[0033] 结合附图1‑6，对本发明技术方案作进一步描述：
[0034] 1、系统总体功能的设计
[0035] 本发明一种水产养殖池塘溶解氧检测装置实现对养殖池塘环境水质参数进行检测和根据水产养殖池塘鱼的种类的生长需要智能化预警池塘溶解氧，该装置由基于无线传感器网络的水产养殖池塘环境水质参数采集平台和池塘溶解氧智能预警系统两部分组成。基于无线传感器网络的水产养殖池塘环境水质参数采集平台包括池塘溶解氧参数的检测节点1和调节池塘溶解氧参数的控制节点2，它们以自组织方式构建成无线测控网络来实现检测节点1、控制节点2和现场监控端3之间的无线通信；检测节点1将检测的池塘水质参数发送给现场监控端3并对传感器数据进行初步处理；现场监控端3把控制信息传输到检测节点1和控制节点2。整个系统结构见图1所示。
[0036] 2、检测节点的设计
[0037] 采用大量基于无线传感器网络的检测节点1作为池塘环境水质参数感知终端，检测节点1和控制节点2通过自组织无线网络实现现场监控端3之间的信息相互交互。检测节点1包括采集池塘溶解氧溶解氧、温度、PH值和水位参数的传感器和对应的信号调理电路、MSP430微处理器和NRF2401无线传输模块；检测节点的软件主要实现无线通信和池塘溶环境水质参数的采集与预处理。软件采用C语言程序设计，兼容程度高，大大提高了软件设计开发的工作效率，增强了程序代码的可靠性、可读性和可移植性。检测节点结构见图3。
[0038] 3、控制节点的设计
[0039] 控制节点2在输出通路设计了4路D/A转换电路实现对溶解氧的调节输出量控制电路、MSP430微处理器和无线通信模块接口，实现对池塘溶解氧控制设备进行控制，控制节点见图4。
[0040] 4、现场监控端软件
[0041] 现场监控端3是一台工业控制计算机，现场监控端3主要实现对池塘水质参数进行采集、溶解氧预警和调节池塘溶解氧，实现与检测节点1与控制节点2的信息交互，现场监控端3主要功能为通信参数设置、数据分析与数据管理、预警池塘溶解氧和调节池塘溶解氧。该管理软件选择了Microsoft Visual++6.0作为开发工具，调用系统的Mscomm通信控件来设计通讯程序，现场监控端软件功能见图5。池塘溶解氧智能预警系统包括池塘溶解氧预测子系统、池塘温度预测子系统、池塘溶解氧校正模型和递归神经网络池塘溶解氧等级分类器四部分组成。池塘溶解氧智能预警系统的设计如下：
[0042] (1)、池塘溶解氧预测子系统设计
[0043] 池塘溶解氧预测子系统包括池塘溶解氧减法聚类分类器、多个小波分解模型、多组DRNN神经网络模型和递归神经网络池塘溶解氧预测融合模型；池塘多个检测点溶解氧值作为池塘溶解氧减法聚类分类器的输入，池塘溶解氧减法聚类分类器对池塘多个检测点溶解氧值进行分类，每种类型的池塘检测点溶解氧值作为各个小波分解模型的输入，每个小波分解模型的多个输出作为每组DRNN神经网络模型的输入，每组DRNN神经网络模型的融合预测值作为递归神经网络溶解氧预测融合模型的输入，每组DRNN神经网络模型的融合预测值作为递归神经网络溶解氧预测融合模型的输入，递归神经网络溶解氧预测融合模型的输出值为池塘溶解氧预测子系统的溶解氧预测输出值。
[0044] A、池塘溶解氧减法聚类分类器
