水质安全在线鱼类预警系统的性能影响因子和评估模式研究

During the past years, water pollution incidents have frequently happened and biological early warning system have received common attentions. The bottlenecks of these system are the poor reliability and the high false alarm rate. By controlling the water temperature, pH, dissolved oxygen and other non-toxic factor can reduce the impact of on the false alarm rate. The signal acquisition mode, the flow speed, light control mode will influence the sensitivity, stability and other performance of the Fish Early Warning System. To design experimental device to simulate water pollution incident and repeat a large number of experiments, combine with mathematical analysis to prove the best mode of operation of these controllable factors to optimize the Fish Early Warning System's design and operation management. Behavior parameters in the process of biological early warning monitoring is random, with the dispersion of the data by non-toxic water quality parameters change and noise. For such a highly dynamic and discrete data sequence, the Hidden Markov Model is to establish between the data sequence and toxicity status, identify the toxic state of water quality based on data-driven method, in order to improve the sensitivity and reliability of biological early warning.

随着水质污染事故的不断增加，水质在线生物预警方法研究倍受瞩目，但其瓶颈是可靠性差、误警率高。通过控制水温、pH、溶氧等非毒性因子对误警率的影响降低后，信号采集模式、水流速度、光照模式等可控影响因子还会对水质安全在线鱼类预警系统的敏感性、稳定性等性能产生影响。通过设计实验装置模拟水质污染事件，进行大量的重复实验，结合数学分析方法探明这些可控因子的最佳运行模式，以对优化水质安全鱼类预警系统设计和运行管理提供理论和数据支持。生物预警过程中监测到的行为信息数据的随机性和离散度大，对于这样高度动态和离散的数据序列，采用隐马尔科夫模型建立起数据序列和毒性状态之间的模型，实现基于数据驱动的水质毒性状态评估方法，提高生物预警的灵敏度和可靠性，充实与丰富在线生物预警技术的理论基础。

设计了能够对鱼群进行昼夜连续监测并模拟鱼类急性毒性试验的平台。首先采用计算机视觉技术获取鱼类行为视频图像，对每帧图像进行处理识别鱼个体目标，并提出了对鱼个体进行跟踪的算法。然后根据鱼的识别结果和跟踪轨迹，对鱼群的行为进行群体和个体特征参数的量化。通过设计实验装置模拟水质污染事件，进行大量的重复实验，结合数学分析方法探明这些可控因子的最佳运行模式，以对优化水质安全鱼类预警系统设计和运行管理提供理论和数据支持。鱼群中毒前后的行为特征参数被实时连续的记录到数据库中，通过对数据进行分析发现鱼中毒前后的行为有较大的差异。根据统计学原理分析了白天模式和夜晚模式下，鱼群中毒前后的运动行为的差异。.生物预警过程中监测到的行为信息数据的随机性和离散度大，对于这样高度动态和离散的数据序列，Adaboost算法被用来解决昼夜状态下正常水质和异常水质数据的分类问题，同时为了评价分类的准确率和实时性, Adaboost 算法与支持向量机（Support Vector Machine, SVM）和反向传播神经网络(Back Propagation Neural Network, BPNN)进行比较，结果显示Real Adaboost 和 Gentle Adaboost算法在白天和夜晚的准确率都大于93%, 比Modest Adaboost, BPNN 和 SVM的效果好,并且所需的时间也较少。本文的结果证明了 Adaboost算法对水质参数进行分类的有效性和实用性。