魏小敏，張寶峰，朱均超，趙 巖

（天津理工大學 電氣電子工程學院 天津市復雜控制理論與應用重點實驗室，天津 300384）

隨著“互聯網+”的盛行發(fā)展，隨之而來的物聯網已經成了當下越來越熱門的話題，物聯網技術已經在不同的領域都有了全方面的應用，把各種儀器設備連接到物聯網已經成了一種潮流[1]。近些年，遠程監(jiān)控技術已經日趨成熟，無論工作人員身處何地，能夠隨時隨地方便地查看水質環(huán)境信息也是勢在必行的趨勢。溶解氧是體現養(yǎng)殖水環(huán)境好壞的一項重要指標，氧氣過量或不足都會對養(yǎng)殖生物產生不利影響，如何利用采集來的水質信息，準確預測養(yǎng)殖環(huán)境中溶解氧變化趨勢，及時合理地做出決策，減少因調控不及時造成的損失[2]。建立適當的預測模型，合理地調控養(yǎng)殖環(huán)境，為水產生物提供優(yōu)良的生長環(huán)境并且最大限度地減少病害發(fā)生。

1 系統(tǒng)設計

1.1 系統(tǒng)結構及工作原理

本水質環(huán)境遠程監(jiān)測系統(tǒng)的總體設計如圖1所示。本系統(tǒng)設計由PLC作為采集和控制模塊，GPRS DTU模塊與PLC的485通訊口相連接，GPRS DTU利用GPRS網絡將檢測結果上傳到云端設備，接收到的數據根據需要進行篩選，保留有效的數據，存入數據庫，以便于后期數據的調用，用戶通過Web交互界面，可以在PC機和手機上隨時查看水質變化信息，實現用戶可以不受時間地點的束縛，在有網絡覆蓋的地方隨時隨地查看工廠內水質環(huán)境參數，擺脫了固定工位的苦惱。該系統(tǒng)綜合利用傳感器技術、計算機與網絡通信技術，實現對水產養(yǎng)殖的環(huán)境參數進行實時監(jiān)測和預警[3]。同時根據水產品不同生長階段的需求制定出測控標準，建立知識庫，將實測的參數和系統(tǒng)設定標準參數進行比較后調整水產養(yǎng)殖生態(tài)環(huán)境各個控制設備。

圖1 系統(tǒng)總體結構示意Fig.1 Overall structure of the system

1.2 數據采集模塊

隨著水產養(yǎng)殖規(guī)模的不斷擴大，PLC的優(yōu)越性能恰好符合集約化水產養(yǎng)殖的需要，數據采集部分采用梯形圖編寫。主要功能是：PLC模塊采集到來自傳感器的模擬信號之后，將測量數據存入內部的大容量帶掉電保護的存儲器中，需要對模擬信號作進一步處理，數據處理完成以后將檢測數據經GPRS網絡傳入云設備。由于溶解氧、pH值、鹽度和硝酸鹽這些水質參數是緩慢變化的，所以對數據的采集頻率沒有特別嚴格的要求。

1.3 數據上傳部分設計

將現場各種水質傳感器采集來的信息轉變?yōu)閿底中盘?，通過GPRS網絡傳送到云平臺，用Python編寫數據接收程序，將接收到的二進制數據轉化為字符串，根據正則表達式過濾出符合條件的客戶端數據，通過對應的計算規(guī)則計算出結果，將結果存入隊列，達到隊列的存儲長度時，將隊列中的所有結果存入到MySQL數據庫，為Web端提供數據，其數據處理結果和流程如圖2所示。

圖2 數據處理流程Fig.2 Data processing flow chart

1.4 客戶端設計

網頁Web端直接可以在一些瀏覽器訪問URL，就可以查看到現場水質的具體情況。Web端的設計主要包括Web服務器的搭建與功能模塊的實現。從傳感器采集來的數據存放水質參數的數據庫中，通過瀏覽器向Web服務器發(fā)出請求，Web服務器再向數據庫請求，數據庫服務器得到請求后，最終將數據顯示在瀏覽器頁面中。如圖3所示，用戶打開瀏覽器輸入網址即可方便地查看現場內水質各個參數的具體現狀。在隨著3G、4G網絡的使用，用戶可以隨時隨地在手機上查看現場內各種水質參數的情況。

2 MI_PSO_RBF預測模型的構建

2.1 互信息理論

圖3 系統(tǒng)數據顯示界面Fig.3 System data display interface

互信息MI是一種用于表征變量相關性的信息度量?；バ畔⒌拇笮〈碜兞块g相關信息的多少，變量耦合越強，互信息越大[4]?；バ畔⑹怯嬎隳Ｐ头治龅某Ｓ梅椒?，它度量對象之間的相關性，在過量問題中用于度量對主元素的區(qū)分度，且計算量小，因此在變量選擇中得到了廣泛的應用。

設兩個隨機變量（X，Y）的聯合分布為 p（x，y），邊際分布為 p（x），p（y），互信息 I（X，Y）是聯合分布p（x，y）與乘積分布 p（x）p（y）的相對熵即[5]：

對于離散型隨機變量的N個觀察值，變量X，Y之間的互信息表達式為

當X，Y相互獨立時，則MI=0；當不相互獨立時，存在函數關系時，MI的值將趨近于正無窮大，相關程度越大，MI的值就越大。

2.2 RBF神經網絡

徑向基函數RBF神經網絡結構為三層前向網絡，由輸入層、隱含層和輸出層組成，RBF神經網絡將復雜的非線性問題轉化為高維特征空間，使問題轉化為線性可分，避免了局部最小的問題，需要更多的隱含層神經元[6]，RBF神經網絡的結構如圖4所示。