[0045] 池塘溶解氧减法聚类与其他聚类方法相比，不需要预先确定聚类数，仅根据池塘溶解氧样本数据密度即可快速确定池塘溶解氧聚类中心的位置和聚类，而它把每一个池塘溶解氧数据点作为一个潜在的聚类中心的特性，则克服了山峰聚类法计算量随着问题的维数按指数增长的不足，使得池塘溶解氧聚类的结果与问题的维数无关。因此，池塘溶解氧减法聚类算法是一种适合基于池塘溶解氧数据建模的规则自动提取方法。设定m维空间中的N个池塘溶解氧数据点(X1,X2,…XN)，每个数据点Xi＝(xi,1,xi,1,…,xi,m)都是聚类中心的候选者，i＝1,2,…,N，数据点Xi的密度函数定义为：
[0046]
[0047] 式中，半径ra是一个正数，ra定义了该点的一个影响邻域，半径以外的数据点对该点的密度指标贡献非常小，一般忽略不计。计算每一点Xi的密度值，选择具有最高密度指标Dc1的数据点作为第一个聚类中心Xc1；然后修正密度值，消除前面已有聚类中心的影响。按下式修正密度值:
[0048]
[0049] 其中，Dc1是初始聚类中心对应的最高密度值，修正半径rb的设定是为了避免第二个聚类中心点离前一个中心点太近，一般设定为rb＝ηra,1.25≤η≤1.5。修正每个数据点的密度指标后，当Dck与Dc1满足下式时，该密度指标对应的聚类中心即为第K个聚类中心。不断重复这个过程，直到新的聚类中心Xck的相应的密度指标Dck与Dc1满足下式时终止聚类:
[0050] Dck/Dc1＜δ (3)
[0051] 式中，δ是根据实际情况提前设定的阈值。
[0052] 本发明提出的在线聚类方法基本思想如下:如果一个池塘溶解氧点到一个组的中心的距离小于聚类半径ra，那么该点属于此组，当获得新的数据时，组和组的中心做相应的变化。随着输入池塘溶解氧空间数据的不断增加，本发明算法通过实时动态的调整池塘溶解氧聚类中心与聚类个数获得更好的输入空间划分，步骤如下：
[0053] 步骤1：数据归一化处理，输入数据各维聚类半径ra及阈值δ等参数设定。
[0054] 步骤2：由池塘溶解氧数据集进行减法聚类得到c个聚类中心并存储vi(i＝1,2,…,c)及其对应的密度值D(vi)。
[0055] 步骤3当新增的在线池塘溶解氧数据集中的第k个数据到来时，计算xk(k＝1,2,…,M)到i个聚类中心vi的距离dki＝||xk‑vi||，若dki＞ra，转到步骤4；若dki≤ra，转到步骤
5。
[0056] 步骤4由式(2)计算xk的密度值D(xk)，并且D(xk)＞ε，则说明池塘溶解氧数据xk不属于任何一个已有的聚类，则新创建一个聚类，输入空间的聚类个数c＝c+1，返回步骤3。
[0057] 步骤5根据最小距离准则确定数据点xk属于最近的聚类子集，进一步比较新数据xk的密度值与聚类中心的密度值，如果D(xk)＞D(vi)，则数据xk更靠近其最近的聚类中心，xk取代原聚类中心作为该子集的新聚类中心；如果D(xk)≤D(vi)，则保持聚类结果不改变，判断新增数据组是否结束。如果结束，则转到步骤6；否则，返回步骤3.。
[0058] 步骤6计算聚类中心vi与vj之间的距离，如果min||vi‑vj||≤(0.5‑0.7)ra，且D(vi)＞D(vj)，则说明聚类子集vi与vj可以合并为一个聚类，该聚类中心为vi；否则保持聚类结果不变。
[0059] B、多个小波分解模型
[0060] 池塘溶解氧减法聚类根据池塘溶解氧的特点分成多个种类，每种池塘溶解氧作为对应的小波分解模型的输入，每个对应的小波分解模型把对应种类的池塘溶解氧分成低频分量和多个高频分量，每组低频分量和高频分量分别作为每组DRNN神经网络模型的输入，来提高池塘溶解氧预测精确度。本发明专利用小波分析方法对池塘溶解氧的时间序列检测进行分解，对分解后的各层信息进行自相关和互相关分析；小波分解过程中对信号做了平滑处理，因此，分析经过小波处理后的数据要容易很多。根据各层信号分析后的特点分别建立相应的DRNN神经网络预测模型来预测池塘溶解氧含量，最后将各层预测结果进行等权重相加重构，得出各类池塘溶解氧基于池塘溶解氧原始数据的池塘溶解氧预测值。多个小波多分辨率分解过程一般采用Mallat算法，该算法的分解关系表示如下:
