1.一种多源信息融合的水产养殖环境中氨氮/亚硝酸盐含量预测系统，其特征在于，包括分布式采集节点集群、无线传输节点集群、智能网关、云端大数据分析服务器、远程管理端，所述分布式采集节点集群与无线传输节点集群连接，所述无线传输节点集群与智能网关连接，所述智能网关分别与云端大数据分析服务器和远程管理端连接；

所述分布式采集节点集群，包括N组多合一传感器和Zigbee无线采集节点，所述Zigbee无线采集节点由RS485接口模块、STM32F103核心处理器、Zigbee无线传输模块组成，其通过RS485接口向多合一传感器发送采集pH值、溶解氧、水温的指令，获取相应的参数值；通过STM32F103核心处理器，将所有的参数值转换成标准值并将数据封装后通过Zigbee网络发送给无线传输节点集群；

所述无线传输节点集群，由N个Zigbee无线传输节点组成，所有的Zigbee无线传输节点通过Zigbee协议与分布式采集节点集群和智能网关构建无线传输网络，并将从分布式采集节点集群获取的数据经过多跳传递后发送给智能网关；

所述智能网关，包括无线传感网网关、核心处理模块、路由交换模块、远程管理模块、以及供电模块，所述无线传感网网关与核心处理模块连接，核心处理模块与路由交换模块连接，远程管理模块通过路由交换模块与远程管理端连接，路由交换模块与云端大数据分析服务器连接；所述供电模块分别与无线传感网网关、核心处理模块、路由交换模块、远程管理模块连接，所述供电模块分别为采集模块、核心处理模块、路由交换模块及远程管理模块提供电力支撑；所述无线传感网网关通过无线传感网与无线传输节点集群连接，通过串口与核心处理模块连接；

所述远程管理端，通过远程管理模块的动态域名解析技术实现对智能网关的远程管理；

所述云端大数据分析服务器，将采集的pH、溶解氧、水温参数值带入LSTM神经网络预测模型，实时在线预测出养殖水体中的氨氮/亚硝酸盐含量，并通过曲线图形式显示水体中的pH、溶解氧、水温以及预测出的氨氮/亚硝酸盐含量。

2.根据权利要求1所述多源信息融合的水产养殖环境中氨氮/亚硝酸盐含量预测系统，其特征在于，所述多合一传感器为集pH、溶解氧和水温监测于一体的传感器。

3.根据权利要求1所述多源信息融合的水产养殖环境中氨氮/亚硝酸盐含量预测系统，其特征在于，所述远程管理模块将获取的路由交换模块动态公网I P发送给互联网动态域名解析服务器；

动态域名解析服务器解析智能网关管理地址的域名到路由交换模块的动态公网I P；

远程管理端访问智能网关管理地址的域名，动态域名解析服务器将路由交换模块动态公网I P返回给远程管理端，远程管理端借助路由交换模块的NAT转换服务程序，完成内网穿透访问，从而实现对智能网关的远程管理。

4.根据权利要求1所述多源信息融合的水产养殖环境中氨氮/亚硝酸盐含量预测系统，其特征在于，所述核心处理模块，以基于ARM主板的Raspberry Pi 3代B型卡片式微型电脑为核心组件，其首先通过串口接收无线传感网网关发送的pH值、溶解氧、水温参数值，接着利用Python切片技术解析参数值，最后将这些参数值整合成约定的JSON格式，并将此JSON数据序列化之后，借助路由交换模块，通过TCP/IP通信协议将数据发送到云端大数据分析服务器。

5.根据权利要求1所述多源信息融合的水产养殖环境中氨氮/亚硝酸盐含量预测系统，其特征在于，所述路由交换模块，通过RJ45接口与核心处理模块进行连接，通过4G网络与云端大数据分析服务器进行连接；所述远程管理模块，通过RJ45接口与路由交换模块进行连接，利用4G网络与远程管理端进行连接。

6.根据权利要求1所述多源信息融合的水产养殖环境中氨氮/亚硝酸盐含量预测系统，其特征在于，所述云端大数据分析服务器，将采集到的t时刻pH、溶解氧、水温数据与t+1时刻的氨氮/亚硝酸盐含量数据结合成组，得到样本组后，按设定比例划分训练数据，测试数据；并计算训练数据的统计指标，按统计指标对所有数据做归一化处理，输入预设的LSTM神经网络预测模型，得到模型预测数据；将所述模型预测数据进行反归一化处理，得到预测的氨氮/亚硝酸盐含量；预测过程包括下述步骤：采集M组测试数据，测试数据包括pH值、水温、溶解氧，氨氮/亚硝酸盐含量以及对应的时间戳；

M组数据根据时间戳排序后，使t时刻的pH值、水温、溶解氧与t+1时刻的氨氮/亚硝酸盐含量组合成组；

将所述测试数据按组随机分为两部分，其中数量大于预设百分比的数据称为训练数据，用于训练模型调整权值；另一部分数据称为验证数据，用于验证模型；

计算训练数据的最大值，最小值，利用此值将上述M组测试数据进行归一化处理；

将所述训练数据中的碎片化pH值、水温、溶解氧数据作为LSTM神经网络预测模型的输入，按照预设方法进行前向传播后得到预测的氨氮/亚硝酸盐含量数据；

将所述预测的氨氮/亚硝酸盐含量数据与真实数据进行比较，利用数据的误差进行反向传播，修正模型中的权值，得到修正的LSTM神经网络预测模型；

将所述验证数据中的pH值、水温、溶解氧数据作为修正的LSTM神经网络预测模型的输入，若输出的氨氮/亚硝酸盐含量预测数据与验证数据中的真实数据在预设误差范围内，则所述修正的LSTM神经网络预测模型为可用的LSTM神经网络预测模型；

