论文部分内容阅读
溶解氧是水质变化过程中的重要参数,大多水质净化过程都需要氧气参与,反映出水体的自净能力;同时,溶解氧作为水体内生命存活的主要需求,在水产养殖过程中充当重要角色,合适的浓度区间内有利于水产品生长发育。为了促进水产养殖业的发展,需要人工增氧和关注水质变化,因此有必要充分掌握溶解氧的变化规律。本文围绕养殖水域内溶解氧动态变化的建模问题,研究了基于数据驱动和机理驱动的建模方法,具体工作分为以下三个部分:1.提出了基于回声状态网络(Echo State Networks,ESN)的溶解氧短时建模预测方法。针对支持向量机(Support Vector Machine,SVM)和前馈神经网络等传统建模方法缺乏历史输入信息记忆能力、训练速度慢的问题,将ESN引入到溶解氧建模中。并提出训练样本双向构造和ESN模型集成策略,用于解决传统ESN模型存在的网络自由参数定值和在储备池规模较大情况下存在的模型泛化性能恶化问题。测试结果表明,改进后的ESN具有良好的参数鲁棒性;在较大规模的储备池情况下,可以有效减弱传统ESN出现的过拟合现象,保证或提高了模型的泛化性能。测试结果显示,改进后ESN相比于最小二乘支持向量机(Least Square-Support Vector Machine,LSSVM)的测试评价(均方根误差和平均绝对误差)分别提高了3%和1.7%;比传统的ESN提高了2.84%和2.25%。优化后的ESN只利用溶氧单一监测数据能够满足水域环境复杂多变条件下模型需要快速更新的溶解氧短期建模预测问题。2.研究了基于多变量输入和门控递归单元网络(Gate Recurrent Unit,GRU)的溶解氧中期预测建模方法。该方法考虑了环境信息(水温、pH、浊度和氨氮浓度)对溶解氧变化的影响,将环境信息与溶解氧共同作为模型输入,采用对历史输入数据具有良好记忆能力的GRU和长短时记忆神经网络(Long Short-Term Memory,LSTM)构建中期预测模型。对于2小时后的溶解氧浓度进行预测,LSTM和GRU都取得了良好的预测精度。GRU的四个评价指标数值(平均绝对误差、均方根误差、平均绝对百分比误差和决定系数)分别是0.45mg/L、0.64mg/L、5.4%和0.99;LSTM分别取得了0.41mg/L、0.54mg/L、5.9%和0.97的精度。虽然GRU预测性能与LSTM相似,由于GRU的时间成本和参数数量要优于LSTM,GRU相比具有较好的性能。该方法对于解决人工增氧在水体的扩散过程中具有的大时滞问题有重要的价值。3.研究了养殖水域内基于机理的溶解氧建模方法。该方法分析了溶解氧动态变化过程的各个关键环节,给出了包括光合作用、大气复氧、人工增氧、呼吸作用和沉积物耗氧等环节的数学表达式,利用龙格-库塔方法和列文伯格-马夸尔特算法(LevenbergMarquardt,LM算法)求解调整模型参数,以实现溶解氧动态变化的机理建模。论文利用实际采样的数据,对模型的准确性进行了验证,得到了平均绝对误差为0.447,均方根误差为0.552,平均绝对百分比误差为6.4%。设计的机理模型可以描述溶解氧动态变化过程,合理解释水域环境因素对溶解氧变化过程的影响。