专利名称：养殖水体水质参数对养殖生物生长状态影响的预测系统的制作方法
技术领域：
本实用新型涉及一种水产养殖生物生长状态模型建立系统，尤其涉及一种基于神 经网络专家系统的养殖生物生长状态的预测系统。
背景技术：
目前，在集约化水产养殖系统中采用在线水质参数检测技术、自动投饵控制技术 以及部分水质参数自动调控技术的养殖系统国内外都有实际应用。一些先进的控制技术如 人工神经网络技术、模糊控制技术以及专家系统等都有应用于水产养殖的报道。在集约化 水产养殖中，从幼苗投放到成品收获视养殖生物品种不同周期长度和过程略有差别，期间 影响因素比较多，养殖生物的成活、生长状态以及最后收获情况被其周围许多因素所影响。 其中养殖水体水质参数对养殖生物生长的影响是其中主要的一部分。养殖水体水质参数对于养殖生物生长状态的影响研究可分为三种情况单一水质 参数对养殖生物生长状态的影响的研究；双水质参数对养殖生物生长状态的影响；多水质 参数对养殖生物生长状态的影响的研究。(1)单一水质参数对生物生长状态的影响的研究通过文献检索，养殖水体单一水质参数对生物生长状态的影响研究者较多，相关 关系比较简单和明确，单一水质参数对生物生长状态影响的模型建立采用传统的基于规则 的专家系统，比如采用产生式规则，IF" THEN···规则。它是在专家系统中运用得较为普遍的 知识。IF后面跟的是条件(前件)，THEN后面跟的是结论(后件)，条件与结论均可以通过 逻辑运算AND、0R、N0T进行复合。在这里，产生式规则的理解非常简单如果前提条件得到 满足，就产生相应的动作或结论。产生式专家系统的知识库中包含了大量的规则，换言之， 这里的知识库就是一个规则集。(2)双水质参数对生物生长状态的影响的研究另外，通过文献检索，养殖水体两个水质参数对生物生长状态的综合影响研究者 较少，相关关系也较为复杂，双水质参数对生物生长状态影响的模型建立仍然采用传统的 基于规则的专家系统。其中养殖水体单一水质参数和双水质参数对养殖生物生长状态的影响表面上关 系明确、简单，对单纯考察一两个特定水质参数对养殖生物生长状态的影响时较为便利，但 由于各水质参数之间互相影响，养殖生物的生长状态是依赖于各项水质参数综合作用后的 总体水质情况，所以养殖水体单一水质参数和双水质参数对养殖生物生长状态影响的确定 度还很有限，研究的实际应用价值也比较有限。(3)多水质参数对生物生长状态的影响的研究目前国内尚没有多水质参数对生物生长状态的研究，暂时还没有利用神经网络专 家系统来进行养殖生物生长状态研究方面的事例。因此，当基于水质参数对养殖生物生长 状态影响的模型建立起来，意味着这将是水产养殖领域中人工智能技术应用中的一项创 新。发明内容本实用新型针对单一水质参数和双水质参数的生物生长状态的研究不能全面地 满足养殖生物生长状态的监控，无法解决养殖生物生长领域知识的非线性、模糊性、不确定 性、不全面等问题的存在，而研制一种多水质参数对生物生长状态的综合影响，它不再像单 参数和双参数那样遵守传统的专家系统规则。其中，各个水质参数的相关性以及对生物生 长状态的影响错综复杂，针对水产养殖生物生长领域知识的非线性、模糊性、不确定性、不 全面等问题，提出了建立基于人工神经网络专家系统的模型，来分析多水质参数对生物生 长状态的综合影响，进而指导实际生产。其具体采用的技术手段如下一种养殖水体水质参数对养殖生物生长状态影响的预测系统，其特征在于包括监控记录单元，用于对放养在养殖密度相同的不同养殖池内，采用种类相同的饵 料喂养，并且投饵量以及投饵时间均一致的同一生物品种的同一批幼虫的生长状态进行 监控，将随机调控改变水质参数中的温度、盐度、PH值、溶解氧和氨氮的数值且将它们的值 一一记录下来，并在同一时间记录各个池内养殖生物的生长状态即养殖生物的体长或体 重；BP神经网络模型生成单元，用于对BP神经网络来实现养殖生物生长状态模型的 知识库表示，以监控记录单元记录的水质参数中的温度、盐度、PH值、溶解氧和氨氮作为神 经网络系统的输入量，同时引入时间t作为神经网络的另一输入量，将监控记录单元记录 的表征养殖生物生长状态的养殖生物的体长或体重作为人工神经网络系统的输出量；BP神经网络学习单元，用于对BP神经网络模型生成单元构建的神经网络模型进 