CN107609718A - 一种养殖水体中溶解氧的预测方法及系统 - Google Patents
一种养殖水体中溶解氧的预测方法及系统 Download PDFInfo
- Publication number
- CN107609718A CN107609718A CN201710968743.1A CN201710968743A CN107609718A CN 107609718 A CN107609718 A CN 107609718A CN 201710968743 A CN201710968743 A CN 201710968743A CN 107609718 A CN107609718 A CN 107609718A
- Authority
- CN
- China
- Prior art keywords
- training
- dissolved oxygen
- mrow
- data
- result
- 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
Landscapes
- Farming Of Fish And Shellfish (AREA)
Abstract
本发明提出一种养殖水体中溶解氧的预测方法及系统,该方法包括:对在线采集的养殖水质数据进行归一化预处理;然后通过深度信念网络模型的函数表达能力,提取养殖水质因子的内在特征向量,将得到的特征向量作为训练和测试集训练和优化DBN网络顶层连接的最小二乘支持向量回归机参数,以最优参数组合构建基于DBN‑LSSVR的养殖水体溶解氧预测模型。相较于现有的预测模型,本实施例提出的预设模块的预测结果与实际养殖水体溶解氧时间序列数据偏差相对于现有的预测模型,数据偏差更小,在预测精度方面,预测的精度更高,能更好地反映了养殖水体溶解氧非线性变化规律,可为养殖的水质精准调控管理提供更有力的决策支持,是一种更有效的养殖溶解氧预测方法。
Description
技术领域
本发明涉及预测领域,特别涉及一种养殖水体中溶解氧的预测方法及系统。
背景技术
现有技术中,高精度的集约化水产养殖水质预测技术,可降低水产养殖风险,提升水产养殖科学化决策与管理能力,已成为传统水产养殖业向智慧渔业养殖模式转型升级的关键研究内容之一。养殖水体溶解氧是集约化对虾养殖的关键水质指标,溶解氧过低则严重胁迫对虾健康生长、产品质量,以及养殖户的收益。因此,对对虾养殖水体溶解氧预测方法研究具有重要实用价值和现实意义。
但目前国内外对溶解氧预测的预测方法都属于浅层结构的机器学习方法,因其立足的基础理论在处理大数据上缺少鲁棒性,导致模型普遍缺乏长效性和扩展能力。
而事实上,养殖水体溶解氧变化受生物新陈代谢、水温、气压、气温、相对湿度、太阳辐射、风速、风向、化学耗氧量(COD)、生物耗氧量(BOD)、植物光合作用、亚硝酸盐和人为作业活动等诸多因素交叉影响,作用机理复杂,使原始溶解氧(DO)时间序列数据具有较强的非平稳性、大时滞和非线性等特征,夹杂着大量的噪音信号,如果不挖掘出养殖水体溶解氧数据的本质特征,直接进行建模预测,会严重影响模型预测精度。
发明内容
针对现有技术中的缺陷,本发明提出了一种养殖水体中溶解氧的预测方法及系统,用以提高预测的准确性。
具体的,本发明提出了以下具体的实施例:
本发明实施例提出了一种养殖水体中溶解氧的预测方法及系统,包括:
获取养殖水体的数量超过一定数量的溶解氧时间序列数据;
对所述溶解氧时间序列数据进行修复以及归一化处理,并生成训练样本集与测试样本集;其中,所述训练样本集中包含有监测到的与溶解氧相关的参数以及对应的溶解氧的实际结果;所述测试样本集中包含监测到的与溶解氧相关的参数;
