居錦武

（四川理工學(xué)院計(jì)算機(jī)學(xué)院，四川自貢643000）

基于LS-SVM的養(yǎng)殖水體氨氮含量分析模型的優(yōu)化

居錦武

（四川理工學(xué)院計(jì)算機(jī)學(xué)院，四川自貢643000）

水體氨氮濃度是水產(chǎn)養(yǎng)殖的關(guān)鍵水質(zhì)指標(biāo)，為了提高氨氮濃度的測(cè)量精度，減少測(cè)量過(guò)程中pH、溫度、靜置時(shí)間等因素對(duì)準(zhǔn)確度的影響，使用最小二乘支持向量機(jī) （LS-SVM）算法建立了分析預(yù)測(cè)模型，通過(guò)正交試驗(yàn)仿真測(cè)試，獲取各因素的最佳優(yōu)化組合為pH值10.5、反應(yīng)溫度35℃、靜置時(shí)間20 min、檢測(cè)光源波長(zhǎng)380 nm。仿真結(jié)果表明，在設(shè)計(jì)在線式氨氮檢測(cè)系統(tǒng)時(shí)，利用最佳優(yōu)化組合對(duì)氨氮濃度分析模型進(jìn)行優(yōu)化，提高了氨氮濃度的測(cè)量精度。

支持向量機(jī)；水產(chǎn)養(yǎng)殖；氨氮；分析模型

水產(chǎn)養(yǎng)殖過(guò)程中，養(yǎng)殖水體中氨氮等物質(zhì)濃度過(guò)高時(shí)，將導(dǎo)致養(yǎng)殖對(duì)象患病甚至死亡，嚴(yán)重影響水產(chǎn)品的質(zhì)量和產(chǎn)量［1］。劉建魁等［2］研究表明，氨氮和非離子氨的濃度與史氏鱘幼魚的健康狀況呈正相關(guān)性。劉永士等［3］研究表明，凡納濱對(duì)蝦的生長(zhǎng)與養(yǎng)殖池的氮、磷收支狀況有密切關(guān)系?！稘O業(yè)水質(zhì)標(biāo)準(zhǔn) （GB11607-89）》指出，氨氮濃度低于0.02 mg/L時(shí)，不會(huì)影響魚類的生長(zhǎng)，一般情況下，養(yǎng)殖水體中的氨離子濃度應(yīng)低于5 mg/L。

養(yǎng)殖水體的氨氮濃度受多種因素的影響，如飼料、藥物的殘留及水體本體污染等，因此，需定期檢測(cè)養(yǎng)殖水體的氨氮濃度。常用的檢測(cè)手段是先進(jìn)行水體采樣，再到實(shí)驗(yàn)室進(jìn)行分析。當(dāng)水體范圍廣、檢測(cè)量大且周期短時(shí)，這種傳統(tǒng)手工檢測(cè)方法的工作量非常大，可靠性較差。設(shè)計(jì)一種在線式氨氮檢測(cè)系統(tǒng)，自動(dòng)抽取水樣，定時(shí)自動(dòng)檢測(cè)，網(wǎng)絡(luò)上傳結(jié)果數(shù)據(jù)，將極大地提高水體氨氮濃度檢測(cè)工作的效率和質(zhì)量。在線式氨氮檢測(cè)系統(tǒng)［4］通常使用光度法，即將被測(cè)水樣與納氏試劑混合，試劑與水樣中的氨氮發(fā)生反應(yīng)，反應(yīng)后的物質(zhì)呈現(xiàn)紅棕色，使用紫外光源照射，通過(guò)測(cè)量吸光度，進(jìn)而計(jì)算水樣的氨氮濃度。該方法由于所需試劑種類只需兩種，而顯色反應(yīng)靈敏，吸光度測(cè)量簡(jiǎn)單，沒(méi)有傳感器損耗，特別適合長(zhǎng)時(shí)間在線自動(dòng)測(cè)量。

