基于随机配置网络及其改进的养殖水质氨氮浓度软测量
发布时间：2021-01-21 21:44
为了解决集约化海水养殖过程中水体氨氮浓度测量存在的成本高、消耗大、难以实时有效检测等问题,本文以实验室集约化循环海水养殖控制系统在养殖大菱鲆过程中所采集到的相关水质参数为基础,对影响水体氨氮浓度的相关变量进行分析。根据辅助变量易测的要求,结合实际条件选取大菱鲆养殖过程中所获得的养殖水体的温度、溶解氧、电导率和pH值作为辅助变量,建立相应的氨氮浓度软测量模型,进而实现对养殖水体氨氮浓度进行实时有效的监测。通过分析和对比BP网络、随机向量功能链网络（Random Vector Function Link,RVFL）以及随机配置网络（Stochastic configuration networks;SCNs）各自算法的特点和不足,利用随机配置网络具有快速学习能力和较高逼近性能等优势,将随机配置网络引入到集约化养殖水体氨氮浓度的软测量过程中。为避免SCNs参数选取的随机性给模型测量性能带来的影响,提出了遗传算法（Genetic Algorithm,GA）优化的SCNs软测量模型。该模型基于遗传算法对SCNs的预选权值和阈值矩阵进行了优化,并将优化后的预选矩阵用于SCNs模型的构建,然后基于集...
【文章来源】：大连海洋大学辽宁省
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
集约化循环海水养殖系统结构
72.1.3循环养殖系统的设计在集约化循环控制系统的循环水养殖区共包含5个水箱。其分别为上位水箱、备用水箱、养殖水箱、沉淀水箱和过滤水箱。其中各水箱间的水循环连通方式，如图2-2所示。其中备用水箱用来储备新鲜海水，用于对集约化海水循环养殖系统日常消耗的海水进行补充，备用水箱通过水泵1的作用，将备用水箱中存有的海水，输送到上位水箱中，来为系统注入新鲜海水，这也是外来海水输入系统的唯一途径。图2-2养殖水箱循环控制系统Fig.2-2Circulationcontrolsystemofaquaculturewatertank上位水箱分别与养殖水箱和过滤水箱相连接。在养殖过程中，通过上位机与PLC控制电磁阀1和阀2的开关，来控制上位水箱与养殖水箱和过滤水箱的连通。值得注意的是，系统中上位水箱的位置均高于其余四个水箱。因此，当打开系统中电磁阀1和阀2时，海水将从上位水箱流出，并通过重力的作用分别流入到养殖水箱和过滤水箱中。这样可以减少资源的浪费，降低系统运行成本。养殖水箱与沉淀水箱分别用于生产养殖与废水的初步处理。在养殖水箱中装有水体温度、压力、pH值、溶解氧以及电导率等传感器，用于对相关水质参数进行检测。养殖水箱中的水仅由上位水箱提供，养殖水箱中的水可以通过泵2输入到沉淀水箱中进行废水的初步处理。经沉淀水箱初步处理后的废水经过泵3到达过滤水箱，再经由过滤水箱来进一步的进行过滤处理，来达到更好的处理效果。在过滤水箱中的水源，除了沉淀水箱经泵3输入外，还可由上位水箱进行输入。通过上位水箱与过滤水箱的循环，可以实现对养殖海水进行反复过滤。然后在将过滤后满足养殖要求的海水再经上位水箱注入养殖水箱中，实现海水的重复循环利用，减少水资源的浪费和对环境的污染。
12图3-1BP基本网络结构Fig.3-1BPbasicnetworkstructureBP算法用于网络训练时主要包含两个阶段[57]：第一阶段为前向计算阶段。该阶段从输入层开始，逐层计算各节点的输出，最终得到网络的实际输出。第二阶段为反向误差传播阶段。在该阶段通过计算期望输出与实际输出的误差，来判断所得误差是否满足预设精度，若不满足则将误差反向传播到网络的各层神经元节点中。利用梯度下降法来依次调整各层神经元节点的连接权值，然后返回第一阶段重新开始新一轮前向计算过程。反向传播算法通过前向计算，反向误差传播两个阶段的循环，来迭代修正网络参数，直到网络输出结果满足预设精度，或达到预设的循环次数为止，其算法流程图如图3-2所示：图3-2BP神经网络基本流程图Fig.3-2AlgorithmflowchartofBPneuralnetwork
本文编号：2991945
【文章来源】：大连海洋大学辽宁省
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
集约化循环海水养殖系统结构
72.1.3循环养殖系统的设计在集约化循环控制系统的循环水养殖区共包含5个水箱。其分别为上位水箱、备用水箱、养殖水箱、沉淀水箱和过滤水箱。其中各水箱间的水循环连通方式，如图2-2所示。其中备用水箱用来储备新鲜海水，用于对集约化海水循环养殖系统日常消耗的海水进行补充，备用水箱通过水泵1的作用，将备用水箱中存有的海水，输送到上位水箱中，来为系统注入新鲜海水，这也是外来海水输入系统的唯一途径。图2-2养殖水箱循环控制系统Fig.2-2Circulationcontrolsystemofaquaculturewatertank上位水箱分别与养殖水箱和过滤水箱相连接。在养殖过程中，通过上位机与PLC控制电磁阀1和阀2的开关，来控制上位水箱与养殖水箱和过滤水箱的连通。值得注意的是，系统中上位水箱的位置均高于其余四个水箱。因此，当打开系统中电磁阀1和阀2时，海水将从上位水箱流出，并通过重力的作用分别流入到养殖水箱和过滤水箱中。这样可以减少资源的浪费，降低系统运行成本。养殖水箱与沉淀水箱分别用于生产养殖与废水的初步处理。在养殖水箱中装有水体温度、压力、pH值、溶解氧以及电导率等传感器，用于对相关水质参数进行检测。养殖水箱中的水仅由上位水箱提供，养殖水箱中的水可以通过泵2输入到沉淀水箱中进行废水的初步处理。经沉淀水箱初步处理后的废水经过泵3到达过滤水箱，再经由过滤水箱来进一步的进行过滤处理，来达到更好的处理效果。在过滤水箱中的水源，除了沉淀水箱经泵3输入外，还可由上位水箱进行输入。通过上位水箱与过滤水箱的循环，可以实现对养殖海水进行反复过滤。然后在将过滤后满足养殖要求的海水再经上位水箱注入养殖水箱中，实现海水的重复循环利用，减少水资源的浪费和对环境的污染。
12图3-1BP基本网络结构Fig.3-1BPbasicnetworkstructureBP算法用于网络训练时主要包含两个阶段[57]：第一阶段为前向计算阶段。该阶段从输入层开始，逐层计算各节点的输出，最终得到网络的实际输出。第二阶段为反向误差传播阶段。在该阶段通过计算期望输出与实际输出的误差，来判断所得误差是否满足预设精度，若不满足则将误差反向传播到网络的各层神经元节点中。利用梯度下降法来依次调整各层神经元节点的连接权值，然后返回第一阶段重新开始新一轮前向计算过程。反向传播算法通过前向计算，反向误差传播两个阶段的循环，来迭代修正网络参数，直到网络输出结果满足预设精度，或达到预设的循环次数为止，其算法流程图如图3-2所示：图3-2BP神经网络基本流程图Fig.3-2AlgorithmflowchartofBPneuralnetwork
本文编号：2991945
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2991945.html