通过所述训练样本集为数据基础,对多层限制波尔兹曼机RBM网络进行逐层无监督的训练,并基于训练后的各层RBM网络进行叠加以生成深度学习DBN模型;
基于所述DBN模型分别对所述训练样本集与所述测试样本集进行特征提取,以分别获取到训练样本集特征向量与测试样本集特征向量;
基于所述训练样本集特征向量对最小二乘支持向量回归机进行训练,并基于训练得到的训练结果与所述实际结果进行比较,若所述训练结果与所述实际结果的差值小于预设值,则基于所述训练得到的组合参数来构建最小二乘支持向量回归机预测模型;
将所述测试样本集特征向量输入所述最小二乘支持向量回归机预测模型进行预测,以获取与所述测试样本集中的参数对应的预测向量;
对所述预测向量进行反归一化处理,以获取到养殖水体中溶解氧的预测结果。
在一个具体的实施例中,所述修复是基于相邻时间点的数据进行线性预测的预测结果;并基于预测结果对处于空白的数据进行填充,或超出预设范围的数据进行替换的操作。
在一个具体的实施例中,所述“通过所述训练样本集为数据基础,对多层限制波尔兹曼机RBM网络进行逐层无监督的训练,并基于训练后的各层RBM网络进行叠加以生成深度学习DBN模型”包括:
以所述训练样本集中的监测到的与溶解氧相关的参数以及对应的实际结果为数据基础,通过无监督训练算法从最底层的RBM网络开始,自下而上逐层训练RBM网络,并获取训练后的特征向量;
通过有监督BP算法对RBM进行训练,以使DBM自上而下对RBM进行逐层序列,对初步确定的参数进行优化,确定所述DBN模型的最终参数;其中所述最终参数包括输入层结点的个数、隐含层结点的个数、隐含层的层数和各层权重系数;
基于所述最终参数以及所述特征向量对各层RBM网络进行叠加处理,生成DBN模型。
在一个具体的实施例中,对所述溶解氧时间序列数据进行归一化处理是通过下列公式来进行的:
其中,所述x’为进行了归一化后的数据;所述xmax和所述xmin是溶解氧时间序列数据x的最大值和最小值,x'max和x'min是映射的范围参数,默认为-1到1。
在一个具体的实施例中,所述“基于所述训练样本集特征向量对最小二乘支持向量回归机进行训练,并基于训练得到的训练结果与所述实际结果进行比较,若所述训练结果与所述实际结果的差值小于预设值,则基于所述训练得到的组合参数来构建最小二乘支持向量回归机预测模型”包括:
通过径向基核函数对最小二乘支持向量回归机及核函数参数进行初始化处理;
将训练样本特征向量输入所述最小二乘支持向量回归机,并通过k-折交叉验证法进行优化训练;
当所述优化训练达到最大循环次数或误差小于指定的阈值时,获取训练得到的组合参数;其中,所述误差为所述训练结果与所述实际结果的差值;
通过所述组合参数构建最小二乘支持向量回归机预测模型。
本发明实施例还提出了一种养殖水体中溶解氧的预测系统,包括:
获取模块,用于获取养殖水体的数量超过一定数量的溶解氧时间序列数据;
预处理模块,用于对所述溶解氧时间序列数据进行修复以及归一化处理,并生成训练样本集与测试样本集;其中,所述训练样本集中包含有监测到的与溶解氧相关的参数以及对应的溶解氧的实际结果;所述测试样本集中包含监测到的与溶解氧相关的参数;
生成模块,用于通过所述训练样本集为数据基础,对多层限制波尔兹曼机RBM网络进行逐层无监督的训练,并基于训练后的各层RBM网络进行叠加以生成深度学习DBN模型;
提取模块,用于基于所述DBN模型分别对所述训练样本集与所述测试样本集进行特征提取,以分别获取到训练样本集特征向量与测试样本集特征向量;
构建模块,用于基于所述训练样本集特征向量对最小二乘支持向量回归机进行训练,并基于训练得到的训练结果与所述实际结果进行比较,若所述训练结果与所述实际结果的差值小于预设值,则基于所述训练得到的组合参数来构建最小二乘支持向量回归机预测模型;
