一种针对养殖池水质参数空间分布模型构建方法

技术领域

本发明涉及水产养殖技术领域，尤其涉及一种针对养殖池水质参数空间分布模型构建方法。

背景技术

近几十年来，水产养殖已经成为养殖业发展的主要项目之一，现有的水质测试方法主要依靠人工操作和设备经验来进行测试，耗费大量精力和时间，并且存在监测周期长，监测范围有限的缺点。采用现场总线技术的水质在线监测系统具有实时性好，但也存在接线困难，维护扩展不便，腐蚀管道等问题。

目前，黄健清等人研究设计了采用MSP430F149单片机构建的溶解氧、pH值和温度参数的无线传感器网络监测系统，刘建峰等人提出了基于ZigBee网络的水产养殖检测系统。但以上方法多采用水质自动检测仪进行监测，存在设备成本高，不利于大水域的水质监测；而且国内外专家学者对水质监测的预估和空间分布计算方面研究较少。

发明内容

本发明所要解决的技术问题是：通过构建监测水产养殖水质参数的传感网络，并将卡尔曼滤波优化与线性内插值四维模型拟合相结合预估水质参数，实现水产养殖信息化与智能化管理。

本发明所采用的技术方案是：一种针对养殖池水质参数空间分布模型构建方法包括以下步骤：

S1、养殖池水质参数信息获取，利用无线传感器网络获取养殖池指定坐标的水质参数，包括温度、pH值和DO；

S2、通过卡尔曼滤波算法对水质参数优化，并引入修正因子对优化后的水质参数进行预处理，对水质参数优化和引入修正因子对优化后的水质参数进行预处理的目的是为了消除测量仪器本身的误差；

卡尔曼滤波算法对水质参数优化过程如下：

S21、时间更新方程：

先验推算状态变量，公式如下：

式中，A为状态转换参数，其相关系数为1；w为过程噪声，其服从均值为0、方差为Q的正态分布，Q根据实测水质参数值误差的方差给定；

先验推算误差协方差，公式如下：

P

式中，P

S22、状态更新方程：

计算卡尔曼增益，公式如下：

式中，K

后验估计滤波优化，公式如下：

式中，

更新误差协方差

P

式中，I为对角线为1的矩阵；

由式(1)～(5)组成的卡尔曼滤波算法，预测过程为式(1)～(2)，假定初始预估的水质参数温度、pH值、DO分别为9.5℃、6.8、6mg.L

S23、引入修正因子，对优化后的水质参数预处理；

在构建四维模型之前，会对数据进行预处理，为了消除仪器自身的测量误差和外界因素的影响，对步骤S22优化后的水质参数筛选出各个时刻的异常数据，设定温度正常区间为9-10℃，pH为6.8-7，DO为5.85-6.15mg.L

式中s为筛选出的数据个数；a

筛选后的留下数据的均值：

式中n表示数据总个数；b

式中g

最后将修正因子与优化后各个时刻的数据分别相乘，得到最终的优化结果。

S3、建立水质参数空间分布思维模型；

利用MATLAB进行线性内插值计算，构建水质参数空间分布四维模型，具体过程包括：

S31、MATLAB软件中构建X轴长、Y轴宽、Z轴深的养殖池模型；

S32、将步骤S2中优化后水质参数插入X轴方向坐标，Y轴方向坐标，Z轴方向坐标的多个位置点，建立模型网格划分；

S33、利用MATLAB散点插值函数进行数据拟合，调用griddata函数对已知四维参数根据指定步距沿着X、Y、Z向量散点线性内插值；

S34、调用slice函数对三维数据绘制切片，绘制多个与特定轴正交的切片平面，将所有切片水质参数指定为定义曲面的矩阵，得到四维空间模型。

本发明的有益效果是：

1、通过建立水质参数的传感网络，利用卡尔曼滤波优化与线性内插值，建立水质参数四维模型，通过拟合预估水质参数，通过实际测量与模拟值进行对比，温度、pH值和DO的空间分布模型与实测值的平均相对偏差为3.18％、2.89％、1.59％；模型预测结果准确，从而构建了一种检测养殖池环境信息有快速和有效的方法。

