技术领域
[0001] 本
发明涉及一种物联网水体溶解氧预测方法及水质监测系统。
背景技术
[0002] 溶解在水中的空气中的分子态氧称为溶解氧，溶解氧是鱼类赖以生存的必要条件，是渔民稳定收成的关键指标。缺氧的水体会造成鱼虾类活
力减少，新陈代谢减慢，进食减缓。水中有机物、
氨氮等厌氧分解，产生亚
硝酸盐等一些有毒物质，还容易滋生细菌。当溶氧低于其最低限度时就会引起鱼类浮头甚至大面积窒息死亡。因此，能够实时检测水体中溶解氧含量，及时预测溶解氧含量及趋势是降低
水产养殖风险的重要因素。
[0003] 不同养殖种类、不同年龄及不同季节对池水溶氧的要求各不相同。水中的溶解氧的含量与空气中气象要素、水温等水环境因素都有密切关系。目前，有国内外学者提出可多种方法预测溶解氧，使用BP神经网络或时间序列模型预测溶解氧含量，使用
支持向量机(SVM)预测溶解氧含量，使用遗传
算法优化BP神经网络预测溶解氧含量等，这些方法都不可避免的存在易陷入局部极小值和预测
精度不高等问题。
发明内容
[0004] 针对
现有技术中存在的易陷入局部极小值和预测精度不高等问题，本发明提供一种物联网水体溶解氧预测方法及水质监测系统，通过水质监测系统获得气温、湿度、雨量、风速、气压、水温、pH、电导率和溶解氧的数据，设定气温、湿度、雨量、风速、气压、水温、pH和电导率的数据为输入量，溶解氧的数据为输出量，利用小生境思维
进化算法(NMEA)优化BP神经网络构建NMEA-BP模型对溶解氧进行预测，可避免陷入局部极小值的问题，预测精度高。
[0005] 本发明为了解决上述技术问题，采用如下技术方案：
[0006] 一种物联网水体溶解氧预测方法，所述预测方法包括以下步骤：
[0007] 步骤一：确定训练集和测试集；
[0008] 通过水质监测系统获得气温、湿度、雨量、风速、气压、水温、pH、电导率和溶解氧的数据，将数据分为训练集和测试集，设定气温、湿度、雨量、风速、气压、水温、pH和电导率的数据为输入量pn，溶解氧的数据为输出量Y；
[0009] 步骤二：确定BP神经网络拓扑结构；
[0010] 根据训练集输入量pn和输出量Y之间的映射对应关系，建立三层拓扑结构构建BP神经网络，
输入层节点数为n，
输出层节点数为m，
[0011] 隐含层节点数n1：
[0012]
[0013] 式中:a为0至10之间的整数；
[0014] BP神经网络模型，如下式:
[0015] Y＝purelin(W2,1×tansig(W1,1pn+b1)+b2) (2)
[0016] 式中:Y为输出量，W1,1和W2,1分别为输入层到隐含层、隐含层到输出层的网络连接权值，b1和b2分别为输入层到隐含层、隐含层到输出层的网络连接
阈值， pn为输入量，tansig为输入层到隐含层的传递函数，purelin为隐含层到输出层的传递函数；
[0017] 其中，输入层与输出层之间的激活函数选择sigmoid函数，其函数形式为:
[0018]
[0019] 步骤三：通过小生境思维进化算法NMEA获得BP神经网络所需最优权值和阈值；
[0020] (a)群体初始化
[0021] 随机生成N个个体形成初始群体；
[0022] 由式(4)(5)计算每个个体的得分,
[0023]
[0024]
[0025] 式中:ti与 分别为第i个样本的实际值与BP神经网络模型的输出值；
[0026] (b)生成新的子群体；
[0027] 按照个体得分从大到小进行排序，选取前q个个体为优胜者，分别以优胜者为中心形成子群体；
[0028] (c)生成小生境；
[0029] 对q个子群体的优胜者按照式(6)计算优胜者间的距离，当两个子群体优胜者间的距离小于小生境半径，得分低的子群体被丢弃，得分高的保持不变，Dij为两子群体优胜者间的距离，s为个体编码长度；
[0030]
