CN108647831A - 一种多源信息融合的水产养殖环境中氨氮/亚硝酸盐含量预测***及方法 - Google Patents
一种多源信息融合的水产养殖环境中氨氮/亚硝酸盐含量预测***及方法 Download PDFInfo
- Publication number
- CN108647831A CN108647831A CN201810466169.4A CN201810466169A CN108647831A CN 108647831 A CN108647831 A CN 108647831A CN 201810466169 A CN201810466169 A CN 201810466169A CN 108647831 A CN108647831 A CN 108647831A
- Authority
- CN
- China
- Prior art keywords
- data
- nitrite
- ammonia nitrogen
- module
- content
- 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.)
- Granted
Links
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 title claims abstract description 89
- IOVCWXUNBOPUCH-UHFFFAOYSA-M Nitrite anion Chemical compound [O-]N=O IOVCWXUNBOPUCH-UHFFFAOYSA-M 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000004927 fusion Effects 0.000 title claims abstract description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 103
- 230000005540 biological transmission Effects 0.000 claims abstract description 52
- 238000007405 data analysis Methods 0.000 claims abstract description 35
- 238000009395 breeding Methods 0.000 claims abstract description 11
- 230000001488 breeding effect Effects 0.000 claims abstract description 11
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 77
- 239000001301 oxygen Substances 0.000 claims description 77
- 229910052760 oxygen Inorganic materials 0.000 claims description 77
- 238000012545 processing Methods 0.000 claims description 65
- 238000013528 artificial neural network Methods 0.000 claims description 46
- 238000012549 training Methods 0.000 claims description 34
- 238000012360 testing method Methods 0.000 claims description 28
- 238000005516 engineering process Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 241001269238 Data Species 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 8
- 239000008358 core component Substances 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000013467 fragmentation Methods 0.000 claims description 6
- 238000006062 fragmentation reaction Methods 0.000 claims description 6
- 230000000644 propagated effect Effects 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 229910019142 PO4 Inorganic materials 0.000 claims description 3
- GQPLMRYTRLFLPF-UHFFFAOYSA-N nitrous oxide Inorganic materials [O-][N+]#N GQPLMRYTRLFLPF-UHFFFAOYSA-N 0.000 claims description 3
- NBIIXXVUZAFLBC-UHFFFAOYSA-K phosphate Chemical compound [O-]P([O-])([O-])=O NBIIXXVUZAFLBC-UHFFFAOYSA-K 0.000 claims description 3
- 239000010452 phosphate Substances 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000013507 mapping Methods 0.000 claims 1
- 238000003786 synthesis reaction Methods 0.000 claims 1
- 238000009360 aquaculture Methods 0.000 abstract description 7
- 244000144974 aquaculture Species 0.000 abstract description 7
- 238000011161 development Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 7
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 4