附图说明

图1是本发明针对养殖池水质参数空间分布模型构建方法流程图；

图2是本发明获取养殖池水质参数的传感器节点布置平面图；

图3是本发明MATLAB平台建立的温度最优值仿真试验；

图4是本发明MATLAB平台建立的pH值最优值仿真试验；

图5是本发明MATLAB平台建立的DO最优值仿真试验；

图6是本发明MATLAB平台仿真温度四维模型；

图7是本发明MATLAB平台仿真pH值四维模型；

图8是本发明MATLAB平台仿真DO四维模型。

具体实施方式

下面结合附图和实施例对本发明作进一步说明，此图为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

如图1所示，一种针对养殖池水质参数空间分布模型构建方法包括以下步骤：

S1、养殖池水质参数信息获取，利用无线传感器网络获取养殖池指定坐标的水质参数，包括温度、pH值和DO；

如图2为本发明无线传感器布置平面图，温度采集采用DS18B20传感器；pH值采用E-201-C型pH值复合电极，其测量范围是0-14；响应时间小于两分钟；DO使用YDC100电极；在一个已建立的养殖池中设置6处采集点，养殖池X轴为100m、Y轴为60m、Z轴为2m深，在X轴方向坐标15m、50m、85m处，Y轴方向坐标15m、45m处，Z轴方向上0.1m、1m、1.9m处共18个点设置无线传感器，某一时刻采集到具体数值如表1所示：

表1测试数据统计

如表1所示，优化前的温度、pH值、DO即为实际采集的传感器数值；

S2、通过卡尔曼滤波算法对水质参数优化，并引入修正因子对优化后的水质参数进行预处理，优化的目的是为了消除测量仪器本身的误差，卡尔曼滤波算法过程如下：

S21、时间更新方程：

先验推算状态变量，公式如下：

式中A为状态转换矩阵，其相关系数为1；w为过程噪声，其服从均值为0、方差为Q＝0.001的正态分布；

先验推算误差协方差，公式如下：

P

式中，P

S22、状态更新方程：

计算卡尔曼增益，公式如下：

式中，K

后验估计滤波优化，公式如下：

式中，

更新误差协方差

P

式中，I为对角线为1的矩阵；

由式(1)～(5)组成的卡尔曼滤波算法，预测过程为式(1)～(2)，假定初始预估的水质参数温度、pH值、DO分别为9.5℃、6.8、6mg.L

如表1所示，某一个时刻18个点通过卡尔曼滤波算法得到优化后的温度、pH值、DO；

为了消除测量仪器本身和环境的误差，图3-5为100分钟按照分钟粒度传感器采集到的温度、pH值、DO实测值与通过卡尔曼滤波算法得到的预估值，可以看出测量仪器的分钟测量值算时间变化波动较大，与实际情况偏差较大，而通过卡尔曼滤波算法得到的预估值波动较小与实际环境参数值接近；

S23、卡尔曼滤波算法的改进

在构建四维模型之前，会对数据进行预处理，由于仪器自身的测量误差和外界因素的影响，筛选出各个时刻的异常数据；对筛选出的异常数据做均值计算，并将与筛选后正常数据的均值相除得到修正因子，最后将用修正因子修正预测后的值得到最终结果，筛选出的数据的均值，均值计算公式如(6)：

式中s为筛选出的数据个数；a

筛选后的留下数据的均值：

式中n表示数据总个数；b

式中g

最后将修正因子与优化后各个时刻的数据分别相乘，得到最终的优化结果。

通过计算传统卡尔曼滤波算法的温度、pH值、DO的平均相对误差为14.927％、8.346％、10.294％，引入修正因子后，水质参数平均相对误差为7.412％、2.637％、6.887％，由此可见，改进后的卡尔曼滤波算法误差结果小很多，是非常有效的，很大幅度提高了预测精度，起到一个很好的收敛速度。

S3、建立水质参数空间分布模型；

利用MATLAB进行线性内插值计算，构建水质参数空间分布四维模型，具体过程包括：

S31、MATLAB软件中构建X轴长、Y轴宽、Z轴深的养殖池模型；

S32、将步骤S2中优化后水质参数插入X轴方向坐标，Y轴方向坐标，Z轴方向坐标的多处，建立模型网格划分；

S33、利用MATLAB散点插值函数进行数据拟合，对三维数据绘制切片，绘制一个或多个与特定轴正交的切片平面，将切片参数指定为标量或向量；

S34、沿曲面绘制单个切片，将所有切片参数指定为定义曲面的矩阵；

如图6-8为通过MATLAB散点插值函数进行数据拟合后养殖池模型中各点模拟温度、pH值、DO；

为了验证仿真数据的可靠性，选取坐标(15，25，1.9)、(25，25，1.9)、(35，25，1.9)、(45，25，1.9)、(65，25，1.9)的温度、pH值、DO作对比实验。经计算得出温度、pH值和DO的空间分布模型与实测值的平均相对偏差为3.18％、2.89％、1.59％；以上得出的结果和实测值的水质参数数据基本一致，表明基于改进后卡尔曼滤波优化算法和线性内插值四维模型拟合的水质参数经仿真能够准确掌握整个养殖池的水质动态变化信息，

本发明通过建立水质参数的传感网络，利用改进后卡尔曼滤波优化与线性内插值，建立水质参数四维模型，通过拟合预估水质参数，实现水产养殖信息化与智能化管理。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。