鄒 雄，楊明秋，蒲利云，陸建學(xué)，夏連軍，劉 鑫

（1.中國(guó)水產(chǎn)科學(xué)研究院東海水產(chǎn)研究所/農(nóng)業(yè)農(nóng)村部東海與遠(yuǎn)洋漁業(yè)資源開(kāi)發(fā)利用重點(diǎn)實(shí)驗(yàn)室，上海 200090；2.海南省海洋與漁業(yè)科學(xué)院，?？?571126）

水產(chǎn)質(zhì)量對(duì)水產(chǎn)養(yǎng)殖的經(jīng)濟(jì)效益直接產(chǎn)生影響，而水質(zhì)也決定了水產(chǎn)質(zhì)量。因此，水產(chǎn)養(yǎng)殖過(guò)程中需要對(duì)水質(zhì)進(jìn)行監(jiān)測(cè)和控制［1］。在養(yǎng)殖過(guò)程中，溫度、溶氧量、pH 等因素都能夠?qū)λa(chǎn)質(zhì)量產(chǎn)生一定的影響。因此，如果對(duì)水質(zhì)參數(shù)采取有效的獲取和研究，可以提高水產(chǎn)的質(zhì)量和經(jīng)濟(jì)收益［2］。在國(guó)外，澳大利亞、日本及美國(guó)等國(guó)家水質(zhì)監(jiān)測(cè)的相關(guān)系統(tǒng)設(shè)備均已經(jīng)較大規(guī)模使用［3］。此外，德國(guó)和丹麥不僅在水產(chǎn)養(yǎng)殖方面取得較好的成果，而且水質(zhì)監(jiān)測(cè)方面的技術(shù)也有著不斷突破［4］。在國(guó)內(nèi)，水產(chǎn)養(yǎng)殖技術(shù)及水質(zhì)監(jiān)測(cè)手段研究有一定的發(fā)展，學(xué)者也在不斷進(jìn)行探索，遲守峰等［5］提出適宜中國(guó)水質(zhì)環(huán)境的水質(zhì)監(jiān)測(cè)設(shè)備，可以完成最多6 種參數(shù)的共同監(jiān)測(cè)。Zhang 等［6］研發(fā)一種新的水質(zhì)監(jiān)測(cè)手段，完成序列式多點(diǎn)監(jiān)測(cè)。

針對(duì)水質(zhì)預(yù)測(cè)，學(xué)者利用計(jì)算機(jī)程序來(lái)完成水質(zhì)參數(shù)預(yù)測(cè)。但是在水質(zhì)預(yù)測(cè)中，計(jì)算機(jī)程序設(shè)計(jì)過(guò)程中涉及大規(guī)模的矩陣計(jì)算，程序的實(shí)際效果會(huì)受到算法較大影響。而LMBP（Levenberg-Marquardt Back Propagation）算法作為一種可操作性很強(qiáng)的神經(jīng)網(wǎng)絡(luò)算法，具有較多優(yōu)點(diǎn)。本研究對(duì)LMBP 算法優(yōu)化，并應(yīng)用至水質(zhì)監(jiān)測(cè)中，實(shí)現(xiàn)水產(chǎn)人工養(yǎng)殖的智能化控制，提高水產(chǎn)質(zhì)量。

1 材料與方法

1.1 銹斑蟳人工養(yǎng)殖環(huán)境物聯(lián)網(wǎng)遠(yuǎn)程監(jiān)測(cè)系統(tǒng)

1.1.1 系統(tǒng)總體結(jié)構(gòu) 針對(duì)銹斑蟳（Charybdis feriatus）的養(yǎng)殖特征，根據(jù)銹斑蟳生長(zhǎng)特性以及日常養(yǎng)殖習(xí)慣進(jìn)行設(shè)計(jì)。該系統(tǒng)包括本地監(jiān)控子系統(tǒng)和網(wǎng)絡(luò)監(jiān)控子系統(tǒng)。其中，本地監(jiān)控子系統(tǒng)中包含水質(zhì)監(jiān)測(cè)模塊、視頻監(jiān)控模塊、環(huán)境參數(shù)監(jiān)測(cè)模塊以及中央控制計(jì)算機(jī)。銹斑蟳人工養(yǎng)殖物聯(lián)網(wǎng)遠(yuǎn)程監(jiān)控系統(tǒng)結(jié)構(gòu)如圖1 所示。

