隨著水產(chǎn)養(yǎng)殖業(yè)的快速發(fā)展,加強養(yǎng)殖水質(zhì)預(yù)測關(guān)鍵技術(shù)研究,提升水產(chǎn)養(yǎng)殖災(zāi)防災(zāi)能力,保障水產(chǎn)養(yǎng)殖安全生產(chǎn)已成為漁業(yè)生產(chǎn)的關(guān)鍵內(nèi)容之一。在養(yǎng)殖池塘中,溶解氧（dissolved oxygen,DO）是養(yǎng)殖池塘水質(zhì)的一項重要指標,氧氣不足會對魚類的生存環(huán)境產(chǎn)生不利影響。準確預(yù)測未來水中溶解氧變化趨勢,建立準確、實用的預(yù)測模型對于水產(chǎn)養(yǎng)殖業(yè)具有重要的現(xiàn)實意義。目前,物聯(lián)網(wǎng)和大數(shù)據(jù)技術(shù)在水產(chǎn)養(yǎng)殖溶解氧預(yù)測中應(yīng)用尚處于摸索和嘗試階段,溶解氧預(yù)測模型依然停留在實驗室研究階段,要使溶解氧預(yù)測達到實用化水平,關(guān)鍵要提高預(yù)測模型精度,其次是實現(xiàn)在線預(yù)測。本文以水產(chǎn)養(yǎng)殖溶解氧為研究對象,搭建多尺度養(yǎng)殖環(huán)境物聯(lián)網(wǎng)系統(tǒng),運用機器學(xué)習(xí)方法建立溶解氧預(yù)測模型,實現(xiàn)快速響應(yīng)的溶解氧在線預(yù)測應(yīng)用。主要研究內(nèi)容及結(jié)論如下:（1）為了給溶解氧預(yù)測模型提供全面、準確的數(shù)據(jù)來源,首先研究水產(chǎn)養(yǎng)殖池塘中溶解氧變化過程,分析時空多尺度環(huán)境因子與溶解氧的關(guān)系。進而得出需要監(jiān)測的水質(zhì)指標為溶解氧,7個水體因子（水溫、p H、氨氮、總氮、總磷、高錳酸鹽和亞硝酸鹽）和5個氣象因子（氣溫、風(fēng)速、氣壓、光照和濕度）。接著通過NB-Io T技術(shù)獲... 

【文章頁數(shù)】：130 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景和意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 水質(zhì)預(yù)測方法研究進展
        1.2.2 水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)研究進展
        1.2.3 NB-IoT技術(shù)研究進展
    1.3 研究內(nèi)容、研究方法和技術(shù)路線
        1.3.1 研究內(nèi)容
        1.3.2 研究方法
        1.3.3 技術(shù)路線
    1.4 論文組織架構(gòu)
第2章 基于NB-IOT的水產(chǎn)養(yǎng)殖多尺度環(huán)境數(shù)據(jù)獲取研究
    2.1 影響溶解氧的多尺度環(huán)境因子分析
    2.2 基于NB-IOT的多尺度環(huán)境數(shù)據(jù)獲取體系框架
    2.3 NB-IOT信息感知設(shè)計
        2.3.1 水質(zhì)傳感設(shè)計
        2.3.2 水質(zhì)化學(xué)檢測和氣象感知設(shè)計
        2.3.3 數(shù)據(jù)幀格式及終端程序設(shè)計
    2.4 云服務(wù)數(shù)據(jù)傳輸
        2.4.1 IoT平臺設(shè)備對接
        2.4.2 IoT平臺北向應(yīng)用
    2.5 本章小結(jié)
第3章 基于EEMD-LSSVM的溶解氧時間序列預(yù)測模型研究
    3.1 時間序列預(yù)測模型總體思路
    3.2 溶解氧時間序列實驗數(shù)據(jù)分析
        3.2.1 溶解氧時間序列數(shù)據(jù)來源
        3.2.2 溶解氧時間序列自相關(guān)特性解析
    3.3 基于EEMD-LSSVM的溶解氧時間序列預(yù)測模型構(gòu)造
        3.3.1 驗?zāi)B(tài)分解
        3.3.2 樣本熵合并
        3.3.3 相空間重構(gòu)
        3.3.4 自適應(yīng)蟻群算法優(yōu)化LSSVM預(yù)測
        3.3.5 BP神 網(wǎng)絡(luò)預(yù)測結(jié)果疊加
    3.4 實驗對比分析
        3.4.1 模型評價指標
        3.4.2 實驗Ⅰ：與單一預(yù)測模型的對比分析
        3.4.3 實驗Ⅱ：分解算法的對比分析
        3.4.4 實驗Ⅲ：LSSVM參數(shù)優(yōu)化的對比分析
        3.4.5 實驗Ⅳ：結(jié)果疊加的對比分析
    3.5 本章小節(jié)
第4章 基于相似日聚類的多因子溶解氧預(yù)測模型研究
    4.1 基于相似日聚類的多因子預(yù)測模型總體思路
    4.2 多因子實驗數(shù)據(jù)預(yù)處理
    4.3 基于相似日聚類的多因子溶解氧預(yù)測模型構(gòu)造
        4.3.1 灰色關(guān)聯(lián)度篩選關(guān)鍵因子
        4.3.2 相似日聚類樣本
        4.3.3 EEMD分解多因子序列
        4.3.4 樣本熵合并子序列
        4.3.5 多分ELM預(yù)測
        4.3.6 BP神 網(wǎng)絡(luò)疊加預(yù)測結(jié)果
    4.4 實驗對比分析
        4.4.1 實驗Ⅰ：與不聚類樣本集模型的對比分析
        4.4.2 實驗Ⅱ：不同天氣類型EEMD-LSSVM、MF-ES-ELM對比分析
    4.5 本章小節(jié)
第5章 基于兩級中間件響應(yīng)速度優(yōu)化的軟件應(yīng)用系統(tǒng)研究
    5.1 中間件設(shè)計思路
    5.2 第一級中間件設(shè)計
    5.3 第二級中間件設(shè)計
    5.4 應(yīng)用實現(xiàn)
        5.4.1 Web應(yīng)用實現(xiàn)
        5.4.2 Android應(yīng)用實現(xiàn)
    5.5 本章小節(jié)
第6章 水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)應(yīng)用系統(tǒng)測試
    6.1 測試準備
    6.2 數(shù)據(jù)準確性測試
    6.3 網(wǎng)絡(luò)丟包率測試
    6.4 控制成功率測試
    6.5 預(yù)測準確率測試
    6.6 交互響應(yīng)測試
    6.7 本章小結(jié)
第7章 結(jié)論與展望
    7.1 研究結(jié)論
    7.2 主要創(chuàng)新點
    7.3 研究展望
參考文獻
致謝
攻讀博士學(xué)位期間的主要成果


