养殖水质氨氮混合软测量模型研究

发布时间：2021-04-29 02:57

　　针对集约化水产养殖环境复杂、氨氮质量浓度在线检测困难等问题,提出了一种基于广义可加模型和支持向量回归的混合建模方法。首先根据机理分析,选择水温、溶氧、pH、电导率作为辅助变量,然后分析数据确定各个变量的分布形式,以对数函数作为连接函数,建立氨氮质量浓度广义可加模型。为提高建模精度,将其与BP神经网络、随机配置网络、支持向量回归建模方法相结合,分别对养殖水质氨氮质量浓度进行混合软测量,并对结果进行比较。结果显示:广义可加模型能较为迅速地找出氨氮质量浓度和辅助变量之间的关系,有更高的可解释性,基于支持向量回归补偿后的混合模型有更高的精度,氨氮质量浓度的变化趋势能更好地跟踪实验室化验值的变化。与单独使用广义可加模型相比,混合模型的均方根误差降低了0.013;与单独使用支持向量回归相比,混合模型的均方根误差降低了0.005。试验结果证明了广义可加模型和支持向量回归混合模型的有效性,为水产养殖氨氮质量浓度检测提供了一种新的方法。 

【文章来源】：渔业现代化. 2020,47(03)CSCD

【文章页数】：9 页

【文章目录】：
1 氨氮质量浓度软测量建模策略
    1.1 循环水养殖工艺过程描述
    1.2 氨氮在养殖水体中的反应原理
    1.3 氨氮软测量建模结构
2 基于广义可加模型的氨氮质量浓度机理近似模型
    2.1 广义可加模型简介
    2.2 基于广义可加模型的氨氮质量浓度建模
3 基于支持向量回归的氨氮质量浓度补偿模型
4 仿真试验
    4.1 数据采集与预处理
    4.2 试验过程
        4.2.1 试验内容
        4.2.2 试验结果
5 结果与讨论
    5.1 支持向量机与神经网络软测量性能的对比
    5.2 混合模型带来的改进
6 结论


【参考文献】：
期刊论文
[1]基于GA-SVR的海水养殖过程软测量建模[J]. 李康,王魏,林少涵.  控制工程. 2019(11)
[2]基于随机配置网络的海水养殖氨氮浓度软测量模型[J]. 王魏,郭戈.  农业机械学报. 2020(01)
[3]基于支持向量机的静压转台热误差补偿[J]. 黄智,贾臻杰,邓涛,刘永超,杜丽.  浙江大学学报(工学版). 2019(08)
[4]基于改进深度信念网络的池塘养殖水体氨氮预测模型研究[J]. 陈英义,成艳君,杨玲,刘烨琦,李道亮.  农业工程学报. 2019(07)
[5]集约化养殖水体氨氮危害及调控措施[J]. 朱日同.  河南水产. 2018(03)
[6]基于尖峰自组织径向基网络的氨氮软测量方法[J]. 卢超,杨翠丽,乔俊飞.  信息与控制. 2017(06)
[7]基于递归RBF神经网络的出水氨氮预测研究[J]. 乔俊飞,马士杰,许进超.  计算机与应用化学. 2017(02)
[8]基于LS-SVM的养殖水体氨氮含量分析模型的优化[J]. 居锦武.  大连海洋大学学报. 2016(04)
[9]我国氨氮海水质量基准的探讨[J]. 郑磊,张娟,闫振广,刘征涛.  海洋学报. 2016(04)
[10]基于广义可加模型分析时空和环境因子对2013年南极磷虾资源分布的影响[J]. 孙珊,李显森,赵文武,张吉昌,朱建成,徐玉成.  水产科学. 2015(10)

硕士论文
[1]广义可加模型及其在医学中的应用[D]. 贾彬.山西医科大学 2005



本文编号：3166700