CN110308254B - 低溶解氧的精准监测方法 - Google Patents

Abstract

本发明涉及属于水产养殖领域，具体涉及一种低溶解氧的精准监测方法。本发明通过对水体温度、pH、浊度和氨氮等多种环境因素建立样本集，通过优化长短时记忆网络(LSTM)的损失函数，构建了低溶解氧含量估算模型LDO‑LSTM，优化后的模型更能够充分学习低溶解氧的分布特征，在不影响预测溶解氧总体趋势的情况下，精准估算低溶解氧，确保了低溶解氧的精准估算，实现实时检测低溶解氧，从而节约了在实际养殖过程中用于检测溶解氧传感器的费用支出，同时解决了在低溶解氧时刻检测不准确可能导致人工增氧不及时带来的鱼类死亡问题。

Description

低溶解氧的精准监测方法

技术领域

本发明涉及属于水产养殖领域，具体涉及一种低溶解氧的精准监测方法。

背景技术

水产养殖是我国的重要产业之一，而溶解氧又是检测养殖水域环境的重要参数之一。现如今，对于溶解氧的检测主要是溶解氧传感器。溶解氧传感器价格昂贵且使用周期短，造成了投入成本和养殖成本的提高。而且溶解氧传感器在池塘水体环境中易受水体中酸根离子的腐蚀，使测得的溶解氧数值不精确，尤其是低溶解氧数值测量不精确，可能导致人工增氧不及时，造成鱼类死亡等恶劣后果。

发明内容

本发明要解决的技术问题是提供一种提高养殖水域低溶解氧的检测精度的低溶解氧的精准监测方法。

为了解决上述技术问题，本发明解决其技术问题所采用的技术方案是：

一种低溶解氧的精准监测方法，包括以下步骤：

S1：使用历史采集的养殖水域的溶解氧数值、温度、浊度、pH值和氨氮构建数据集；

S2：对数据集中的数据进行滤波清洗和归一化处理，对环境变量进行相关性分析，使用主成分分析融合数据特征并进行特征降维，构建训练样本集；

S3：将样本集中的温度、浊度、pH值和氨氮的数据信息作为输入变量，将溶解氧数值作为输出变量，以交叉验证的方法对样本切分，组合为不同的训练集和测试集，分别训练和测试优化的长短时记忆网络LDO-LSTM,构建不同的LDO-LSTM模型，用改进的损失函数度量得到的模型的好坏，以获得最优的低溶解氧含量估算模型LDO-LSTM；

S4：实时采集养殖水域的温度、浊度、pH值和氨氮，运用步骤S3建立的低溶解氧含量估算模型LDO-LSTM估算溶解氧数据，用于实时检测低溶解氧数值。

优选的，步骤S3中，建立的低溶解氧含量估算模型LDO-LSTM的损失函数在平均绝对误差基础上，改进为平均绝对百分比误差。

优选的，步骤S3中，当溶解氧高于6.5mg/L并且小于8.5mg/L时，真实溶解氧初始的权重值赋予

预测溶解氧初始的权重值为

当溶解氧高于4.5mg/L并且小于等于6.5mg/L时，真实溶解氧的初始值赋予

预测溶解氧初始的权重值为

当溶解氧小于等于4.5mg/L时，真实溶解氧赋予

预测溶解氧赋予

优选的，步骤S2归一化处理后，先利用高斯滤波法对数据进行滤波降噪，然后构建训练样本集。

优选的，步骤S3中的损失函数，根据溶解氧数值的大小将赋予不同的权重，这些权重在反向传播过程中，均为可训练的。

本发明的有益效果：

本发明通过对水体温度、pH、浊度和氨氮等多种环境因素建立样本集，通过优化长短时记忆网络(LSTM)的损失函数，构建了低溶解氧含量估算模型LDO-LSTM，优化后的模型更能够充分学习低溶解氧的分布特征，在不影响预测溶解氧总体趋势的情况下，精准估算低溶解氧，确保了低溶解氧的精准估算，实现实时检测低溶解氧，从而节约了在实际养殖过程中用于检测溶解氧传感器的费用支出，同时解决了在低溶解氧时刻检测不准确可能导致人工增氧不及时带来的鱼类死亡问题。

附图说明

图1是本发明的一种低溶解氧的精准监测方法流程图。

图2是本发明的LSTM网络模型图。

图3是本发明的LDO-LSTM溶解氧检测图。

图4是本发明的LDO-LSTM网络在反向传播过程的损失函数。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

