基于物聯(lián)網(wǎng)的浮標(biāo)水質(zhì)監(jiān)測(cè)系統(tǒng)與溶解氧濃度預(yù)測(cè)模型

曹守啟 葛照瑞 張 錚

(上海海洋大學(xué)工程學(xué)院， 上海 201306)

0 引言

近年來(lái)我國(guó)水產(chǎn)養(yǎng)殖業(yè)高速發(fā)展，水產(chǎn)養(yǎng)殖經(jīng)濟(jì)產(chǎn)值不斷增加，其中海水養(yǎng)殖產(chǎn)業(yè)占據(jù)很大比重，對(duì)我國(guó)經(jīng)濟(jì)發(fā)展具有重要影響[1-2]。在近海養(yǎng)殖中，水體環(huán)境質(zhì)量對(duì)水產(chǎn)養(yǎng)殖具有較大的影響，水質(zhì)環(huán)境是養(yǎng)殖產(chǎn)物賴(lài)以生存的根本，其中溶解氧濃度直接影響著漁業(yè)產(chǎn)品的品質(zhì)[3]，它不僅反映了水質(zhì)的標(biāo)準(zhǔn)，同時(shí)也反映了水產(chǎn)品的生長(zhǎng)狀況，溶解氧濃度作為近海養(yǎng)殖環(huán)境中重要的一個(gè)因子已經(jīng)引起人們重視[4]，不過(guò)，海水中的溶解氧濃度極不穩(wěn)定，很容易受外界環(huán)境的影響，如溫度、風(fēng)速以及人類(lèi)活動(dòng)等都會(huì)造成溶解氧濃度的變化，所以實(shí)現(xiàn)近海水體的水質(zhì)監(jiān)測(cè)并做出相關(guān)判斷對(duì)水產(chǎn)養(yǎng)殖業(yè)高效高產(chǎn)具有非常重要的現(xiàn)實(shí)意義[5]。

物聯(lián)網(wǎng)的高速發(fā)展在很大程度上為我國(guó)近海養(yǎng)殖業(yè)的發(fā)展提供了便利，同時(shí)也對(duì)我國(guó)近海水產(chǎn)養(yǎng)殖提出了更高的要求。國(guó)內(nèi)外眾多學(xué)者針對(duì)水產(chǎn)養(yǎng)殖環(huán)境監(jiān)測(cè)系統(tǒng)[6-7]及環(huán)境參數(shù)預(yù)測(cè)模型進(jìn)行了大量研究[8-10]，金光等[11]設(shè)計(jì)的基于低功耗廣域物聯(lián)網(wǎng)的海島養(yǎng)殖環(huán)境監(jiān)測(cè)系統(tǒng)，使用多節(jié)點(diǎn)提高監(jiān)測(cè)范圍但增加了成本和網(wǎng)絡(luò)復(fù)雜度，不易管理。孟憲法等[12]在基于單片機(jī)MSP430的海洋浮標(biāo)低功耗設(shè)計(jì)中，利用北斗衛(wèi)星實(shí)現(xiàn)通信，但通信天線(xiàn)的瞬時(shí)功率較大。袁紅春等[13]基于XGBoost的溶解氧預(yù)測(cè)模型研究利用長(zhǎng)短時(shí)記憶(LSTM) 神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了溶解氧的預(yù)測(cè)，但忽略了對(duì)環(huán)境因素的考量。劉晶晶等[14]提出的基于K-Similarity降噪的LSTM神經(jīng)網(wǎng)絡(luò)水質(zhì)多因子預(yù)測(cè)模型在一定程度上減小了誤差，但依然沒(méi)有考慮氣象環(huán)境的影響。