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 229910021529 ammonia Inorganic materials 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012517 data analytics Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- IOVCWXUNBOPUCH-UHFFFAOYSA-N Nitrous acid Chemical compound ON=O IOVCWXUNBOPUCH-UHFFFAOYSA-N 0.000 description 1
- 235000011034 Rubus glaucus Nutrition 0.000 description 1
- 244000235659 Rubus idaeus Species 0.000 description 1
- 235000009122 Rubus idaeus Nutrition 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 239000002574 poison Substances 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Farming Of Fish And Shellfish (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明公开了一种多源信息融合的水产养殖环境中氨氮/亚硝酸盐含量预测***及方法,***包括分布式采集节点集群、无线传输节点集群、智能网关、云端大数据分析服务器、远程管理端,所述分布式采集节点集群与无线传输节点集群连接,所述无线传输节点集群与智能网关连接,所述智能网关分别与云端大数据分析服务器和远程管理端连接;本发明可实现在无法检测氨氮/亚硝酸盐数据的情况下通过无线传感网分布式采集pH、水温、溶解氧等易得数据,实时在线对氨氮/亚硝酸盐数据进行预测,为精准控制养殖水体中氨氮/亚硝酸盐的含量提供辅助决策支持,减小了对水产养殖对象的生物毒害,推动水产养殖业的健康发展。
Description
技术领域
本发明属于水产养殖的技术领域,涉及一种多源信息融合的水产养殖环境中氨氮/亚硝酸盐含量预测***及方法。
背景技术
我国是世界渔业和水产养殖大国,水产品总产量和水产养殖总产量连续十多年居世界首位。近年来,随着水产养殖业的快速发展,养殖水体的污染情况越来越严重。各种饵料、化学物质、药物、***物残留在水体中,经腐败和分解,引起水体水质的严重劣化,使水体中氨氮、亚硝酸盐等有害物质含量上升,其对水产养殖对象具有生物毒害,严重影响产业的发展。因此,获取养殖水域的氨氮、亚硝酸盐数据对于水产养殖具有十分重要的意义。目前还没有一种***与方法可以在无法检测氨氮、亚硝酸盐数据的情况下实时在线对氨氮、亚硝酸盐数据进行预测。
有鉴于此,有必要发明一种多源信息融合的水产养殖环境中氨氮/亚硝酸盐含量预测***及方法,以解决上述问题。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足,提供一种多源信息融合的水产养殖环境中氨氮/亚硝酸盐含量预测***及方法,通过无线传感网分布式采集pH、水温、溶解氧等易得数据,实时在线对氨氮/亚硝酸盐数据进行预测。
为了达到上述目的,本发明采用以下技术方案:
本发明一种多源信息融合的水产养殖环境中氨氮/亚硝酸盐含量预测***,包括分布式采集节点集群、无线传输节点集群、智能网关、云端大数据分析服务器、远程管理端,所述分布式采集节点集群与无线传输节点集群连接,所述无线传输节点集群与智能网关连接,所述智能网关分别与云端大数据分析服务器和远程管理端连接;
所述分布式采集节点集群,包括N组多合一传感器和Zigbee无线采集节点,所述Zigbee无线采集节点由RS485接口模块、STM32F103核心处理器、Zigbee无线传输模块组成,其通过RS485接口向多合一传感器发送采集pH值、溶解氧、水温的指令,获取相应的参数值;通过STM32F103核心处理器,将所有的参数值转换成标准值并将数据封装后通过Zigbee网络发送给无线传输节点集群;
所述无线传输节点集群,由N个Zigbee无线传输节点组成,所有的Zigbee无线传输节点通过Zigbee协议与分布式采集节点集群和智能网关构建无线传输网络,并将从分布式采集节点集群获取的数据经过多跳传递后发送给智能网关;
所述智能网关,包括无线传感网网关、核心处理模块、路由交换模块、远程管理模块、以及供电模块,所述无线传感网网关与核心处理模块连接,核心处理模块与路由交换模块连接,远程管理模块通过路由交换模块与远程管理端连接,路由交换模块与云端大数据分析服务器连接;所述供电模块分别与无线传感网网关、核心处理模块、路由交换模块、远程管理模块连接,所述供电模块分别为采集模块、核心处理模块、路由交换模块及远程管理模块提供电力支撑;所述无线传感网网关通过无线传感网与无线传输节点集群连接,通过串口与核心处理模块连接;
所述远程管理端,通过远程管理模块的动态域名解析技术实现对智能网关的远程管理;
所述云端大数据分析服务器,将采集的pH、溶解氧、水温参数值带入LSTM神经网络预测模型,实时在线预测出养殖水体中的氨氮/亚硝酸盐含量,并通过曲线图形式显示水体中的pH、溶解氧、水温以及预测出的氨氮/亚硝酸盐含量。
作为优选的技术方案,所述多合一传感器为集pH、溶解氧和水温监测于一体的传感器。
作为优选的技术方案,所述远程管理模块将获取的路由交换模块动态公网IP发送给互联网动态域名解析服务器;
动态域名解析服务器解析智能网关管理地址的域名到路由交换模块的动态公网IP;
远程管理端访问智能网关管理地址的域名,动态域名解析服务器将路由交换模块动态公网IP返回给远程管理端,远程管理端借助路由交换模块的NAT转换服务程序,完成内网穿透访问,从而实现对智能网关的远程管理。
作为优选的技术方案,所述核心处理模块,以基于ARM主板的Raspberry Pi3代B型卡片式微型电脑为核心组件,其首先通过串口接收无线传感网网关发送的pH值、溶解氧、水温参数值,接着利用Python切片技术解析参数值,最后将这些参数值整合成约定的JSON格式,并将此JSON数据序列化之后,借助路由交换模块,通过TCP/IP通信协议将数据发送到云端大数据分析服务器。
作为优选的技术方案,所述路由交换模块,通过RJ45接口与核心处理模块进行连接,通过4G网络与云端大数据分析服务器进行连接;所述远程管理模块,通过RJ45接口与路由交换模块进行连接,利用4G网络与远程管理端进行连接。
作为优选的技术方案,所述云端大数据分析服务器,将采集到的t时刻pH、溶解氧、水温数据与t+1时刻的氨氮/亚硝酸盐含量数据结合成组,得到样本组后,按设定比例划分训练数据,测试数据;并计算训练数据的统计指标,按统计指标对所有数据做归一化处理,输入预设的LSTM神经网络预测模型,得到模型预测数据;将所述模型预测数据进行反归一化处理,得到预测的氨氮/亚硝酸盐含量;预测过程包括下述步骤:
采集M组测试数据,测试数据包括pH值、水温、溶解氧,氨氮/亚硝酸盐含量以及对应的时间戳;
M组数据根据时间戳排序后,使t时刻的pH值、水温、溶解氧与t+1时刻的氨氮/亚硝酸盐含量组合成组;
将所述测试数据按组随机分为两部分,其中数量大于预设百分比的数据称为训练数据,用于训练模型调整权值;另一部分数据称为验证数据,用于验证模型;
计算训练数据的最大值,最小值,利用此值将上述M组测试数据进行归一化处理;
将所述训练数据中的碎片化pH值、水温、溶解氧数据作为LSTM神经网络预测模型的输入,按照预设方法进行前向传播后得到预测的氨氮/亚硝酸盐含量数据;
将所述预测的氨氮/亚硝酸盐含量数据与真实数据进行比较,利用数据的误差进行反向传播,修正模型中的权值,得到修正的LSTM神经网络预测模型;
将所述验证数据中的pH值、水温、溶解氧数据作为修正的LSTM神经网络预测模型的输入,若输出的氨氮/亚硝酸盐含量预测数据与验证数据中的真实数据在预设误差范围内,则所述修正的LSTM神经网络预测模型为可用的LSTM神经网络预测模型;
将采集的pH值、水温、溶解氧数据输入LSTM神经网络预测模型,得到预测数据,并将预测数据进行反归一化处理,得到预测的氨氮/亚硝酸盐含量。
本发明一种多源信息融合的水产养殖环境中氨氮/亚硝酸盐含量预测***的预测方法,包括下述步骤:
S1、分布式采集节点集群,将采集的N组pH值、溶解氧、水温数据通过Zigbee网络发送给无线传输节点集群;
S2、无线传输节点集群,通过Zigbee协议与分布式采集节点集群和智能网关构建无线传输网络,并将从分布式采集节点集群获取的数据经过多跳传递后发送给智能网关;
S3、无线传感网网关接收无线传输节点集群发送的N组水质数据,并通过串口将数据发送给核心处理模块;
S4、核心处理模块以基于ARM主板的Raspberry Pi 3代B型卡片式微型电脑为核心组件,其首先通过串口接收无线传感网发送的pH值、溶解氧、水温参数值,接着利用Python切片技术解析参数值,最后将这些参数值整合成约定的JSON格式,并将此JSON数据序列化之后,借助路由交换模块,通过TCP/IP通信协议将数据发送到云端大数据分析服务器;
S5、路由交换模块通过RJ45接口与核心处理模块进行连接,通过4G网络与云端大数据分析服务器进行连接;
S6、远程管理模块通过RJ45接口与路由交换模块进行连接,利用4G网络与远程管理端进行连接;
S7、供电模块分别为采集模块、核心处理模块、路由交换模块及远程管理模块提供电力支撑;
S8、远程管理端通过远程管理模块的动态域名解析技术实现对智能网关的远程管理;
S9、云端大数据分析服务器将采集的pH、溶解氧、水温参数值带入LSTM神经网络预测模型,实时在线预测出养殖水体中的氨氮/亚硝酸盐含量,并通过曲线图形式显示水体中的pH、溶解氧、水温以及预测出的氨氮/亚硝酸盐含量。
作为优选的技术方案,所述分布式采集节点集群,所述Zigbee无线采集节点由RS485接口模块、STM32F103核心处理器、Zigbee无线传输模块组成,其通过RS485接口向多合一传感器发送采集pH值、溶解氧、水温的指令,获取相应的参数值;通过STM32F103核心处理器,将所有的参数值转换成标准值并将数据封装后通过Zigbee网络发送给无线传输节点集群。
作为优选的技术方案,所述远程管理端通过远程管理模块的动态域名解析技术实现对由采集模块、核心处理模块、路由交换模块、远程管理模块及供电模块组成的智能网关进行远程管理,具体过程包括下述步骤:
S61、远程管理模块将获取的路由交换模块动态公网IP发送给互联网动态域名解析服务器;
S62、动态域名解析服务器解析智能网关管理地址的域名到路由交换模块的动态公网IP;
S63、远程管理端访问智能网关管理地址的域名,动态域名解析服务器将路由交换模块动态公网IP返回给远程管理端,远程管理端借助路由交换模块的NAT转换服务程序,完成内网穿透访问,从而实现对智能网关的远程管理。
作为优选的技术方案,所述云端大数据分析服务器,将采集到的t时刻pH、溶解氧、水温数据与t+1时刻的氨氮/亚硝酸盐含量数据结合成组,得到样本组后,按一定比例划分训练数据,测试数据;并计算训练数据的统计指标,按统计指标对所有数据做归一化处理,输入预设的LSTM神经网络预测模型,得到模型预测数据;将所述模型预测数据进行反归一化处理,得到预测的氨氮/亚硝酸盐含量;预测过程包括下述步骤:
S91、采集M组测试数据,测试数据包括pH值、水温、溶解氧,氨氮/亚硝酸盐含量以及对应的时间戳;
S92、M组数据根据时间戳排序后,使t时刻的pH值、水温、溶解氧与t+1时刻的氨氮/亚硝酸盐含量组合成组;
S93、将所述测试数据按组随机分为两部分,其中数量大于预设百分比的数据称为训练数据,用于训练模型调整权值;另一部分数据称为验证数据,用于验证模型;
S94、计算训练数据的最大值,最小值,利用此值将上述M组测试数据进行归一化处理;
S95、将所述训练数据中的碎片化pH值、水温、溶解氧数据作为LSTM神经网络预测模型的输入,按照预设方法进行前向传播后得到预测的氨氮/亚硝酸盐含量数据;
S96、将所述预测的氨氮/亚硝酸盐含量数据与真实数据进行比较,利用数据的误差进行反向传播,修正模型中的权值,得到修正的LSTM神经网络预测模型;
S97、将所述验证数据中的pH值、水温、溶解氧数据作为修正的LSTM神经网络预测模型的输入,若输出的氨氮/亚硝酸盐含量预测数据与验证数据中的真实数据在预设误差范围内,则所述修正的LSTM神经网络预测模型为可用的LSTM神经网络预测模型;
S98、将采集的pH值、水温、溶解氧数据输入LSTM神经网络预测模型,得到预测数据,并将预测数据进行反归一化处理,得到预测的氨氮/亚硝酸盐含量。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明所述的一种多源信息融合的水产养殖环境中氨氮/亚硝酸盐含量预测***包括分布式采集节点集群、无线传输节点集群、智能网关、云端大数据分析服务器、远程管理端。
2、本发明分布式采集节点集群,由N组JF-D400B多合一传感器(pH、溶解氧、水温)和Zigbee无线采集节点组成,Zigbee无线采集节点由RS485接口模块、STM32F103核心处理器、Zigbee无线传输模块组成,其通过RS485接口向JF-D400B多合一传感器(pH、溶解氧、水温)发送采集pH值、溶解氧、水温的指令,获取相应的参数值;通过STM32F103核心处理器,将所有的参数值转换成标准值并将数据封装后通过Zigbee网络发送给无线传输节点集群。
3、本发明无线传输节点集群,由N个Zigbee无线传输节点组成,它们通过Zigbee协议与分布式采集节点集群和智能网关构建无线传输网络,并将从分布式采集节点集群获取的数据经过多跳传递后发送给智能网关。