銹斑蟳人工養(yǎng)殖物聯(lián)網(wǎng)遠(yuǎn)程監(jiān)控系統(tǒng)主要包括水質(zhì)監(jiān)測(cè)系統(tǒng)、環(huán)境參數(shù)監(jiān)測(cè)系統(tǒng)以及視頻監(jiān)控系統(tǒng)。其中，水質(zhì)監(jiān)測(cè)系統(tǒng)中設(shè)置了溫度傳感器、溶解氧傳感器、pH 傳感器、液位傳感器以及水循環(huán)量傳感器，以此完成各參數(shù)的實(shí)時(shí)監(jiān)測(cè)。環(huán)境參數(shù)監(jiān)測(cè)系統(tǒng)的目的主要是對(duì)養(yǎng)殖場(chǎng)內(nèi)濕度和溫度進(jìn)行控制；視頻監(jiān)控系統(tǒng)則是由水上監(jiān)控系統(tǒng)和水下監(jiān)控系統(tǒng)兩個(gè)部分組成。

1.1.2 本地監(jiān)控子系統(tǒng) 從本地監(jiān)控系統(tǒng)模塊獲取到整個(gè)系統(tǒng)的數(shù)據(jù)信息，本地監(jiān)控子系統(tǒng)結(jié)構(gòu)如圖2 所示。

圖2 本地監(jiān)控子系統(tǒng)結(jié)構(gòu)

1）水質(zhì)監(jiān)測(cè)系統(tǒng)。水質(zhì)監(jiān)測(cè)系統(tǒng)中最重要的是下位單片機(jī)多參數(shù)的智能監(jiān)測(cè)和處理，因此需要現(xiàn)場(chǎng)上位監(jiān)控機(jī)、無(wú)線傳感器網(wǎng)絡(luò)設(shè)備和遠(yuǎn)程PC（Personal Computer）機(jī)監(jiān)控與其協(xié)同合作完成水質(zhì)監(jiān)測(cè)系統(tǒng)的運(yùn)作。水質(zhì)監(jiān)測(cè)系統(tǒng)如圖3 所示。

圖3 水質(zhì)監(jiān)測(cè)系統(tǒng)

在水質(zhì)監(jiān)測(cè)系統(tǒng)中，下位單片機(jī)檢測(cè)可以完成多個(gè)參數(shù)的共同監(jiān)測(cè)，并且可以使得參數(shù)信息數(shù)據(jù)實(shí)時(shí)上傳。同時(shí)，如果水質(zhì)參數(shù)信息出現(xiàn)嚴(yán)重問(wèn)題，該系統(tǒng)還能第一時(shí)間拉響警報(bào)。此外，對(duì)于系統(tǒng)越限問(wèn)題，該系統(tǒng)也可以完成自動(dòng)報(bào)警。

2）視頻監(jiān)控系統(tǒng)。水下攝像頭的選取也需要滿足一定的要求，如分辨率和清晰度盡量要高，以便觀察銹斑蟳的活動(dòng)情況。此外，由于水下情況復(fù)雜，攝像頭上還需要內(nèi)置燈源，且燈源應(yīng)該有較高的耐腐蝕性和質(zhì)量。另外，室內(nèi)攝像頭的選取僅需要具有一般清晰度。室內(nèi)攝像頭應(yīng)該配備硬盤錄像機(jī)，以方便存儲(chǔ)監(jiān)控視頻，后續(xù)可以實(shí)時(shí)查看。視頻監(jiān)控結(jié)構(gòu)如圖4 所示。

圖4 視頻監(jiān)控結(jié)構(gòu)

