CN108665106A - 一种水产养殖溶解氧预测方法及装置 - Google Patents
一种水产养殖溶解氧预测方法及装置 Download PDFInfo
- Publication number
- CN108665106A CN108665106A CN201810460933.7A CN201810460933A CN108665106A CN 108665106 A CN108665106 A CN 108665106A CN 201810460933 A CN201810460933 A CN 201810460933A CN 108665106 A CN108665106 A CN 108665106A
- Authority
- CN
- China
- Prior art keywords
- dissolved oxygen
- data
- water quality
- principal component
- network models
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 title claims abstract description 118
- 229910052760 oxygen Inorganic materials 0.000 title claims abstract description 118
- 239000001301 oxygen Substances 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000009360 aquaculture Methods 0.000 title claims abstract description 34
- 244000144974 aquaculture Species 0.000 title claims abstract description 34
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 94
- 238000000513 principal component analysis Methods 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 230000009467 reduction Effects 0.000 claims abstract description 17
- 239000000203 mixture Substances 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 14
- 239000002689 soil Substances 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 230000001052 transient effect Effects 0.000 claims description 7
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 6
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 5
- 230000003213 activating effect Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 4
- 238000000205 computational method Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 2
- 230000033228 biological regulation Effects 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000002790 cross-validation Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- 241001123248 Arma Species 0.000 description 1
- 201000004569 Blindness Diseases 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006213 oxygenation reaction Methods 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Farming Of Fish And Shellfish (AREA)
Abstract
本发明实施例提供一种水产养殖溶解氧预测方法及装置。所述方法包括:获取养殖池塘的水质参数和环境气象参数,作为待分析数据,其中所述水质参数包括溶解氧含量;采用主成分分析法对所述待分析数据进行降维和分析,获取影响水质溶解氧变化的主成份,根据所述主成分确定水质溶解氧的关键影响因子数据;将所述关键影响因子数据输入至训练好的LSTM网络模型,根据所述LSTM网络模型的输出结果,得到所述养殖池塘的溶解氧含量的预测数据。本发明实施例解决了传统预测模型预测精度低、稳定性差等问题,实现了高效预测水质溶解氧含量,能够为水产养殖水质溶解氧的调控管理提供决策依据。
Description
技术领域
本发明实施例涉及数据挖掘和机器学习领域,尤其涉及一种水产养殖溶解氧预测方法及装置。
背景技术
随着水产养殖业的快速发展,加强养殖水质预测关键技术研究,对于降低养殖风险、防止疾病爆发和优化养殖管理等方面具有重要的意义。溶解氧含量是反映水产品生长状况、水质状况的重要指标,易受温度、风速、风向、雨量、水生生物新陈代谢以及人为活动等多种因素的影响,且具有非线性、大时滞和不稳定等特点。目前水产养殖溶解氧的调控主要依靠人工经验和天气来判断是否增氧和换水,存在很大的盲目性和风险性。因此对水产养殖溶解氧预测方法进行研究,及时准确掌握未来溶解氧的变化规律,对于预防水质恶化与疾病爆发,为养殖人员提供决策参考,减少养殖风险、优化养殖管理具有重要意义。