4、本发明智能网关,由无线传感网网关、核心处理模块、路由交换模块、远程管理模块、供电模块组成,其中无线传感网网关与核心处理模块连接,核心处理模块与路由交换模块连接,远程管理模块通过路由交换模块与远程管理端连接,路由交换模块与云端大数据分析服务器连接,供电模块分别与无线传感网网关、核心处理模块、路由交换模块、远程管理模块连接;所述无线传感网网关通过无线传感网与无线传输节点集群连接,通过串口与核心处理模块连接;所述核心处理模块,以基于ARM主板的Raspberry Pi 3代B型卡片式微型电脑为核心组件,其首先通过串口接收无线传感网网关发送的pH值、溶解氧、水温参数值,接着利用Python切片技术解析参数值,最后将这些参数值整合成约定的JSON格式,并将此JSON数据序列化之后,借助路由交换模块,通过TCP/IP通信协议将数据发送到云端大数据分析服务器;所述路由交换模块,通过RJ45接口与核心处理模块进行连接,通过4G网络与云端大数据分析服务器进行连接;所述远程管理模块,通过RJ45接口与路由交换模块进行连接,利用4G网络与远程管理端进行连接;所述供电模块,分别为采集模块、核心处理模块、路由交换模块及远程管理模块提供电力支撑。
5、本发明远程管理端通过远程管理模块的动态域名解析技术实现对智能网关的远程管理。
6、本发明云端大数据分析服务器将采集的pH、溶解氧、水温参数值带入LSTM神经网络预测模型,实时在线预测出养殖水体中的氨氮/亚硝酸盐含量,并通过曲线图形式显示水体中的pH、溶解氧、水温以及预测出的氨氮/亚硝酸盐含量。
附图说明
图1为本发明具体实施方式中多源信息融合的水产养殖环境中氨氮/亚硝酸盐含量预测***的功能模块示意图;
图2为本发明具体实施方式中多源信息融合的水产养殖环境中氨氮/亚硝酸盐含量预测方法的工作流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
如图1所示,本实施例一种多源信息融合的水产养殖环境中氨氮/亚硝酸盐含量预测***,包括分布式采集节点集群、无线传输节点集群、智能网关、云端大数据分析服务器、远程管理端,所述分布式采集节点集群与无线传输节点集群连接,所述无线传输节点集群与智能网关连接,所述智能网关分别与云端大数据分析服务器和远程管理端连接;
所述分布式采集节点集群,由N组JF-D400B多合一传感器(pH、溶解氧、水温)和Zigbee无线采集节点组成,Zigbee无线采集节点由RS485接口模块、STM32F103核心处理器、Zigbee无线传输模块组成,其通过RS485接口向JF-D400B多合一传感器(pH、溶解氧、水温)发送采集pH值、溶解氧、水温的指令,获取相应的参数值;通过STM32F103核心处理器,将所有的参数值转换成标准值并将数据封装后通过Zigbee网络发送给无线传输节点集群;
所述无线传输节点集群,由N个Zigbee无线传输节点组成,它们通过Zigbee协议与分布式采集节点集群和智能网关构建无线传输网络,并将从分布式采集节点集群获取的数据经过多跳传递后发送给智能网关;
所述智能网关,由无线传感网网关、核心处理模块、路由交换模块、远程管理模块、供电模块组成,其中无线传感网网关与核心处理模块连接,核心处理模块与路由交换模块连接,远程管理模块通过路由交换模块与远程管理端连接,路由交换模块与云端大数据分析服务器连接,供电模块分别与无线传感网网关、核心处理模块、路由交换模块、远程管理模块连接;所述无线传感网网关通过无线传感网与无线传输节点集群连接,通过串口与核心处理模块连接;所述核心处理模块,以基于ARM主板的Raspberry Pi 3代B型卡片式微型电脑为核心组件,其首先通过串口接收无线传感网网关发送的pH值、溶解氧、水温参数值,接着利用Python切片技术解析参数值,最后将这些参数值整合成约定的JSON格式,并将此JSON数据序列化之后,借助路由交换模块,通过TCP/IP通信协议将数据发送到云端大数据分析服务器;所述路由交换模块,通过RJ45接口与核心处理模块进行连接,通过4G网络与云端大数据分析服务器进行连接;所述远程管理模块,通过RJ45接口与路由交换模块进行连接,利用4G网络与远程管理端进行连接;所述供电模块,分别为采集模块、核心处理模块、路由交换模块及远程管理模块提供电力支撑;
所述远程管理端,通过远程管理模块的动态域名解析技术实现对智能网关的远程管理;
所述云端大数据分析服务器,将采集的pH、溶解氧、水温参数值带入LSTM神经网络预测模型,实时在线预测出养殖水体中的氨氮/亚硝酸盐含量,并通过曲线图形式显示水体中的pH、溶解氧、水温以及预测出的氨氮/亚硝酸盐含量。
本实施例中,分布式采集节点集群由N组JF-D400B多合一传感器(pH、溶解氧、水温)和Zigbee无线采集节点组成,Zigbee无线采集节点由RS485接口模块、STM32F103核心处理器、Zigbee无线传输模块组成,其通过RS485接口向JF-D400B多合一传感器(pH、溶解氧、水温)发送采集pH值、溶解氧、水温的指令,获取相应的参数值;通过STM32F103核心处理器,将所有的参数值转换成标准值并将数据封装后通过Zigbee网络发送给无线传输节点集群。
无线传输节点集群由N个Zigbee无线传输节点组成,它们通过Zigbee协议与分布式采集节点集群和智能网关构建无线传输网络,并将从分布式采集节点集群获取的数据经过多跳传递后发送给智能网关。
智能网关由无线传感网网关、核心处理模块、路由交换模块、远程管理模块、供电模块组成,其中无线传感网网关与核心处理模块连接,核心处理模块与路由交换模块连接,远程管理模块通过路由交换模块与远程管理端连接,路由交换模块与云端大数据分析服务器连接,供电模块分别与无线传感网网关、核心处理模块、路由交换模块、远程管理模块连接;所述无线传感网网关通过无线传感网与无线传输节点集群连接,通过串口与核心处理模块连接;所述核心处理模块,以基于ARM主板的Raspberry Pi 3代B型卡片式微型电脑为核心组件,其首先通过串口接收无线传感网网关发送的pH值、溶解氧、水温参数值,接着利用Python切片技术解析参数值,最后将这些参数值整合成约定的JSON格式,并将此JSON数据序列化之后,借助路由交换模块,通过TCP/IP通信协议将数据发送到云端大数据分析服务器;所述路由交换模块,通过RJ45接口与核心处理模块进行连接,通过4G网络与云端大数据分析服务器进行连接;所述远程管理模块,通过RJ45接口与路由交换模块进行连接,利用4G网络与远程管理端进行连接;所述供电模块,分别为采集模块、核心处理模块、路由交换模块及远程管理模块提供电力支撑。
远程管理端通过远程管理模块的动态域名解析技术实现对由采集模块、核心处理模块、路由交换模块、远程管理模块及供电模块组成的智能网关进行远程管理。具体过程包括下述步骤:
远程管理模块将获取的路由交换模块动态公网IP发送给互联网动态域名解析服务器;