但基于納氏試劑光度檢測(cè)法設(shè)計(jì)在線式氨氮檢測(cè)系統(tǒng)時(shí)，發(fā)現(xiàn)這種檢測(cè)方法的測(cè)量誤差雖然小于標(biāo)準(zhǔn)要求 （＜±10%），但呈現(xiàn)一定的離散性，重復(fù)性誤差需進(jìn)行優(yōu)化。光度檢測(cè)法單次測(cè)量約需時(shí)30 min，測(cè)量數(shù)據(jù)量少，無(wú)法使用常規(guī)的數(shù)據(jù)處理手段來(lái)提高準(zhǔn)確性。俞繼梅［5］、薛紅［6］分析了顯色時(shí)間、顯色溫度、水樣pH、水樣預(yù)處理效果對(duì)測(cè)量結(jié)果的影響。但這些研究?jī)H限于分析各單因素對(duì)測(cè)量結(jié)果的影響，未能進(jìn)行量化分析。為了進(jìn)一步減小光度法的測(cè)量誤差，減小重復(fù)性誤差，本研究中創(chuàng)新性地將最小二乘支持向量機(jī) （LS-SVM）算法用于氨氮測(cè)量的優(yōu)化，通過(guò)建立數(shù)據(jù)分析預(yù)測(cè)模型［7］，分析各個(gè)單因素對(duì)最終測(cè)量結(jié)果的影響，利用正交試驗(yàn)完成在線式氨氮檢測(cè)系統(tǒng)的設(shè)計(jì)優(yōu)化。數(shù)據(jù)分析預(yù)測(cè)模型雖然可以使用神經(jīng)網(wǎng)絡(luò)［8-9］、支持向量機(jī)［10］等技術(shù)實(shí)現(xiàn)，但神經(jīng)網(wǎng)絡(luò)技術(shù)所需數(shù)據(jù)樣本較多，不適合氨氮濃度分析，而支持向量機(jī)技術(shù)所需數(shù)據(jù)樣本較少，適合用于建立氨氮濃度分析預(yù)測(cè)模型。

1　最小二乘支持向量機(jī)模型

支持向量機(jī) （SVM）是一種機(jī)器學(xué)習(xí)方法，該方法基于統(tǒng)計(jì)學(xué)習(xí)理論，通過(guò)遵循結(jié)構(gòu)風(fēng)險(xiǎn)最小原則，增強(qiáng)泛化能力，適合于小樣本的情況下工作［11］。LS-SVM是在SVM基礎(chǔ)上，設(shè)定新的約束條件、新的目標(biāo)優(yōu)化和風(fēng)險(xiǎn)控制函數(shù)，進(jìn)一步改善了SVM的泛化能力［12-13］。

設(shè)有內(nèi)含N個(gè)樣本的訓(xùn)練集D，可將D表示為

｛（x1，y1），（x2，y2），…，（xN，yN）｝，

其中x和y分別為輸入和輸出。通過(guò)一個(gè)非線性映射φ，將樣本數(shù)據(jù)從原空間映射到高維特征空間φ（x），即φ（x）=（φ（x1），φ（x2），…，φ（xN））。在φ（x）中設(shè)置最優(yōu)決策函數(shù)y（x）=ωφ（x）+b+ ξk，其中ω和b分別為權(quán)值向量和閾值。

LS-SVM算法基于下式求解約束優(yōu)化問(wèn)題：

其中：C是正則化參數(shù)，需要?jiǎng)討B(tài)設(shè)定；誤差分量ξk≥0，k=1，2，…，N。采用Lagrange法［14］求解式 （1），即：

其中，αk（k=1，2，…，N）為 Lagrange乘子，分別對(duì)ω、b、ξ、α求偏導(dǎo)=0，即

設(shè)Ω為N×N對(duì)稱方陣，即

定義核函數(shù)k（xi，xj），滿足以下Mercer條件：

LS-SVM的回歸模型［14］如下：

選擇徑向基核函數(shù)（RBF）作為核函數(shù)k（xi，xj），模型具有學(xué)習(xí)速度快的特點(diǎn)，其計(jì)算公式為

整個(gè)LS-SVM模型中，正規(guī)化參數(shù)C及核寬度參數(shù)σ是算法的可調(diào)參數(shù)，將影響分析預(yù)測(cè)模型的泛化性能和學(xué)習(xí)能力。

2　在線式氨氮檢測(cè)系統(tǒng)