目前,水质预测方法可分传统方法和计算智能方法两类。传统方法包括随机游走模型、自回归移动平均模型、最小二乘回归模型等,但传统方法更侧重于理论研究,预测精度有待高度,在实际应用中往往不能达到满意的结果。随着科学技术的快速发展,信息获取技术不断发展,如空气质量、养殖水质等环境监测***正以惊人的速度收集到实时在线、高维、多源数据。为了有效地从海量数据中发现重要的信息,支持向量机、人工神经网络组合模型等智能算法应运而生,逐渐成为水质预测的研究热点。但是单一的智能模型存在易陷入局部极值、训练速度慢、稳定性差、预测精度低等缺点,组合模型的构建过程复杂、人工依赖性强,不利于在实际中推广和使用。
发明内容
针对现有技术存在的问题,本发明实施例提供一种水产养殖溶解氧预测方法及装置,。
第一方面,本发明实施例提供一种水产养殖溶解氧预测方法,包括:
获取养殖池塘的水质参数和环境气象参数,作为待分析数据,其中所述水质参数包括溶解氧含量;
采用主成分分析法对所述待分析数据进行降维和分析,获取影响水质溶解氧变化的主成份,根据所述主成分确定水质溶解氧的关键影响因子数据;
将所述关键影响因子数据输入至训练好的LSTM网络模型,根据所述LSTM网络模型的输出结果,得到所述养殖池塘的溶解氧含量的预测数据。
第二方面,本发明实施例提供一种水产养殖溶解氧预测装置,包括:
参数获取模块,用于获取养殖池塘的水质参数和环境气象参数,作为待分析数据,其中所述水质参数包括溶解氧含量;
主成分分析模块,用于采用主成分分析法对所述待分析数据进行降维和分析,获取影响水质溶解氧变化的主成份,根据所述主成分确定水质溶解氧的关键影响因子数据;
模型预测模块,用于将所述关键影响因子数据输入至训练好的LSTM网络模型,根据所述LSTM网络模型的输出结果,得到所述养殖池塘的溶解氧含量的预测数据。
第三方面,本发明实施例提供了一种水产养殖溶解氧预测设备,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行本发明实施例第一方面所述水产养殖溶解氧预测方法及其任一可选实施例所述的方法。
第四方面,提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令执行本发明实施例第一方面所述水产养殖溶解氧预测方法及其任一可选实施例的方法。
本发明实施例提供的一种水产养殖溶解氧预测方法,获取养殖池塘的水质参数和环境气象参数,通过主成分分析提取水产养殖水质溶解氧的关键影响因子,并通过训练好的LSTM网络模型进行养殖池塘的溶解氧含量的预测,解决了传统预测模型预测精度低、稳定性差等问题,实现了高效预测水质溶解氧含量,能够为水产养殖水质溶解氧的调控管理提供决策依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一种水产养殖溶解氧预测方法流程图;
图2为本发明实施例LSTM网络模型的存储单元的架构示意图;
图3为本发明实施例LSTM网络模型交叉验证的流程示意图;
图4为本发明实施例一种水产养殖溶解氧预测设备的框架示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
深度学习模型可以实现高维函数的逼近,挖掘出蕴含于数据中的隐含信息,具有强大的高度抽象化特征能力,相比于传统的机器学习方法具有很强的数据学习能力和泛化能力。在众多深度学习模型中,循环神经网络将时序的概念引入到网络结构设计中使其在时序数据分析中表现出更强的适应性。LSTM神经网络(Long Short-Term Memory),作为RNN的变种模型,可以有效地解决RNN训练时存在梯度消失和梯度***等问题,大大提高了RNN网络的准确性。针对水体溶解氧含量具有实时数据量大、非线性、不稳定等特点,且影响因素多。本发明实施例提出了一种基于主成分分析和LSTM网络模型的预测方法,可以提高溶解氧预测精确度。
图1为本发明实施例一种水产养殖溶解氧预测方法流程图,如图1所示的水产养殖溶解氧预测方法,包括:
100,获取养殖池塘的水质参数和环境气象参数,作为待分析数据,其中所述水质参数包括溶解氧含量;
需要说明的是,本发明实施例的水质参数和环境气象参数均为养殖池塘的溶解氧含量的影响因子数据。
具体的,所述水质参数包括:溶解氧和水温;所述环境气象参数包括:雨量、风速、风向、太阳辐射、空气温度、空气湿度、大气压强、土壤水分和土壤温度中的多种。
101,采用主成分分析法对所述待分析数据进行降维和分析,获取影响水质溶解氧变化的主成份,根据所述主成分确定水质溶解氧的关键影响因子数据;
本发明实施例通过主成分分析提取水产养殖水质溶解氧的关键影响因子数据,消除了原始数据的相关性,从而降低了待分析数据的维度。
102,将所述关键影响因子数据输入至训练好的LSTM网络模型,根据所述LSTM网络模型的输出结果,得到所述养殖池塘的溶解氧含量的预测数据。
本发明实施例提供的一种水产养殖溶解氧预测方法,获取养殖池塘的水质参数和环境气象参数,通过主成分分析提取水产养殖水质溶解氧的关键影响因子数据,并通过训练好的LSTM网络模型进行养殖池塘的溶解氧含量的预测,解决了传统预测模型预测精度低、稳定性差等问题,实现了高效预测水质溶解氧含量,能够为水产养殖水质溶解氧的调控管理提供决策依据。
基于上述实施例,所述采用主成分分析法对所述待分析数据进行降维和分析,之前还包括以下处理中的一种或多种:采用线性插值法对所述待分析数据的缺失数据进行修复、采用均值平滑法对所述待分析数据的异常数据进行剔除并还原,以及对所述待分析数据进行归一化处理。
其中,所述采用线性插值法对所述待分析数据的缺失数据进行修复,如公式(1):
公式(1)中,xa+i为需填补a+i时刻缺失的数据,xa、xa+j分别为a和a+j时刻原始数据值,均为a+i相邻时刻的有效数据值,i和j均为自变量。
其中,所述采用均值平滑法对所述待分析数据的异常数据进行剔除并还原,如公式(2):
公式(2)中,xb为b时刻出现的异常数据,xb-1和xb+1分别表示xb相邻的有效数据。
其中,所述对所述待分析数据进行归一化处理,如公式(3):
公式(3)中,xk、分别是原始数据和归一化后的数值,xmax、xmin表示为待分析数据中的最大值和最小值。
需要说明的是,针对不同参数,如果量纲不同且数值范围差别较大,则需要进行归一化处理,否则也可以不用进行归一化处理。
本发明实施例所述LSTM网络模型基于TensorFolw深度学习框架,是一种在经典的循环神经网络的基础上发展起来的改进模型,它不仅具备RNN的功能,而且采用特殊的控制单元,解决了误差信号消亡的问题。RNN包含输入层(x1,…,xT)、输出层(o1,…,oT)和隐藏层(s1,...,sT)。