动态域名解析服务器解析智能网关管理地址的域名到路由交换模块的动态公网IP;
远程管理端访问智能网关管理地址的域名,动态域名解析服务器将路由交换模块动态公网IP返回给远程管理端,远程管理端借助路由交换模块的NAT转换服务程序,完成内网穿透访问,从而实现对智能网关的远程管理。
云端大数据分析服务器,将采集到的t时刻pH、溶解氧、水温数据与t+1时刻的氨氮/亚硝酸盐含量数据结合成组,得到样本组后,按一定比例划分训练数据,测试数据;并计算训练数据的统计指标(如最大值,最小值),按统计指标对所有数据做归一化处理,输入预设的LSTM神经网络预测模型,得到模型预测数据;将所述模型预测数据进行反归一化处理,得到预测的氨氮/亚硝酸盐含量;预测过程包括下述步骤:
采集M组测试数据,测试数据包括pH值、水温、溶解氧,氨氮/亚硝酸盐含量以及对应的时间戳;
M组数据根据时间戳排序后,使t时刻的pH值、水温、溶解氧与t+1时刻的氨氮/亚硝酸盐含量组合成组;
将所述测试数据按组随机分为两部分,其中数量大于预设百分比的数据称为训练数据,用于训练模型调整权值;另一部分数据称为验证数据,用于验证模型;
计算训练数据的最大值,最小值,利用此值将上述M组测试数据进行归一化处理;
将所述训练数据中的碎片化pH值、水温、溶解氧数据作为LSTM神经网络预测模型的输入,按照预设方法进行前向传播后得到预测的氨氮/亚硝酸盐含量数据;
将所述预测的氨氮/亚硝酸盐含量数据与真实数据进行比较,利用数据的误差进行反向传播,修正模型中的权值,得到修正的LSTM神经网络预测模型;
将所述验证数据中的pH值、水温、溶解氧数据作为修正的LSTM神经网络预测模型的输入,若输出的氨氮/亚硝酸盐含量预测数据与验证数据中的真实数据在预设误差范围内,则所述修正的LSTM神经网络预测模型为可用的LSTM神经网络预测模型;
将采集的pH值、水温、溶解氧数据输入LSTM神经网络预测模型,得到预测数据,并将预测数据进行反归一化处理,得到预测的氨氮/亚硝酸盐含量。
如图2所示,本实施例还提供了一种多源信息融合的水产养殖环境中氨氮/亚硝酸盐含量预测方法,包括下述步骤:
S1、分布式采集节点集群,将采集的N组pH值、溶解氧、水温数据通过Zigbee网络发送给无线传输节点集群;
S2、无线传输节点集群,通过Zigbee协议与分布式采集节点集群和智能网关构建无线传输网络,并将从分布式采集节点集群获取的数据经过多跳传递后发送给智能网关;
S3、无线传感网网关接收无线传输节点集群发送的N组水质数据,并通过串口将数据发送给核心处理模块;
S4、核心处理模块以基于ARM主板的Raspberry Pi 3代B型卡片式微型电脑为核心组件,其首先通过串口接收无线传感网发送的pH值、溶解氧、水温参数值,接着利用Python切片技术解析参数值,最后将这些参数值整合成约定的JSON格式,并将此JSON数据序列化之后,借助路由交换模块,通过TCP/IP通信协议将数据发送到云端大数据分析服务器;
S5、路由交换模块通过RJ45接口与核心处理模块进行连接,通过4G网络与云端大数据分析服务器进行连接;
S6、远程管理模块通过RJ45接口与路由交换模块进行连接,利用4G网络与远程管理端进行连接;
S7、供电模块分别为采集模块、核心处理模块、路由交换模块及远程管理模块提供电力支撑;
S8、远程管理端通过远程管理模块的动态域名解析技术实现对智能网关的远程管理;具体过程包括下述步骤:
S81、远程管理模块将获取的路由交换模块动态公网IP发送给互联网动态域名解析服务器;
S82、动态域名解析服务器解析智能网关管理地址的域名到路由交换模块的动态公网IP;
S83、远程管理端访问智能网关管理地址的域名,动态域名解析服务器将路由交换模块动态公网IP返回给远程管理端,远程管理端借助路由交换模块的NAT转换服务程序,完成内网穿透访问,从而实现对智能网关的远程管理。
S9、云端大数据分析服务器将采集的pH、溶解氧、水温参数值带入LSTM神经网络预测模型,实时在线预测出养殖水体中的氨氮/亚硝酸盐含量,并通过曲线图形式显示水体中的pH、溶解氧、水温以及预测出的氨氮/亚硝酸盐含量。预测过程如下:
S91、采集M组测试数据,测试数据包括pH值、水温、溶解氧,氨氮/亚硝酸盐含量以及对应的时间戳;
S92、M组数据根据时间戳排序后,使t时刻的pH值、水温、溶解氧与t+1时刻的氨氮/亚硝酸盐含量组合成组;
S93、将所述测试数据按组随机分为两部分,其中数量大于预设百分比的数据称为训练数据,用于训练模型调整权值;另一部分数据称为验证数据,用于验证模型;
S94、计算训练数据的最大值,最小值,利用此值将上述M组测试数据进行归一化处理;
S95、将所述训练数据中的碎片化pH值、水温、溶解氧数据作为LSTM神经网络预测模型的输入,按照预设方法进行前向传播后得到预测的氨氮/亚硝酸盐含量数据;
S96、将所述预测的氨氮/亚硝酸盐含量数据与真实数据进行比较,利用数据的误差进行反向传播,修正模型中的权值,得到修正的LSTM神经网络预测模型;
S97、将所述验证数据中的pH值、水温、溶解氧数据作为修正的LSTM神经网络预测模型的输入,若输出的氨氮/亚硝酸盐含量预测数据与验证数据中的真实数据在预设误差范围内,则所述修正的LSTM神经网络预测模型为可用的LSTM神经网络预测模型;
S98、将采集的pH值、水温、溶解氧数据输入LSTM神经网络预测模型,得到预测数据,并将预测数据进行反归一化处理,得到预测的氨氮/亚硝酸盐含量。
通过本发明可实现在无法检测氨氮/亚硝酸盐数据的情况下通过无线传感网分布式采集pH、水温、溶解氧等易得数据,实时在线对氨氮/亚硝酸盐数据进行预测,为精准控制养殖水体中氨氮/亚硝酸盐的含量提供辅助决策支持,减小了对水产养殖对象的生物毒害,推动水产养殖业的健康发展。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种多源信息融合的水产养殖环境中氨氮/亚硝酸盐含量预测***,其特征在于,包括分布式采集节点集群、无线传输节点集群、智能网关、云端大数据分析服务器、远程管理端,所述分布式采集节点集群与无线传输节点集群连接,所述无线传输节点集群与智能网关连接,所述智能网关分别与云端大数据分析服务器和远程管理端连接;
所述分布式采集节点集群,包括N组多合一传感器和Zigbee无线采集节点,所述Zigbee无线采集节点由RS485接口模块、STM32F103核心处理器、Zigbee无线传输模块组成,其通过RS485接口向多合一传感器发送采集pH值、溶解氧、水温的指令,获取相应的参数值;通过STM32F103核心处理器,将所有的参数值转换成标准值并将数据封装后通过Zigbee网络发送给无线传输节点集群;
所述无线传输节点集群,由N个Zigbee无线传输节点组成,所有的Zigbee无线传输节点通过Zigbee协议与分布式采集节点集群和智能网关构建无线传输网络,并将从分布式采集节点集群获取的数据经过多跳传递后发送给智能网关;