[0031] (d)确定每个小生境独立搜索空间的最优者
[0032] 对废弃的子群体重新初始化，并在其所在的小生境内重新选择优胜者，转步骤(c)重新判断小生境优胜者得分，直至每个小生境都有优胜者，即确定每个小生境独立搜索空间的最优者；
[0033] (e)子群体趋同操作
[0034] 对子群体进行趋同，并对趋同后得分最低的群体进行异化；
[0035] (f)子群体异化操作，获得最优权值和阈值；
[0036] 当最优胜者的得分不再变化时停止
迭代，得到最优个体，即得到一组最优权值和阈值；
[0037] 步骤四：构建NMEA-BP模型；
[0038] 将步骤三中得到的最优权值和阈值作为BP神经网络模型的初始权值和阈值，代入公式(2)构建NMEA-BP模型，该模型即为溶解氧
预测模型；
[0039] 步骤五：根据测试集对步骤四构建的NMEA-BP模型进行验证。
[0040] 对本发明技术方案的进一步改进，所述水质监测系统，包括采集节点、汇聚节点、
服务器；所述采集节点包括第一微
控制器模
块、
温度采集模块、湿度采集模块、气压采集模块、雨量模块、风速模块、水温采集模块、电导率模块、pH 采集模块、溶解氧模块、第一LoRa通信模块和第一电源模块；所述第一
微控制器模块分别与温度采集模块、湿度采集模块、气压采集模块、雨量模块、风速模块、水温采集模块、电导率模块、pH采集模块、溶解氧模块、第一LoRa通信模块相连；所述第一电源模块与采集节点中其他模块相连；所述汇聚节点包括第二微控制器模块、第二LoRa通信模块、4G通信模块和第二电源模块；所述第二微控制器模块分别与第二LoRa通信模块、4G通信模块相连；所述第二电源模块与汇聚节点中其他模块相连；所述采集节点通过第一LoRa通信模块和第二LoRa 通信模块构成的LoRa网络将采集的各模块数据发送至汇聚节点，所述汇聚节点通过4G网络将数据传输至服务器。本发明所提供的水质监测系统在4G网络
覆盖范围内工作，极大方便了服务器布设，具有布线方便、灵活性好，不受通讯距离限制等优点，可广泛投入海洋湖泊等水质监测中；其中采集节点通过LoRa网络将温度、pH值、电导率和溶解氧等数据发送至汇聚节点，汇聚节点通过4G网络传输至服务器，整个系统结构简单，通用性好。
[0041] 对本发明技术方案的进一步改进，所述温度采集模块和水温采集模块均采用防
水处理过的DS18B20
传感器。
[0042] 对本发明技术方案的进一步改进，所述电导率模块采用上海精密科学仪器有限公司生产的DJS-1型铂黑点导
电极。
[0043] 对本发明技术方案的进一步改进，所述pH采集模块采用上海精密科学仪器有限公司生产的E-201-C型pH电极。
[0044] 对本发明技术方案的进一步改进，所述溶解氧采集模块采用极谱型传感器。
[0045] 对本发明技术方案的进一步改进，所述第一微控制器模块和第二微控制器模块均采用意法
半导体公司生产的STM32F103RBT6芯片。
[0046] 对本发明技术方案的进一步改进，其特征在于：所述4G通信模块使用USIM 卡，采用中国移动网络。
[0047] 对本发明技术方案的进一步改进，用户可在电脑端或手机端通过网络
访问服务器获得水质数据。可在电脑端或手机端获取水质数据，使用方便。
[0048] 与现有技术相比，本发明的有益效果是：
[0049] 本发明所提供的一种物联网水体溶解氧预测方法及水质监测系统，通过分析溶解氧与水体其他监测指标及气象指标之间的关系，利用水质监测系统测量所得的气温、湿度、雨量、风速、气压、水温、pH、电导率和溶解氧的数据，设定气温、湿度、雨量、风速、气压、水温、pH和电导率的数据为输入量，溶解氧的数据为输出量，通过小生境思维进化算法(NMEA)优化BP神经网络构建NMEA-BP 模型对溶解氧进行预测，可避免陷入局部极小值的问题，预测精度高。
附图说明