本文設(shè)計(jì)一種基于物聯(lián)網(wǎng)的浮標(biāo)水質(zhì)遠(yuǎn)程監(jiān)測(cè)系統(tǒng)，并根據(jù)監(jiān)測(cè)數(shù)據(jù)利用改進(jìn)的算法建立溶解氧濃度預(yù)測(cè)模型。利用浮標(biāo)平臺(tái)實(shí)現(xiàn)傳感器的搭載，借助物聯(lián)網(wǎng)實(shí)現(xiàn)遠(yuǎn)程數(shù)據(jù)監(jiān)控，并針對(duì)傳統(tǒng)遺傳算法BP神經(jīng)網(wǎng)絡(luò)模型存在的誤差浮動(dòng)問(wèn)題進(jìn)行研究，提出改進(jìn)方案，利用遠(yuǎn)程監(jiān)控?cái)?shù)據(jù)實(shí)現(xiàn)溶解氧濃度預(yù)測(cè)。

1 監(jiān)測(cè)系統(tǒng)設(shè)計(jì)

1.1 監(jiān)測(cè)架構(gòu)

本文設(shè)計(jì)的基于物聯(lián)網(wǎng)的近海養(yǎng)殖水質(zhì)監(jiān)測(cè)系統(tǒng)，終端節(jié)點(diǎn)基于自主設(shè)計(jì)的海洋浮標(biāo)實(shí)現(xiàn)，集數(shù)據(jù)采集、遠(yuǎn)程傳輸、存儲(chǔ)管理和遠(yuǎn)程監(jiān)測(cè)等功能為一體，整體架構(gòu)如圖1所示。

系統(tǒng)中浮標(biāo)[15-17]作為承載裝置，利用太陽(yáng)能系統(tǒng)實(shí)現(xiàn)自供電，采集系統(tǒng)利用水質(zhì)和氣象傳感器進(jìn)行數(shù)據(jù)采集，采集的數(shù)據(jù)經(jīng)過(guò)RS485通信傳輸?shù)轿⒖刂破鳎⑼ㄟ^(guò)無(wú)線(xiàn)網(wǎng)絡(luò)傳輸?shù)接脩?hù)終端，實(shí)現(xiàn)數(shù)據(jù)監(jiān)控和數(shù)據(jù)分析。

1.2 硬件設(shè)計(jì)

監(jiān)控系統(tǒng)電源電路選用TPS54302同步降壓轉(zhuǎn)換器，可最大限度提高輕負(fù)載效率并降低功率損耗；主控制器選用STM32L475芯片[18-19]；無(wú)線(xiàn)通信模塊選用EC20 4G網(wǎng)絡(luò)通信模塊，其內(nèi)置高精度定位芯片在實(shí)現(xiàn)數(shù)據(jù)傳輸?shù)耐瑫r(shí)又能精確地定位到浮標(biāo)監(jiān)測(cè)系統(tǒng)的實(shí)時(shí)位置，為后期系統(tǒng)維護(hù)提供了便捷。監(jiān)控系統(tǒng)采用RS485通信模式，有效提高了數(shù)據(jù)的傳輸速率，并增加了系統(tǒng)抗噪聲干擾的性能，為系統(tǒng)遠(yuǎn)距離的數(shù)據(jù)傳輸提供了保障，同時(shí)保證了多數(shù)據(jù)參數(shù)采集的準(zhǔn)確性，電路結(jié)構(gòu)圖如圖2所示。

電浮標(biāo)監(jiān)控系統(tǒng)的供電主要來(lái)源于太陽(yáng)能，儲(chǔ)能設(shè)備是由鉛酸蓄電池組成的電池組，監(jiān)控系統(tǒng)的負(fù)載作為整個(gè)系統(tǒng)消耗電能的主要部分，主要包括傳感器模塊、數(shù)據(jù)處理模塊、通信定位模塊等。本監(jiān)測(cè)系統(tǒng)傳感器主要包括溶解氧濃度、pH值、氨氮濃度、鹽度、葉綠素、大氣壓、光照、溫濕度、風(fēng)速、風(fēng)向、雨量等，由于近海氣象環(huán)境不穩(wěn)定，養(yǎng)殖用戶(hù)需要隨時(shí)了解近海環(huán)境信息，所以選擇溶解氧濃度、pH值、大氣壓、光照、溫濕度、風(fēng)速、風(fēng)向、雨量等參數(shù)進(jìn)行監(jiān)測(cè)。