将采集的pH值、水温、溶解氧数据输入LSTM神经网络预测模型，得到预测数据，并将预测数据进行反归一化处理，得到预测的氨氮/亚硝酸盐含量。

7.根据权利要求1-6中任一项多源信息融合的水产养殖环境中氨氮/亚硝酸盐含量预测系统的预测方法，其特征在于，包括下述步骤：S1、分布式采集节点集群，将采集的N组pH值、溶解氧、水温数据通过Zigbee网络发送给无线传输节点集群；

S2、无线传输节点集群，通过Zigbee协议与分布式采集节点集群和智能网关构建无线传输网络，并将从分布式采集节点集群获取的数据经过多跳传递后发送给智能网关；

S3、无线传感网网关接收无线传输节点集群发送的N组水质数据，并通过串口将数据发送给核心处理模块；

S4、核心处理模块以基于ARM主板的Raspberry Pi 3代B型卡片式微型电脑为核心组件，其首先通过串口接收无线传感网发送的pH值、溶解氧、水温参数值，接着利用Python切片技术解析参数值，最后将这些参数值整合成约定的JSON格式，并将此JSON数据序列化之后，借助路由交换模块，通过TCP/IP通信协议将数据发送到云端大数据分析服务器；

S5、路由交换模块通过RJ45接口与核心处理模块进行连接，通过4G网络与云端大数据分析服务器进行连接；

S6、远程管理模块通过RJ45接口与路由交换模块进行连接，利用4G网络与远程管理端进行连接；

S7、供电模块分别为采集模块、核心处理模块、路由交换模块及远程管理模块提供电力支撑；

S8、远程管理端通过远程管理模块的动态域名解析技术实现对智能网关的远程管理；

S9、云端大数据分析服务器将采集的pH、溶解氧、水温参数值带入LSTM神经网络预测模型，实时在线预测出养殖水体中的氨氮/亚硝酸盐含量，并通过曲线图形式显示水体中的pH、溶解氧、水温以及预测出的氨氮/亚硝酸盐含量。

8.根据权利要求7所述的预测方法，其特征在于，所述分布式采集节点集群，所述Zigbee无线采集节点由RS485接口模块、STM32F103核心处理器、Zigbee无线传输模块组成，其通过RS485接口向多合一传感器发送采集pH值、溶解氧、水温的指令，获取相应的参数值；

通过STM32F103核心处理器，将所有的参数值转换成标准值并将数据封装后通过Zigbee网络发送给无线传输节点集群。

9.根据权利要求7所述预测方法，其特征在于，所述远程管理端通过远程管理模块的动态域名解析技术实现对由采集模块、核心处理模块、路由交换模块、远程管理模块及供电模块组成的智能网关进行远程管理，具体过程包括下述步骤：S61、远程管理模块将获取的路由交换模块动态公网IP发送给互联网动态域名解析服务器；

S62、动态域名解析服务器解析智能网关管理地址的域名到路由交换模块的动态公网I P；

S63、远程管理端访问智能网关管理地址的域名，动态域名解析服务器将路由交换模块动态公网IP返回给远程管理端，远程管理端借助路由交换模块的NAT转换服务程序，完成内网穿透访问，从而实现对智能网关的远程管理。

10.根据权利要求7所述的预测方法，其特征在于，所述云端大数据分析服务器，将采集到的t时刻pH、溶解氧、水温数据与t+1时刻的氨氮/亚硝酸盐含量数据结合成组，得到样本组后，按一定比例划分训练数据，测试数据；并计算训练数据的统计指标，按统计指标对所有数据做归一化处理，输入预设的LSTM神经网络预测模型，得到模型预测数据；将所述模型预测数据进行反归一化处理，得到预测的氨氮/亚硝酸盐含量；预测过程包括下述步骤：S91、采集M组测试数据，测试数据包括pH值、水温、溶解氧，氨氮/亚硝酸盐含量以及对应的时间戳；

S92、M组数据根据时间戳排序后，使t时刻的pH值、水温、溶解氧与t+1时刻的氨氮/亚硝酸盐含量组合成组；

S93、将所述测试数据按组随机分为两部分，其中数量大于预设百分比的数据称为训练数据，用于训练模型调整权值；另一部分数据称为验证数据，用于验证模型；

S94、计算训练数据的最大值，最小值，利用此值将上述M组测试数据进行归一化处理；

S95、将所述训练数据中的碎片化pH值、水温、溶解氧数据作为LSTM神经网络预测模型的输入，按照预设方法进行前向传播后得到预测的氨氮/亚硝酸盐含量数据；

S96、将所述预测的氨氮/亚硝酸盐含量数据与真实数据进行比较，利用数据的误差进行反向传播，修正模型中的权值，得到修正的LSTM神经网络预测模型；

S97、将所述验证数据中的pH值、水温、溶解氧数据作为修正的LSTM神经网络预测模型的输入，若输出的氨氮/亚硝酸盐含量预测数据与验证数据中的真实数据在预设误差范围内，则所述修正的LSTM神经网络预测模型为可用的LSTM神经网络预测模型；

S98、将采集的pH值、水温、溶解氧数据输入LSTM神经网络预测模型，得到预测数据，并将预测数据进行反归一化处理，得到预测的氨氮/亚硝酸盐含量。