论文部分内容阅读
为了解决集约化海水养殖过程中水体氨氮浓度测量存在的成本高、消耗大、难以实时有效检测等问题,本文以实验室集约化循环海水养殖控制系统在养殖大菱鲆过程中所采集到的相关水质参数为基础,对影响水体氨氮浓度的相关变量进行分析。根据辅助变量易测的要求,结合实际条件选取大菱鲆养殖过程中所获得的养殖水体的温度、溶解氧、电导率和pH值作为辅助变量,建立相应的氨氮浓度软测量模型,进而实现对养殖水体氨氮浓度进行实时有效的监测。通过分析和对比BP网络、随机向量功能链网络(Random Vector Function Link,RVFL)以及随机配置网络(Stochastic configuration networks;SCNs)各自算法的特点和不足,利用随机配置网络具有快速学习能力和较高逼近性能等优势,将随机配置网络引入到集约化养殖水体氨氮浓度的软测量过程中。为避免SCNs参数选取的随机性给模型测量性能带来的影响,提出了遗传算法(Genetic Algorithm,GA)优化的SCNs软测量模型。该模型基于遗传算法对SCNs的预选权值和阈值矩阵进行了优化,并将优化后的预选矩阵用于SCNs模型的构建,然后基于集约化循环海水养殖系统进行大菱鲆养殖所获取的相关水质参数,将构建好的GA-SCNs模型用于对养殖水体的氨氮浓度进行测量,并将测量结果与SCNs、BP、RVFL各模型对水体氨氮浓度的测量效果进行对比。实验结果表明:与其他模型相比GASCNs模型虽然运行时间较长,但具有较好的测量效果。此外,由于Bagging能够在保持模型偏差不变的情况下,有效地降低集成模型方差的特点,以及有效提升不稳定算法性能的优势,提出了Bagging集成随机配置网络的软测量建模方法。该方法选取学习速度快,逼近型能强的SCNs作为基学习器,利用Bootstrap生成多个不同的训练子集,对多个不同的基学习器SCNs进行训练,然后取各SCNs模型输出结果的平均值作为Bagging-SCNs模型的输出。以上述实验数据为基础,分别对BaggingSCNs、SCNs、RVFL和Bagging-RVFL进行了连续20次的软测量建模,并对各模型的输出结果进行了统计分析。通过比较不同模型预测输出的均方根误差(RMSE)、最大绝对误差(MAE)和平均绝对百分比误差(MAPE)的平均值,表明Bagging-SCNs具有较好的测量精度和较高的稳定性,且很好的避免了遗传算法优化随机配置网络参数时显著增加模型运行时间的问题,进一步验证了所提Bagging-SCNs模型在测量集约化海水养殖水体氨氮浓度时的有效性,对水产养殖水体的监测具有一定的指导意义。