其中,隐含层的计算公式为:
st=tanh(wsxxt+wssst-1+bs) (4)
输出层的计算公式为:
ot=wosst+bo (5)
式中,wsh、wss和wos分别指输入层和隐含层、隐含层和隐含层以及输出层和隐含层之间的权重矩阵;bo和bs均表示偏差;u、v、w为网络权值,所有层次共享同一参数,tanh为双曲线正切激活函数。
图2为本发明实施例LSTM网络模型的存储单元的架构示意图,请参考图2,LSTM网络模型的存储单元包括输入门i、输出门o、遗忘门f和细胞状态c,其中,遗忘门确定需要从细胞状态中忘记的信息,输入门确定细胞状态中需要更新的信息,输出门确定需要输出的信息;即输入门决定遗忘门确定从细胞状态中忘记哪些信息;输出门确定将要更新哪些信息到细胞状态中;输出门确定将要输出哪些信息;这三个门是控制信息流的关键。
所述存储单元的计算过程通过如下公式表示:
it=σ(wixxt+wihht_1+wicct_1+bi) (6)
ft=σ(wfxxt+wfhht_1+wfcct_1+bf) (7)
ot=σ(woxxt+wohht-1+wocct-1+bo) (8)
ct=ftct_1+ittanh(wcxxt+wchht_1+bo) (9)
其中,ht=ottanh(ct),it、ft、ot分别为t时刻输入门、遗忘门和输出门的计算方法;ct为t时刻记忆细胞的计算方法;ht为t时间点LSTM单元的所有输出;σ和tanh分别表示sigmoid和双曲正切激活函数;wix、wih、wic分别表示输入特征向量、隐藏层单元、单元激活向量与输入门之间的权重系数矩阵;wfx、wfh、wfc分别表示输入特征向量、隐藏层单元、单元激活向量与遗忘门之间的权重系数矩阵;wox、woh、woc分别表示输入特征向量、隐藏层单元、单元激活向量与输出门之间的权重系数矩阵;bi、bf和bo分别表示输入门、遗忘门和输出门的偏置项。
在一个实施例中,所述LSTM网络模型通过以下步骤进行训练:
步骤1,在预设采集时刻,采集养殖池塘的水质参数和环境气象参数,根据所述水质参数和环境气象参数建立数据样本集;
步骤2,采用主成分分析法对所述数据样本集进行降维和分析,获取影响水质溶解氧变化的主成份,根据所述主成分确定水质溶解氧的待训练关键影响因子数据;
步骤3,将所述待训练关键影响因子数据作为所述LSTM网络模型的输入变量,并将参考溶解氧含量作为输出变量,对所述LSTM网络模型进行训练;其中,所述参考溶解氧含量为在所述预设采集时刻之后预设间隔时刻、采集的所述养殖池塘的溶解氧含量。
本发明实施例对LSTM网络模型进行训练时,步骤1中的水质参数和环境气象参数与实际预测时的数据相同,包括水质参数如溶解氧和水温,以及环境气象参数如雨量、风速、风向、太阳辐射、空气温度、空气湿度、大气压强、土壤水分和土壤温度中的多种。在模型训练时,本发明实施例采集了大量水质参数和环境气象参数,具体的采集时间为2017年7月8日至8月8日,每10分钟采集1次,采集到有效的水质参数和对应的气象参数数据共5007条。
同时,也可以对数据样本集的数据进行预处理,包括采用线性插值法对所述待分析数据的缺失数据进行修复、采用均值平滑法对所述待分析数据的异常数据进行剔除并还原,以及对所述待分析数据进行归一化处理中的一种或多种,具体处理方法与前述实施例相同,此处不再赘述。
步骤2中采用主成分分析法对所述数据样本集进行降维和分析与实际预测时的处理也是相同的,此处不再赘述。
步骤3中,参考溶解氧含量为在所述预设采集时刻之后预设间隔时刻、采集的所述养殖池塘的溶解氧含量,其中预设间隔时刻,是指在预设采集时刻之后、间隔一段时间的某个时刻,具体的间隔时长可根据实际情况而定,本发明实施例对此不作具体限定。优选的,预设间隔时刻可以是2小时,即在预设采集时刻采集了水质参数和环境气象参数之后的2小时,采集养殖池塘的溶解氧含量,将此时采集到的溶解氧含量作为参考溶解氧含量。
步骤3中通过确定的输入变量和输出变量对LSTM网络模型进行训练,具体训练流程包括:
a、根据公式(6)、(7)、(8)和(9)计算LSTM网络模型的存储单元的输出值;
b、计算每个存储单元的误差项,包括时间和网络层级两个反向传播方向。其中LSTM网络模型训练过程采用的是与经典的反向传播算法原理类似的BPTT算法;
c、结合相应的误差项,计算每个权重的梯度;
d、采用Adam算法梯度优化算法,更新权值。其中随机梯度下降(SGD)、小批量梯度下降、适应性动量估计算法(Adam)、Adagrad方法、AdaDelta方法等均为常用的梯度优化算法。本文选用的是Adam算法,与其他的优化算法相比,它具有更快的收敛速度、更有效的学习效率,而且可以避免其他优化技术存在的问题,如学习率消失、收敛过慢或是高方差的参数更新导致损失函数波动较大等问题。因此该算法在实际应用中表现更优。
基于上述实施例,步骤101,所述采用主成分分析法对所述待分析数据进行降维和分析,获取影响水质溶解氧变化的主成份,根据所述主成分确定水质溶解氧的关键影响因子数据,具体包括:
101.1,根据所述待分析数据的水质参数和环境气象参数,计算相关系数矩阵,并获取所述相关系数矩阵的特征值;
101.2,根据所述相关系数矩阵的特征值,计算主成分贡献率与累计贡献率;
101.3,根据所述主成分贡献率与累计贡献率,计算主成分载荷矩阵,并利用所述主成分载荷矩阵筛选出水质溶解氧的关键影响因子数据。
具体的,步骤101.1中,通过公式(10)计算相关系数矩阵:
其中,rij是变量xi和xj之间的相关系数,是第i个环境变量的平均值,是第j个环境变量的平均值;xki和xkj均为标准化原始数据矩阵的参数,n为样本数。
步骤101.2中,通过公式(11)和(12)计算主成分贡献率τi与累计贡献率ηi:
其中,λ1,λ2,…,λm为相关系数矩阵的特征值,k为自变量;累计贡献率决定了选取主成分的个数,用于表示综合变量解释原始变量的能力,累计贡献率越大说明数据信息损失越小。
步骤101.3中,筛选出水质溶解氧的关键影响因子包括水温、太阳辐射、风速、风向、土壤温度和土壤水分,因此,关键影响因子数据为水温数据、太阳辐射数据、风速数据、风向数据、土壤温度数据和土壤水分数据等。
基于上述实施例,步骤102,所述将所述关键影响因子数据输入至训练好的LSTM网络模型,根据所述LSTM网络模型的输出结果,得到所述养殖池塘的溶解氧含量的预测数据,具体包括:
102.1,将所述关键影响因子数据分为若干样本,每次从所述若干样本中选取一个不同的样本作为测试样本,剩余的样本作为训练样本;