在線式氨氮檢測(cè)系統(tǒng)，基于納氏試劑光度檢測(cè)法原理，系統(tǒng)結(jié)構(gòu)框圖如圖1所示，圖2為系統(tǒng)裝置照片。檢測(cè)系統(tǒng)裝置由計(jì)算機(jī)、PLC控制器、觸摸屏、光度計(jì)、加熱器、反應(yīng)器、計(jì)量器、微型水泵、八通閥和多種試劑等組成，加熱器可控制反應(yīng)器溫度，計(jì)算機(jī)通過(guò)觸摸屏顯示軟件運(yùn)行界面，與操作人員交互，通過(guò)PLC控制器控制計(jì)量器和八通閥工作，通過(guò)光度計(jì)讀取反應(yīng)色度數(shù)據(jù)，經(jīng)數(shù)據(jù)分析后，計(jì)算出氨氮濃度。整個(gè)檢測(cè)過(guò)程如下：

（1）計(jì)算機(jī)控制八通閥和微型水泵，水樣經(jīng)計(jì)量器送入反應(yīng)器。（2）切換八通閥，掩蔽劑經(jīng)計(jì)量器進(jìn)入反應(yīng)器。（3）切換八通閥，納氏試劑經(jīng)計(jì)量器進(jìn)入反應(yīng)器。（4）靜置反應(yīng)等待10 min，讀取光度計(jì)數(shù)據(jù)，獲得測(cè)量光強(qiáng)。（5）切換八通閥，反應(yīng)余液排入廢液瓶。（6）切換八通閥，蒸餾水進(jìn)入反應(yīng)器，讀取光度計(jì)數(shù)據(jù)，獲得參比光強(qiáng)。（7）切換八通閥，清洗廢水排入廢液瓶。

根據(jù)下式計(jì)算吸光度：

圖1　系統(tǒng)設(shè)計(jì)結(jié)構(gòu)圖Fig.1 Block structure diagram

3　單因素影響分析

基于納氏試劑光度檢測(cè)法的在線式氨氮檢測(cè)系統(tǒng)，有4個(gè)主要因素影響最終測(cè)量結(jié)果的精度，即水樣pH、反應(yīng)溫度、靜置時(shí)間、檢測(cè)光源波長(zhǎng)。首先分析各單個(gè)因素對(duì)檢測(cè)精度的影響，找出最優(yōu)化的單因素工作范圍，然后再進(jìn)行L9（34）正交試驗(yàn)，獲取氨氮濃度檢測(cè)的因素最佳優(yōu)化組合。

圖2　系統(tǒng)裝置照片F(xiàn)ig.2 The system photos

3.1水樣pH

測(cè)定過(guò)程中，水樣的pH對(duì)顯色反應(yīng)有明顯影響。pH值低則顯色反應(yīng)不完全，pH值高易出現(xiàn)濁化，兩種情況都將影響最終測(cè)定值的準(zhǔn)確性。將濃度為5 mg/L的氨氮標(biāo)準(zhǔn)溶液分7份進(jìn)行測(cè)量，調(diào)節(jié)其pH分別為7、8、9、10、10.5、11、12。設(shè)定反應(yīng)溫度為35℃、靜置時(shí)間為10 min，使用波長(zhǎng)為420 nm的檢測(cè)光源。吸光度試驗(yàn)測(cè)量結(jié)果如圖3所示，當(dāng)pH為10～11時(shí)，吸光度最高。

圖3　水樣pH對(duì)吸光度的影響Fig.3 Influence of water pH value on absorbance

3.2反應(yīng)溫度

測(cè)定過(guò)程中，反應(yīng)溫度將影響納氏試劑與氨氮的反應(yīng)速度。同樣對(duì)濃度為5 mg/L的氨氮標(biāo)準(zhǔn)溶液分8份進(jìn)行測(cè)量，調(diào)節(jié)其pH為10.5，設(shè)定靜置時(shí)間為10 min，使用波長(zhǎng)為420 nm的檢測(cè)光源，分別設(shè)定反應(yīng)溫度為10、15、20、25、30、35、40、45℃。吸光度試驗(yàn)測(cè)量結(jié)果如圖4所示，當(dāng)反應(yīng)溫度為30～40℃時(shí)，吸光度最高。

