基于机器学习的跨平台水产精准养殖管理系统设计

发布时间：2017-04-07 22:21

  本文关键词：基于机器学习的跨平台水产精准养殖管理系统设计，，由笔耕文化传播整理发布。

【摘要】：目前,世界上大约90%的水产品来自亚洲,中国的水产品总量占亚洲水产品总量的80%左右。我国是世界上的水产养殖大国,是全球水产养殖业的主体。我国现有的水产养殖模式中传统养殖方式仍然占主导地位,占地面积大,单纯依靠人工经验进行养殖。这必然会造成人力资源和土地资源的浪费,且不能精确地控制养殖水体的水质参数。完全依靠人工经验判断养殖容易造成水产品的产量和质量下降。利用现代化技术使水产养殖业达到节地、节水、高产、可控等特点,是促进我国水产养殖业发展的必然趋势。本文针对精准养殖管理系统进行了研究,提出了机器学习的新思路。本文在无线通讯技术、传感器技术、计算机技术、数据库技术、水产品养殖经验技术、产品追溯技术、远程视频技术、建模数据挖掘技术和数据加密技术等技术背景下,进行多学科交叉研究。主要研究内容与结论如下:(1)首先介绍了水产品精准养殖技术的国内外研究现状以及阐述了水产品精准养殖管理系统的研究背景。分析了精准养殖和机器学习结合的可行性,并以此为依据提出了本研究的研究目的和主要内容。(2)根据循环水精准养殖的特点,提出了一种基于多平台的水产养殖精准管理系统整体设计方案,系统包括信息采集模块、养殖生产模块、养殖管理模块、水质预测模块、用户溯源模块五大部分,系统实现了对水产品精准养殖管理操作,同时实现了对养殖水质的预测和评价。(3)通过对养殖水质的实际需求分析,根据水质传感器的技术指标,对水产养殖精准管理系统进行了硬件设计。针对水质传感器精度以及传输过程中丢包率的问题,进行了软件补偿。(4)为了实现准确检测水质参数,挖掘水质参数之间的耦合关系从而对水质做出预报和评价,构建了基于PSO-BPNN的水产养殖水温及pH预测模型和基于改进粒子群优化的极限学习机养殖氨氮预测模型,分析了模型的预测性能。通过实验表明,两种水质预测模型对非线性时间序列上的养殖水质预测是可行的,相比于传统的BP神经网络和支持向量回归预测,具有更好的精度。(5)根据水产精准养殖管理系统基本要求,开发了水产养殖精准管理系统应用软件,软件分为Android客户端和服务器端两部分,实现了各子模块的基本功能,并将上述水质预测模型算法引入系统,实现了对水质预测和评价的功能,具有一定的实用价值。本文的主要创新点有三:一是针对集约化水产养殖的趋势下的水产养殖水质预测的实际需求,提出机器学习的思路来解决水质参数之间的非线性耦合关系;二是在水质预测模型算法实现方面,提出了一种基于粒子群算法优化的BP神经网络的水质预测模型;三是在水产养殖精准化软件方面,将水产品养殖与食品安全可追溯相结合,设计出水产养殖精准管理系统,系统对水产品养殖管理有一定的现实意义。
【关键词】：水产养殖 机器学习 跨平台 精准化 养殖管理系统
【学位授予单位】：太原理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP311.52;TP181
【目录】：

• 摘要3-5
• ABSTRACT5-13
• 第1章 绪论13-19
• 1.1 课题提出的背景和目的13-14
• 1.2 国内外的研究现状及发展趋势14-16
• 1.2.1 水产品养殖水质预测的研究现状14-15
• 1.2.2 水产品溯源技术的研究现状15
• 1.2.3 水产品养殖精准管理的研究现状15-16
• 1.3 研究的主要内容及拟解决的问题16-17
• 1.3.1 研究的主要内容16
• 1.3.2 拟解决的问题16-17
• 1.4 本章小结17-19
• 第2章 系统总体设计19-25
• 2.1 系统设计要求19
• 2.2 系统设计原则19-21
• 2.3 系统整体框架21-22
• 2.4 可行性分析22-24
• 2.5 本章小结24-25
• 第3章 机器学习在水产精准养殖系统中的应用25-43
• 3.1 养殖水质预警的重要性25-26
• 3.1.1 水温对养殖水体的影响25
• 3.1.2 pH对养殖水体的影响25-26
• 3.1.3 氨氮对养殖水体的影响26
• 3.2 相关理论基础26-29
• 3.2.1 粒子群算法介绍26-27
• 3.2.2 BP神经网络算法介绍27-28
• 3.2.3 极限学习机算法介绍28-29
• 3.3 机器学习在养殖水质预测中的应用29-42
• 3.3.1 基于粒子群优化的BP神经网络养殖水温及pH预测模型29-35
• 3.3.2 基于改进粒子群优化的极限学习机养殖氨氮预测模型35-42
• 3.4 本章小结42-43
• 第4章 系统硬件设计与选型43-51
• 4.1 硬件系统总体结构43-44
• 4.2 养殖环境数据采集模块选型及介绍44-46
• 4.2.1 养殖水质传感器选型及介绍44-45
• 4.2.2 温湿度传感器选型及介绍45-46
• 4.3 视频采集系统选型及介绍46-48
• 4.4 数据传输系统选型及介绍48-50
• 4.4.1 Zigbee采集模块选型及介绍48-49
• 4.4.2 WIFI+Zigbee网关选型及介绍49-50
• 4.5 本章小结50-51
• 第5章 系统软件设计51-69
• 5.1 软件系统整体结构51-52
• 5.2 Android客户端软件程序设计52-59
• 5.2.1 Android平台的框架结构52-54
• 5.2.2 开发语言及工具54-55
• 5.2.3 客户端各功能模块介绍55-59
• 5.3 服务器端程序设计59-65
• 5.3.1 B/S架构模式介绍59-60
• 5.3.2 ASP.NET技术介绍60-61
• 5.3.3 服务器端各功能模块介绍61-65
• 5.4 数据库程序设计65-68
• 5.4.1 编程语言及开发环境65-66
• 5.4.2 数据库设计66-68
• 5.5 本章小结68-69
• 第6章 总结展望69-71
• 6.1 研究的结论69-70
• 6.2 本文的创新点70
• 6.3 不足与展望70-71
• 参考文献71-75
• 致谢75-77
• 攻读硕士学位期间发表的学术论文77

【相似文献】

中国期刊全文数据库 前10条

1 平远;水产养殖专用的微电脑[J];四川畜禽;1997年03期

2 周海燕;;水产养殖安全技术平台的建立及其关键技术的研究[J];现代计算机(专业版);2011年08期

3 ;水产养殖管理征文启事[J];中国水产;2004年08期

4 黄怀英;;充分利用人力资源提高水产养殖企业效益[J];电子商务;2010年09期

5 陈刚;朱启兵;杨慧中;;水产养殖在线监控系统的设计[J];计算机与应用化学;2013年10期

6 ;水产养殖管理征文启事[J];中国水产;2004年07期

7 ;水产养殖管理征文启事[J];中国水产;2004年09期

8 ;水产养殖管理征文启事[J];中国水产;2004年10期

9 陈健O

本文编号：291465