预测模块,用于将所述测试样本集特征向量输入所述最小二乘支持向量回归机预测模型进行预测,以获取与所述测试样本集中的参数对应的预测向量;
处理模块,用于对所述预测向量进行反归一化处理,以获取到养殖水体中溶解氧的预测结果。
在一个具体的实施例中,所述修复是基于相邻时间点的数据进行线性预测的预测结果;并基于预测结果对处于空白的数据进行填充,或超出预设范围的数据进行替换的操作。
在一个具体的实施例中,所述生成模块,用于:
以所述训练样本集中的监测到的与溶解氧相关的参数以及对应的实际结果为数据基础,通过无监督训练算法从最底层的RBM网络开始,自下而上逐层训练RBM网络,并获取训练后的特征向量;
通过有监督BP算法对RBM进行训练,以使DBM自上而下对RBM进行逐层序列,对初步确定的参数进行优化,确定所述DBN模型的最终参数;其中所述最终参数包括输入层结点的个数、隐含层结点的个数、隐含层的层数和各层权重系数;
基于所述最终参数以及所述特征向量对各层RBM网络进行叠加处理,生成DBN模型。
在一个具体的实施例中,对所述溶解氧时间序列数据进行归一化处理是通过下列公式来进行的:
其中,所述x’为进行了归一化后的数据;所述xmax和所述xmin是溶解氧”时间序列数据x的最大值和最小值,x'max和x'min是映射的范围参数,默认为-1到1。
在一个具体的实施例中,所述构建模块,用于:
通过径向基核函数对最小二乘支持向量回归机及核函数参数进行初始化处理;
将训练样本特征向量输入所述最小二乘支持向量回归机,并通过k-折交叉验证法进行优化训练;
当所述优化训练达到最大循环次数或误差小于指定的阈值时,获取训练得到的组合参数;其中,所述误差为所述训练结果与所述实际结果的差值;
通过所述组合参数构建最小二乘支持向量回归机预测模型。
以此,本发明实施例提出了一种养殖水体中溶解氧的预测方法及系统,其中该方法包括:获取养殖水体的数量超过一定数量的溶解氧时间序列数据;对所述溶解氧时间序列数据进行修复以及归一化处理,并生成训练样本集与测试样本集;其中,所述训练样本集中包含有监测到的与溶解氧相关的参数以及对应的溶解氧的实际结果;所述测试样本集中包含监测到的与溶解氧相关的参数;通过所述训练样本集为数据基础,对多层限制波尔兹曼机RBM网络进行逐层无监督的训练,并基于训练后的各层RBM网络进行叠加以生成深度学习DBN模型;基于所述DBN模型分别对所述训练样本集与所述测试样本集进行特征提取,以分别获取到训练样本集特征向量与测试样本集特征向量;基于所述训练样本集特征向量对最小二乘支持向量回归机进行训练,并基于训练得到的训练结果与所述实际结果进行比较,若所述训练结果与所述实际结果的差值小于预设值,则基于所述训练得到的组合参数来构建最小二乘支持向量回归机预测模型;将所述测试样本集特征向量输入所述最小二乘支持向量回归机预测模型进行预测,以获取与所述测试样本集中的参数对应的预测向量;对所述预测向量进行反归一化处理,以获取到养殖水体中溶解氧的预测结果。以此本发明实施例提出深度学习融合最小二乘支持向量回归机的对虾养殖溶解氧预测模型,相较于现有的预测模型,本实施例提出的预设模块的预测结果与实际养殖水体溶解氧时间序列数据偏差相对于现有的预测模型,数据偏差更小,在预测精度方面,预测的精度更高,能更好地反映了养殖水体溶解氧非线性变化规律,可为养殖的水质精准调控管理提供更有力的决策支持,是一种更有效的养殖溶解氧预测方法。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例提出的一种养殖水体中溶解氧的预测方法的流程示意图;
图2为本发明实施例提出的一种DBN模型结构的示意图;