3.3靜置時(shí)間

測(cè)定過(guò)程中，靜置時(shí)間也將影響最終的測(cè)量光度值。同樣對(duì)濃度為5 mg/L的氨氮標(biāo)準(zhǔn)溶液分6份進(jìn)行測(cè)量，調(diào)節(jié)其pH為10.5，設(shè)定反應(yīng)溫度為35℃，使用波長(zhǎng)為420 nm的檢測(cè)光源，分別設(shè)定靜置反應(yīng)時(shí)間為5、10、15、20、25、30 min。吸光度試驗(yàn)測(cè)量結(jié)果如圖5所示，當(dāng)靜置時(shí)間為10～20 min時(shí)，吸光度的變化比較平穩(wěn)。

圖4　反應(yīng)溫度對(duì)吸光度的影響Fig.4 Influence of reaction temperature on absorbance

圖5　靜置時(shí)間對(duì)吸光度的影響Fig.5 Influence of static time on absorbance

3.4檢測(cè)光源波長(zhǎng)

測(cè)定過(guò)程中，檢測(cè)光源波長(zhǎng)也會(huì)影響最終的測(cè)量光度值。同樣對(duì)濃度為5 mg/L的氨氮標(biāo)準(zhǔn)溶液分4份進(jìn)行測(cè)量，調(diào)節(jié)其pH為10.5，設(shè)定反應(yīng)溫度為35℃、靜置反應(yīng)時(shí)間為10 min，使用波長(zhǎng)分別為365、375、395、420 nm的檢測(cè)光源。吸光度試驗(yàn)測(cè)量結(jié)果如圖6所示，當(dāng)使用波長(zhǎng)為420 nm的檢測(cè)光源時(shí)，吸光度最高。

圖6　檢測(cè)光源波長(zhǎng)對(duì)吸光度的影響Fig.6 Influence of wave length on absorbance

4　氨氮含量分析模型的正交試驗(yàn)

根據(jù)以上試驗(yàn)結(jié)果，用水樣pH、反應(yīng)溫度、靜置時(shí)間、檢測(cè)光源波長(zhǎng)4因素，進(jìn)行4因素3水平的L9（34）正交試驗(yàn)，表1為正交試驗(yàn)因素設(shè)計(jì)表，表2為方差分析表，表3為正交試驗(yàn)設(shè)計(jì)表及試驗(yàn)結(jié)果。

由極差分析 （表3）可知，影響氨氮濃度檢測(cè)主要因素的順序?yàn)閜H＞反應(yīng)溫度＞靜置時(shí)間＞光源波長(zhǎng)，最佳因素組合為 A3B3C3D1，即 pH值11、反應(yīng)溫度40℃、靜置時(shí)間20 min、檢測(cè)光源波長(zhǎng)380 nm。由表2可見(jiàn)，pH和反應(yīng)溫度對(duì)試驗(yàn)影響極顯著 （P＜0.01），而靜置時(shí)間和檢測(cè)光源波長(zhǎng)對(duì)試驗(yàn)影響不顯著 （P＞0.05）。

表1　正交試驗(yàn)因素設(shè)定表Tab.1 Levels and factors in the orthogonal test

表2　方差分析表Tab.2 Table of variance analysis

表3　正交試驗(yàn)設(shè)計(jì)及試驗(yàn)結(jié)果Tab.3 Design and results in an orthogonal test

5　預(yù)測(cè)模型的仿真與優(yōu)化模型的驗(yàn)證

5.1預(yù)測(cè)模型仿真

基于LS-SVM算法建立分析預(yù)測(cè)模型，選取pH、反應(yīng)時(shí)間、靜置時(shí)間、檢測(cè)光源波長(zhǎng)作為模型的輸入，吸光度作為模型的輸出。用LS-SVM算法預(yù)測(cè)的吸光度值與實(shí)測(cè)吸光度值的對(duì)比如表3所示，最大誤差為4.28%，平均誤差為2.73%，吸光度預(yù)測(cè)值與實(shí)測(cè)值擬合良好，顯示預(yù)測(cè)模型結(jié)果可信。