在設(shè)計(jì)外圍傳感器和通信電路時(shí)，為降低傳感器和通信模塊的功耗采用繼電器控制，采取間隔關(guān)斷，當(dāng)需要采集數(shù)據(jù)或者發(fā)送數(shù)據(jù)時(shí)，利用繼電器可控關(guān)斷接通電路，當(dāng)數(shù)據(jù)采集發(fā)送結(jié)束，便不再對(duì)外部電路進(jìn)行供電以達(dá)到降低消耗的目的。同時(shí)為傳感器留有持續(xù)供電端口方便測(cè)試。考慮到海水腐蝕性較強(qiáng)，在連接時(shí)采用防水接頭以延長(zhǎng)系統(tǒng)的使用時(shí)間，系統(tǒng)測(cè)試實(shí)物圖如圖3所示。

在選擇傳感器時(shí)，要求傳感器兩端工作電壓小于12 V,以RDO-206型溶解氧濃度傳感器為例，其供電電壓12 V，精度為0.01 mg/L，額定電流40 mA，正常情況下功耗為480 mW，其余傳感器參數(shù)如表1所示。則正常情況下所有傳感器每天的功率消耗為34 560 mW·h，當(dāng)采用繼電器控制電路時(shí)，可根據(jù)實(shí)際情況設(shè)置每小時(shí)進(jìn)行4次數(shù)據(jù)采集，每次采集功率消耗為192 mW·h，則所有傳感器正常情況下每天功率能耗為4 608 mW·h。故本文所采取的繼電器開(kāi)關(guān)電路能夠起到節(jié)約能源的作用。

表1 負(fù)載額定參數(shù)Tab.1 Load rating parameters

1.3 云監(jiān)測(cè)平臺(tái)設(shè)計(jì)

云監(jiān)測(cè)平臺(tái)是浮標(biāo)環(huán)境監(jiān)測(cè)系統(tǒng)的核心組成部分，利用Linux系統(tǒng)下的開(kāi)發(fā)工具CentOS進(jìn)行服務(wù)器搭建與配置[20]，網(wǎng)絡(luò)服務(wù)平臺(tái)整體架構(gòu)如圖4。

服務(wù)器搭建主要包括遠(yuǎn)程監(jiān)控?cái)?shù)據(jù)接收、數(shù)據(jù)庫(kù)、后臺(tái)信息管理等部分。監(jiān)控信息接收主要用于獲取浮標(biāo)監(jiān)測(cè)系統(tǒng)各傳感器采集的數(shù)據(jù)以及視頻監(jiān)控畫(huà)面并將數(shù)據(jù)存入數(shù)據(jù)庫(kù)，本文利用IntelliJ IDEA軟件進(jìn)行開(kāi)發(fā)，采用Java語(yǔ)言Netty高并發(fā)框架，使用maven進(jìn)行jar包構(gòu)建，在CentOS服務(wù)器上進(jìn)行部署[21]。后臺(tái)信息管理主要為計(jì)算機(jī)端訪(fǎng)問(wèn)提供接口，開(kāi)發(fā)時(shí)采用SpringMVC框架，并使用Mybatis框架實(shí)現(xiàn)對(duì)數(shù)據(jù)庫(kù)表的操作[22]。數(shù)據(jù)端監(jiān)控部分利用HTML、CSS、JS進(jìn)行開(kāi)發(fā)，以訪(fǎng)問(wèn)頁(yè)面的形式實(shí)現(xiàn)用戶(hù)對(duì)環(huán)境的實(shí)時(shí)監(jiān)控，頁(yè)面訪(fǎng)問(wèn)如圖5所示。只需要點(diǎn)擊對(duì)應(yīng)的養(yǎng)殖標(biāo)識(shí)就可以顯示此地的水質(zhì)情況和氣象信息。