[0061]
[0062] 式(4)中h0、h1分别为低通分解滤波器和高通分解滤波器。mp、np分别是分辨率为2‑p下的低频系数和高频系数。该算法重构关系如下:
[0063]
[0064] 式(5)中g0、g1分别为低通重构滤波器和高通重构滤波器。Ap、Dp分别是分辨率2‑p下的低频分量和高频分量。Mallat算法将每一层分解后的低频信号部分再次分解成高频和低频，这样进行层层分解。原始信号X进行p层分解后得到的结果为:
[0065] X＝D1+D2+…Dp+Ap (6)
[0066] 式(6)中Ap为第p层分解后的低频信号部分，Dp为第p层分解后的高频部分。多个小波分析可以将池塘溶解氧数据序列信号分解到不同的分辨率空间中，这样处理后的效果是分解到各分辨率空间中的池塘溶解氧数据序列比池塘溶解氧原始数据序列简单并且预测池塘溶解氧含量更加精确。
[0067] C、多组DRNN神经网络模型
[0068] 每个DRNN网络预测模型是一种具有反馈的动态回归神经网络和适应时变特性的能力，该网络能够更直接生动地反映池塘溶解氧动态变化性能，可以更加精确预测池塘溶解氧含量，每个DRNN网络3‑7‑1的3层网络结构，其隐层为回归层。在本发明DRNN神经网络模(t)型中，设I＝[I1(t),I2(t),…,In(t)]为网络输入向量，其中Ii 为池塘溶解氧预测模型(t) (t)
DRNN网络输入层第i个神经元t时刻的输入，回归层第j个神经元的输出为Xj ，Sj 为第j个回归神经元输入总和，f(·)为S的函数，则O(t)为DRNN网络的输出。则DRNN网络预测模型的输出层输出为：
[0069]
[0070] 各个小波分解模型把每类池塘溶解氧分解为低频趋势部分和多个高频波动部分作为每组DRNN网络预测模型的输入，每组DRNN神经网络模型实现对每类池塘溶解氧的预测，每组各个DRNN神经网络模型输出等权重累加和为每组DRNN神经网络模型的溶解氧融合预测值。
[0071] D、递归神经网络池塘溶解氧预测融合模型
[0072] 递归神经网络(HRFNN)池塘溶解氧预测融合模型的输入是多组DRNN神经网络模型的输出，递归神经网络(HRFNN)池塘溶解氧预测融合模型的输出为多组DRNN神经网络模型输出的融合值。递归神经网络(HRFNN)池塘溶解氧预测融合模型是多输入单输出的网络拓扑结构，网络由4层组成：输入层、成员函数层、规则层和输出层。网络包含n个输入节点，其中每个输入节点对应m个条件节点，m代表规则数，nm个规则节点，1个输出节点。第Ⅰ层将输入引入网络；第Ⅱ层将输入模糊化，采用的隶属函数为高斯函数；第Ⅲ层对应模糊推理；第Ⅳ层对应去模糊化操作。用 分别代表第k层的第i个节点的输入和输出，则网络内部的信号传递过程和各层之间的输入输出关系可以描述如下。第Ⅰ层：输入层，该层的各输入节点直接与输入变量相连接，网络的输入和输出表示为：
[0073]
[0074] 式中 和 为网络输入层第i个节点的输入和输出，N表示迭代的次数。第Ⅱ层：成员函数层，该层的节点将输入变量进行模糊化，每一个节点代表一个隶属函数，采用高斯基函数作为隶属函数，网络的输入和输出表示为：
[0075]