行学习训练；知识获取单元，用于对BP神经网络学习单元训练后的网络模型，包括网络结构、 网络输入变量、权值矩阵、阈值矩阵、迭代次数、输出误差值信息存储于知识库单元中；监控记录单元将记录的水质参数数据和养殖生物的体长或体重数据传输给BP神 经网络模型生成单元，经BP神经网络模型生成单元生成BP神经网络来实现养殖生物生长 状态模型后，传输到BP神经网络学习单元中进行学习训练，再通过与BP神经网络学习单元 相连的知识获取单元进行相关信息提取后，传输到知识库单元中；进行实际预测时，由水质 参数输入单元和时间输入单元向神经网络推理单元输入相应水质参数信息和时间信息，再 由神经网络推理单元从与其相连的知识库单元中搜索相应数据，最后通过与神经网络推理 单元相连的养殖生物生长状态输出单元输出养殖生物生长状态的预测结果。BP神经网络学习单元中还包括BP神经网络学习调整单元，用于对BP神经网络模 型生成单元传回的模型进行优化调整。由于采用了上述技术方案，本实用新型提供的养殖水体水质参数对养殖生物生长 状态影响的预测系统同现有预测系统相比其优点是显而易见的具体如下(1)基于人工神经网络专家系统的养殖生物生长状态的模型解决了单一和水质参 数不能全面的反映、记录和调控养殖生物的生长状态的问题，最大限度地提高养殖产量和 质量，对实际生产具有较高的实际指导和应用作用。(2)解决了以往传统简单的专家系统不能解决水产养殖生物生长领域知识的非线性、模糊性、不确定性等问题。实现了养殖生物生长状态的准确监测和生长环境的调控。(3)填补了国内尚无多水质参数对生物生长状态研究的空白，实现了集约化水产 养殖技术的突破。
图1为生物生长期管理系统的主要功能结构图；图2为本实用新型集约化养殖养殖水体水质参数对养殖生物生长状态影响的预 测系统结构框图；图3为本实用新型利用BP神经网络建立模型的知识库结构图；图4为本实用新型实施例虾夷扇贝D型幼虫生长状态与水质参数实测数据表。
具体实施方式
如图1所示，养殖水体水质参数对养殖生物生长影响的模型，属于水产养殖计算 机管理系统的生长期管理子系统。通常养殖生物的生长状态用生物的体长或体重来表示， 在养殖品种选择以及养殖密度设定，并且饵料种类、投饵量以及投饵时间确定后，养殖生物 生长期间，养殖水体水质参数的变化直接影响着生物的生长状态。如果把养殖水体的水质 参数变化情况作为输入量，那么通过生长管理系统，养殖生物的生长状态就是系统的输出 量。本实用新型基于人工神经网络专家系统建立养殖生物生长状态模型，当其它条件因素 一定，而养殖水体的水质参数发生变化时，通过模型我们将能够推断出养殖生物的生长状 态发生怎样的变化。推理得出的结果与养殖生物生长过程中得到的实际结果越接近，说明 系统误差越小，模型建立的越精确。以多水质参数对养殖生物生长状态的影响为例建立模 型。选用同一养殖生物的品种，并且是同一生物品种的同一批幼虫，将它们放养在养殖密度 相同的不同养殖池内，采用种类相同的饵料喂养，并且投饵量以及投饵时间均一致。在满足 上述条件下，随机调控改变多项水质参数数值且将它们的值一一记录下来，并在同一时间 监测各个池内养殖生物的生长状态——养殖生物的体长，作为人工神经网络的专家系统的 输入和输出来建立这个生物生长状态的模型。如图2、图3所示，为了形象生动的说明养殖生物生长状态模型的建立过程和模型 的可行性，以某养殖基地饲养的虾夷扇贝作为研究对象，以扇贝幼虫阶段为主要研究阶段， 研究其生长水域的水质参数如温度、盐度、PH值、溶解氧以及氨氮含量对其生长状态的影 响，并利用人工神经网络和专家系统知识建立模型，该模型将用于表明扇贝生长环境的水 质参数与扇贝生长状态的关系。具体的操作过程如下首先，养殖生物生长状态控制是养殖生物生长期管理系统下的子系统，随着养殖 生物进入生长期，可实现养殖生物生长状态的控制。选用同一养殖生物的品种，并且是同一 生物品种的同一批幼虫，将它们放养在养殖密度相同的不同养殖池内，采用种类相同的饵 料喂养，并且投饵量以及投饵时间均一致，同时通过系统的监控记录单元对随机调控改变 多项水质参数数值且将它们的值一一记录下来，并在同一时间监测各个池内养殖生物的生 长状态即养殖生物的体长也将其记录下来，如图4所示虾夷扇贝D型幼虫生长状态与水质 参数实测数据表。