基于LS-SVM的養(yǎng)殖水體氨氮含量分析預(yù)測模型

居錦武

(四川理工學院計算機學院，四川自貢 643000)

基于LS-SVM的養(yǎng)殖水體氨氮含量分析預(yù)測模型

居錦武

(四川理工學院計算機學院，四川自貢 643000)

養(yǎng)殖水體的氨氮含量是水產(chǎn)養(yǎng)殖中的關(guān)鍵水質(zhì)指標，是評價水體污染情況的基本測量項目。設(shè)計一種自動氨氮監(jiān)測系統(tǒng)，自動抽取水樣并定時測量，使用最小二乘支持向量機算法(LS-SVM)建立了分析預(yù)測模型，LS-SVM最小二乘支持向量機算法增強了泛化能力，減少了異常樣本的預(yù)測偏差，提高了預(yù)測學習的精度。對基于神經(jīng)網(wǎng)絡(luò)模型、基于LS-SVM模型進行了仿真比較，結(jié)果顯示LS-SVM模型具有更優(yōu)良的分析預(yù)測效果。

支持向量機；水產(chǎn)養(yǎng)殖；氨氮；分析預(yù)測模型；比色法；光強

隨著水產(chǎn)養(yǎng)殖業(yè)的快速發(fā)展，養(yǎng)殖水體的污染情況越來越嚴重。各種餌料、化學物質(zhì)、藥物、排泄物殘留在水體中，經(jīng)腐敗和分解，引起水體水質(zhì)的嚴重劣化，使水體中氨氮等有害物質(zhì)含量上升，造成養(yǎng)殖對象發(fā)病或死亡，嚴重影響產(chǎn)業(yè)的發(fā)展。我國《漁業(yè)水質(zhì)標準(GB 11607—1989)》中規(guī)定，氨氮質(zhì)量濃度小于0.02 mg/L時，對魚類的生命活動沒有影響。養(yǎng)殖水體中銨離子(NH4+)的質(zhì)量濃度不允許超過5 mg/L。

筆者設(shè)計的自動氨氮含量監(jiān)測系統(tǒng)[1]基于HJ535—2009標準。其基本原理是將被測水樣與納氏試劑混合，納氏試劑與水樣中的氨反應(yīng)，采用紫外線光度計對生成的化合物進行光度測量，吸光度與水樣中的氨氮含量成正比，從而計算出水樣的氨氮含量。此方法的優(yōu)點為所需試劑種類少、生成化合物速度快、吸光度分辨率高，是一種簡單高效的測量方法，特別適合設(shè)計成自動氨氮含量監(jiān)測系統(tǒng)。

納氏試劑比色法的缺點為試劑成本較高、測量數(shù)據(jù)量少、測量過程易受環(huán)境變化等不可預(yù)見因素的影響[2]，重復(fù)性誤差<±10%，數(shù)據(jù)可靠性還需提高。建立數(shù)據(jù)分析預(yù)測模型是提高數(shù)據(jù)可靠性的常用方法，常用的分析預(yù)測模型包括神經(jīng)網(wǎng)絡(luò)[3-4]、支持向量機[5]等，神經(jīng)網(wǎng)絡(luò)一般要求使用大量數(shù)據(jù)作為訓練樣本，采用比色法測量氨氮含量所得數(shù)據(jù)樣本較少，符合支持向量機的特點。基本支持向量機(SVM)的泛化能力不足，對于異常樣本數(shù)據(jù)，預(yù)測數(shù)據(jù)偏差較大。最小二乘支持向量機(LS-SVM)[6]對其進行了改進，優(yōu)化了模型函數(shù)，具有更好的預(yù)測速度和效果。

筆者在設(shè)計自動氨氮監(jiān)測系統(tǒng)時，針對測量數(shù)據(jù)的準確性波動問題，將LS-SVM算法應(yīng)用到測量結(jié)果的分析中，建立了養(yǎng)殖水體氨氮含量測量結(jié)果的分析預(yù)測模型，獲得了較好的效果。