[0051] 图2是本发明水质监测系统采集节点的
硬件结构图。
[0052] 图3是本发明水质监测系统汇聚节点的硬件结构图。
[0053] 图4是本发明水质监测系统整个系统架构图。
[0054] 图5是本发明预测方法溶解氧的预测输出值与真实值的对比图。
具体实施方式
[0055] 下面将结合附图和具体
实施例对本发明做进一步详细说明。
[0056] 如图1所示，预测方法包括以下步骤：
[0057] 步骤一：确定训练集和测试集；
[0058] 通过水质监测系统获得气温、湿度、雨量、风速、气压、水温、pH、电导率和溶解氧的数据，将数据分为训练集和测试集，设定气温、湿度、雨量、风速、气压、水温、pH和电导率的数据为输入量pn，溶解氧的数据为输出量Y；
[0059] 步骤二：确定BP神经网络拓扑结构；
[0060] 根据训练集输入量pn和输出量Y之间的映射对应关系，建立三层拓扑结构构建BP神经网络，输入层节点数为n，输出层节点数为m，
[0061] 隐含层节点数n1：
[0062]
[0063] 式中:a为0至10之间的整数；
[0064] BP神经网络模型，如下式:
[0065] Y＝purelin(W2,1×tansig(W1,1pn+b1)+b2) (2)
[0066] 式中:Y为输出量，W1,1和W2,1分别为输入层到隐含层、隐含层到输出层的网络连接权值，b1和b2分别为输入层到隐含层、隐含层到输出层的网络连接阈值， pn为输入量，tansig为输入层到隐含层的传递函数，purelin为隐含层到输出层的传递函数；
[0067] 其中，输入层与输出层之间的激活函数选择sigmoid函数，其函数形式为:
[0068]
[0069] 步骤三：通过小生境思维进化算法NMEA获得BP神经网络所需最优权值和阈值；
[0070] (a)群体初始化
[0071] 随机生成N个个体形成初始群体；
[0072] 由式(4)(5)计算每个个体的得分,
[0073]
[0074]
[0075] 式中:ti与 分别为第i个样本的实际值与BP神经网络模型的输出值；
[0076] (b)生成新的子群体；
[0077] 按照个体得分从大到小进行排序，选取前q个个体为优胜者，分别以优胜者为中心形成子群体；
[0078] (c)生成小生境；
[0079] 对q个子群体的优胜者按照式(6)计算优胜者间的距离，当两个子群体优胜者间的距离小于小生境半径，得分低的子群体被丢弃，得分高的保持不变，Dij为两子群体优胜者间的距离，s为个体编码长度；
[0080]
[0081] (d)确定每个小生境独立搜索空间的最优者
[0082] 对废弃的子群体重新初始化，并在其所在的小生境内重新选择优胜者，转步骤(c)重新判断小生境优胜者得分，直至每个小生境都有优胜者，即确定每个小生境独立搜索空间的最优者；
[0083] (e)子群体趋同操作
[0084] 对子群体进行趋同，并对趋同后得分最低的群体进行异化；
[0085] (f)子群体异化操作，获得最优权值和阈值；
[0086] 当最优胜者的得分不再变化时停止迭代，得到最优个体，即得到一组最优权值和阈值；
[0087] 步骤四：构建NMEA-BP模型；
[0088] 将步骤三中得到的最优权值和阈值作为BP神经网络模型的初始权值和阈值，代入公式(2)构建NMEA-BP模型，该模型即为溶解氧预测模型；
[0089] 步骤五：根据测试集对步骤四构建的NMEA-BP模型进行验证。
[0090] 本实施例中，气温、湿度、雨量、风速、气压、水温、pH和电导率的数据为输入量，输出量为溶解氧，确定输入层节点数为8，输出层节点数为1，根据式(1)计算后确定隐含层节点数取3至13之间的整数，对这11个数一一测试后，最后确定隐含层节点数为9，最大训练次数为2000；