【參考文獻】：
期刊論文
[1]基于窄帶物聯(lián)網(wǎng)的養(yǎng)殖塘水質(zhì)監(jiān)測系統(tǒng)研制[J]. 宦娟,吳帆,曹偉建,李慧,劉星橋.  農(nóng)業(yè)工程學(xué)報. 2019(08)
[2]蜂群算法在太陽電池組件參數(shù)辨識中的應(yīng)用[J]. 簡獻忠,吳明偉,肖兒良,姜冠祥,蔡留美,鄭照平.  太陽能學(xué)報. 2019(03)
[3]A Novel Hotfix Scheme for System Vulnerability Based on the Android Application Layer[J]. ZHANG Wen,SU Ningning,NIU Shaozhang,LI Hui,HUANG Ruqiang.  Chinese Journal of Electronics. 2019(02)
[4]基于4G信令監(jiān)測系統(tǒng)的NB-IoT共享單車解決方案[J]. 包瑯允.  電信工程技術(shù)與標準化. 2019(03)
[5]基于區(qū)塊鏈的能源互聯(lián)網(wǎng)智能交易與協(xié)同調(diào)度體系研究[J]. 龔鋼軍,張桐,魏沛芳,蘇暢,王慧娟,吳秋新,劉韌,張帥.  中國電機工程學(xué)報. 2019(05)
[6]基于改進K-means聚類算法的大田麥穗自動計數(shù)[J]. 劉哲,黃文準,王利平.  農(nóng)業(yè)工程學(xué)報. 2019(03)
[7]物聯(lián)網(wǎng)通信中間件的設(shè)計與實現(xiàn)[J]. 楊慧慧,岳峻,賈世祥,李振波,李文升.  魯東大學(xué)學(xué)報(自然科學(xué)版). 2019(01)
[8]車載自組織網(wǎng)視頻流媒體協(xié)助下載研究[J]. 陳亮,王軍,陳蓉,顧翔,王進,萬杰.  通信學(xué)報. 2019(01)
[9]基于NoSQL數(shù)據(jù)庫的農(nóng)田物聯(lián)網(wǎng)云存儲系統(tǒng)設(shè)計與實現(xiàn)[J]. 許鑫,時雷,何龍,張浩,馬新明.  農(nóng)業(yè)工程學(xué)報. 2019(01)
[10]基于Shannon信息熵與BP神經(jīng)網(wǎng)絡(luò)的隱私數(shù)據(jù)度量與分級模型[J]. 俞藝涵,付鈺,吳曉平.  通信學(xué)報. 2018(12)

碩士論文
[1]基于大數(shù)據(jù)技術(shù)的智慧水產(chǎn)養(yǎng)殖系統(tǒng)研究[D]. 茆毓琦.青島科技大學(xué) 2018
[2]基于NB-IoT的城市聲光污染監(jiān)測系統(tǒng)研究[D]. 穆志洋.浙江大學(xué) 2018
[3]面向安卓終端的大氣物聯(lián)網(wǎng)環(huán)境監(jiān)測系統(tǒng)研究[D]. 孫洪彬.吉林大學(xué) 2017
[4]基于數(shù)據(jù)融合和Web的水產(chǎn)養(yǎng)殖遠程監(jiān)控系統(tǒng)設(shè)計[D]. 管云霞.江蘇大學(xué) 2016



本文編號：3718247