102.2,通过所述训练样本对所述训练好的LSTM网络模型进行训练,通过所述测试样本对训练结果进行检验,获得若干次检验结果;
102.3,根据所述若干次检验结果,分别计算每次检测结果的平均绝对误差MAE、均方根误差RMSE和平均绝对百分误差MAPE,作为模型评价指标;
102.4,将若干次模型评价指标的平均值作为所述LSTM网络模型的输出,从而获得所述养殖池塘的溶解氧含量的预测数据。
下面通过一个具体例子来解释本发明实施例步骤102的具体流程。首先,在步骤102.1中,将关键影响因子数据分为5个样本,选择1个作为测试样本,剩下的4个作为训练样本,并用训练样本对LSTM网络模型进行训练,用测试样本对训练好的网络进行检验,这样5个样本可以作5次检验,即五次交叉验证,计算出每次交叉验证后MAE、RMSE和MAPE的值,保存此时的LSTM网络模型,即更新LSTM网络模型。
图3为本发明实施例LSTM网络模型交叉验证的流程示意图,请参考图3,交叉验证的过程包括:
(1)样本数据随机分为5个子样本,此处样本数据即是关键影响因子数据;
(2)选择1样本个作为测试样本,剩下的4个样本作为训练样本,对LSTM网络模型进行监督训练;
(3)计算评价指标,即平均绝对误差MAE、均方根误差RMSE和平均绝对百分误差MAPE;
(4)判断5个样本是否分别用作测试样本,如果是,则交叉验证结束,执行步骤(5),否则交叉验证没有结束,转步骤(2);
(5)计算5次MAE、RMSE和MAPE的平均值,将平均值作为预测性能。
其中,平均绝对误差MAE、均方根误差RMSE和平均绝对百分误差MAPE分别通过公式(13)、(14)和(15)进行计算:
其中,yi是真实的溶解氧含量值、是预测的溶解氧含量值,N是测试样本集数量。
本发明实施例提供的一种水产养殖溶解氧预测方法,获取养殖池塘的水质参数和环境气象参数,通过主成分分析提取水产养殖水质溶解氧的关键影响因子数据,并通过训练好的LSTM网络模型进行养殖池塘的溶解氧含量的预测,解决了传统预测模型预测精度低、稳定性差等问题,实现了高效预测水质溶解氧含量,能够为水产养殖水质溶解氧的调控管理提供决策依据。
进一步,本发明实施例对训练好的LSTM网络模型采用多次交叉验证法训练和测试样本数据,结果表明所提出LSTM网络模型能解决长期依赖问题,减少了随机性的影响,实现了对水质溶解氧精确和高效地短期预测,优于其他预测方法,预测效果最好,解决了传统预测方法易陷入局部极值、训练速度慢、稳定性差、模型精度低等缺点,在预防水体恶化、水产疾病爆发和水质的智能调控与管理方法具有重要的指导意义。
本发明实施例还提供一种水产养殖溶解氧预测装置,包括:
参数获取模块,用于获取养殖池塘的水质参数和环境气象参数,作为待分析数据,其中所述水质参数包括溶解氧含量;
主成分分析模块,用于采用主成分分析法对所述待分析数据进行降维和分析,获取影响水质溶解氧变化的主成份,根据所述主成分确定水质溶解氧的关键影响因子数据;
模型预测模块,用于将所述关键影响因子数据输入至训练好的LSTM网络模型,根据所述LSTM网络模型的输出结果,得到所述养殖池塘的溶解氧含量的预测数据。
本发明实施例的装置,可用于执行图1所示的水产养殖溶解氧预测方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图4为本发明实施例水产养殖溶解氧预测设备的框架示意图。请参考图4,本发明实施例提供一种水产养殖溶解氧预测设备,包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和总线440,其中,处理器410,通信接口420,存储器430通过总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行如下方法,包括:获取养殖池塘的水质参数和环境气象参数,作为待分析数据,其中所述水质参数包括溶解氧含量;采用主成分分析法对所述待分析数据进行降维和分析,获取影响水质溶解氧变化的主成份,根据所述主成分确定水质溶解氧的关键影响因子数据;将所述关键影响因子数据输入至训练好的LSTM网络模型,根据所述LSTM网络模型的输出结果,得到所述养殖池塘的溶解氧含量的预测数据。
本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取养殖池塘的水质参数和环境气象参数,作为待分析数据,其中所述水质参数包括溶解氧含量;采用主成分分析法对所述待分析数据进行降维和分析,获取影响水质溶解氧变化的主成份,根据所述主成分确定水质溶解氧的关键影响因子数据;将所述关键影响因子数据输入至训练好的LSTM网络模型,根据所述LSTM网络模型的输出结果,得到所述养殖池塘的溶解氧含量的预测数据。
本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:获取养殖池塘的水质参数和环境气象参数,作为待分析数据,其中所述水质参数包括溶解氧含量;采用主成分分析法对所述待分析数据进行降维和分析,获取影响水质溶解氧变化的主成份,根据所述主成分确定水质溶解氧的关键影响因子数据;将所述关键影响因子数据输入至训练好的LSTM网络模型,根据所述LSTM网络模型的输出结果,得到所述养殖池塘的溶解氧含量的预测数据。
本领域普通技术人员可以理解:实现上述设备实施例或方法实施例仅仅是示意性的,其中所述处理器和所述存储器可以是物理上分离的部件也可以不是物理上分离的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如U盘、移动硬盘、ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种水产养殖溶解氧预测方法,其特征在于,包括:
获取养殖池塘的水质参数和环境气象参数,作为待分析数据,其中所述水质参数包括溶解氧含量;
采用主成分分析法对所述待分析数据进行降维和分析,获取影响水质溶解氧变化的主成份,根据所述主成分确定水质溶解氧的关键影响因子数据;
将所述关键影响因子数据输入至训练好的LSTM网络模型,根据所述LSTM网络模型的输出结果,得到所述养殖池塘的溶解氧含量的预测数据。
2.根据权利要求1所述的方法,其特征在于,所述水质参数包括:溶解氧和水温;
所述环境气象参数包括:雨量、风速、风向、太阳辐射、空气温度、空气湿度、大气压强、土壤水分和土壤温度中的多种。