用戶(hù)可通過(guò)監(jiān)控終端實(shí)現(xiàn)多區(qū)域養(yǎng)殖環(huán)境的監(jiān)控，并實(shí)時(shí)反映監(jiān)控信息，開(kāi)發(fā)時(shí)考慮到環(huán)境參數(shù)眾多，首頁(yè)內(nèi)各窗口間采用星狀鏈接結(jié)構(gòu)，避免瀏覽信息時(shí)的繁瑣操作，而首頁(yè)與后臺(tái)的切換采用樹(shù)狀鏈接結(jié)構(gòu)[23]，條理清晰，系統(tǒng)還添加了養(yǎng)殖日志窗口，可實(shí)時(shí)查看近海養(yǎng)殖過(guò)程中的投喂信息，并集成有視頻監(jiān)控窗口實(shí)現(xiàn)遠(yuǎn)程監(jiān)控。監(jiān)控人員可以通過(guò)后臺(tái)服務(wù)隨時(shí)有選擇地下載監(jiān)測(cè)數(shù)據(jù)，實(shí)現(xiàn)數(shù)據(jù)的分析。浮標(biāo)系統(tǒng)采集的氣象數(shù)據(jù)、水質(zhì)數(shù)據(jù)使用json格式協(xié)議與遠(yuǎn)程服務(wù)器進(jìn)行通信，并在CentOS服務(wù)器上開(kāi)啟TCP通信端口進(jìn)行監(jiān)聽(tīng)。平臺(tái)使用MYSQL作為數(shù)據(jù)庫(kù)，具有高性能、低成本、高可靠性的特點(diǎn)。本系統(tǒng)GIS地圖引擎選用Open Layers作為地圖引擎。Open Layers是一個(gè)開(kāi)源的輕量級(jí)可支持離線(xiàn)的地圖引擎，提供強(qiáng)大的展示和交互功能。它是一個(gè)高性能、功能豐富的庫(kù)，用于在Web上創(chuàng)建交互式地圖。它可以顯示任何網(wǎng)頁(yè)上任何來(lái)源加載的地圖塊、矢量數(shù)據(jù)和標(biāo)記。同時(shí)，開(kāi)發(fā)有手機(jī)APP終端，水質(zhì)監(jiān)測(cè)、氣象監(jiān)測(cè)等部分詳情如圖6所示。

手機(jī)端可以隨時(shí)監(jiān)測(cè)水質(zhì)氣象環(huán)境的數(shù)據(jù)，APP程序?qū)⑺|(zhì)數(shù)據(jù)繪制成曲線(xiàn)，方便觀察環(huán)境變化趨勢(shì)，同時(shí)設(shè)置有數(shù)據(jù)報(bào)警門(mén)限，當(dāng)監(jiān)測(cè)的水質(zhì)因子超出正常范圍時(shí)會(huì)自動(dòng)報(bào)警，與頁(yè)面訪(fǎng)問(wèn)一樣，手機(jī)端也可同時(shí)監(jiān)控多個(gè)養(yǎng)殖基地的數(shù)據(jù)，并開(kāi)發(fā)有在線(xiàn)視頻監(jiān)測(cè)功能，可隨時(shí)隨地觀察養(yǎng)殖基地的實(shí)際情況。

2 預(yù)測(cè)算法

針對(duì)傳統(tǒng)遺傳算法(GA)BP神經(jīng)網(wǎng)絡(luò)優(yōu)化存在的誤差浮動(dòng)性問(wèn)題進(jìn)行優(yōu)化處理，通過(guò)對(duì)遺傳算法的改進(jìn)和誤差判斷進(jìn)行反復(fù)的網(wǎng)絡(luò)訓(xùn)練，找到最優(yōu)的訓(xùn)練結(jié)果，然后實(shí)施數(shù)據(jù)預(yù)測(cè)，使預(yù)測(cè)結(jié)果不斷接近真實(shí)值，從而達(dá)到誤差不斷尋優(yōu)的目的，減少了由于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)產(chǎn)生的數(shù)據(jù)訓(xùn)練不準(zhǔn)確性造成的誤差波動(dòng)。