[0076] 式中mij和σij分别表示第Ⅱ层第i个语言变量的第j项高斯基函数的均值中心和宽度值，m为对应输入节点的全部语言变量数。第Ⅲ层：模糊推理层，即规则层，加入动态反馈，使网络具有更好的学习效率，反馈环节引入内部变量hk，选用sigmoid函数作为反馈环节内部变量的激活函数。网络的输入和输出表示为：
[0077]
[0078] 式中ωjk是递归部分的连接权值，该层的神经元代表了模糊逻辑规则的前件部分，该层节点对第二层的输出量和第三层的反馈量进行Π操作， 是第三层的输出量，m表示完全连接时的规则数。反馈环节主要是计算内部变量的值和内部变量相应隶属函数的激活强度。该激活强度与第3层的规则节点匹配度相关。反馈环节引入的内部变量，包含两种类型的节点：承接节点，反馈节点。承接节点，使用加权求和来计算内部变量，实现去模糊化的功能；内部变量表示的隐藏规则的模糊推理的结果。反馈节点，采用sigmoid函数作为模糊隶属度函数，实现内部变量的模糊化。第Ⅳ层：去模糊化层，即输出层。该层节点对输入量进行求和操作。网络的输入和输出表示为：
[0079]
[0080] 公式中λj是输出层的连接权值。递归神经网络具有逼近高度非线性动态系统的性能，加入内部变量的递归神经网络的训练误差和测试误差分别为明显减少，本专利的递归神经网络HRFNN池塘溶解氧预测融合模型，并采用加入交叉验证的梯度下降算法对神经网络的权值进行训练。HRFNN通过在反馈环节引入内部变量，将规则层的输出量加权求和后再反模糊化输出作为反馈量，并将反馈量与隶属度函数层的输出量一起作为规则层的下一时刻的输入。网络输出包含规则层激活强度和输出的历史信息，增强了HRFNN适应非线性动态系统的能力，HRFNN可以准确地融合预测的池塘溶解氧参数。
[0081] (2)、池塘温度预测子系统设计
[0082] 池塘温度预测子系统包括池塘温度减法聚类分类器、多个Elman神经网络温度预测模型和递归神经网络温度预测融合模型三部分组成；池塘多个检测点温度值作为池塘温度减法聚类分类器的输入，池塘温度减法聚类分类器对池塘多个检测点温度值进行分类，每种类型的池塘温度检测点温度值作为各个Elman神经网络温度预测模型的输入，每个Elman神经网络温度预测模型的温度预测值作为递归神经网络温度预测融合模型的输入，递归神经网络温度预测融合模型的输出值为池塘温度预测子系统的温度预测输出值。
[0083] A、池塘温度减法聚类分类器
[0084] 池塘温度减法聚类分类器实现对池塘多个检测点的温度进行分类，池塘温度减法聚类分类器的输入为池塘多个温度检测点值，输出为对多个温度检测点值进行分类。池塘温度减法聚类分类器的设计方法可以参照池塘溶解氧减法聚类分类器设计方法。
[0085] B、多个Elman神经网络温度预测模型
[0086] 多个Elman神经网络温度预测模型输入池塘多类温度原始参数值来预测每种类型池塘温度原始参数的未来值，每个Elman神经网络温度预测模型可以看作是一个具有局部记忆单元和局部反馈连接的前向神经网络。除了隐层外,还有一个特别的关联层；关联层从隐层接收反馈信号,每一个隐层节点都有一个与之对应的关联层节点连接。关联层将上一时刻的隐层状态连同当前时刻的网络输入一起作为隐层的输入,相当于状态反馈。隐层的传递函数一般为Sigmoid函数,输出层为线性函数,关联层也为线性函数。为了有效地解决池塘温度预测中的逼近精度问题,增强关联层的作用,设计一种改进的Elman网络温度预测模型。设Elman神经网络温度预测模型的输入层、输出层、隐层的个数分别为m,n和r；w1，w2，w3和w4分别表示结构层单元到隐层、输入层到隐层、隐层到输出层、结构层到输出层的连接权矩阵,则Elman神经网络温度预测模型隐含层、关联层和输出层的表达式分别为:
[0087]
[0088] cp(k)＝xp(k‑1) (13)
[0089]
[0090] 本专利每个Elman神经网络温度预测模型的输入层、输出层、隐层的个数分别为5,1和11，该模型的输入为池塘温度的历史参数，输出为池塘每种类型温度参数的预测值，实现对池塘温度的分类预测，提高预测精确度。
[0091] C、递归神经网络温度预测融合模型
[0092] 递归神经网络温度预测融合模型输入为多个Elman神经网络温度预测模型的输出，递归神经网络温度预测融合模型输出为多个Elman神经网络温度预测模型输出的融合值，递归神经网络温度预测融合模型的设计方法参照本专利的递归神经网络池塘溶解氧预测融合模型设计方法。
[0093] (3)、池塘溶解氧校正模型设计
[0094] 池塘溶解氧校正模型由4个微分算子和DRNN神经网络组成，4个微分算子平均分成2组，每组2个微分算子相串联分别构成微分回路1和微分回路2；池塘溶解氧预测子系统的输出为微分回路1的输入和DRNN神经网络的a端的输入，微分回路1的输出为DRNN神经网络的b端输入，微分回路1的2个微分算子的连接端的输出为DRNN神经网络的C端输入；池塘温度预测子模型的输出为微分回路2的输入和DRNN神经网络的F端输入，微分回路2的输出为DRNN神经网络的E端输入，微分回路2的2个微分算子的连接端的输出为DRNN神经网络的D端输入；DRNN神经网络由6个输入端节点分别为a、b、C、D、E和F，13个中间节点和1个输出端节点组成，微分算子在MATLAB中调用，池塘溶解氧校正模型实现对池塘温度对溶解氧影响变化的校正，反映了池塘温度的实际值变化对池塘溶解氧的影响大小，提高池塘溶解氧预测的精确度。DRNN神经网络的设计可以参照本专利的多组DRNN神经网络模型设计方法。
[0095] (4)、递归神经网络池塘溶解氧等级分类器设计
[0096] 递归神经网络池塘溶解氧等级分类器根据池塘溶解氧校正模型输出池塘溶解氧预测值的大小、对池塘溶解氧需求量大小不同的鱼生长阶段和鱼的种类为递归神经网络池塘溶解氧等级分类器的输入，递归神经网络池塘溶解氧等级分类器的输出把池塘溶解氧预测值大小满足不同种类鱼在不同生长阶段的需求分为池塘溶解氧太高、池塘溶解氧比较高、池塘溶解氧正好、池塘溶解氧低和池塘溶解氧太低五个池塘溶解氧等级。递归神经网络池塘溶解氧等级分类器的设计方法参照本专利的递归神经网络池塘溶解氧预测融合模型的设计方法。鱼的生长阶段，胚胎期为1，仔鱼为2，苗鱼为3，幼鱼为4，成鱼为5等根据不同生长阶段量化为不同的数字；草鱼为1，带鱼为2，鲢鱼为3，黑鱼为4，墨鱼为5，鲤鱼为6等根据鱼的不同种类量化为不同的数值。递归神经网络池塘溶解氧等级分类器的输出大小[1‑0.8)为池塘溶解氧太高，[0.8‑0.6)为池塘溶解氧比较高,[0.6‑0.4)为池塘溶解氧正好,[0.4‑0.2)为池塘溶解氧低,[0.2‑0.0]为池塘溶解氧太低。
[0097] 5、水产养殖池塘溶解氧检测装置的设计举例
[0098] 根据池塘环境水质参数的状况，该装置布置了检测节点1和控制节点2和现场监控端3的平面布置安装图，其中检测节点1均衡布置在被检测池塘溶解氧中，整个系统平面布置见图6，通过该系统实现对池塘水质参数的采集与池塘溶解氧预警和调节。
[0099] 本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