3.根据权利要求1所述的方法,其特征在于,所述采用主成分分析法对所述待分析数据进行降维和分析,之前还包括以下处理中的一种或多种:采用线性插值法对所述待分析数据的缺失数据进行修复、采用均值平滑法对所述待分析数据的异常数据进行剔除并还原,以及对所述待分析数据进行归一化处理。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述采用主成分分析法对所述待分析数据进行降维和分析,获取影响水质溶解氧变化的主成份,根据所述主成分确定水质溶解氧的关键影响因子数据,具体包括:
根据所述待分析数据的水质参数和环境气象参数,计算相关系数矩阵,并获取所述相关系数矩阵的特征值;
根据所述相关系数矩阵的特征值,计算主成分贡献率与累计贡献率;
根据所述主成分贡献率与累计贡献率,计算主成分载荷矩阵,并利用所述主成分载荷矩阵筛选出水质溶解氧的关键影响因子数据。
5.根据权利要求1所述的方法,其特征在于,所述LSTM网络模型的存储单元包括输入门i、输出门o、遗忘门f和细胞状态c,其中,遗忘门确定需要从细胞状态中忘记的信息,输入门确定细胞状态中需要更新的信息,输出门确定需要输出的信息;
所述存储单元的计算过程通过如下公式表示:
it=σ(wixxt+wihht-1+wicct-1+bi);
ft=σ(wfxxt+wfhht-1+wfcct-1+bf);
ot=σ(woxxt+wohht-1+wocct-1+bo);
ct=ftct-1+ittanh(wcxxt+wchht-1+bo);
其中,ht=ottanh(ct),it、ft、ot分别为t时刻输入门、遗忘门和输出门的计算方法;ct为t时刻记忆细胞的计算方法;ht为t时间点LSTM单元的所有输出;σ和tanh分别表示sigmoid和双曲正切激活函数;wix、wih、wic分别表示输入特征向量、隐藏层单元、单元激活向量与输入门之间的权重系数矩阵;wfx、wfh、wfc分别表示输入特征向量、隐藏层单元、单元激活向量与遗忘门之间的权重系数矩阵;wox、woh、woc分别表示输入特征向量、隐藏层单元、单元激活向量与输出门之间的权重系数矩阵;bi、bf和bo分别表示输入门、遗忘门和输出门的偏置项。
6.根据权利要求5所述的方法,其特征在于,所述LSTM网络模型通过以下步骤进行训练:
在预设采集时刻,采集养殖池塘的水质参数和环境气象参数,根据所述水质参数和环境气象参数建立数据样本集;
采用主成分分析法对所述数据样本集进行降维和分析,获取影响水质溶解氧变化的主成份,根据所述主成分确定水质溶解氧的待训练关键影响因子数据;
将所述待训练关键影响因子数据作为所述LSTM网络模型的输入变量,并将参考溶解氧含量作为输出变量,对所述LSTM网络模型进行训练,获得训练好的LSTM网络模型;
其中,所述参考溶解氧含量为在所述预设采集时刻之后预设间隔时刻、采集的所述养殖池塘的溶解氧含量。
7.根据权利要求1所述的方法,其特征在于,所述将所述关键影响因子数据输入至训练好的LSTM网络模型,根据所述LSTM网络模型的输出结果,得到所述养殖池塘的溶解氧含量的预测数据,具体包括:
将所述关键影响因子数据分为若干样本,每次从所述若干样本中选取一个不同的样本作为测试样本,剩余的样本作为训练样本;
通过所述训练样本对所述训练好的LSTM网络模型进行训练,通过所述测试样本对训练结果进行检验,获得若干次检验结果;
根据所述若干次检验结果,分别计算每次检测结果的平均绝对误差MAE、均方根误差RMSE和平均绝对百分误差MAPE,作为模型评价指标;
将若干次模型评价指标的平均值作为所述LSTM网络模型的输出,从而获得所述养殖池塘的溶解氧含量的预测数据。
8.一种水产养殖溶解氧预测装置,其特征在于,包括:
参数获取模块,用于获取养殖池塘的水质参数和环境气象参数,作为待分析数据,其中所述水质参数包括溶解氧含量;
主成分分析模块,用于采用主成分分析法对所述待分析数据进行降维和分析,获取影响水质溶解氧变化的主成份,根据所述主成分确定水质溶解氧的关键影响因子数据;
模型预测模块,用于将所述关键影响因子数据输入至训练好的LSTM网络模型,根据所述LSTM网络模型的输出结果,得到所述养殖池塘的溶解氧含量的预测数据。
9.一种水产养殖溶解氧预测设备,其特征在于,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810460933.7A CN108665106A (zh) | 2018-05-15 | 2018-05-15 | 一种水产养殖溶解氧预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810460933.7A CN108665106A (zh) | 2018-05-15 | 2018-05-15 | 一种水产养殖溶解氧预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108665106A true CN108665106A (zh) | 2018-10-16 |
Family
ID=63779612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810460933.7A Pending CN108665106A (zh) | 2018-05-15 | 2018-05-15 | 一种水产养殖溶解氧预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108665106A (zh) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255200A (zh) * | 2018-10-23 | 2019-01-22 | 中国农业大学 | 一种养殖水体氨氮的软测量方法及装置 |
CN109596163A (zh) * | 2018-11-15 | 2019-04-09 | 北京英视睿达科技有限公司 | 预测断面水质参数数据的方法及装置 |
CN109615124A (zh) * | 2018-11-29 | 2019-04-12 | 中国铁路总公司 | 一种基于深度学习的scada主站负荷预测方法 |
CN109670629A (zh) * | 2018-11-16 | 2019-04-23 | 浙江蓝卓工业互联网信息技术有限公司 | 基于长短期记忆神经网络的燃煤锅炉热效率预测方法 |
CN110308254A (zh) * | 2019-04-22 | 2019-10-08 | 江南大学 | 低溶解氧的精准监测方法 |