其中监控记录单元主要为人工测量，通过输入系统输入到整个预测系统 中。[0031]由于在神经网络中引入了隐层神经元，神经网络就具有更好的分类和记忆等能 力、因此相应的学习算法成了研究的焦点。1985年Rumelhart等提出的EBP(Error Back Propagation)算法(简称BP)，系统地解决了多层神经元网络中隐单元层连接权的学习问 题，并在数学上给出了完整的推导。由于BP克服了简单感知机不能解决的XOR和其他一些 问题，所以BP模型已成为神经网络的重要模型之一，并得以广泛使用。采用BP算法的多层 神经网络模型一般称为BP网络。本系统采用BP神经网络，但不仅限于采用此种网络。知识库的建造是建立专家系统的关键，应用BP神经网络来实现养殖生物生长状 态模型的知识库表示，通过BP神经网络模型生成单元将监控记录单元记录的以影响养殖 生物生长的主要养殖水体水质参数中的温度、盐度、PH值、溶解氧、氨氮作为神经网络系统 的输入，同时考虑到要建立的是养殖生物生长状态模型，而养殖生物生长状态与时间密切 相关，即养殖生物的体长(或体重)随时在变，所以在这里将时间t作为神经网络的一个输 入量，这样就将影响养殖生物生长状态的所有变量都考虑到了，并作为神经网络的输入量; 将表征养殖生物生长状态的养殖生物的体长(或体重)作为人工神经网络系统的输出量， 至此，构建专家系统知识库的神经网络模型建成(如图3所示)。然后通过BP神经网络学习单元对BP神经网络模型生成单元构建的神经网络模型 进行学习训练，为了满足BP神经网络转换函数条件，在训练前要对训练样本做样本标准化 处理，形成BP神经网络训练的标准化数据。由于图4表中的各列数据大小不一，最小的为 0. 350，最大的为237，所以要对所有数据进行归一化处理。训练时，首先把归一化的训练样 本输入数据加载到神经网络模型的输入端，即将图4表中的温度、盐度、pH值、溶解氧、氨氮 以及与时间相对应的日期等各列数据归一化后加载到神经网络模型的输入端；将归一化的 训练样本输出数据与神经网络模型的输出端相对应，即图4表中表征扇贝生长状态的最后 一列壳长数据与神经网络模型的输出端相对应，进行学习训练。其中通过BP神经网络学习调整单元对BP神经网络学习单元形成的参数进行合理 性调整，其中BP网络的学习过程由两部分组成正向传播和反向传播。当正向传播时，网络 输入信息从输入层经隐单元层处理后传向神经网络模型输出层，每一层神经元的状态只影 响下一层的神经元状态。如果在神经网络模型输出层得不到希望的输出，则转入反向传播， 将误差信号沿原来的神经元连接通路返回。注意，此时神经网络模型输出层的希望值为与 神经网络模型输入端的时间变量t相对应的养殖生物生长状态参数实测值，即实测的虾夷 扇贝体长。将该希望值与神经网络模型实际输出值相比较形成误差信号，误差信号反向传 播，返回过程中，逐一修改各层神经元连接的权值。这种过程不断迭代，最后使得信号误差 达到允许的范围之内，构建专家系统知识库的神经网络学习训练结束。然后利用知识获取单元，用于对BP神经网络学习单元训练后的网络模型，包括网 络结构、网络输入变量、权值矩阵、阈值矩阵、迭代次数、输出误差值信息存储于知识库单元 中。进行实际预测时，由水质参数输入单元和时间输入单元向神经网络推理单元输入 相应水质参数信息和时间信息，再由神经网络推理单元从与其相连的知识库单元中搜索相 应数据，最后通过与神经网络推理单元相连的养殖生物生长状态输出单元输出养殖生物生 长状态的预测结果。以虾夷扇贝为例当系统输入测量的实际的水质参数温度、盐度、PH 值、溶解氧、氨氮分别为 14. 1 (V ),27.0 (g/1)、8· 34,5. 89 (mg/1)、0· 351 (mg/1)并且时间参数为10天时保持正常的投饵量和间隔，那么系统就会自动根据经过神经网络模型输出虾 夷扇贝壳长值191. 50 (mm)，即实现了依据水体水质参数对养殖生物生长状态的预测。通常为了达到准确的生物生长状态模型，通过BP神经网络学习单元中的BP神经 网络学习调整单元对比期望的输出值同系统的输出值以作调整。在本系统中期望值为水 产养殖专家给出的同一品种的养殖生物在不同时期的历史最优值，它也是某养殖生物的优 质品种在不同时期能够期望达到的理想数据。