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)院計算機學(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)院計算機學(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量精度，減少測量過程中pH、溫度、靜置時間等因素對準(zhǔn)確度的影響，使用最小二乘支持向量機 （LS-SVM）算法建立了分析預(yù)測模型，通過正交試驗仿真測試，獲取各因素的最佳優(yōu)化組合為pH值10.5、反應(yīng)溫度35℃、靜置時間20 min、檢測光源波長380 nm。仿真結(jié)果表明，在設(shè)計在線式氨氮檢測系統(tǒng)時，利用最佳優(yōu)化組合對氨氮濃度分析模型進(jìn)行優(yōu)化，提高了氨氮濃度的測量精度。

支持向量機；水產(chǎn)養(yǎng)殖；氨氮；分析模型

水產(chǎn)養(yǎng)殖過程中，養(yǎng)殖水體中氨氮等物質(zhì)濃度過高時，將導(dǎo)致養(yǎng)殖對象患病甚至死亡，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，凡納濱對蝦的生長與養(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，不會影響魚類的生長，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，需定期檢測養(yǎng)殖水體的氨氮濃度。常用的檢測手段是先進(jìn)行水體采樣，再到實驗室進(jìn)行分析。當(dāng)水體范圍廣、檢測量大且周期短時，這種傳統(tǒng)手工檢測方法的工作量非常大，可靠性較差。設(shè)計一種在線式氨氮檢測系統(tǒng)，自動抽取水樣，定時自動檢測，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工作的效率和質(zhì)量。在線式氨氮檢測系統(tǒng)［4］通常使用光度法，即將被測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，通過測量吸光度，進(jìn)而計算水樣的氨氮濃度。該方法由于所需試劑種類只需兩種，而顯色反應(yīng)靈敏，吸光度測量簡單，沒有傳感器損耗，特別適合長時間在線自動測量。

但基于納氏試劑光度檢測法設(shè)計在線式氨氮檢測系統(tǒng)時，發(fā)現(xiàn)這種檢測方法的測量誤差雖然小于標(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。光度檢測法單次測量約需時30 min，測量數(shù)據(jù)量少，無法使用常規(guī)的數(shù)據(jù)處理手段來提高準(zhǔn)確性。俞繼梅［5］、薛紅［6］分析了顯色時間、顯色溫度、水樣pH、水樣預(yù)處理效果對測量結(jié)果的影響。但這些研究僅限于分析各單因素對測量結(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 （LS-SVM）算法用于氨氮測量的優(yōu)化，通過建立數(shù)據(jù)分析預(yù)測模型［7］，分析各個單因素對最終測量結(jié)果的影響，利用正交試驗完成在線式氨氮檢測系統(tǒng)的設(shè)計優(yōu)化。數(shù)據(jù)分析預(yù)測模型雖然可以使用神經(jīng)網(wǎng)絡(luò)［8-9］、支持向量機［10］等技術(shù)實現(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)測模型。

1　最小二乘支持向量機模型

支持向量機 （SVM）是一種機器學(xué)習(xí)方法，該方法基于統(tǒng)計學(xué)習(xí)理論，通過遵循結(jié)構(gòu)風(fēng)險最小原則，增強泛化能力，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。通過一個非線性映射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)化問題：

其中：C是正則化參數(shù)，需要動態(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ω、b、ξ、α求偏導(dǎo)=0，即

設(shè)Ω為N×N對稱方陣，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，其計算公式為

整個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)測模型的泛化性能和學(xué)習(xí)能力。

2　在線式氨氮檢測系統(tǒng)

在線式氨氮檢測系統(tǒng)，基于納氏試劑光度檢測法原理，系統(tǒng)結(jié)構(gòu)框圖如圖1所示，圖2為系統(tǒng)裝置照片。檢測系統(tǒng)裝置由計算機、PLC控制器、觸摸屏、光度計、加熱器、反應(yīng)器、計量器、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，計算機通過觸摸屏顯示軟件運行界面，與操作人員交互，通過PLC控制器控制計量器和八通閥工作，通過光度計讀取反應(yīng)色度數(shù)據(jù)，經(jīng)數(shù)據(jù)分析后，計算出氨氮濃度。整個檢測過程如下：

（1）計算機控制八通閥和微型水泵，水樣經(jīng)計量器送入反應(yīng)器。（2）切換八通閥，掩蔽劑經(jīng)計量器進(jìn)入反應(yīng)器。（3）切換八通閥，納氏試劑經(jīng)計量器進(jìn)入反應(yīng)器。（4）靜置反應(yīng)等待10 min，讀取光度計數(shù)據(jù)，獲得測量光強。（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，讀取光度計數(shù)據(jù)，獲得參比光強。（7）切換八通閥，清洗廢水排入廢液瓶。