参照图1所示，一种低溶解氧的精准监测方法，包括以下步骤：

S1：使用历史采集的养殖水域的溶解氧数值、温度、浊度、pH值和氨氮构建数据集；

具体的，设当前温度、pH、浊度和氨氮组成4维输入向量数据X_t,输出向量为溶解氧Y_t,前一时刻的输入向量数据为X_t-1,输出向量溶解氧Y_t-1。

S2：对数据集中的数据进行滤波清洗和归一化处理，在对数据进行归一化处理后，得到新的输入向量X_t、X_t-1,输出向量Y_t、Y_t-1；对环境变量进行相关性分析，使用主成分分析融合数据特征并进行特征降维，构建训练样本集；

S3：将样本集中的温度、浊度、pH值和氨氮的数据信息作为输入变量，将溶解氧数值作为输出变量，以交叉验证的方法将样本集分为训练集和测试集，构建长短时记忆网络LSTM，用训练集训练长短时记忆网络LSTM；通过测试集测试长短时记忆网络LSTM的预测精度，优化损失函数，建立低溶解氧含量估算模型LDO-LSTM。

S4：实时采集养殖水域的温度、浊度、pH值和氨氮，运用步骤S3建立的低溶解氧含量估算模型LDO-LSTM估算溶解氧数据，用于实时检测低溶解氧数值。

本发明通过优化长短时记忆网络(LSTM)的损失函数，提出了低溶解氧含量的估算模型(low dissolved oxygen long short-term memory，LDO-LSTM)。将历史采集的数据作为数据集，基于优化的长短时记忆网络建立检测溶解氧数值的人工智能模型，在训练网络模型好后，在不使用溶解氧传感器测定溶解氧的情况下，根据温度、浊度、pH值和氨氮计算溶解氧数值，此发明能够对低溶解氧进行精准估算，同时不损失整体监测精度。

交叉验证就是对样本切分，组合为不同的训练集和测试集，分别训练和测试优化的长短时记忆网络LDO-LSTM,构建不同的LDO-LSTM模型，用改进的损失函数度量得到的模型的好坏。最后获得最优的低溶解氧含量估算模型LDO-LSTM。

步骤S3中，建立的低溶解氧含量估算模型LDO-LSTM的损失函数在平均绝对误差基础上，改进为平均绝对百分比误差。

具体的，低溶解氧含量估算模型LDO-LSTM的损失函数是在平均绝对误差(meanabsolute error，MAE_loss)基础上，改进成平均绝对百分比误差(mean absolutepercentage error，MAPE_loss)。在MAPE_loss中，根据溶解氧值的变化趋势，真实溶解氧和预测溶解氧值选择sin函数作为权重函数；根据溶解氧大小，赋予真实溶解氧和预测溶解氧不同的权重大小。

步骤S3中，当溶解氧高于6.5mg/L并且小于8.5mg/L时，真实溶解氧初始的权重值赋予

预测溶解氧初始的权重值为

当溶解氧高于4.5mg/L并且小于等于6.5mg/L时，当溶解氧高于4.5mg/L并且小于等于6.5mg/L时，真实溶解氧的初始值赋予

预测溶解氧初始的权重值为

当溶解氧小于等于4.5mg/L时，真实溶解氧赋予

预测溶解氧赋予

其中

是sin函数的参数，随着网络的训练逐渐更新，yⁱ是溶解氧的真实值；

是溶解氧的预测值。

具体的，将样本集分为训练集和测试集，改进长短时记忆网络得损失函数。在溶解氧的三个值大小分布(6.5mg/L＜溶解氧≤8mg/L、4.5mg/L＜溶解氧≤6.5mg/L、溶解氧≤4.5mg/L)时，真实值分别赋予

是根据溶解氧的变化趋势和采样周期赋初值，并在网络的训练过程中，逐渐学习更新。这样LDO-LSTM网络在训练过程中，就会判断出预测的溶解氧较小，且溶解氧越低，网络认为溶解氧的值越小。预测值分别赋予

且

的值和预测值的相同，这样在网络会认为在低溶解氧的时候，真实值更低，预测值更高，随LDO-LSTM网络逐渐训练更新，会缩小真实值和预测值之间的差距，充分学习低溶解氧的分布特征。具体的步骤为：

1.遗忘门输出：

f^t＝σ(W_f·h^t-1+U_f·x^t+b_f)

其中，f^t：代表遗忘门输出；

W_f和U_f：遗忘门中和上一层隐含层连接的权值；

σ：遗忘门的sigmoid激活函数；

b_f：遗忘门的阈值；

h^t-1：上一时刻隐藏层的输出；

x^t：此时刻的输入。

2.输入层输出：

i^t＝σ(W_i·h^t-1+U_i·x^t+b_i)

a^t＝tanh(W_a·h^t-1+U_a·x^t+b_a)

