智能渔业养殖论文提纲

论文题目：基于窄带物联网的渔业水质智能监控系统设计与实现

摘要：我国是渔业养殖大国,养殖的规模和产量都位居世界前列,而渔业水质的好坏直接关系到渔业养殖效益的高低。在现代万物互联的大背景下,将窄带物联网新技术引入到渔业养殖当中,并实现养殖水质预测预警,改善渔业养殖水质条件,可以很好地促进渔业养殖信息化、智能化的发展。本文基于窄带物联网技术（Narrow Band Internet of Things,NB-IoT）设计了渔业水质智能监控系统,实现了对渔业养殖过程中的水环境参数的实时监测和动态预测预警并能够对养殖水质自动调节,同时系统可以根据动态预测预警信息提前调节养殖水质,确保渔业养殖水质安全和稳定。本文主要做了以下工作:（1）设计了渔业水质监控终端,提出并采用NB-IoT搭建分布式渔业水质监控网络,完成了系统硬件设计。现场终端设备有水质采集终端和控制终端,利用NB-IoT的广覆盖、低功耗和海量连接等特点,实现了现场终端与远程服务器的信息交互。系统硬件电路采用模块化设计,包括NB-IoT无线通信模块、基于STM32的核心控制器模块以及相关的外围接口电路等,方便后期升级和维护,保障系统稳定运行。（2）基于应用需求完成了系统的软件设计,主要有嵌入式软件设计、云服务器设计和手机客户端软件设计等部分。嵌入式软件设计是基于STM32实现了现场终端与云服务器的信息交互以及现场设备控制;在云服务器部分,搭建通信服务器实现了底层设备与上层应用的即时交互,基于关系型数据库MySQL完成了系统数据库设计,数据接口程序设计实现了对水质数据的查询、分析等功能;同时设计了手机客户端,实现了对水质数据查询、预测预警信息查询以及现场终端的控制管理等功能。（3）构建了渔业水质预测预警模型。针对支持向量回归机（Support Vector Regression,SVR）在对渔业水质参数预测中存在精度低的问题,提出并采用了基于集合经验模态分解法（Ensemble Empirical Model Decomposition,EEMD）、灰狼优化算法（Grey Wolf Optimizer,GWO）、支持向量回归机（SVR）的EEMD-GWOSVR组合模型预测方法,建立了渔业水质预测模型。试验结果表明,该模型具有较好的预测能力,能够满足渔业养殖水质在线预测的实际需求,为渔业水质预警提供了数据支持。在渔业水质预测的基础上,建立了渔业水质预警模型。（4）完成系统的部署和测试。根据系统整体设计要求,对系统进行了安装部署和整体测试验证。测试结果表明,现场NB-IoT信号质量良好且信号稳定,系统通信稳定可靠,数据监控准确及时,同时通过手机客户端测试验证,系统功能实现完整且运行稳定,现场水质安全、稳定,满足渔业养殖水质监控的需求。

关键词：渔业水质;窄带物联网;智能监控;动态预测预警;水质安全

学科专业：电子与通信工程

摘要

ABSTRACT

第一章 绪论

1.1 课题研究背景及意义

1.2 国内外研究现状

1.2.1 物联网国外研究现状

1.2.2 NB-IoT国内研究现状

1.2.3 水质预测预警国内外研究现状

1.3 本文主要研究内容

1.4 本文的结构安排

第二章 渔业水质智能监控系统的总体设计

2.1 系统需求分析

2.2 系统总体设计方案

2.2.1 系统总体结构

2.2.2 系统工作过程

2.3 NB-IoT的关键技术

2.3.1 常用通信技术

2.3.2 NB-IoT技术优势

2.3.3 NB-IoT网络架构

2.4 本章小结

第三章 渔业水质智能监控系统硬件设计

3.1 系统硬件结构

3.2 系统硬件选型

3.2.1 继电器选型

3.2.2 传感器选型

3.2.3 NB-IoT芯片选型

3.3 硬件电路设计

3.3.1 硬件电路模块化分析

3.3.2 开发环境简介

3.3.3 核心控制器模块

3.3.4 NB-IoT无线通信模块

3.4 本章小结

第四章 渔业水质智能监控系统软件设计

4.1 嵌入式软件设计

4.1.1 需求分析

4.1.2 开发环境简介

4.1.3 远程通信模块

4.1.4 数据采集模块

4.1.5 设备控制模块

4.2 云服务器设计

4.2.1 需求分析

4.2.2 开发环境简介

4.2.3 数据库设计

4.2.4 数据接口设计

4.2.5 通信服务器设计

4.3 手机客户端软件设计

4.3.1 需求分析

4.3.2 开发环境简介

4.3.3 手机客户端功能模块设计

4.4 本章小结

第五章 渔业水质预测预警模型构建

5.1 总体设计

5.2 建模方法

5.2.1 集合经验模态分解法(EEMD)

5.2.2 支持向量回归机(SVR)

5.2.3 灰狼优化算法(GWO)

5.2.4 灰狼优化算法优化SVR预测原理

5.3 预测模型建立

5.3.1 基于EEMD的渔业水质降噪预处理

5.3.2 SVR回归预测模型建立

5.4 预警模型建立

5.4.1 警级划分

5.4.2 渔业水环境参数标准分析

5.4.3 警级判别

5.5 本章小结

第六章 系统测试

6.1 NB-IoT信号质量测试

6.2 通信稳定性测试

6.3 监测准确性验证

6.4 手机客户端测试

6.4.1 用户注册和登录界面

6.4.2 在线终端管理界面

6.4.3 水质监控界面

6.4.4 水质预测预警查询界面

6.4.5 历史数据查询界面

6.5 本章小结

第七章 总结与展望

7.1 总结

7.2 展望

参考文献

致谢