检测系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU3173700A (en) * | 1999-03-05 | 2000-09-28 | Marconi Applied Technologies Limited | Chemical sensor systems |
| CN103218669A (zh) * | 2013-03-19 | 2013-07-24 | 中山大学 | 一种智能的活鱼养殖水质综合预测方法 |
| CN103336503A (zh) * | 2013-06-24 | 2013-10-02 | 马从国 | 水产养殖池塘溶解氧控制系统 |
| CN106168813A (zh) * | 2016-08-22 | 2016-11-30 | 淮阴工学院 | 一种无线传感器网络的养殖池塘溶解氧控制系统 |
| CN107085732A (zh) * | 2017-05-12 | 2017-08-22 | 淮阴工学院 | 基于无线传感器网络的牛舍环境氨气智能监测系统 |
| CN108280517A (zh) * | 2018-03-23 | 2018-07-13 | 佛山科学技术学院 | 一种远程的水产养殖水体质量监测系统 |
| CN108694474A (zh) * | 2018-06-26 | 2018-10-23 | 青岛盛景电子科技有限公司 | 基于粒子群的模糊神经网络池塘溶解氧预测 |
| CN110045771A (zh) * | 2019-04-19 | 2019-07-23 | 淮阴工学院 | 一种鱼塘水质智能监测系统 |
| CN110109193A (zh) * | 2019-04-19 | 2019-08-09 | 淮阴工学院 | 一种基于drnn神经网络的茄子温室温度智能化检测装置 |
-
2019
- 2019-04-19 CN CN201910319291.3A patent/CN110119165B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU3173700A (en) * | 1999-03-05 | 2000-09-28 | Marconi Applied Technologies Limited | Chemical sensor systems |
| CN103218669A (zh) * | 2013-03-19 | 2013-07-24 | 中山大学 | 一种智能的活鱼养殖水质综合预测方法 |
| CN103336503A (zh) * | 2013-06-24 | 2013-10-02 | 马从国 | 水产养殖池塘溶解氧控制系统 |
| CN106168813A (zh) * | 2016-08-22 | 2016-11-30 | 淮阴工学院 | 一种无线传感器网络的养殖池塘溶解氧控制系统 |
| CN107085732A (zh) * | 2017-05-12 | 2017-08-22 | 淮阴工学院 | 基于无线传感器网络的牛舍环境氨气智能监测系统 |
| CN108280517A (zh) * | 2018-03-23 | 2018-07-13 | 佛山科学技术学院 | 一种远程的水产养殖水体质量监测系统 |
| CN108694474A (zh) * | 2018-06-26 | 2018-10-23 | 青岛盛景电子科技有限公司 | 基于粒子群的模糊神经网络池塘溶解氧预测 |
| CN110045771A (zh) * | 2019-04-19 | 2019-07-23 | 淮阴工学院 | 一种鱼塘水质智能监测系统 |
| CN110109193A (zh) * | 2019-04-19 | 2019-08-09 | 淮阴工学院 | 一种基于drnn神经网络的茄子温室温度智能化检测装置 |
Non-Patent Citations (4)
| Title |
|---|
| Prediction of dissolved oxygen in pond culture water based on K-means clustering and gated recurrent unit neural network;XinkaiCao;《Aquacultural Engineering》;20201130;第91卷;全文 * |
| 基于K_means聚类和ELM神经网络的养殖水质溶解氧预测;宦娟;《农业工程学报》;20160930;第32卷(第17期);全文 * |
| 基于无线传感器网络的水产养殖池塘溶解氧智能监控系统;马从国;《农业工程学报》;20150430;第31卷(第7期);全文 * |
| 数据融合技术在环境监测网络中的应用与思考;郑淏;《中国环境监测》;20181031;第34卷(第5期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110119165A (zh) | 2019-08-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110109193B (zh) | 一种基于drnn神经网络的茄子温室温度智能化检测装置 | |
| Ren et al. | A method for predicting dissolved oxygen in aquaculture water in an aquaponics system | |
| Wu et al. | Development of an adaptive neural-based fuzzy inference system for feeding decision-making assessment in silver perch (Bidyanus bidyanus) culture | |
| CN110084417B (zh) | 一种基于grnn神经网络的草莓温室环境参数智能监测系统 | |
| CN110119086B (zh) | 一种基于anfis神经网络的番茄温室环境参数智能监测装置 | |
| CN110119165B (zh) | 一种水产养殖池塘溶解氧检测装置 | |
| CN110119766B (zh) | 一种多组合智能化模型的青椒温室温度智能化预警装置 | |
| JP2605505B2 (ja) | プロセス運転支援ルール獲得システム、プロセス運転支援システム、プロセス運転制御システム及びプロセス運転支援ルール獲得方法 | |
| CN113281465A (zh) | 一种畜禽舍养殖环境有害气体检测系统 | |
| CN116029435B (zh) | 一种生猪设施养殖环境舒适度预警系统 | |
| CN110045771B (zh) | 一种鱼塘水质智能监测系统 | |
| CN110163254B (zh) | 一种基于递归神经网络的黄瓜温室产量智能化预测装置 | |
| CN114169638A (zh) | 一种水质预测方法及装置 | |
| CN107290481B (zh) | 一种基于无线传感器网络的牛舍环境氨气智能检测系统 | |
| CN116884523B (zh) | 一种海洋牧场水质多参数预测方法 | |
| CN105701280B (zh) | 南美白对虾围塘养殖水质预测方法 | |
| CN113301127A (zh) | 一种牲畜饲料检测系统 | |
| CN112881601A (zh) | 一种基于云平台的水分检测系统 | |
| CN117311151A (zh) | 一种基于lstm神经网络预测模糊控制的碳源投放模型 | |
| CN101995891A (zh) | 一种芳香酸生产中母固料回收系统水分在线分析方法 | |
| Han et al. | Filter transfer learning algorithm for missing data imputation in wastewater treatment process | |
| CN116502903A (zh) | 基于层次分析法的底播扇贝养殖区选址适宜性评价方法 | |
| CN115147000A (zh) | 基于变量选取优化和ahp的蛋鸡舍环境适宜度评价方法 | |
| CN110009132A (zh) | 一种基于lstm深度神经网络的短期电力负荷精细化预测方法 | |
| CN105527398A (zh) | 一种凡纳滨对虾养殖池塘水质的评价方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230614 Address after: 230000 B-1015, wo Yuan Garden, 81 Ganquan Road, Shushan District, Hefei, Anhui. Patentee after: HEFEI MINGLONG ELECTRONIC TECHNOLOGY Co.,Ltd. Address before: 223005 Jiangsu Huaian economic and Technological Development Zone, 1 East Road. Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY Effective date of registration: 20230614 Address after: 524300 Diaoshen Village, Lemin Town, Suixi County, Zhanjiang City, Guangdong Province Patentee after: Suixi xinhaimao Aquatic Seed Industry Technology Co.,Ltd. Address before: 230000 B-1015, wo Yuan Garden, 81 Ganquan Road, Shushan District, Hefei, Anhui. Patentee before: HEFEI MINGLONG ELECTRONIC TECHNOLOGY Co.,Ltd. |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A dissolved oxygen detection device for aquaculture ponds Effective date of registration: 20231103 Granted publication date: 20211217 Pledgee: Guangdong Suixi Rural Commercial Bank Co.,Ltd. Hetou Branch Pledgor: Suixi xinhaimao Aquatic Seed Industry Technology Co.,Ltd. Registration number: Y2023980064140 |