其中，i^t和a^t：输入门的输出值；

W_iU_iW_aU_a：表示输入门的权值；

b_ib_a：输入门的阈值；

h^t-1：上一时刻隐藏层的输出；

x^t：此时刻的输入；

σ：sigmoid激活函数；

tanh()：tanh()激活函数。

3.细胞状态输出：

C^t＝C^t-1·f^t+i^t·a^t

其中，C^t：当前时刻细胞状态的值；

C^t-1：前一时刻细胞状态的值；

f^ti^ta^t：分别为公式1和公式中的f^ti^ta^t。

4.输出门输出：

o^t＝σ(W_o·h^t-1+U_o·x^t+b_o)

h^t＝o^t·tanh(C^t)

其中，W_oU_o：输出门的权值；

h^t-1：上一时刻隐藏层的输出；

x^t：此时刻的输入；

σ：遗忘门的sigmoid激活函数；

o^t：输出门的输出确定哪一部份被输出；

h^t：细胞状态的输出。

5.对细胞状态值求导：

其中，

溶解氧预测值；

σ：sigmoid激活函数；

U：全链接层的权值；

c：全链接层的阈值。

6.自定义损失函数：

其中：

在反向传播时求梯度时，t时刻的损失函数不仅来自于当前输出层的损失函数e(t),而且还来自于t时刻之后的损失函数。因此，t时刻，总的损失函数为：

E(t)＝e(t)+E(t+1)

其中，e(t)：损失函数；

α：真实值的初始权值随着网络的训练逐渐更新；

sin函数的参数，随着网络的训练逐渐更新；

β：预测值的初始权值随着网络的训练逐渐更新；

yⁱ：溶解氧的真实值；

溶解氧的预测值。

7.对隐含层h(t)求导：

1)

2)

3)

4)

5)

6)

7)

8)

9)

8.对细胞状态值求导：

9.根据公式5、公式6就能求出反向传播时的W_o,b_o,W_f,b_f,W_a,b_a,U,c,W_i,b_i。

步骤S2归一化处理后，先利用高斯滤波法对数据进行滤波降噪，然后构建训练样本集。

所述步骤S3中的损失函数，根据溶解氧数值的大小赋予不同的权重，且这些权重在反向传播过程中，均为可训练的。

本发明通过使用历史数据分析水域检测过程中采集的各个变量之间的相关性，发现溶解氧与温度、氨氮、浊度和pH有着很大的相关性。试验结果发现：LDO-LSTM溶解氧监测模型在低溶解氧时可以达到很高的检测精度，达到了实际养殖过程中的要求，从而节约了在实际养殖过程中用于检测溶解氧传感器的费用支出，同时解决了在低溶解氧时刻检测不准确可能导致增氧不及时和鱼类死亡的问题。

以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (4)

1.一种低溶解氧的精准监测方法，其特征在于，包括以下步骤：

S1：使用历史采集的养殖水域的溶解氧数值、温度、浊度、pH值和氨氮构建数据集；

S2：对数据集中的数据进行滤波清洗和归一化处理，对环境变量进行相关性分析，使用主成分分析融合数据特征并进行特征降维，构建训练样本集；

S3：将样本集中的温度、浊度、pH值和氨氮的数据信息作为输入变量，将溶解氧数值作为输出变量，以交叉验证的方法对样本切分，组合为不同的训练集和测试集，分别训练和测试优化的长短时记忆网络LDO-LSTM,构建不同的LDO-LSTM模型，用改进的损失函数度量得到的模型的好坏，以获得最优的低溶解氧含量估算模型LDO-LSTM；

步骤S3中，当溶解氧高于6.5mg/L并且小于8.5mg/L时，真实溶解氧初始的权重值赋予

预测溶解氧初始的权重值为

当溶解氧高于4.5mg/L并且小于等于6.5mg/L时，真实溶解氧的初始值赋予

预测溶解氧初始的权重值为

当溶解氧小于等于4.5mg/L时，真实溶解氧赋予

预测溶解氧赋予

其中π为圆周率，

是sin函数的参数，随着网络的训练逐渐更新；y_i是溶解氧的真实值；

是溶解氧的预测值；

S4：实时采集养殖水域的温度、浊度、pH值和氨氮，运用步骤S3建立的低溶解氧含量估算模型LDO-LSTM估算溶解氧数据，用于实时检测低溶解氧数值。

2.如权利要求1所述的低溶解氧的精准监测方法，其特征在于，步骤S3中，建立的低溶解氧含量估算模型LDO-LSTM的损失函数在平均绝对误差基础上，改进为平均绝对百分比误差。

3.如权利要求1所述的低溶解氧的精准监测方法，其特征在于，步骤S2归一化处理后，先利用高斯滤波法对数据进行滤波降噪，然后构建训练样本集。

4.如权利要求1所述的低溶解氧的精准监测方法，其特征在于，所述步骤S3中的损失函数，根据溶解氧数值的大小将赋予不同的权重，这些权重在反向传播过程中，均为可训练的。

Images