所述智能网关,包括无线传感网网关、核心处理模块、路由交换模块、远程管理模块、以及供电模块,所述无线传感网网关与核心处理模块连接,核心处理模块与路由交换模块连接,远程管理模块通过路由交换模块与远程管理端连接,路由交换模块与云端大数据分析服务器连接;所述供电模块分别与无线传感网网关、核心处理模块、路由交换模块、远程管理模块连接,所述供电模块分别为采集模块、核心处理模块、路由交换模块及远程管理模块提供电力支撑;所述无线传感网网关通过无线传感网与无线传输节点集群连接,通过串口与核心处理模块连接;
所述远程管理端,通过远程管理模块的动态域名解析技术实现对智能网关的远程管理;
所述云端大数据分析服务器,将采集的pH、溶解氧、水温参数值带入LSTM神经网络预测模型,实时在线预测出养殖水体中的氨氮/亚硝酸盐含量,并通过曲线图形式显示水体中的pH、溶解氧、水温以及预测出的氨氮/亚硝酸盐含量。
2.根据权利要求1所述多源信息融合的水产养殖环境中氨氮/亚硝酸盐含量预测***,其特征在于,所述多合一传感器为集pH、溶解氧和水温监测于一体的传感器。
3.根据权利要求1所述多源信息融合的水产养殖环境中氨氮/亚硝酸盐含量预测***,其特征在于,所述远程管理模块将获取的路由交换模块动态公网I P发送给互联网动态域名解析服务器;
动态域名解析服务器解析智能网关管理地址的域名到路由交换模块的动态公网I P;
远程管理端访问智能网关管理地址的域名,动态域名解析服务器将路由交换模块动态公网I P返回给远程管理端,远程管理端借助路由交换模块的NAT转换服务程序,完成内网穿透访问,从而实现对智能网关的远程管理。
4.根据权利要求1所述多源信息融合的水产养殖环境中氨氮/亚硝酸盐含量预测***,其特征在于,所述核心处理模块,以基于ARM主板的Raspberry Pi 3代B型卡片式微型电脑为核心组件,其首先通过串口接收无线传感网网关发送的pH值、溶解氧、水温参数值,接着利用Python切片技术解析参数值,最后将这些参数值整合成约定的JSON格式,并将此JSON数据序列化之后,借助路由交换模块,通过TCP/IP通信协议将数据发送到云端大数据分析服务器。
5.根据权利要求1所述多源信息融合的水产养殖环境中氨氮/亚硝酸盐含量预测***,其特征在于,所述路由交换模块,通过RJ45接口与核心处理模块进行连接,通过4G网络与云端大数据分析服务器进行连接;所述远程管理模块,通过RJ45接口与路由交换模块进行连接,利用4G网络与远程管理端进行连接。
6.根据权利要求1所述多源信息融合的水产养殖环境中氨氮/亚硝酸盐含量预测***,其特征在于,所述云端大数据分析服务器,将采集到的t时刻pH、溶解氧、水温数据与t+1时刻的氨氮/亚硝酸盐含量数据结合成组,得到样本组后,按设定比例划分训练数据,测试数据;并计算训练数据的统计指标,按统计指标对所有数据做归一化处理,输入预设的LSTM神经网络预测模型,得到模型预测数据;将所述模型预测数据进行反归一化处理,得到预测的氨氮/亚硝酸盐含量;预测过程包括下述步骤:
采集M组测试数据,测试数据包括pH值、水温、溶解氧,氨氮/亚硝酸盐含量以及对应的时间戳;
M组数据根据时间戳排序后,使t时刻的pH值、水温、溶解氧与t+1时刻的氨氮/亚硝酸盐含量组合成组;
将所述测试数据按组随机分为两部分,其中数量大于预设百分比的数据称为训练数据,用于训练模型调整权值;另一部分数据称为验证数据,用于验证模型;
计算训练数据的最大值,最小值,利用此值将上述M组测试数据进行归一化处理;
将所述训练数据中的碎片化pH值、水温、溶解氧数据作为LSTM神经网络预测模型的输入,按照预设方法进行前向传播后得到预测的氨氮/亚硝酸盐含量数据;
将所述预测的氨氮/亚硝酸盐含量数据与真实数据进行比较,利用数据的误差进行反向传播,修正模型中的权值,得到修正的LSTM神经网络预测模型;
将所述验证数据中的pH值、水温、溶解氧数据作为修正的LSTM神经网络预测模型的输入,若输出的氨氮/亚硝酸盐含量预测数据与验证数据中的真实数据在预设误差范围内,则所述修正的LSTM神经网络预测模型为可用的LSTM神经网络预测模型;
将采集的pH值、水温、溶解氧数据输入LSTM神经网络预测模型,得到预测数据,并将预测数据进行反归一化处理,得到预测的氨氮/亚硝酸盐含量。
7.根据权利要求1-6中任一项多源信息融合的水产养殖环境中氨氮/亚硝酸盐含量预测***的预测方法,其特征在于,包括下述步骤:
S1、分布式采集节点集群,将采集的N组pH值、溶解氧、水温数据通过Zigbee网络发送给无线传输节点集群;
S2、无线传输节点集群,通过Zigbee协议与分布式采集节点集群和智能网关构建无线传输网络,并将从分布式采集节点集群获取的数据经过多跳传递后发送给智能网关;
S3、无线传感网网关接收无线传输节点集群发送的N组水质数据,并通过串口将数据发送给核心处理模块;
S4、核心处理模块以基于ARM主板的Raspberry Pi 3代B型卡片式微型电脑为核心组件,其首先通过串口接收无线传感网发送的pH值、溶解氧、水温参数值,接着利用Python切片技术解析参数值,最后将这些参数值整合成约定的JSON格式,并将此JSON数据序列化之后,借助路由交换模块,通过TCP/IP通信协议将数据发送到云端大数据分析服务器;
S5、路由交换模块通过RJ45接口与核心处理模块进行连接,通过4G网络与云端大数据分析服务器进行连接;
S6、远程管理模块通过RJ45接口与路由交换模块进行连接,利用4G网络与远程管理端进行连接;
S7、供电模块分别为采集模块、核心处理模块、路由交换模块及远程管理模块提供电力支撑;
S8、远程管理端通过远程管理模块的动态域名解析技术实现对智能网关的远程管理;
S9、云端大数据分析服务器将采集的pH、溶解氧、水温参数值带入LSTM神经网络预测模型,实时在线预测出养殖水体中的氨氮/亚硝酸盐含量,并通过曲线图形式显示水体中的pH、溶解氧、水温以及预测出的氨氮/亚硝酸盐含量。
8.根据权利要求7所述的预测方法,其特征在于,所述分布式采集节点集群,所述Zigbee无线采集节点由RS485接口模块、STM32F103核心处理器、Zigbee无线传输模块组成,其通过RS485接口向多合一传感器发送采集pH值、溶解氧、水温的指令,获取相应的参数值;通过STM32F103核心处理器,将所有的参数值转换成标准值并将数据封装后通过Zigbee网络发送给无线传输节点集群。
9.根据权利要求7所述预测方法,其特征在于,所述远程管理端通过远程管理模块的动态域名解析技术实现对由采集模块、核心处理模块、路由交换模块、远程管理模块及供电模块组成的智能网关进行远程管理,具体过程包括下述步骤:
S61、远程管理模块将获取的路由交换模块动态公网IP发送给互联网动态域名解析服务器;
S62、动态域名解析服务器解析智能网关管理地址的域名到路由交换模块的动态公网IP;