5.2仿真優(yōu)化分析

根據(jù)正交試驗(yàn)分析，水樣的pH和反應(yīng)溫度為主要影響因子，而靜置時(shí)間和檢測(cè)光源波長(zhǎng)為次要因子，故使用仿真模型來(lái)精確確認(rèn)兩個(gè)主要因子的最佳取值。在反應(yīng)溫度為40℃、靜置時(shí)間為20 min、光源波長(zhǎng)為380 nm的情況下，運(yùn)用LS-SVM預(yù)測(cè)模型在水樣pH為9.5～11.5時(shí)進(jìn)行仿真，吸光度曲線如圖7所示，可得到最佳水樣pH為10.5。

圖7　水樣pH對(duì)吸光度影響的仿真結(jié)果Fig.7 Simulation influence of water pH value on absorbance

在pH為10.5、靜置時(shí)間為20 min、光源波長(zhǎng)為380 nm的情況下，運(yùn)用LS-SVM模型在反應(yīng)溫度為33～36℃范圍內(nèi)進(jìn)行仿真，吸光度曲線如圖8所示，可得到最佳反應(yīng)溫度為35℃。

由此可知，基于納氏試劑光度檢測(cè)法的在線式氨氮檢測(cè)系統(tǒng)，其各影響因素最佳優(yōu)化組合為pH 值10.5、反應(yīng)溫度35℃、靜置時(shí)間20 min、光源波長(zhǎng)380 nm。如需加快測(cè)量過(guò)程，可將靜置時(shí)間設(shè)定為10 min。

6　結(jié)語(yǔ)

圖8　反應(yīng)溫度對(duì)吸光度影響的仿真結(jié)果Fig.8 Simulation influence of reaction temperature on absorbance

本研究中，運(yùn)用LS-SVM算法建立分析預(yù)測(cè)模型，分析了氨氮檢測(cè)過(guò)程中的4個(gè)主要影響因素對(duì)測(cè)量吸光度的影響，并對(duì)各影響因素進(jìn)行了正交試驗(yàn)分析，得到最佳優(yōu)化組合為pH值10.5、反應(yīng)溫度35℃、靜置時(shí)間20 min、檢測(cè)光源波長(zhǎng)380 nm。運(yùn)用文中建立的數(shù)據(jù)分析模型，對(duì)在線式氨氮檢測(cè)系統(tǒng)進(jìn)行了設(shè)計(jì)優(yōu)化，減小了重復(fù)性誤差，提高了系統(tǒng)的測(cè)量精度。所設(shè)計(jì)的在線式氨氮檢測(cè)系統(tǒng)，已在自貢天健生物科技有限公司污水處理工程中得到應(yīng)用，取得了良好的效果。實(shí)際應(yīng)用表明，文中基于LS-SVM算法建立了一種有效的數(shù)據(jù)分析預(yù)測(cè)模型，具有良好的預(yù)測(cè)能力，提高了系統(tǒng)的測(cè)量精度，在數(shù)據(jù)分析預(yù)測(cè)方面可以廣泛應(yīng)用。在線式氨氮檢測(cè)系統(tǒng)需定期更換納氏試劑和掩蔽劑，受限于原料及配制方法，這兩種試劑的成分具有離散性，測(cè)量結(jié)果將受到影響，文中未能對(duì)此進(jìn)行深入分析研究，這將是下一步的研究問(wèn)題之一。此外，光度檢測(cè)法在水質(zhì)檢測(cè)中應(yīng)用廣泛，如重金屬、COD等，LS-SVM分析預(yù)測(cè)模型在這些領(lǐng)域的應(yīng)用也將是下一步的研究問(wèn)題。

［1］ 張衛(wèi)強(qiáng)，朱英.養(yǎng)殖水體中氨氮的危害及其檢測(cè)方法研究進(jìn)展［J］.環(huán)境衛(wèi)生學(xué)雜志，2012，2（6）：324-327.

［2］ 劉建魁，劉立志，趙文，等.非離子氨和氨氮對(duì)不同規(guī)格史氏鱘幼魚的急性毒性及安全濃度評(píng)價(jià)［J］.大連海洋大學(xué)學(xué)報(bào)，2014，29（2）：175-178.