2.1 模型分析

傳統(tǒng)遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型雖然具有高魯棒性和廣泛適用性的特點(diǎn)[24-25]，能夠有效處理枚舉法等傳統(tǒng)優(yōu)化算法難以解決的復(fù)雜系統(tǒng)優(yōu)化問(wèn)題，但由于網(wǎng)絡(luò)訓(xùn)練的不確定性和不穩(wěn)定性，會(huì)造成預(yù)測(cè)數(shù)據(jù)不準(zhǔn)確，這樣即使利用遺傳算法計(jì)算了最優(yōu)適應(yīng)度，選擇最優(yōu)權(quán)值閾值[26]，但最終預(yù)測(cè)結(jié)果也會(huì)有所偏差，計(jì)算的誤差也并非最優(yōu)誤差，結(jié)果仍存在一定的不確定性。

2.2 模型改進(jìn)

本試驗(yàn)在傳統(tǒng)遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上進(jìn)行改進(jìn)，改進(jìn)后優(yōu)化過(guò)程可以分為4部分，分別為BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定、遺傳算法優(yōu)化、BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)、尋找最優(yōu)誤差輸出。主要區(qū)別是增加了尋優(yōu)過(guò)程，在完成數(shù)據(jù)訓(xùn)練實(shí)現(xiàn)預(yù)測(cè)功能的基礎(chǔ)上，對(duì)得到的預(yù)測(cè)誤差進(jìn)行判斷，并反復(fù)進(jìn)行此過(guò)程，尋找誤差最小的一組預(yù)測(cè)結(jié)果進(jìn)行輸出，提高預(yù)測(cè)的精度。改進(jìn)后的遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)流程圖如圖7所示。

統(tǒng)計(jì)結(jié)果表明，算法大部分情況下在訓(xùn)練200次左右后將會(huì)出現(xiàn)相對(duì)較小的誤差。因此可將訓(xùn)練的步驟最大值設(shè)為250次，對(duì)于少數(shù)情況，可以通過(guò)判定訓(xùn)練結(jié)束時(shí)的誤差，若大于可以承受的誤差，則重新開(kāi)始訓(xùn)練。

2.3 模型改進(jìn)實(shí)現(xiàn)

2.3.1BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

BP神經(jīng)網(wǎng)絡(luò)是單向多層前饋網(wǎng)絡(luò)，利用誤差反向傳播算法，根據(jù)梯度下降原理實(shí)現(xiàn)參數(shù)調(diào)節(jié)。該網(wǎng)絡(luò)由輸入層、輸出層以及一個(gè)或多個(gè)隱含層節(jié)點(diǎn)連接而成，其輸入信號(hào)從輸入節(jié)點(diǎn)通過(guò)隱含層傳遞到輸出節(jié)點(diǎn)。 在進(jìn)行溶解氧預(yù)測(cè)試驗(yàn)中，本文主要考慮時(shí)間、pH值、大氣壓、光照、溫度、風(fēng)速等監(jiān)測(cè)參數(shù)作為預(yù)測(cè)模型的輸入層節(jié)點(diǎn)，水中溶解氧濃度作為預(yù)測(cè)模型的輸出層節(jié)點(diǎn)。考慮到在任何閉區(qū)域內(nèi)的一個(gè)連續(xù)型函數(shù)用一個(gè)隱含層的BP神經(jīng)網(wǎng)絡(luò)就可以達(dá)到較好的擬合效果，而多隱含層網(wǎng)絡(luò)雖然有較好的泛化能力和較高的預(yù)測(cè)精度，但是訓(xùn)練時(shí)間較長(zhǎng)，故對(duì)于模型中存在的映射關(guān)系，在網(wǎng)絡(luò)精度達(dá)到要求的情況下，選擇單隱含層，以加快速度訓(xùn)練速度。

隱含層節(jié)點(diǎn)數(shù)計(jì)算式為

(1)

式中l(wèi)——隱含層節(jié)點(diǎn)數(shù)

n——輸入層節(jié)點(diǎn)數(shù)

m——輸出層節(jié)點(diǎn)數(shù)

α——1～10之間的常數(shù)

通過(guò)對(duì)比不同隱含層節(jié)點(diǎn)數(shù)下的輸出誤差最終確定隱含層節(jié)點(diǎn)數(shù)為13。因此，溶解氧濃度BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型結(jié)構(gòu)為6-13-1，模型結(jié)構(gòu)如圖8所示。