CN110334845A (zh) * | 2019-04-30 | 2019-10-15 | 江南大学 | 一种基于gru溶解氧长时间预测方法 |
CN110472800A (zh) * | 2019-08-23 | 2019-11-19 | 山东浪潮通软信息科技有限公司 | 一种基于lstm+cnn的机床刀具剩余寿命预测方法 |
CN110555524A (zh) * | 2019-07-24 | 2019-12-10 | 特斯联(北京)科技有限公司 | 基于室内环境监测的训练样本数据获取方法及装置 |
CN110619418A (zh) * | 2019-07-26 | 2019-12-27 | 重庆大学 | 一种基于混合模型组合算法的多特征水质预测方法 |
CN110824914A (zh) * | 2019-09-30 | 2020-02-21 | 华南师范大学 | 一种基于pca-lstm网络的废水处理智能监控方法 |
CN111080464A (zh) * | 2019-11-27 | 2020-04-28 | 中国农业大学 | 一种池塘养殖水质关键因子预测方法及装置 |
CN111368975A (zh) * | 2020-02-25 | 2020-07-03 | 东北农业大学 | 一种猪舍内多环境因子动态变化预测方法 |
CN112215412A (zh) * | 2020-09-27 | 2021-01-12 | 中国农业大学 | 溶解氧预测方法及装置 |
CN112327977A (zh) * | 2020-11-13 | 2021-02-05 | 北京敬一科技有限公司 | 一种基于物联网的智慧城市环境管理***及方法 |
CN113791186A (zh) * | 2021-08-12 | 2021-12-14 | 北京金水永利科技有限公司 | 一种选择水质异常报警监测因子的方法及其*** |
NO20220185A1 (en) * | 2019-08-20 | 2022-02-10 | Rex Ind Co | Water quality management apparatus and method for aquaculture pond |
CN114113516A (zh) * | 2021-10-27 | 2022-03-01 | 内蒙古工业大学 | 一种基于gan的水质异常数据检测方法 |
CN114169250A (zh) * | 2021-12-24 | 2022-03-11 | 中国农业大学 | 一种基于时空序列的溶解氧预测方法及*** |
CN114417740A (zh) * | 2022-03-30 | 2022-04-29 | 青岛杰瑞工控技术有限公司 | 一种深海养殖态势感知方法 |
CN114485771A (zh) * | 2021-11-24 | 2022-05-13 | 吴崴 | 池塘水环境在线预测*** |
CN115100414A (zh) * | 2022-07-25 | 2022-09-23 | 中国水产科学研究院南海水产研究所 | 一种基于数据分析的藻类培养方法、***及介质 |
CN115983131A (zh) * | 2023-01-09 | 2023-04-18 | 淮阴工学院 | 一种水产品生长含氧量调控方法及装置 |
CN116223756A (zh) * | 2023-03-27 | 2023-06-06 | 北京智科远达数据技术有限公司 | 一种水体氮含量预测模型的生成方法 |
CN116522124A (zh) * | 2023-05-31 | 2023-08-01 | 广东海洋大学 | 一种基于环境因素影响的溶解氧含量预测方法和*** |
CN117084200A (zh) * | 2023-08-22 | 2023-11-21 | 盐城工业职业技术学院 | 应用大数据分析的水产养殖投药控制*** |
CN117196881A (zh) * | 2023-11-03 | 2023-12-08 | 福建乾动海上粮仓科技有限公司 | 基于大数据的智慧养殖信息管理*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183621A (zh) * | 2011-02-28 | 2011-09-14 | 中国农业大学 | 水产养殖溶解氧浓度在线预测方法及*** |
CN105956702A (zh) * | 2016-04-29 | 2016-09-21 | 中国农业大学 | 一种基于数据融合的水产养殖水质溶解氧预测方法 |
CN107169610A (zh) * | 2017-06-02 | 2017-09-15 | 中国农业大学 | 水产养殖溶解氧预测方法及装置 |
CN107480775A (zh) * | 2017-08-14 | 2017-12-15 | 中国水产科学研究院淡水渔业研究中心 | 一种基于数据修复的池塘溶解氧预测方法 |
CN107688871A (zh) * | 2017-08-18 | 2018-02-13 | 中国农业大学 | 一种水质预测方法和装置 |
-
2018
- 2018-05-15 CN CN201810460933.7A patent/CN108665106A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183621A (zh) * | 2011-02-28 | 2011-09-14 | 中国农业大学 | 水产养殖溶解氧浓度在线预测方法及*** |
CN105956702A (zh) * | 2016-04-29 | 2016-09-21 | 中国农业大学 | 一种基于数据融合的水产养殖水质溶解氧预测方法 |
CN107169610A (zh) * | 2017-06-02 | 2017-09-15 | 中国农业大学 | 水产养殖溶解氧预测方法及装置 |
CN107480775A (zh) * | 2017-08-14 | 2017-12-15 | 中国水产科学研究院淡水渔业研究中心 | 一种基于数据修复的池塘溶解氧预测方法 |
CN107688871A (zh) * | 2017-08-18 | 2018-02-13 | 中国农业大学 | 一种水质预测方法和装置 |
Non-Patent Citations (4)
Title |
---|
