基于SAE-BP神经网络的水体“三氮”在线预测模型研究

发布时间：2023-11-04 12:14

　　氨氮、亚硝酸盐氮和硝酸盐氮统称为“三氮”。“三氮”,特别是氨氮和亚硝酸盐氮对于水产养殖动物具有很高的毒性,对于其含量的及时监控非常重要。传统的“三氮”检测法存在价格昂贵、操作繁琐、耗时长等缺点,难以大面积推广,因此急需研发一种能快速的预测养殖水体“三氮”的模型,本文结合物联网以及人工神经网络的技术特点,展开了对“三氮”浓度实时预测模型的研究,本文的主要内容如下:1、建立水质参数实时监控系统。通过铺设传感器实时采集水体中水质参数的数据,建立基于物联网的水质参数实时监控系统用于温度、pH值、溶解氧、氧化还原电位的实时测定。2、“三氮”浓度数据的采集。本文分别通过纳氏试剂光度法、α-萘胺比色法及双波长紫外分光光度法分别对水中氨氮、亚硝酸盐氮及硝酸盐氮浓度进行测定。通过分析不同试验组中同一时间点的“三氮”浓度,以及四种水质参数:pH值、温度、氧化还原电位、溶解氧的数据,得到以下结论:pH值的升高会使得水体氧化还原电位下降,温度下降会使得水中溶解氧浓度升高,“三氮”浓度受pH值、温度影响较大。3、“三氮”浓度预测模型研究。对“三氮”浓度预测的关键在于获得各种水质参数与“三氮”浓度之间的关联,即提...

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
缩略语表(Abbreviation)
第一章 文献综述
    1.1 养殖水体“三氮”概述
        1.1.1 水体氮的来源以及存在形式
        1.1.2 氨氮的危害
        1.1.3 亚硝酸盐的危害
        1.1.4 硝酸盐的危害
        1.1.5 影响水体“三氮”含量的因素
    1.2 水质预测研究概述
    1.3 神经网络概述
        1.3.1 神经网络概念
        1.3.2 传统BP神经网络
        1.3.3 自动编码器
        1.3.4 栈式自动编码器
    1.4 研究目的和意义
第二章 水质参数及“三氮”数据采集
    2.1 预测模型参数的选择
    2.2 水质参数监测平台概述
        2.2.1 水质参数监测系统总体架构与工作原理
        2.2.2 前端监测设备硬件结构
    2.3 “三氮”含量测定方法的选择
    2.4 “三氮”浓度测定及原理
        2.4.1 纳氏比色法测定氨氮浓度
        2.4.2 α-萘胺比色法测定亚硝酸盐氮浓度
        2.4.3 双波长紫外分光光度法测定硝酸盐氮浓度
        2.4.4 “三氮”测定的标准曲线
    2.5 水样的预处理
    2.6 试验分组及结果
        2.6.1 氨氮
        2.6.2 亚硝酸盐氮
        2.6.3 硝酸盐氮
    2.7 水质参数与“三氮”之间的相关性
        2.7.1 水质参数彼此之间的相关性
        2.7.2 pH以及温度与氨氮浓度之间的相关性
        2.7.3 pH值以及温度与亚硝酸盐氮浓度之间的相关性
        2.7.4 温度与硝酸盐氮浓度之间的相关性
第三章 建立基于SAE-BP神经网络的水质预测模型
    3.1 建模所用软件的选择
    3.2 原始数据的预处理
    3.3 训练样本集与预测样本集的选择
    3.4 确定神经网络的各项参数
    3.5 SAE-BP神经网络的网络结构
    3.6 模型的训练结果
        3.6.1 SAE-BP神经网络对氨氮的预测
        3.6.2 SAE-BP神经网络对亚硝酸盐氮的预测
        3.6.3 SAE-BP神经网络对硝酸盐氮的预测
第四章 讨论
    4.1 与其他“三氮”预测模型的分析对比
        4.1.1 氨氮预测模型
        4.1.2 亚硝酸盐氮预测模型
    4.2 水质参数选取讨论
    4.3 模型优化讨论
    4.4 模型应用讨论
全文总结
参考文献
硕士期间发表论文
致谢



本文编号：3860286