在BP神經(jīng)網(wǎng)絡(luò)中，輸入層的節(jié)點(diǎn)決定了隱含層的神經(jīng)元數(shù)量，設(shè)第i個(gè)樣本的輸入向量為

xi=(x1,x2,…,xn)

(2)

期望輸出為

yi=(y1,y2,…,yn)

(3)

則隱含層輸出為

(4)

預(yù)測(cè)輸出為

(5)

預(yù)測(cè)誤差

ei=yk-gk(k=1，2，…，m)

(6)

輸入層、隱含層和輸出層神經(jīng)元之間的連接權(quán)重為ωij、ωjk，隱含層閾值aj，輸出層閾值bk，f為隱含層激勵(lì)函數(shù)。

激勵(lì)函數(shù)又稱(chēng)激活函數(shù)，用于給神經(jīng)元引入非線(xiàn)性的因素，使得神經(jīng)網(wǎng)絡(luò)可以逼近任意非線(xiàn)性函數(shù)應(yīng)用于非線(xiàn)性模型中，常用的激活函數(shù)有Sigmoid 函數(shù)、tanh函數(shù)、ReLU函數(shù)和softmax函數(shù)。故經(jīng)過(guò)綜合考慮與試驗(yàn)對(duì)比采用tanh函數(shù)作為激活函數(shù)。

2.3.2遺傳算法優(yōu)化

(1)初始化種群利用實(shí)數(shù)編碼的方式實(shí)現(xiàn)個(gè)體編碼，將所有個(gè)體均用實(shí)數(shù)串表示，包括輸入層和隱含層連接權(quán)值、隱含層閾值、隱含層與輸出層連接權(quán)值以及輸出層閾值4部分，神經(jīng)網(wǎng)絡(luò)的左右權(quán)值和閾值都包含在個(gè)體內(nèi)，在已知網(wǎng)絡(luò)結(jié)構(gòu)的情況下，便可以組成一個(gè)結(jié)構(gòu)、權(quán)值、閾值都確定的神經(jīng)網(wǎng)絡(luò)。

(2)根據(jù)個(gè)體獲得的BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值，利用80%的訓(xùn)練數(shù)據(jù)進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練預(yù)測(cè)輸出，將期望輸出和預(yù)測(cè)輸出的平方差絕對(duì)值的和定義為個(gè)體適應(yīng)度F，計(jì)算公式為

(7)

式中yi——BP神經(jīng)網(wǎng)絡(luò)的第i個(gè)節(jié)點(diǎn)的期望輸出

oi——第i個(gè)節(jié)點(diǎn)的實(shí)際輸出

k——系數(shù)

(3)選擇操作：選用輪盤(pán)賭的方式進(jìn)行選擇操作，每個(gè)個(gè)體i的選擇概率pi為

(8)

(9)

式中fi——個(gè)體i的適應(yīng)度

N——種群個(gè)體數(shù)目

由于適應(yīng)度越小越好，所以在個(gè)體選擇前對(duì)適應(yīng)度求倒數(shù)。

(4)交叉操作：對(duì)多重個(gè)體采用實(shí)數(shù)交叉的方式，染色體k、l、i在第j位的交叉操作方法為

(10)

式中b——[0,1]之間的隨機(jī)數(shù)

(5)變異操作：選取第i個(gè)個(gè)體的第j個(gè)基因aij進(jìn)行變異，操作方法為

(11)

其中

式中r2——隨機(jī)數(shù)

amax——基因aij上界

amin——基因aij下界

Gmax——最大進(jìn)化次數(shù)

r——[0,1]間的隨機(jī)數(shù)

2.3.3神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

BP神經(jīng)網(wǎng)絡(luò)利用遺傳算法優(yōu)化的權(quán)值和閾值實(shí)現(xiàn)數(shù)據(jù)訓(xùn)練，經(jīng)過(guò)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)便能對(duì)類(lèi)似樣本的輸入信息進(jìn)行處理，從而輸出誤差最小的經(jīng)過(guò)非線(xiàn)性轉(zhuǎn)換的信息。

2.3.4訓(xùn)練尋優(yōu)

