1. 研究目的与意义、国内外研究现状（文献综述）
1课题的意义、国内外研究进展、应用前景等（列出主要参考文献）
1.1研究意义
溶解氧(dissolved oxygen，do)在水体中的含量能够反映出水体的污染程度、生物的生长状况，是衡量水质优劣的重要指标之一，国内外相关文献表明溶解氧的含量受到多种因素的影响，如温度、风速、风向、雨量、水生 生物新陈代谢以及人为活动等，同时直接或者间接影响着养殖生物的生长 [1] ，具有非线性、时滞性和不稳定等特点。相关渔业水质标准 [2] 也对渔业养殖用水的溶解氧在 24 h 中，16 h 以上水溶解氧含量必须大于5 mg/l，任何时候不得低于3 mg的规定。因此，在水产养殖过程中监测水溶解氧的含量，预测其变化趋势对水产养殖有重要意义 [3] 。
2. 研究的基本内容和问题
2研究的目标、内容和拟解决的关键问题
2.1研究目标
（1） 将集合经验模态分解（EEMD）算法引入到溶解氧时序数据中；
（2） 构建基于EEMD LSTM的溶解氧时序数据预测模型EEMD-BP、原始LSTM、原始BP；
（3） 设计实现一款溶解氧时序数据分析预测app软件。
2.2研究内容
（1）实验数据的获取
实验计划如3.3部分所示
|
|
（2）建模数据预处理
经验模态分解（empirical mode decomposition, EMD）是一种常用的处理时序数据非平稳性的方法。但EMD存在模态混叠问题，集合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）通过加入服从正态均匀分布的白噪声来处理信号，能够克服EMD的缺陷，使得它在预测领域有广泛的运用，目前国内还没有将基于EEMD-LSTM的溶解氧时序数据预测的研究。
（3）算法实现比较
将集合经验模态分解（EEMD）算法用于改进LSTM网络模型，选取EEMD-LSTM同EEMD-BP、原始LSTM、原始BP等进行比较分析。
（4）设计并实现溶解氧时序数据分析预测应用
服务器端使用Flask框架，部署Keras python深度学习模型，同时使用MySQL数据库，用于对数据的存储访问。
服务器端功能：
① 设计数据库
② 用户注册登录
③ 记录保存溶解氧时序数据并做预处理
④ 封装针对溶解氧时序数据的预测模型。
客户端使用Java开发语言、Android Studio开发平台开发安卓app，利用okHttp包进行HTTP请求服务。
客户端：调用服务器端的功能，设计交互友好的操作界面
① 用户注册，登录及用户信息管理。
② 获取当天溶解氧时序数据，并预测若干时间后溶解氧数据。
③ 检测当前溶解氧数据和预测的溶解氧数据，若差异过大，自动进行报警处理。
④ 根据预测的溶解氧数据，提醒水产养殖者进行增氧处理。
⑤ 实现溶解氧数据管理功能，APP上可查看溶解氧数据
⑥ 查询溶解氧相关知识，提供水产养殖的指导方法
2.3拟解决的关键问题
（1） 集合经验模态分解算法用于改进LSTM预测模型；
（2） 溶解氧预测模型的比较；
（3） 设计功能全面、操作友好、界面良好的应用
3. 研究的方法与方案
3研究方法、技术路线、实验方案及可行性分析
3.1研究方法
（1） 先通过阅读文献，了解时间序列预测、深度学习的相关理论知识，学习EED、EEMD、LSTM时间序列预测模型的基本原理。
（2） 在以上的基础上，学习并实现改进LSTM等时间序列预测模型。
（3） 对度量结果和预测结果进行比较分析，选择一种较好的预测模型进行封装用于溶解氧时序数据分析预测应用的开发。
（4） 设计实现一款溶解氧时序数据分析预测应用。
3.2技术路线
|
4. 研究创新点
4特色或创新之处
（1） 将集合经验模态分解（EEMD）算法用于改进LSTM网络模型，目前国内还没有基于EEMD-LSTM的溶解氧时序数据预测的研究。
设计一款市面上鲜有的溶解氧时序数据分析预测应用，对预测到的风险作出预警，便于在水产养殖过程中采取相应措施防范风险。5. 研究计划与进展
5研究计划及预期进展
2019年12月-1月6日：确定题目，查找资料，撰写开题报告。
2020年1月10日-1月20日：分析课题研究内容，学习并实现emd、eemd算法。