根據(jù)下式計算吸光度：

圖1　系統(tǒng)設(shè)計結(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法的在線式氨氮檢測系統(tǒng)，有4個主要因素影響最終測量結(jié)果的精度，即水樣pH、反應(yīng)溫度、靜置時間、檢測光源波長。首先分析各單個因素對檢測精度的影響，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，獲取氨氮濃度檢測的因素最佳優(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

測定過程中，水樣的pH對顯色反應(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℃、靜置時間為10 min，使用波長為420 nm的檢測光源。吸光度試驗測量結(jié)果如圖3所示，當(dāng)pH為10～11時，吸光度最高。

圖3　水樣pH對吸光度的影響Fig.3 Influence of water pH value on absorbance

3.2反應(yīng)溫度

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

3.3靜置時間

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

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

圖5　靜置時間對吸光度的影響Fig.5 Influence of static time on absorbance

3.4檢測光源波長

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

圖6　檢測光源波長對吸光度的影響Fig.6 Influence of wave length on absorbance

4　氨氮含量分析模型的正交試驗

根據(jù)以上試驗結(jié)果，用水樣pH、反應(yīng)溫度、靜置時間、檢測光源波長4因素，進(jìn)行4因素3水平的L9（34）正交試驗，表1為正交試驗因素設(shè)計表，表2為方差分析表，表3為正交試驗設(shè)計表及試驗結(jié)果。

由極差分析 （表3）可知，影響氨氮濃度檢測主要因素的順序為pH＞反應(yīng)溫度＞靜置時間＞光源波長，最佳因素組合為 A3B3C3D1，即 pH值11、反應(yīng)溫度40℃、靜置時間20 min、檢測光源波長380 nm。由表2可見，pH和反應(yīng)溫度對試驗影響極顯著 （P＜0.01），而靜置時間和檢測光源波長對試驗影響不顯著 （P＞0.05）。

表1　正交試驗因素設(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　正交試驗設(shè)計及試驗結(jié)果Tab.3 Design and results in an orthogonal test

5　預(yù)測模型的仿真與優(yōu)化模型的驗證

5.1預(yù)測模型仿真

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

5.2仿真優(yōu)化分析

根據(jù)正交試驗分析，水樣的pH和反應(yīng)溫度為主要影響因子，而靜置時間和檢測光源波長為次要因子，故使用仿真模型來精確確認(rèn)兩個主要因子的最佳取值。在反應(yīng)溫度為40℃、靜置時間為20 min、光源波長為380 nm的情況下，運用LS-SVM預(yù)測模型在水樣pH為9.5～11.5時進(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、靜置時間為20 min、光源波長為380 nm的情況下，運用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法的在線式氨氮檢測系統(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℃、靜置時間20 min、光源波長380 nm。如需加快測量過程，可將靜置時間設(shè)定為10 min。

6　結(jié)語

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

本研究中，運用LS-SVM算法建立分析預(yù)測模型，分析了氨氮檢測過程中的4個主要影響因素對測量吸光度的影響，并對各影響因素進(jìn)行了正交試驗分析，得到最佳優(yōu)化組合為pH值10.5、反應(yīng)溫度35℃、靜置時間20 min、檢測光源波長380 nm。運用文中建立的數(shù)據(jù)分析模型，對在線式氨氮檢測系統(tǒng)進(jìn)行了設(shè)計優(yōu)化，減小了重復(fù)性誤差，提高了系統(tǒng)的測量精度。所設(shè)計的在線式氨氮檢測系統(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)測模型，具有良好的預(yù)測能力，提高了系統(tǒng)的測量精度，在數(shù)據(jù)分析預(yù)測方面可以廣泛應(yīng)用。在線式氨氮檢測系統(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，測量結(jié)果將受到影響，文中未能對此進(jìn)行深入分析研究，這將是下一步的研究問題之一。此外，光度檢測法在水質(zhì)檢測中應(yīng)用廣泛，如重金屬、COD等，LS-SVM分析預(yù)測模型在這些領(lǐng)域的應(yīng)用也將是下一步的研究問題。

［1］ 張衛(wèi)強，朱英.養(yǎng)殖水體中氨氮的危害及其檢測方法研究進(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.非離子氨和氨氮對不同規(guī)格史氏鱘幼魚的急性毒性及安全濃度評價［J］.大連海洋大學(xué)學(xué)報，2014，29（2）：175-178.

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

［4］ 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（4）：62-64.

［5］ 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）：41-45.

［6］ 薛紅.基于納氏比色法的水中氨氮檢測影響因素分析［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］.計量學(xué)報，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動員實時跟蹤方法［J］.西南大學(xué)學(xué)報：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的下水道可燃?xì)怏w分析［J］.西南師范大學(xué)學(xué)報：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

四川省科技支撐計劃項目 （15ZC0195）；四川省院士 （專家）工作站基金資助項目 （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資助項目 （2014WYY01）；瀘州老窖獎學(xué)金資助項目 （15LJZK04）

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