S63、远程管理端访问智能网关管理地址的域名,动态域名解析服务器将路由交换模块动态公网IP返回给远程管理端,远程管理端借助路由交换模块的NAT转换服务程序,完成内网穿透访问,从而实现对智能网关的远程管理。
10.根据权利要求7所述的预测方法,其特征在于,所述云端大数据分析服务器,将采集到的t时刻pH、溶解氧、水温数据与t+1时刻的氨氮/亚硝酸盐含量数据结合成组,得到样本组后,按一定比例划分训练数据,测试数据;并计算训练数据的统计指标,按统计指标对所有数据做归一化处理,输入预设的LSTM神经网络预测模型,得到模型预测数据;将所述模型预测数据进行反归一化处理,得到预测的氨氮/亚硝酸盐含量;预测过程包括下述步骤:
S91、采集M组测试数据,测试数据包括pH值、水温、溶解氧,氨氮/亚硝酸盐含量以及对应的时间戳;
S92、M组数据根据时间戳排序后,使t时刻的pH值、水温、溶解氧与t+1时刻的氨氮/亚硝酸盐含量组合成组;
S93、将所述测试数据按组随机分为两部分,其中数量大于预设百分比的数据称为训练数据,用于训练模型调整权值;另一部分数据称为验证数据,用于验证模型;
S94、计算训练数据的最大值,最小值,利用此值将上述M组测试数据进行归一化处理;
S95、将所述训练数据中的碎片化pH值、水温、溶解氧数据作为LSTM神经网络预测模型的输入,按照预设方法进行前向传播后得到预测的氨氮/亚硝酸盐含量数据;
S96、将所述预测的氨氮/亚硝酸盐含量数据与真实数据进行比较,利用数据的误差进行反向传播,修正模型中的权值,得到修正的LSTM神经网络预测模型;
S97、将所述验证数据中的pH值、水温、溶解氧数据作为修正的LSTM神经网络预测模型的输入,若输出的氨氮/亚硝酸盐含量预测数据与验证数据中的真实数据在预设误差范围内,则所述修正的LSTM神经网络预测模型为可用的LSTM神经网络预测模型;
S98、将采集的pH值、水温、溶解氧数据输入LSTM神经网络预测模型,得到预测数据,并将预测数据进行反归一化处理,得到预测的氨氮/亚硝酸盐含量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810466169.4A CN108647831B (zh) | 2018-05-16 | 2018-05-16 | 一种多源信息融合的水产养殖环境中氨氮/亚硝酸盐含量预测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810466169.4A CN108647831B (zh) | 2018-05-16 | 2018-05-16 | 一种多源信息融合的水产养殖环境中氨氮/亚硝酸盐含量预测***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108647831A true CN108647831A (zh) | 2018-10-12 |
CN108647831B CN108647831B (zh) | 2021-09-24 |
Family
ID=63755953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810466169.4A Active CN108647831B (zh) | 2018-05-16 | 2018-05-16 | 一种多源信息融合的水产养殖环境中氨氮/亚硝酸盐含量预测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108647831B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583663A (zh) * | 2018-12-12 | 2019-04-05 | 中国水产科学研究院渔业机械仪器研究所 | 一种适用于养殖池塘的夜间水质溶氧量预测方法 |
CN109889592A (zh) * | 2019-02-25 | 2019-06-14 | 北京邮电大学 | 一种基于边缘计算的智能制造方法及装置 |
CN110196076A (zh) * | 2019-04-09 | 2019-09-03 | 华南农业大学 | 一种环境多源信息感知和预警***及其方法 |
CN110824914A (zh) * | 2019-09-30 | 2020-02-21 | 华南师范大学 | 一种基于pca-lstm网络的废水处理智能监控方法 |
CN112504983A (zh) * | 2020-12-11 | 2021-03-16 | 中国科学院西安光学精密机械研究所 | 一种基于浊度色度补偿的硝酸盐浓度预测方法 |
CN113033877A (zh) * | 2021-03-03 | 2021-06-25 | 华南农业大学 | 对虾养殖水体亚硝酸盐氮含量的预测预警方法 |
CN113065687A (zh) * | 2021-03-16 | 2021-07-02 | 西南民族大学 | 基于溶解氧预测的水产养殖方法及*** |
CN114239417A (zh) * | 2021-12-23 | 2022-03-25 | 四创科技有限公司 | 一种供水***中氨氮含量的综合评估方法与终端 |
CN114578011A (zh) * | 2022-03-07 | 2022-06-03 | 上海蓝长科技集团有限公司 | 一种基于多传感器多源数据融合的水质监测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106227236A (zh) * | 2016-09-27 | 2016-12-14 | 华南农业大学 | 基于无线传感网的无人机水产养殖精准调水作业***及方法 |
CN106227075A (zh) * | 2016-09-27 | 2016-12-14 | 华南农业大学 | 基于无线传感网的无人机水产养殖精准投料作业***及方法 |
CN107169610A (zh) * | 2017-06-02 | 2017-09-15 | 中国农业大学 | 水产养殖溶解氧预测方法及装置 |
-
2018
- 2018-05-16 CN CN201810466169.4A patent/CN108647831B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106227236A (zh) * | 2016-09-27 | 2016-12-14 | 华南农业大学 | 基于无线传感网的无人机水产养殖精准调水作业***及方法 |
CN106227075A (zh) * | 2016-09-27 | 2016-12-14 | 华南农业大学 | 基于无线传感网的无人机水产养殖精准投料作业***及方法 |