3）環(huán)境參數(shù)監(jiān)測(cè)系統(tǒng)。環(huán)境參數(shù)子系統(tǒng)的作用是對(duì)養(yǎng)殖場(chǎng)中的溫度和濕度進(jìn)行監(jiān)測(cè)。為實(shí)現(xiàn)環(huán)境參數(shù)的智能采集，選取模擬量智能采集裝置，該裝置能夠?qū)?～20 mA 電流信號(hào)或者1～5 V 電壓信號(hào)以及電阻型傳感器阻值進(jìn)行精準(zhǔn)檢測(cè)。此外，該裝置內(nèi)置8 路人工智能接口，并且能夠與8 個(gè)傳感器進(jìn)行連接。輸入信號(hào)經(jīng)過(guò)有源濾波后，再傳輸?shù)紸DC（Analog-to-Digital Converter）轉(zhuǎn)換芯片中。

4）中央控制計(jì)算機(jī)。中央監(jiān)控計(jì)算機(jī)也被稱為遠(yuǎn)程服務(wù)器，是整個(gè)系統(tǒng)最重要的部分。其功能是承載本地監(jiān)控程序和遠(yuǎn)程服務(wù)程序并運(yùn)行。銹斑蟳養(yǎng)殖本地監(jiān)控系統(tǒng)主要由數(shù)據(jù)顯示模塊、數(shù)據(jù)存儲(chǔ)與查詢模塊、實(shí)時(shí)曲線顯示模塊等組成，以此完成養(yǎng)殖場(chǎng)的水質(zhì)、環(huán)境監(jiān)測(cè)和數(shù)據(jù)記錄查詢。本地監(jiān)控軟件總體架構(gòu)如圖5 所示。

圖5 本地監(jiān)控軟件總體架構(gòu)

1.1.3 網(wǎng)絡(luò)監(jiān)控子系統(tǒng) 網(wǎng)絡(luò)監(jiān)控子系統(tǒng)是以B/S（Broswer-Server）架構(gòu)為基礎(chǔ)架構(gòu)，并且利用模塊化的功能設(shè)計(jì)理念構(gòu)造。該系統(tǒng)具有5 個(gè)功能模塊，遠(yuǎn)程監(jiān)控系統(tǒng)結(jié)構(gòu)如圖6 所示。

圖6 遠(yuǎn)程監(jiān)控系統(tǒng)結(jié)構(gòu)

在網(wǎng)絡(luò)監(jiān)控子系統(tǒng)中，當(dāng)用戶授權(quán)時(shí)，才能夠接觸到系統(tǒng)的內(nèi)部數(shù)據(jù)；數(shù)據(jù)下載模塊可以實(shí)現(xiàn)歷史數(shù)據(jù)的緩存，以便于用戶實(shí)時(shí)查看并分析；實(shí)時(shí)監(jiān)控模塊則選取Ajax 技術(shù)，頁(yè)面不用刷新就能夠更新數(shù)據(jù)；數(shù)據(jù)查詢模塊則可以讓用戶查詢到以往數(shù)據(jù)［7-9］。

1.1.4 系統(tǒng)軟件的設(shè)計(jì) 結(jié)合系統(tǒng)的結(jié)構(gòu)和水質(zhì)的實(shí)際監(jiān)測(cè)要求，選取STM32 的固件函數(shù)庫(kù)語(yǔ)言來(lái)編寫代碼實(shí)現(xiàn)系統(tǒng)。該固件函數(shù)庫(kù)具有較為全面的功能，使程序開(kāi)發(fā)過(guò)程縮短［10］。其中，傳感器數(shù)據(jù)采集程序是對(duì)溫度和濕度傳感器等收集的數(shù)據(jù)進(jìn)行A/D 轉(zhuǎn)換控制，而且可以將數(shù)據(jù)傳輸?shù)竭吘壘W(wǎng)關(guān)。

1.2 人工養(yǎng)殖水質(zhì)的溶解氧預(yù)測(cè)與控制

對(duì)水質(zhì)各參數(shù)進(jìn)行非線性研究不但能夠?qū)崿F(xiàn)水質(zhì)各參數(shù)監(jiān)測(cè)的準(zhǔn)確性，而且能夠?qū)λ|(zhì)參數(shù)做出預(yù)測(cè)和預(yù)警。應(yīng)用信息融合技術(shù)，構(gòu)造兩級(jí)信息融合的研究模型是一種可行的方法。