尋找最優(yōu)誤差環(huán)節(jié)主要是依托于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)部分進(jìn)行，當(dāng)計(jì)算出預(yù)測(cè)誤差后，判斷誤差是否達(dá)到最優(yōu)或滿(mǎn)足數(shù)據(jù)預(yù)測(cè)所需的精度，如果不能達(dá)到要求就重新對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，再次實(shí)現(xiàn)數(shù)據(jù)預(yù)測(cè)并計(jì)算預(yù)測(cè)誤差進(jìn)行判斷，通過(guò)不斷地優(yōu)化誤差操作以實(shí)現(xiàn)誤差的尋優(yōu)過(guò)程，最后輸出最優(yōu)的數(shù)據(jù)預(yù)測(cè)結(jié)果。

3 試驗(yàn)

3.1 數(shù)據(jù)采集

選取上海海洋大學(xué)近海試驗(yàn)基地作為浮標(biāo)投放點(diǎn)，設(shè)置監(jiān)控系統(tǒng)每15 min進(jìn)行一次數(shù)據(jù)采集，既保證對(duì)環(huán)境信息的準(zhǔn)確把握，又在一定程度上節(jié)約了能源。將本浮標(biāo)環(huán)境監(jiān)控系統(tǒng)放置在近海岸區(qū)域，通過(guò)網(wǎng)絡(luò)傳輸在監(jiān)控平臺(tái)實(shí)現(xiàn)數(shù)據(jù)監(jiān)控和采集，如圖9所示。

利用本文設(shè)計(jì)的監(jiān)測(cè)系統(tǒng)，選取2020年4月15—17日3 d的監(jiān)測(cè)數(shù)據(jù)，包括時(shí)間、溶解氧濃度、pH值、大氣壓、光照、溫濕度、風(fēng)速、風(fēng)向等，從監(jiān)控頁(yè)面選擇下載所需要的數(shù)據(jù)并選擇部分參數(shù)繪制曲線(xiàn)如圖10所示。

由圖10可知，近海區(qū)域的溶解氧濃度、pH值等參數(shù)呈周期性變化趨勢(shì)，由于氣候等因素會(huì)產(chǎn)生部分波動(dòng)，隨著每天時(shí)間的變化可以看出環(huán)境溫度等也呈周期性變化，因此本文針對(duì)溶解氧濃度預(yù)測(cè)在傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)遺傳算法模型的基礎(chǔ)上提出改進(jìn)方案，利用環(huán)境參數(shù)和少量水質(zhì)參數(shù)實(shí)現(xiàn)對(duì)海水中溶解氧濃度的預(yù)測(cè)。

3.2 預(yù)測(cè)結(jié)果

3.2.1模型參數(shù)選擇

為了保證模型不提前收斂，同時(shí)提高模型的精確度，盡可能得到全局解，故種群模型應(yīng)盡可能的大一些，為保證最終結(jié)果的精確度，在參數(shù)選擇過(guò)程中采用對(duì)比試驗(yàn)的方法，對(duì)種群規(guī)模、進(jìn)化代數(shù)等進(jìn)行多次參數(shù)設(shè)置并運(yùn)行程序，經(jīng)試驗(yàn)對(duì)比最終種群規(guī)模設(shè)置為50，物種進(jìn)化代數(shù)設(shè)置為20次。

由于交叉和變異概率太高或者太低都不利于種群發(fā)展，所以為了盡可能地提高模型精確度，提高預(yù)測(cè)準(zhǔn)確度，并根據(jù)交叉和變異概率的一些性質(zhì)，交叉概率一般選取0.6～0.9，變異概率一般選取0.01～0.3，經(jīng)過(guò)多次試驗(yàn)結(jié)果對(duì)比，最終選用交叉概率為0.6，變異概率為0.1。