CN107169610A (zh) * | 2017-06-02 | 2017-09-15 | 中国农业大学 | 水产养殖溶解氧预测方法及装置 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583663A (zh) * | 2018-12-12 | 2019-04-05 | 中国水产科学研究院渔业机械仪器研究所 | 一种适用于养殖池塘的夜间水质溶氧量预测方法 |
CN109583663B (zh) * | 2018-12-12 | 2022-10-14 | 中国水产科学研究院渔业机械仪器研究所 | 一种适用于养殖池塘的夜间水质溶氧量预测方法 |
CN109889592A (zh) * | 2019-02-25 | 2019-06-14 | 北京邮电大学 | 一种基于边缘计算的智能制造方法及装置 |
CN110196076A (zh) * | 2019-04-09 | 2019-09-03 | 华南农业大学 | 一种环境多源信息感知和预警***及其方法 |
CN110824914A (zh) * | 2019-09-30 | 2020-02-21 | 华南师范大学 | 一种基于pca-lstm网络的废水处理智能监控方法 |
CN110824914B (zh) * | 2019-09-30 | 2022-07-12 | 华南师范大学 | 一种基于pca-lstm网络的废水处理智能监控方法 |
CN112504983A (zh) * | 2020-12-11 | 2021-03-16 | 中国科学院西安光学精密机械研究所 | 一种基于浊度色度补偿的硝酸盐浓度预测方法 |
CN113033877A (zh) * | 2021-03-03 | 2021-06-25 | 华南农业大学 | 对虾养殖水体亚硝酸盐氮含量的预测预警方法 |
CN113065687A (zh) * | 2021-03-16 | 2021-07-02 | 西南民族大学 | 基于溶解氧预测的水产养殖方法及*** |
CN113065687B (zh) * | 2021-03-16 | 2023-09-05 | 西南民族大学 | 基于溶解氧预测的水产养殖方法及*** |
CN114239417A (zh) * | 2021-12-23 | 2022-03-25 | 四创科技有限公司 | 一种供水***中氨氮含量的综合评估方法与终端 |
CN114578011A (zh) * | 2022-03-07 | 2022-06-03 | 上海蓝长科技集团有限公司 | 一种基于多传感器多源数据融合的水质监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108647831B (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647831A (zh) | 一种多源信息融合的水产养殖环境中氨氮/亚硝酸盐含量预测***及方法 | |
Tao et al. | Review of the internet of things communication technologies in smart agriculture and challenges | |
Angin et al. | Agrilora: a digital twin framework for smart agriculture. | |
CN206835259U (zh) | 基于4g与物联网技术的水产养殖远程监控*** | |
CN103442052B (zh) | 农田作物生长信息远程监测装置及方法 | |
US8643495B2 (en) | Internet of things based farm greenhouse monitor and alarm management system | |
CN103268105A (zh) | 基于物联网Android平台的水产养殖远程监控*** | |
CN103108412A (zh) | 水产养殖场水质参数远程监测***及控制方法 | |
CN105072417A (zh) | 智能放牧的监拍方法及*** | |
CN108156222A (zh) | 一种基于养殖物联网的网关***及方法 | |
CN106937303A (zh) | 一种基站测试方法及***、终端、云服务器 | |
CN107908689A (zh) | 一种烟叶生长环境数据采集装置及其方法 | |
Saparudin et al. | Wireless water quality monitoring system for high density aquaculture application | |
Kamelia et al. | The IoT-based monitoring systems for humidity and soil acidity using wireless communication | |
CN110099102A (zh) | 物联网端到端网络质量监控方法、***及存储介质 | |
CN108249973A (zh) | 农牧废弃物堆肥监测*** | |
CN203324260U (zh) | 基于物联网的南美白对虾养殖水质在线监测*** | |
Li et al. | AIoT platform design based on front and rear end separation architecture for smart agricultural | |
Zhou et al. | Simulation of the Core Technology of a Greenhouse-Monitoring System Based on a Wireless Sensor Network. | |
CN210036821U (zh) | 一种农业投入品理化特性采集设备 | |
Du et al. | Design and implementation of intelligent gateway system for monitoring livestock and poultry feeding environment based on bluetooth low energy | |
CN108064671A (zh) | 一种山地柑橘园灌溉***及方法 | |
CN112929839A (zh) | 一种基于LoRa技术的养殖场环境智能监测***及方法 | |
Perdana et al. | Performance Analysis of Soil Moisture Monitoring based on Internet of Things with LoRA Communications | |
CN108849677A (zh) | 一种基于物联网的渔业养殖防过量喂料*** |
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 |