1.2.1 信息融合結(jié)構(gòu) 由于位置和高度的差異，水質(zhì)中各參數(shù)也會(huì)存在差異性。因此，需要在待測(cè)區(qū)域均勻分布監(jiān)測(cè)點(diǎn)，將各個(gè)監(jiān)測(cè)點(diǎn)的數(shù)據(jù)進(jìn)行綜合分析和處理。針對(duì)水質(zhì)參數(shù)中的溫度、pH 以及溶解氧3 種參數(shù)，信息融合結(jié)構(gòu)如圖7 所示。

圖7 信息融合結(jié)構(gòu)

1.2.2 第一級(jí)融合模型 第一級(jí)融合的目的在于對(duì)類型相似傳感器的權(quán)重大小進(jìn)行衡量，以此提高傳感器對(duì)各個(gè)參數(shù)檢測(cè)的精確度。此外，還可以大幅度減小二級(jí)融合的數(shù)據(jù)規(guī)模，提升處理效率［11］。

1.2.3 第二級(jí)融合模型 在水質(zhì)監(jiān)測(cè)研究中，選取溫度、pH 和溶解氧3 種傳感器，并分別將各參數(shù)傳感器分布在水下區(qū)域并保持一定距離的方位，然后利用A、B、C 對(duì)節(jié)點(diǎn)進(jìn)行編號(hào)［12］。

1.2.4 基于人工神經(jīng)網(wǎng)絡(luò)的信息融合算法設(shè)計(jì) 人工神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值是利用所構(gòu)造的學(xué)習(xí)規(guī)則來(lái)對(duì)樣本持續(xù)進(jìn)行訓(xùn)練得到的。因此，采選取人工神經(jīng)網(wǎng)絡(luò)，也就是LMBP 神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)多傳感器信息的高效融合，并且對(duì)水質(zhì)做出預(yù)測(cè)和預(yù)警。

1）標(biāo)準(zhǔn)LMBP 算法。LMBP 是加速收斂BP（Back propogation）算法中的一種標(biāo)準(zhǔn)數(shù)值優(yōu)化方法。在網(wǎng)絡(luò)參數(shù)個(gè)數(shù)適中的情況下，LMBP 算法是最快的神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法。其公式為：

式中，v(wk)代表誤差向量；Δw是權(quán)值調(diào)整誤差；J(wk)是v(wk)的雅克比矩陣；μ為比例常數(shù)；I是神經(jīng)元個(gè)數(shù)［13］。

2）改進(jìn)LMBP 算法。雖然傳統(tǒng)LMBP 算法存在一定的優(yōu)越性，但是仍然存在如下問(wèn)題：①初始步長(zhǎng)和變化值不易選取；②存在“小步長(zhǎng)”問(wèn)題，收斂速度易受影響；③計(jì)算過(guò)程中需要求矩陣的逆，過(guò)程繁瑣。因此，需對(duì)LMBP 算法進(jìn)行改進(jìn)，首先利用以往經(jīng)驗(yàn)確定步長(zhǎng)和變化值為0.01 和5，其次針對(duì)“小步長(zhǎng)”問(wèn)題，將選取一個(gè)可以衡量收斂速度變化大小的函數(shù)插入算法中，即：

式中，ΔEk(w)為此次誤差變化，ΔEk-1(w)為上一次的誤差變化。

最后，針對(duì)計(jì)算繁瑣問(wèn)題，通過(guò)矩陣變換，將矩陣處理成方程組來(lái)完成求解，大幅度提高效率。

3）試驗(yàn)設(shè)計(jì)。為驗(yàn)證基于改進(jìn)LBMP 算法的溶解氧傳感器效果，將第一級(jí)融合處理后的40 個(gè)樣本數(shù)據(jù)作為水質(zhì)預(yù)測(cè)的試驗(yàn)數(shù)據(jù)。連續(xù)10 d 對(duì)數(shù)據(jù)進(jìn)行采樣，并且每天設(shè)置固定的采樣時(shí)間和間隔，獲得樣本數(shù)量。最后，將前9 d 的數(shù)據(jù)作為輸入樣本，第10 天的數(shù)據(jù)作為測(cè)試樣本。