刘双印: ""基于PCA_MCAFA_LSSVM的养殖水质pH值预测模型"", 《农业机械学报》 * |
周华平: "《基于支持向量机的煤矿安全建模研究及应用》", 31 January 2015 * |
王晓林: "《统计学》", 30 August 2001, 经济科学出版社 * |
王鑫: ""基于LSTM循环神经网络的故障时间序列预测"", 《北京航空航天大学学报》 * |
Cited By (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255200A (zh) * | 2018-10-23 | 2019-01-22 | 中国农业大学 | 一种养殖水体氨氮的软测量方法及装置 |
CN109596163B (zh) * | 2018-11-15 | 2020-12-08 | 北京英视睿达科技有限公司 | 预测断面水质参数数据的方法及装置 |
CN109596163A (zh) * | 2018-11-15 | 2019-04-09 | 北京英视睿达科技有限公司 | 预测断面水质参数数据的方法及装置 |
CN109670629A (zh) * | 2018-11-16 | 2019-04-23 | 浙江蓝卓工业互联网信息技术有限公司 | 基于长短期记忆神经网络的燃煤锅炉热效率预测方法 |
CN109670629B (zh) * | 2018-11-16 | 2021-09-07 | 浙江蓝卓工业互联网信息技术有限公司 | 基于长短期记忆神经网络的燃煤锅炉热效率预测方法 |
CN109615124A (zh) * | 2018-11-29 | 2019-04-12 | 中国铁路总公司 | 一种基于深度学习的scada主站负荷预测方法 |
CN109615124B (zh) * | 2018-11-29 | 2022-12-30 | 中国铁路总公司 | 一种基于深度学习的scada主站负荷预测方法 |
CN110308254A (zh) * | 2019-04-22 | 2019-10-08 | 江南大学 | 低溶解氧的精准监测方法 |
CN110334845A (zh) * | 2019-04-30 | 2019-10-15 | 江南大学 | 一种基于gru溶解氧长时间预测方法 |
CN110555524A (zh) * | 2019-07-24 | 2019-12-10 | 特斯联(北京)科技有限公司 | 基于室内环境监测的训练样本数据获取方法及装置 |
CN110619418A (zh) * | 2019-07-26 | 2019-12-27 | 重庆大学 | 一种基于混合模型组合算法的多特征水质预测方法 |
NO20220185A1 (en) * | 2019-08-20 | 2022-02-10 | Rex Ind Co | Water quality management apparatus and method for aquaculture pond |
US11753312B2 (en) | 2019-08-20 | 2023-09-12 | Kasai Corporation | Water quality management apparatus and method for aquaculture pond |
CN110472800A (zh) * | 2019-08-23 | 2019-11-19 | 山东浪潮通软信息科技有限公司 | 一种基于lstm+cnn的机床刀具剩余寿命预测方法 |
CN110824914A (zh) * | 2019-09-30 | 2020-02-21 | 华南师范大学 | 一种基于pca-lstm网络的废水处理智能监控方法 |
CN110824914B (zh) * | 2019-09-30 | 2022-07-12 | 华南师范大学 | 一种基于pca-lstm网络的废水处理智能监控方法 |
CN111080464A (zh) * | 2019-11-27 | 2020-04-28 | 中国农业大学 | 一种池塘养殖水质关键因子预测方法及装置 |
CN111368975A (zh) * | 2020-02-25 | 2020-07-03 | 东北农业大学 | 一种猪舍内多环境因子动态变化预测方法 |
CN112215412A (zh) * | 2020-09-27 | 2021-01-12 | 中国农业大学 | 溶解氧预测方法及装置 |
CN112215412B (zh) * | 2020-09-27 | 2023-12-22 | 中国农业大学 | 溶解氧预测方法及装置 |
CN112327977A (zh) * | 2020-11-13 | 2021-02-05 | 北京敬一科技有限公司 | 一种基于物联网的智慧城市环境管理***及方法 |
CN113791186A (zh) * | 2021-08-12 | 2021-12-14 | 北京金水永利科技有限公司 | 一种选择水质异常报警监测因子的方法及其*** |
CN114113516A (zh) * | 2021-10-27 | 2022-03-01 | 内蒙古工业大学 | 一种基于gan的水质异常数据检测方法 |
CN114485771A (zh) * | 2021-11-24 | 2022-05-13 | 吴崴 | 池塘水环境在线预测*** |
CN114169250B (zh) * | 2021-12-24 | 2024-04-30 | 中国农业大学 | 一种基于时空序列的溶解氧预测方法及*** |
CN114169250A (zh) * | 2021-12-24 | 2022-03-11 | 中国农业大学 | 一种基于时空序列的溶解氧预测方法及*** |
CN114417740A (zh) * | 2022-03-30 | 2022-04-29 | 青岛杰瑞工控技术有限公司 | 一种深海养殖态势感知方法 |
CN115100414A (zh) * | 2022-07-25 | 2022-09-23 | 中国水产科学研究院南海水产研究所 | 一种基于数据分析的藻类培养方法、***及介质 |
CN115983131A (zh) * | 2023-01-09 | 2023-04-18 | 淮阴工学院 | 一种水产品生长含氧量调控方法及装置 |
CN115983131B (zh) * | 2023-01-09 | 2023-07-04 | 淮阴工学院 | 一种水产品生长含氧量调控方法及装置 |