3.2.2預(yù)測(cè)試驗(yàn)結(jié)果分析

利用Matlab編程，根據(jù)所采集的數(shù)據(jù)，隨機(jī)選擇224組數(shù)據(jù)用作網(wǎng)絡(luò)訓(xùn)練，剩下的56組作為測(cè)試數(shù)據(jù)，運(yùn)行程序得到改進(jìn)后遺傳算法神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)值與實(shí)際值的變化曲線(xiàn)如圖11所示，同時(shí)為驗(yàn)證改進(jìn)后算法的準(zhǔn)確性，利用文獻(xiàn)[27-28]在試驗(yàn)中所采用的方法形成對(duì)比試驗(yàn)，將所得到的預(yù)測(cè)數(shù)據(jù)進(jìn)行分析得到實(shí)際值與預(yù)測(cè)值如表2所示，3種方法預(yù)測(cè)誤差如表3所示，并繪制不同算法下相對(duì)誤差如圖12所示。

表2 測(cè)量數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)對(duì)比Tab.2 Comparison between measured and predicted data mg/L

表3 預(yù)測(cè)誤差對(duì)比Tab.3 Comparison of prediction errors

由表2、3可以看出，BP神經(jīng)網(wǎng)絡(luò)的運(yùn)算時(shí)間雖短但結(jié)果的精度不高，傳統(tǒng)的遺傳算法BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)時(shí)間較長(zhǎng)，預(yù)測(cè)精度有所提高，而改進(jìn)遺傳算法BP神經(jīng)網(wǎng)絡(luò)模型雖然所用時(shí)間較長(zhǎng)，但預(yù)測(cè)精度有明顯提高，其預(yù)測(cè)平均誤差為0.017 8 mg/L，均方差為0.000 570 mg/L，標(biāo)準(zhǔn)差為0.023 909 mg/L，改進(jìn)算法決定系數(shù)為0.990 8，故改進(jìn)后算法具有更好的擬合度。通過(guò)圖12也可以明顯看出，改進(jìn)遺傳算法BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果更加接近真實(shí)值，其預(yù)測(cè)誤差更加穩(wěn)定。結(jié)果表明，經(jīng)上述改進(jìn)的算法訓(xùn)練后得到的神經(jīng)網(wǎng)絡(luò)模型不僅對(duì)訓(xùn)練樣本具有很好的擬合能力，而且對(duì)測(cè)試樣本也具有很高的擬合能力，由此可見(jiàn)利用改進(jìn)遺傳算法BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)溶解氧濃度的方法可行。

4 結(jié)論

(1)針對(duì)近海養(yǎng)殖環(huán)境設(shè)計(jì)了浮標(biāo)水質(zhì)監(jiān)測(cè)系統(tǒng)，利用浮標(biāo)平臺(tái)實(shí)現(xiàn)近海區(qū)域的環(huán)境監(jiān)測(cè)，試驗(yàn)結(jié)果表明，本系統(tǒng)能夠穩(wěn)定可靠地在近海環(huán)境中工作，且各項(xiàng)監(jiān)測(cè)指標(biāo)都能夠滿(mǎn)足近海環(huán)境監(jiān)測(cè)的需求。

(2)針對(duì)近海養(yǎng)殖中具有非線(xiàn)性變化特點(diǎn)的溶解氧參數(shù)，在傳統(tǒng)遺傳算法BP神經(jīng)網(wǎng)絡(luò)優(yōu)化模型的基礎(chǔ)上提出改進(jìn)方案，彌補(bǔ)網(wǎng)絡(luò)自身的不足，減少了由于初始權(quán)值和閾值的隨機(jī)選取而造成的網(wǎng)絡(luò)訓(xùn)練時(shí)間較長(zhǎng)等問(wèn)題，同時(shí)提高了原有優(yōu)化算法的計(jì)算精度。試驗(yàn)結(jié)果表明，改進(jìn)遺傳算法BP神經(jīng)網(wǎng)絡(luò)優(yōu)化模型雖然訓(xùn)練時(shí)間有所增加，但預(yù)測(cè)精度明顯提高，平均誤差由0.077 8 mg/L降至0.017 8 mg/L，建模研究結(jié)果表明，改進(jìn)遺傳算法BP神經(jīng)網(wǎng)絡(luò)優(yōu)化模型能對(duì)溶解氧濃度進(jìn)行可靠的預(yù)測(cè)。