［3］ 劉永士，臧維玲，侯文杰，等.凡納濱對(duì)蝦生長(zhǎng)及養(yǎng)殖池氮、磷收支隨養(yǎng)殖時(shí)間的變化［J］.大連海洋大學(xué)學(xué)報(bào)，2013，28（2）：143-147.

［4］ 馬淑勍，梁濱.利用自動(dòng)分析儀測(cè)定水中氨氮的方法研究［J］.山東化工，2015，44（4）：62-64.

［5］ 俞繼梅.納氏試劑測(cè)氨氮影響因素的分析和研究［J］.江西化工，2013（4）：41-45.

［6］ 薛紅.基于納氏比色法的水中氨氮檢測(cè)影響因素分析［J］.工程技術(shù)：文摘版，2015（22）：77，102.

［7］ 曾燕，成新文，陳欲云，等.最小二乘支持向量機(jī)優(yōu)化芹菜總黃酮提取工藝［J］.食品研究與開發(fā)，2015，36（8）：49-52，57.

［8］ 童敏明，張愉，齊美星.基于BP神經(jīng)網(wǎng)絡(luò)的可燃混合氣體分析方法的研究［J］.計(jì)量學(xué)報(bào)，2006，27（2）：169-171.

［9］ 侯迪波，陳玥，趙海峰，等.基于RBF神經(jīng)網(wǎng)絡(luò)和小波分析的水質(zhì)異常檢測(cè)方法［J］.傳感器與微系統(tǒng)，2013，32（2）：138-141.

［10］ 黃苜，程小平.基于支持向量回歸粒子濾波器的運(yùn)動(dòng)員實(shí)時(shí)跟蹤方法［J］.西南大學(xué)學(xué)報(bào)：自然科學(xué)版，2008，30（5）：165-169.

［11］ Suykens J A K，Vandewalle J.Least squares support vector machine classifiers［J］.Neural Processing Letters，1999，9（3）：293-300.

［12］ Wen W，Hao Z F，Yang X W.A heuristic weight-setting strategy and iteratively updating algorithm for weighted least-squares support vector regression［J］.Neurocomputing，2008，71（16-18）：3096-3103.

［13］ Suykens J A K，Vandewalle J.Recurrent least squares support vector machines［J］.IEEE Transactions on Circuits and System I：Fundamental Theory and Applications，2000，47（7）：1109-1114.

［14］ 曾燕，成新文，王紅旗，等.基于加權(quán)最小二乘支持向量機(jī)的下水道可燃?xì)怏w分析［J］.西南師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2014，39（9）：94-99.

Optimization of an ammonia nitrogen content analysis model in aquaculture water based on LS-SVM

JU Jin-wu
（School of Computer Science，Sichuan University of Science and Engineering，Zigong 643000，China）

The least square support vector machine（LS-SVM）was used to establish an analytical prediction model of ammonia nitrogen concentration as a key water quality index in aquaculture in order to improve the measurement accuracy of ammonia nitrogen concentration，and the analytical prediction model was optimized to reduce the influence of pH value，temperature，static time and otherfactors during measurement process by an orthogonal simulation test.The results showed that the precise measurement of ammonia nitrogen concentration was observed under the conditions of pH value of 10.5，temperature of 35℃，static time of 20 min，and light source wave length of 380 nm using an on-line ammonia nitrogen detection system.

support vector machine；aquaculture；ammonia nitrogen；analysis model

TP391

A

10.16535/j.cnki.dlhyxb.2016.04.016

2095-1388（2016）04-0444-05

2016-03-22

四川省科技支撐計(jì)劃項(xiàng)目 （15ZC0195）；四川省院士 （專家）工作站基金資助項(xiàng)目 （2014YSGZZ01）；企業(yè)信息化與物聯(lián)網(wǎng)測(cè)控技術(shù)四川省高校重點(diǎn)實(shí)驗(yàn)室基金資助項(xiàng)目 （2014WYY01）；瀘州老窖獎(jiǎng)學(xué)金資助項(xiàng)目 （15LJZK04）

居錦武 （1976—），男，副教授。E-mail：jjwmail@163.com