把期望的输出值输入系统后，计算系统实际 输出值和期望输出值(即最优值)的误差，如果误差不能满足要求，则网络按原路径返回 进行权值调整，直到收敛误差达到要求，训练结束。以图4表中虾夷扇贝数据为例，当系统 输入相应的水质参数温度、盐度、PH值、溶解氧、氨氮分别为14. 1(°C )、27.0(g/l)、8. 34、 5.89(mg/l)、0. 351(mg/l)并且时间参数为10天时，这些数据经归一化处理后加到神经网 络模型输入端。神经网络模型开始学习训练，首先正向传播，网络输入信息从输入层经隐单 元层处理后传向神经网络模型输出层，每一层神经元的状态只影响下一层的神经元状态， 神经网络模型输出值即为养殖生物生长状态的预测值，即虾夷扇贝壳长预测值。如果在神 经网络模型输出层得不到希望的输出，则转入反向传播，将误差信号沿原来的神经元连接 通路返回。此例中神经网络模型输出层的希望值为与图4表中3号池第10天的实测虾夷扇 贝壳长值191. 51 (mm)，如果神经网络模型输出的预测值与希望值存在差异，将该希望值与 神经网络模型实际输出值相比较形成误差信号，并按照BP网络误差反传的基本原理将误 差信号反向传播，返回过程中，逐一修改各层神经元连接的权值。假设输出值反归一化后的 绝对误差目标值为I Δ I <0.01，当神经网络模型实际输出预测值为191. 53 (mm)时，即误差 绝对值I Δ I = 191. 53-191. 51 = 0. 02，误差值超过允许的范围，误差反传修改各层神经元 连接权值的过程继续进行，这种过程不断迭代，直到信号误差达到允许的范围之内。例如， 当神经网络模型实际输出预测值为191. 50 (mm)时，即误差绝对值| Δ | = 191. 51-191. 50 =0.01时，信号误差达到允许的目标值范围之内，S卩I Δ I彡0.01，神经网络学习训练结束。以上所述，仅为本实用新型较佳的具体实施方式
，但本实用新型的保护范围并不 局限于此，任何熟悉本技术领域的技术人员在本实用新型揭露的技术范围内，根据本实用 新型的技术方案及其发明构思加以等同替换或改变，都应涵盖在本实用新型的保护范围之 内。
权利要求1.一种养殖水体水质参数对养殖生物生长状态影响的预测系统，其特征在于包括监 控记录单元，BP神经网络模型生成单元，BP神经网络学习单元和知识获取单元；监控记录单元将记录的水质参数数据和养殖生物的体长或体重数据传输给BP神经网 络模型生成单元，经BP神经网络模型生成单元生成BP神经网络来实现养殖生物生长状态 模型后，传输到BP神经网络学习单元中进行学习训练，再通过与BP神经网络学习单元相连 的知识获取单元进行相关信息提取后，传输到知识库单元中；进行实际预测时，由水质参数 输入单元和时间输入单元向神经网络推理单元输入相应水质参数信息和时间信息，再由神 经网络推理单元从与其相连的知识库单元中搜索相应数据，最后通过与神经网络推理单元 相连的养殖生物生长状态输出单元输出养殖生物生长状态的预测结果。
2.根据权利要求1所述的养殖水体水质参数对养殖生物生长状态影响的预测系统，其 特征在于BP神经网络学习单元中还包括BP神经网络学习调整单元，用于对BP神经网络模 型生成单元传回的模型进行优化调整。
专利摘要本实用新型公开了一种养殖水体水质参数对养殖生物生长状态影响的预测系统，包括监控记录单元、BP神经网络模型生成单元、BP神经网络学习单元，知识获取单元和知识库单元，进行检测时由水质参数输入单元和时间输入单元向神经网络推理单元输入相应水质参数信息和时间信息，再由神经网络推理单元从与其相连的知识库单元中搜索相应数据，最后通过与神经网络推理单元相连的养殖生物生长状态输出单元输出养殖生物生长状态的预测结果。该预测系统解决了以往传统简单的系统不能解决水产养殖生物生长领域知识的非线性、模糊性、不确定性问题。实现了养殖生物生长状态监测和生长环境的调控。具有对生物养殖的实际生产具有较高的实际指导和应用作用。
文档编号G06N3/08GK201830751SQ20092027988
公开日2011年5月18日 申请日期2009年12月1日 优先权日2009年7月14日
发明者刘海映, 孔德岩, 谷军, 邓长辉 申请人:大连水产学院