1 支持向量機

Vapnik等于20世紀90年代提出支持向量機(SVM)方法，該方法是一種機器學習方法，通過遵循結(jié)構(gòu)風險最小原則，提高學習機的泛化能力，即使在統(tǒng)計樣本數(shù)量較少的情況下也能得到良好的統(tǒng)計結(jié)果。LS-SVM由Suykens等提出，改變了SVM使用的約束條件，同時使用新的目標優(yōu)化函數(shù)，改變風險控制函數(shù)，進一步改善了泛化能力[7-8]。

設(shè)有訓練集D，內(nèi)部包含N個樣本，將D表示為：{(x1,y1)，(x2,y2)，…，(xN,yN)}。其中x、y分別為輸入、輸出。通過1個非線性映射φ()，將樣本數(shù)據(jù)從原空間映射到另一個高維特征空間φ(x)，新空間表示為φ(x)=[φ(x1),φ(x2),…,φ(xN)]。在空間φ(x)中設(shè)置最優(yōu)決策函數(shù)y(x)=ωφ(x)+b+ξk，函數(shù)中的ω、b分別為權(quán)值向量、閾值。LS-SVM的目標優(yōu)化函數(shù)[9]為：

s.t. yk=φ(xk)ωT+b+ξk。

(1)

式中：C是用于平衡誤差與復(fù)雜度的正則化參數(shù)，誤差分量ξk≥0，k=1,2,…,N。

對式(1)函數(shù)采用Lagrange法求解：

(2)

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

(3)

設(shè)Ω為N×N對稱方陣，即

(4)

定義核函數(shù)k(xi,xj)，滿足以下Mercer條件：

Ωij=k(xi,xj)=φ(xi)φ(xj)i,j=1,…,N。

(5)

LS-SVM的回歸模型為：

(6)

選擇徑向基核函數(shù)(RBF)作為核函數(shù)，模型具有學習速度快的特點，公式為：

(7)

整個算法中有2個可調(diào)參數(shù)，即正則化參數(shù)C、σ核寬度參數(shù)。在確定2個參數(shù)的值時，通常先采用搜索法選擇參數(shù)，再采用交叉驗證法進行最小誤差尋優(yōu)，這樣能夠確定最佳的參數(shù)對。這2個參數(shù)將影響算法的泛化性能和學習能力。

2 養(yǎng)殖水體自動氨氮監(jiān)測系統(tǒng)

養(yǎng)殖水體自動氨氮監(jiān)測系統(tǒng)基于納氏試劑比色法測量水體的氨氮含量，其系統(tǒng)設(shè)計結(jié)構(gòu)見圖1，監(jiān)測系統(tǒng)的實物照片見圖2。整個監(jiān)測系統(tǒng)由IPC、PLC、LCD、比色計、反應(yīng)瓶、液量器、注射泵、多通閥及多種試劑等組成。IPC通過LCD顯示人機界面，通過PLC控制液量器和多通閥的工作，同時通過比色計讀取反應(yīng)瓶的色度數(shù)據(jù)，再計算氨氮質(zhì)量濃度。其基本操作流程為：(1)控制電磁閥，接入水樣，驅(qū)動注射泵，水樣進入液位計量器；(2)液位達到規(guī)定值后切換電磁閥，水樣送入反應(yīng)器；(3)切換電磁閥，掩蔽劑進入計量器，達到規(guī)定液位后再進入反應(yīng)器；(4)切換電磁閥，納氏試劑抽入計量器，達到規(guī)定液位后再進入反應(yīng)器；(5)等待10 min，測量比色計的輸出數(shù)據(jù)，即為測量光強；(6)切換電磁閥，反應(yīng)后的溶液排到廢液瓶中；(7)切換電磁閥，反應(yīng)器抽入蒸餾水，測量比色計的輸出，即為參比光強；(8)將廢水排到廢液瓶中。