CN116223756B (zh) * | 2023-03-27 | 2023-09-08 | 北京智科远达数据技术有限公司 | 一种水体氮含量预测模型的生成方法 |
CN116223756A (zh) * | 2023-03-27 | 2023-06-06 | 北京智科远达数据技术有限公司 | 一种水体氮含量预测模型的生成方法 |
CN116522124A (zh) * | 2023-05-31 | 2023-08-01 | 广东海洋大学 | 一种基于环境因素影响的溶解氧含量预测方法和*** |
CN117084200A (zh) * | 2023-08-22 | 2023-11-21 | 盐城工业职业技术学院 | 应用大数据分析的水产养殖投药控制*** |
CN117084200B (zh) * | 2023-08-22 | 2024-01-19 | 盐城工业职业技术学院 | 应用大数据分析的水产养殖投药控制*** |
CN117196881A (zh) * | 2023-11-03 | 2023-12-08 | 福建乾动海上粮仓科技有限公司 | 基于大数据的智慧养殖信息管理*** |
CN117196881B (zh) * | 2023-11-03 | 2024-02-27 | 福建乾动海上粮仓科技有限公司 | 基于大数据的智慧养殖信息管理*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108665106A (zh) | 一种水产养殖溶解氧预测方法及装置 | |
Huan et al. | Prediction of dissolved oxygen in aquaculture based on gradient boosting decision tree and long short-term memory network: A study of Chang Zhou fishery demonstration base, China | |
Kashyap et al. | Towards precision agriculture: IoT-enabled intelligent irrigation systems using deep learning neural network | |
CN108416366B (zh) | 一种基于气象指数的加权ls-svm的电力***短期负荷预测方法 | |
CN110751318B (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
Liu et al. | Prediction of dissolved oxygen content in river crab culture based on least squares support vector regression optimized by improved particle swarm optimization | |
Choong et al. | State-of-the-art for modelling reservoir inflows and management optimization | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
Zhu et al. | Coke price prediction approach based on dense GRU and opposition-based learning salp swarm algorithm | |
CN109214579B (zh) | 基于bp神经网络的盐碱地稳定性预测方法及*** | |
CN108507700A (zh) | 一种猪舍多点温度预测方法及*** | |
Kuang et al. | An enhanced extreme learning machine for dissolved oxygen prediction in wireless sensor networks | |
CN110472840A (zh) | 一种基于神经网络技术的农业水利调度方法及*** | |
CN113393057A (zh) | 一种基于深度融合机器学习模型的小麦产量集成预测方法 | |
CN108665052A (zh) | 果蝇算法优化广义回归神经网络的方法和装置 | |
CN112070241A (zh) | 基于机器学习模型的植物生长预测方法、装置和设备 | |
Hatim et al. | Addressing challenges and demands of intelligent seasonal rainfall forecasting using artificial intelligence approach | |
Jia et al. | Water quality prediction method based on LSTM-BP | |
Sharma et al. | Machine Learning-based Stock Market Forecasting using Recurrent Neural Network | |
Sang et al. | Ensembles of gradient boosting recurrent neural network for time series data prediction | |
CN113962819A (zh) | 一种基于极限学习机的工厂化水产养殖溶解氧预测方法 | |
CN111066562A (zh) | 一种葡萄霜霉病预测方法及*** | |
CN109828623A (zh) | 温室作物情景感知的生产管理方法及装置 | |
Sun et al. | Forecasting Fish Stock Recruitment and Planning Optimal Harvesting Strategies by Using Neural Network. | |
Huang et al. | Wine quality evaluation model based on artificial bee colony and BP neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181016 |