[0091] 步骤三中通过小生境思维进化算法NMEA获得最优权值和阈值，初始群体N 设置为200，优胜子群体和临时子群体分别设置为5，小生境半径为20，迭代次数设置为10。
[0092] 如图2所示，水质监测系统中的采集节点包括第一微控制器模块、温度采集模块、湿度采集模块、气压采集模块、雨量模块、风速模块、水温采集模块、电导率模块、pH采集模块、溶解氧模块、第一LoRa通信模块和第一电源模块；
[0093] 第一微控制器模块分别与温度采集模块、湿度采集模块、气压采集模块、雨量模块、风速模块、水温采集模块、电导率模块、pH采集模块、溶解氧模块、第一LoRa通信模块相连；
[0094] 第一电源模块与采集节点中其他模块相连；
[0095] 其中第一微控制器模块用于读取温度采集模块、湿度采集模块、气压采集模块、雨量模块、风速模块、水温采集模块、电导率模块、pH采集模块和溶解氧模块所采集的数据，并将数据发送给第一LoRa通信模块。
[0096] 如图3所示，水质监测系统中的汇聚节点包括第二微控制器模块、第二LoRa 通信模块、4G通信模块和第二电源模块；
[0097] 第二微控制器模块分别与第二LoRa通信模块、4G通信模块相连；
[0098] 第二电源模块与汇聚节点中其他模块相连；
[0099] 其中，第二LoRa通信模块将数据发送给第二微控制器模块，第二微控制器模块将数据发送给通过4G通信模块。
[0100] 如图4所示，水质监测系统中的采集节点通过第一LoRa通信模块和第二 LoRa通信模块构成的LoRa网络将水质数据气温、湿度、雨量、风速、气压、水温、pH值、电导率及溶解氧发送至汇聚节点，汇聚节点通过4G网络这些数据传输至服务器，用户可在PC端或手机端通过网络访问服务器获得水质数据。
[0101] 本实施例中，温度采集模块和水温采集模块均采用防水处理过的DS18B20 传感器；电导率模块采用上海精密科学仪器有限公司生产的DJS-1型铂黑点导电极；pH采集模块采用上海精密科学仪器有限公司生产的E-201-C型pH电极；溶解氧采集模块采用极谱型传感器；第一微控制器模块和第二微控制器模块均采用意法半导体公司生产的STM32F103RBT6芯片；4G通信模块使用USIM卡，采用中国移动网络。
[0102] 本实施例采用2018年6月1日至12月31日共214天实测数据进行训练和测试，期间共5136条数据记录。随机
抽取10天(240条)数据作为测试集，验证溶解氧预测准确性，其他数据作为训练集。如图5所示，经过NMEA-BP模型训练后的预测输出值能够逼近真实值，总体训练效果较好。绝大部分溶解氧值与真实值间误差较小，最大绝对误差能够控制在0.5mg/L以内。
[0103] 同时，选择均方根误差(Root Mean Square Error，RMSE)、平均相对百分比误差(Mean Relative Percent Error，MRPE)和平均绝对误差(Mean Absolute Error，MAE)指标作为判断标准验证本发明方法的有效性。将常规的BP模型和 GA-BP模型与本发明的NMEA-BP模型进行对比，本发明中利用小生境思维进化算法(NMEA)对BP神经网络的权值和阈值进行优化，避免了陷入局部极小和初始参数的抉择问题，提高模型的精度和收敛速度，从而本发明NMEA-BP模型与普通BP模型、GA-BP模型的预测效果相比有更高的精度，能较好的预测溶解氧走势。三种模型的插补评价指标结果如表1所示，表1的对比结果显示，使用本发明NMEA-BP模型预测时，均方根误差(RMSE)、平均相对百分比误差(MRPE)和平均绝对误差(MAE)均低于BP模型和GA-BP模型，说明本发明的溶解氧预测模型输出值准确度更高，更有效。
[0104] BP模型、GA-BP模型、NMEA-BP模型插补性能评估对比，如下表1所示：
[0105]
[0106] 表1。
