| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 研究背景 | 第9-11页 |
| 1.1.1 水产养殖背景 | 第9-10页 |
| 1.1.2 无线传感网络 | 第10-11页 |
| 1.2 智能水产养殖系统中预测预警技术在国内外研究现状 | 第11-16页 |
| 1.2.1 水质参数的降噪与特征提取方法 | 第11-12页 |
| 1.2.2 水质参数数据丢失的修复与重构方法 | 第12-13页 |
| 1.2.3 水质参数的预测 | 第13-15页 |
| 1.2.4 水质参数的预警 | 第15-16页 |
| 1.3 研究的目的和意义 | 第16-17页 |
| 1.4 本文主要研究工作及章节安排 | 第17-18页 |
| 第二章 智能水产养殖系统 | 第18-25页 |
| 2.1 功能需求分析 | 第18页 |
| 2.2 对技术架构的要求分析 | 第18-19页 |
| 2.3 总体技术路线 | 第19-20页 |
| 2.4 系统硬件设计 | 第20-22页 |
| 2.4.1 供电电源设计 | 第20-21页 |
| 2.4.2 通信模块设计 | 第21-22页 |
| 2.4.3 水质智能传感器选择 | 第22页 |
| 2.5 系统软件设计 | 第22-25页 |
| 2.5.1 功能模块设计 | 第22-23页 |
| 2.5.2 数据库设计 | 第23-25页 |
| 第三章 水产养殖水质数据处理方法 | 第25-38页 |
| 3.1 水产养殖中参数的的系统动力学分析 | 第25-27页 |
| 3.1.1 水温在水产养殖中的系统动力学分析 | 第25页 |
| 3.1.2 PH值在水产养殖中的系统动力学分析 | 第25-26页 |
| 3.1.3 溶解氧在水产养殖中的系统动力学分析 | 第26-27页 |
| 3.2 水质参数信号降噪方法 | 第27-30页 |
| 3.2.1 基于小波分析的水质参数信号降噪方法 | 第27-28页 |
| 3.2.2 改进的水质信号降噪方法 | 第28页 |
| 3.2.3 结果分析 | 第28-30页 |
| 3.3 数据修复预处理 | 第30-31页 |
| 3.3.1 短时数据缺失的修复处理 | 第30-31页 |
| 3.3.2 坏值数据的剔除 | 第31页 |
| 3.4 基于压缩感知的改进数据修复算法 | 第31-38页 |
| 3.4.1 压缩感知理论 | 第31-32页 |
| 3.4.2 改进的数据丢失的修复与重构方法 | 第32-35页 |
| 3.4.3 结果分析 | 第35-38页 |
| 第四章 水产养殖水质参数的预测方法 | 第38-44页 |
| 4.1 水质参数预测的意义 | 第38页 |
| 4.2 水质参数预测方法 | 第38-41页 |
| 4.2.1 ARIMA模型 | 第38-39页 |
| 4.2.2 RBF神经网络模型 | 第39-40页 |
| 4.2.3 基于RBF和ARIMA的混合模型 | 第40-41页 |
| 4.3 RBF-ARIMA混合预测模型的实测与性能分析 | 第41-44页 |
| 第五章 水产养殖水质参数的预警方法 | 第44-51页 |
| 5.1 相关理论介绍 | 第44页 |
| 5.2 水产养殖水质预警体系结构 | 第44-45页 |
| 5.3 基于T-S模糊神经网络的水质预警方法 | 第45-48页 |
| 5.3.1 T-S模糊神经网络模型 | 第45-47页 |
| 5.3.2 T-S模糊神经网络训练原理 | 第47-48页 |
| 5.4 预警方法实测与性能分析 | 第48-51页 |
| 第六章 系统运行展示 | 第51-55页 |
| 6.1 系统开发环境介绍 | 第51页 |
| 6.2 系统运行操作界面介绍 | 第51-55页 |
| 6.2.1 Web浏览器运行操作界面 | 第51-54页 |
| 6.2.2 手机移动端运行操作界面 | 第54-55页 |
| 第七章 结论与展望 | 第55-58页 |
| 7.1 结论 | 第55-56页 |
| 7.2 展望 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 缩略语表 | 第63-64页 |
| 附录 | 第64-65页 |
| 致谢 | 第65页 |