图3为本发明实施例提出的一种溶解氧实测值与基于DBN-LSSVR的溶解氧预测值比较的示意图;
图4为本发明实施例提出的一种DBN-LSSVR预测相对误差曲线的示意图;
图5为本发明实施例提出的一种养殖水体中溶解氧的预测系统的结构示意图。
具体实施方式
在下文中,将更全面地描述本公开的各种实施例。本公开可具有各种实施例,并且可在其中做出调整和改变。然而,应理解:不存在将本公开的各种实施例限于在此公开的特定实施例的意图,而是应将本公开理解为涵盖落入本公开的各种实施例的精神和范围内的所有调整、等同物和/或可选方案。
在下文中,可在本公开的各种实施例中使用的术语“包括”或“可包括”指示所公开的功能、操作或元件的存在,并且不限制一个或更多个功能、操作或元件的增加。此外,如在本公开的各种实施例中所使用,术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合,并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
在本公开的各种实施例中,表述“或”或“A或/和B中的至少一个”包括同时列出的文字的任何组合或所有组合。例如,表述“A或B”或“A或/和B中的至少一个”可包括A、可包括B或可包括A和B二者。
在本公开的各种实施例中使用的表述(诸如“第一”、“第二”等)可修饰在各种实施例中的各种组成元件,不过可不限制相应组成元件。例如,以上表述并不限制所述元件的顺序和/或重要性。以上表述仅用于将一个元件与其它元件区别开的目的。例如,第一用户装置和第二用户装置指示不同用户装置,尽管二者都是用户装置。例如,在不脱离本公开的各种实施例的范围的情况下,第一元件可被称为第二元件,同样地,第二元件也可被称为第一元件。
应注意到:如果描述将一个组成元件“连接”到另一组成元件,则可将第一组成元件直接连接到第二组成元件,并且可在第一组成元件和第二组成元件之间“连接”第三组成元件。相反地,当将一个组成元件“直接连接”到另一组成元件时,可理解为在第一组成元件和第二组成元件之间不存在第三组成元件。
在本公开的各种实施例中使用的术语“用户”可指示使用电子装置的人或使用电子装置的装置(例如,人工智能电子装置)。
在本公开的各种实施例中使用的术语仅用于描述特定实施例的目的并且并非意在限制本公开的各种实施例。如在此所使用,单数形式意在也包括复数形式,除非上下文清楚地另有指示。除非另有限定,否则在这里使用的所有术语(包括技术术语和科学术语)具有与本公开的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义,除非在本公开的各种实施例中被清楚地限定。
实施例1
本发明实施例1公开了一种养殖水体中溶解氧的预测方法,如图1所示,包括以下步骤:
步骤101、获取养殖水体的数量超过一定数量的溶解氧时间序列数据;
具体的,溶解氧时间序列数据越多越好,数据越多,后续构建预测模型越准确,具体的数量可以基于已有的经验来进行设置,具体的并基于后续的预设结果与实际的测量进行比较,若比较结果为一致,则数量足够,若比较结果为差异很大,则明显表示为数量不足够,该步骤101中的,溶解氧时间序列数据为与时间对应的溶解氧的数据,例如溶解氧的浓度等,该数据可以通过传感器获取到水体数据后进行处理得到。
具体的,在一个实施例中,该溶解氧时间序列数据还可以包括、pH、氨氮、温度、水深、池面积、鱼的数量、鱼的种类和水质评价数据等其他相关的数据,具体的数据是为与时间相关的数据,具体的可以体现为与测量的时间相关联。
步骤102、对所述溶解氧时间序列数据进行修复以及归一化处理,并生成训练样本集与测试样本集;其中,所述训练样本集中包含有监测到的与溶解氧相关的参数以及对应的溶解氧的实际结果;所述测试样本集中包含监测到的与溶解氧相关的参数;