圖4 RBF神經網絡結構Fig.4 RBF neural network structure diagram

隱含層采用高斯核函數作為基函數：

輸出層可通過隱節(jié)點加權得到，它是簡單的線性組合。可表示為

式中：x為輸入向量；ω0為調整輸出的偏移量；nc為隱節(jié)點的個數；ωi為第i個隱節(jié)點的基函數與輸出節(jié)點的連接權值；ci為第i個隱節(jié)點的場中心；δi為第i個隱節(jié)點的場域寬度。

2.3 粒子群算法（PSO）優(yōu)化RBF神經網絡

RBF神經網絡需要優(yōu)化3個參數：基函數中心φ（X，ti），寬度 δi，隱含層和輸出單元間的權值 ωi，對這3個參數的優(yōu)化對RBF神經網絡模型的預測精度非常重要[7]。

標準粒子群優(yōu)化算法對粒子速度和位置進行更新的公式[8]：在PSO算法中第i個粒子在t+1時刻的第d維鄰域函數計算公式（即標準粒子群優(yōu)化算法對粒子速度和位置進行更新的公式）：

式中：ω為慣性權重系數；c1和c2是兩個取值在［0，1］之間的隨機數，稱為加速常數。c1的作用是調節(jié)粒子飛向其最優(yōu)位置的步長，當值較大時，粒子會過多地在局部范圍徘徊；c2的作用是調節(jié)粒子飛向整個群體最優(yōu)位置的步長，當值較大時，粒子會過早收斂到局部最小值[9]。

在PSO算法中粒子是通過Pid和Pgd兩個參數進化的，在算法后期為了避免粒子陷入局部最優(yōu)，并提高其他粒子在新區(qū)域搜索的能力，本算法在式（5）中增加一個高斯（0，1）分布的隨機變量 ε，在算法后期重新計算參數Pgd：

在式（2）中添加二次隨機搜索因子η，即若粒子尋優(yōu)到新位置不如當前位置，將在原位置開始下一次尋優(yōu)，否則新位置是下一次尋優(yōu)的起始位置，公式如下：

其中 η＝Rnd（0，1）+0.5，本文使用改進的迭代式（6）、式（7）優(yōu)化粒子的更新速度和位置，輸出 RBF神經網絡核函數之中的最優(yōu)參數[10]。本文使用PSO優(yōu)化RBF神經網絡的算法流程如圖5所示。

圖5 PSO優(yōu)化RBF神經網絡的算法流程Fig.5 PSO optimization RBF neural network algorithm flow chart

3 系統(tǒng)試驗與結果分析

以采集的溶解氧、硝酸鹽、酸堿度和氨氮漁業(yè)養(yǎng)殖生態(tài)環(huán)境數據作為研究的數據源。其中溶解氧是漁業(yè)養(yǎng)殖水環(huán)境好壞的重要判斷指標，根據漁業(yè)養(yǎng)殖的實際需要，把水環(huán)境中的溶解氧作為預測對象。其采樣周期為2017年11月21～11月28日，每30 min采樣1次，共計384個樣本，抽取前7日的336個樣本為訓練集，剩余的48個樣本作為測試集。采用本文預測模型對漁業(yè)養(yǎng)殖中溶解氧濃度預測，實際采集值與預測值的變化曲線如圖6所示。

4 結語

基于物聯網的漁業(yè)養(yǎng)殖環(huán)境智能監(jiān)測系統(tǒng)已經設計完成，經過長期運行測試證明，該系統(tǒng)可靠性好、運行穩(wěn)定，通過該智能監(jiān)測系統(tǒng)能夠方便地查看水質環(huán)境參數。基于養(yǎng)殖環(huán)境內的水質情況，建立PSO算法優(yōu)化RBF網絡預測模型，本預測模型還具有計算復雜度低、預測精度高、泛化能力強，對漁業(yè)養(yǎng)殖環(huán)境溶解氧調控起指導作用，可直接應用于實際的漁業(yè)養(yǎng)殖溶解氧預測工作中。

圖6 PSO_RBF溶解氧預測模型實驗結果Fig.6 PSO_RBF dissolved oxygen prediction model experimental results

[1]秦琳琳，陸林箭，石春，等.基于物聯網的溫室智能監(jiān)控系統(tǒng)設計[J].農業(yè)機械學報，2015，46（3）：261-267.

[2]宦娟，劉星橋.基于K-means聚類和ELM神經網絡的養(yǎng)殖水質溶解氧預測[J].農業(yè)工程學報，2016，32（17）：174-181.

[3]趙軍，陳棟，孔明，等.無線通訊水產養(yǎng)殖監(jiān)測系統(tǒng)的研制[J].中國計量學院學報，2016，27（2）：125-130.

[4]范雪莉，馮海泓，原猛.基于互信息的主成分分析特征選擇算法[J].控制與決策，2013，28（6）：915-919.

[5]童楚東，史旭華.基于互信息的PCA方法及其在過程監(jiān)測中的應用[J].化工學報，2015，66（10）：4101-4106.

[6]X Feng，W Bao，B Ha.Prediction on China’s energy demand based on RBF neural network model[J].Advanced Materials Research，2013：805-806.

[7]楊建華，郎寶華.一種基于優(yōu)化的RBF神經網絡交通流預測新算法[J].計算機與數字工程，2010，38（9）：127-129.

[8]李小龍，李郁俠，師彪，等.改進粒子群算法在中長期電力負荷組合預測模型中的應用[J].武漢大學學報：工學版，2011，44（3）：380-382.

[9]陳小全，張繼紅.基于改進粒子群算法的聚類算法[J].計算機研究與發(fā)展，2012，49（S1）：287-291.

[10]張健，劉定一.一種應用PSO優(yōu)化RBF神經網絡的方法[J].計算機仿真，2014，31（11）：269-272.