在集约化水产养殖中,水体质量对养殖的产量和质量起着决定性的作用。因此,养殖水体的准确监测具有十分重要的意义。水产养殖自动化、智能化的不断发展,对养殖过程中的水质监测提出了更高的要求。本文以传感网络水质监测平台为基础,以水产养殖水质监测数据流关键因子为研究对象,采用机器学习、信息论和统计学方法,研究监测过程中的异常检测、数据融合和预测预警模型,实现水质数据流的在线监测。主要贡献如下:(1)关于水质数据流异常检测方法研究。针对水质监测中传感器故障和偶发的事件等引起的数据流异常问题,在观察和分析水质数据特征信息的基础上,提出一种基于概率密度补偿的改进支持向量数据描述异常检测算法(ID-SVDD)。首先将相对密度的思想引入到传统SVDD算法中,补偿SVDD算法在数据分布特征信息分析上的缺失。其次,使用改进的Parzen-windows函数获取概率密度,构建ID-SVDD异常检测算法。最后利用实际水质监测数据集验证ID-SVDD算法的性能。实验结果表明,ID-SVDD异常检测算法具有较高的检测精度。(2)关于溶解氧数据流的支持度函数加权融合算法研究。针对单一溶解传感器监测不准确的问题,以溶解氧指标为例进行分析和研究。在探索同源多溶解氧传感器之间相关关系的基础上,提出了一种新型支持度函数的加权融合算法(IDTW-ISD)。该算法借鉴灰关联思想形成ISD支持度函数,并对其中参数K和β进行调整。将传统支持度函数单一时刻的相似度计算方式改为时间段的相似度计算方式,获得基于时间序列DTW相似度的支持度函数。同时,引入时间序列分割策略,构建IDTW-ISD支持度函数。基于IDTW-ISD函数的加权融合算法不仅在融合精度上得到了提高,其算法效率也获得了保障。(3)关于改进在线贯序极限学习机(EFIG-OSELM)溶解氧预测方法的研究。针对传统预测方法中参数随机、稳定性低和样本学习灵活性差等问题,提出一种在线的EFIG-OSELM的溶解氧预测方法。在实现溶解氧时间序列特征分析的基础上,对序列进行EMD多尺度分解,获得多模态信息。为了降低预测计算量,利用模糊熵对多模态信息进行数据重构。然后,利用混沌序列算法改进遗传算法,构建基于重构分量的溶解氧预测模型EFIG-OSELM。选择基于最小二乘支持向量机(LSSVM)、基于BP神经网络等预测模型进行对比和分析,EFIG-OSELM的预测结果、相关系数和精度指标较其他对比算法有明显的优势。由此表明该模型是一种较为适用的在线短时域溶解氧预测模型,能满足水体溶解氧预测的要求。(4)关于基于k-medoids分簇的偏最小二乘(PLS)优化极限学习机(ELM)溶解氧预测方法研究。精准化的池塘养殖对水体溶解氧的预测提出了长时域、高精度的需求。为了解决这些问题,结合复杂环境与溶解氧的相关性,针对溶解氧的多因子预测研究提出另一种多因子影响下基于分簇策略的改进极限学习机(CSELM)溶解氧预测模型。首先,研究各影响因子与溶解氧浓度间关系,使用因子分析法评估不同的气象综合指数。其次,使用动态时间规整(DTW)方法计算不同时间段溶解氧序列间的相似度。不同于EFIG-OSELM预测模型中的数据预处理方法,新的预测模型利用昼夜时间段的相似度进行聚类分簇。进而建立相似样本数据集,获得相似时间段下的溶解氧时间序列规律特征。最后,在各簇中分别建立预测子模型,获得CSELM溶解氧预测模型。选择PLS-ELM和ELM作为预测对比算法,实验结果表明,CSELM拥有较高的预测精度和运行速度。(5)开发水产养殖水质监测预警系统。为了实现智能化的水产养殖,设计和搭建水质监测平台。上述异常检测和预测算法被应用到监测平台中,并开发水质监测系统。该系统包括基于客户端的监控软件和手机端的监控软件,分别实现了水质数据和气象数据的采集、信息查询、数据分析、预警处理、设备管理控制、系统管理等功能。预警系统的良好运行效果表明,本文提出的检测和预测算法是合理有效的。