水产养殖中溶解氧动态变化建模研究

发布时间：2023-11-25 05:07

　　溶解氧是水质变化过程中的重要参数,大多水质净化过程都需要氧气参与,反映出水体的自净能力;同时,溶解氧作为水体内生命存活的主要需求,在水产养殖过程中充当重要角色,合适的浓度区间内有利于水产品生长发育。为了促进水产养殖业的发展,需要人工增氧和关注水质变化,因此有必要充分掌握溶解氧的变化规律。本文围绕养殖水域内溶解氧动态变化的建模问题,研究了基于数据驱动和机理驱动的建模方法,具体工作分为以下三个部分:1.提出了基于回声状态网络(Echo State Networks,ESN)的溶解氧短时建模预测方法。针对支持向量机(Support Vector Machine,SVM)和前馈神经网络等传统建模方法缺乏历史输入信息记忆能力、训练速度慢的问题,将ESN引入到溶解氧建模中。并提出训练样本双向构造和ESN模型集成策略,用于解决传统ESN模型存在的网络自由参数定值和在储备池规模较大情况下存在的模型泛化性能恶化问题。测试结果表明,改进后的ESN具有良好的参数鲁棒性;在较大规模的储备池情况下,可以有效减弱传统ESN出现的过拟合现象,保证或提高了模型的泛化性能。测试结果显示,改进后ESN相比于最小二乘支持向...

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究的背景及意义
    1.2 养殖水域的水质参数相关国内外研究现状
        1.2.1 水质参数检测技术
        1.2.2 基于数据驱动的水质参数建模技术
        1.2.3 基于机理驱动的水质参数建模技术
    1.3 本文研究内容
第二章 基本方法与实验数据信息
    2.1 非线性时间序列状态空间重构
    2.2 模型评价指标
    2.3 实验数据信息
    2.4 本章小结
第三章 基于回声状态网络的溶解氧预测建模
    3.1 回声状态网络(Echo State Networks,ESN)
        3.1.1 ESN模型
        3.1.2 ESN结构设计与训练
    3.2 ESN算法改进
        3.2.1 ESN模型集成策略
        3.2.2 训练样本双向构造方法
        3.2.3 改进算法的建模流程
    3.3 建模结果分析
    3.4 本章小结
第四章 基于多变量输入和GRU的溶解氧中期预测建模
    4.1 LSTM与 GRU
        4.1.1 长短时记忆神经网络(Long Short-Term Memory,LSTM)
        4.1.2 门控递归单元网络(Gate Recurrent Unit,GRU)
    4.2 变量选择与数据分析
        4.2.1 变量选择
        4.2.2 数据相关性分析
    4.3 结果分析
    4.4 本章小结
第五章 基于机理驱动的养殖水域溶解氧动态变化模型
    5.1 动态变化过程
        5.1.1 光合作用
        5.1.2 大气复氧和人工增氧
        5.1.3 呼吸作用和沉积物耗氧
        5.1.4 龙格-库塔方法
        5.1.5 参数寻优方法
    5.2 实验方法
        5.2.1 实验数据采集地点
        5.2.2 实验方案
    5.3 结果分析与讨论
    5.4 本章小结
主要结论与展望
    主要结论
    展望
致谢
参考文献
附录:作者在攻读硕士学位期间发表的论文



本文编号：3867332