2 結(jié)果與分析

2.1 基于標(biāo)準(zhǔn)LMBP 算法的溶解氧結(jié)果

在基于未改進(jìn)LMBP 算法下，不改變網(wǎng)絡(luò)模型中其他參數(shù)，并在相同試驗(yàn)條件下完成溶解氧數(shù)據(jù)的預(yù)測(cè)結(jié)果如圖8 所示?；跇?biāo)準(zhǔn)LMBP 算法的溶解氧預(yù)測(cè)具有一定的效果，但整體上將近一半的數(shù)據(jù)具有較大的預(yù)測(cè)誤差，說(shuō)明標(biāo)準(zhǔn)LMBP 算法在溶解氧數(shù)據(jù)的預(yù)測(cè)上還存在一定問(wèn)題。

2.2 基于改進(jìn)LMBP 算法的溶解氧結(jié)果

在基于改進(jìn)LMBP 算法下，不改變網(wǎng)絡(luò)模型中其他參數(shù)，并在相同試驗(yàn)條件下完成溶解氧數(shù)據(jù)的預(yù)測(cè)結(jié)果如圖9 所示?；诟倪M(jìn)LMBP 算法的溶解氧預(yù)測(cè)具有不錯(cuò)的效果，與標(biāo)準(zhǔn)LMBP 算法的溶解氧預(yù)測(cè)結(jié)果相比，改進(jìn)后LMBP 算法預(yù)測(cè)溶解氧的絕對(duì)誤差和相對(duì)誤差明顯比標(biāo)準(zhǔn)LMBP 算法預(yù)測(cè)溶解氧的絕對(duì)誤差與相對(duì)誤差更準(zhǔn)確，能夠滿足預(yù)期的要求。

圖9 基于改進(jìn)LMBP 神經(jīng)網(wǎng)絡(luò)的溶解氧預(yù)測(cè)結(jié)果及誤差

3 小結(jié)與討論

在水產(chǎn)人工養(yǎng)殖環(huán)境監(jiān)測(cè)的基礎(chǔ)上，對(duì)銹斑蟳人工養(yǎng)殖環(huán)境監(jiān)測(cè)進(jìn)行了研究，其中包括遠(yuǎn)程監(jiān)控系統(tǒng)和水質(zhì)監(jiān)測(cè)系統(tǒng)的設(shè)計(jì)和各類傳感器的選擇。此外，還利用改進(jìn)LMBP 算法對(duì)水質(zhì)檢測(cè)系統(tǒng)中的溶解氧傳感器數(shù)據(jù)間的信息融合進(jìn)行研究。結(jié)果表明，一方面，銹斑蟳環(huán)境監(jiān)測(cè)系統(tǒng)可以根據(jù)采集的數(shù)據(jù)進(jìn)行智能判斷，完成溫室設(shè)施參數(shù)的穩(wěn)定智能化控制，提升了銹斑蟳養(yǎng)殖環(huán)境的智能化，也能夠減少一定的工作量。另一方面，改進(jìn)后LMBP 算法預(yù)測(cè)溶解氧的絕對(duì)誤差與相對(duì)誤差顯然比傳統(tǒng)LMBP 算法要好，可以實(shí)現(xiàn)較準(zhǔn)確的溶解氧預(yù)測(cè)。在利用人工神經(jīng)網(wǎng)絡(luò)對(duì)水質(zhì)進(jìn)行預(yù)測(cè)時(shí)，樣本容量不夠多，可能會(huì)對(duì)預(yù)測(cè)的準(zhǔn)確性產(chǎn)生干擾，后續(xù)研究將擴(kuò)大樣本數(shù)據(jù)，進(jìn)一步加強(qiáng)信息融合模型的預(yù)測(cè)水平。