3 測量結(jié)果與分析

基于比色法設(shè)計的自動氨氮監(jiān)測系統(tǒng)，氨氮含量計算的數(shù)據(jù)來源包括參比光強、測量光強。選取40組標準氨氮溶液，其含量從0 mg/L遞增至10 mg/L，間隔0.25 mg/L。系統(tǒng)測量的總樣本數(shù)據(jù)為40個，奇序列為訓練樣本，偶序列為測試樣本，部分測量數(shù)據(jù)見表1。使用神經(jīng)網(wǎng)絡(luò)模型和LS-SVM模型分別建立分析預(yù)測模型，仿真試驗數(shù)據(jù)見表2。

使用神經(jīng)網(wǎng)絡(luò)模型和LS-SVM模型分別對水體氨氮含量進行預(yù)測，氨氮實際含量與2組預(yù)測結(jié)果的對比見圖3。

表1 部分樣本數(shù)據(jù)

表2 仿真試驗結(jié)果

由表2、圖3可知，神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果的相對誤差極值為 12.69%，平均值為6.43%；LS-SVM模型預(yù)測結(jié)果的相對誤差極值為2.91%，平均值為1.32%。可見，使用LS-SVM預(yù)測模型獲得了更高的精度。

4 小結(jié)

設(shè)計了一種養(yǎng)殖水體自動氨氮監(jiān)測系統(tǒng)，并將LS-SVM技術(shù)應(yīng)用于測量結(jié)果的分析預(yù)測中。數(shù)據(jù)預(yù)測結(jié)果與實際含量的比較表明，該模型是有效的預(yù)測模型，用于實際的數(shù)據(jù)分析預(yù)測工作可明顯提高數(shù)據(jù)的準確率。LS-SVM預(yù)測模型的可變參數(shù)較少，只需確定正則化參數(shù)C和核寬度參數(shù)σ，可使用交叉驗證法確定2個參數(shù)的值。LS-SVM預(yù)測模型的精度高，可廣泛應(yīng)用于數(shù)據(jù)分析預(yù)測模型的建立。

[1]馬淑勍，梁 濱. 利用自動分析儀測定水中氨氮的方法研究[J]. 山東化工，2015(44)：62-64.

[2]俞繼梅. 納氏試劑測氨氮影響因素的分析和研究[J]. 江西化工，2013(4)：11-14.

[3]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]. 計量學報，2006，27(2)：169-171.

[4]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)異常檢測方法[J]. 傳感器與微系統(tǒng)，2013，32(2)：138-141.

[5]黃 苜，程小平. 基于支持向量機回歸料子濾波器的運動員實時跟蹤方法[J]. 西南大學學報(自然科學版)，2008，30(5)：165-169.

[6]曾 燕，成新文，王紅旗，等. 基于加權(quán)最小二乘支持向量機的下水道可燃氣體分析[J]. 西南師范大學學報(自然科學版)，2014，39(9)：94-99.

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

[8]Wen W，Hao Z，Yang X. A heuristic Weight-Setting strategy and iteratively updating algorithm for weighted LeastSquares support vector regression[J]. Neurocomputing，2008，71(16/18)：3096-3103.

[9]Suykens J，Vandewalle J. Recurrent least squares support vector machines[J]. IEEE Transactions on Circuits and System，2000，47(7)：1109-1114.

10.15889/j.issn.1002-1302.2017.02.061

2015-11-18

四川省院士(專家)工作站基金(編號：2014YSGZZ01)；企業(yè)信息化與物聯(lián)網(wǎng)測控技術(shù)四川省高校重點實驗室基金(編號：2014WYY01)。

居錦武(1976—)，男，上海人，碩士，副教授，主要從事嵌入式計算機系統(tǒng)設(shè)計研究。E-mail：jjwmail@163.com。

TP391

A

1002-1302(2017)02-0210-03

居錦武. 基于LS-SVM的養(yǎng)殖水體氨氮含量分析預(yù)測模型[J]. 江蘇農(nóng)業(yè)科學，2017，45(2)：210-212.