具体的,所述修复可以是基于相邻时间点的数据进行线性预测的预测结果;并基于预测结果对处于空白的数据进行填充,或超出预设范围的数据进行替换的操作。
具体的,通过上述修复过程,使得数据尽可能保证准确以及完整性;此外,该步骤中的对所述溶解氧时间序列数据进行归一化处理可以通过下列公式来进行的:
其中,所述x’为进行了归一化后的数据;所述xmax和所述xmin是溶解氧时间序列数据x的最大值和最小值,x'max和x'min是映射的范围参数,默认为-1到1。
此外,具体的归一化处理可以基于其他的归一化方式来进行,后续进行相应的反归一化处理即可,只要能实现归一化处理即可,具体的通过归一化处理,将所有的数据(例如各种来源的数据)统一到一个参考系下,如此使得数据的比较有意义。
步骤103、通过所述训练样本集为数据基础,对多层限制波尔兹曼机RBM网络进行逐层无监督的训练,并基于训练后的各层RBM网络进行叠加以生成深度学习DBN模型;
具体的,步骤103中的所述“通过所述训练样本集为数据基础,对多层限制波尔兹曼机RBM网络进行逐层无监督的训练,并基于训练后的各层RBM网络进行叠加以生成深度学习DBN模型”包括:
以所述训练样本集中的监测到的与溶解氧相关的参数以及对应的实际结果为数据基础,通过无监督训练算法从最底层的RBM网络开始,自下而上逐层训练RBM网络,并获取训练后的特征向量;
通过有监督BP算法对RBM进行训练,以使DBM自上而下对RBM进行逐层序列,对初步确定的参数进行优化,确定所述DBN模型的最终参数;其中所述最终参数包括输入层结点的个数、隐含层结点的个数、隐含层的层数和各层权重系数;
基于所述最终参数以及所述特征向量对各层RBM网络进行叠加处理,生成DBN模型。
具体的,DBN也即深无监督学习的深度信念网络(Deep belief nets,DBN),如图2以及如图3所示,由多个限制波尔兹曼机(restricted Boltzmann machine,RBM)叠加组成,具体的是通过采用自下而上的无监督逐层训练来学习特征,再应用由上而下的有监督训练来微调整个网络参数,从而实现对训练数据的分级表达,挖掘和提取数据的本质特征,以提升预测或分类的能力。
具体的,限制波尔兹曼机(restricted Boltzmann machine,RBM)是马尔科夫随机场的特例,可视层与隐含层的层与层之间结点相连,而同一层内结点之间互相独立。
由RBM结构中各隐含层单元(或可视层单元)的激活状态之间存在条件独立和对称特性得出。
DBN模型训练过程主要分为两步:
1)无监督训练每层RBM,即将每个低层RBM的输出作为高一层RBM的输入,进行训练高一层RBM,并在顶层形成更抽象和更具表征能力的特征向量。即确保底层特征向量向高层特征空间映射时,尽量保留更多的原始数据的特征信息;
2)在初步确定了模型参数后,DBN自联想记忆模块利用带标签数据通过BP算法对判别性能做微调,动态优化调整所有RBM的模型参数,并最终确定DBN模型所有参数。
DBN模型训练过程可看作是数据逐层特征提取过程,经训练后的每一层输出都是输入特征的非线性变换。
步骤104、基于所述DBN模型分别对所述训练样本集与所述测试样本集进行特征提取,以分别获取到训练样本集特征向量与测试样本集特征向量;
具体的,训练样本集特征向量(或训练样本集特征矩阵)与测试样本集特征向量(或测试样本集特征矩阵)是通过将把训练样本集和测试样本集分别输入DBN模型得到的。
步骤105、基于所述训练样本集特征向量对最小二乘支持向量回归机进行训练,并基于训练得到的训练结果与所述实际结果进行比较,若所述训练结果与所述实际结果的差值小于预设值,则基于所述训练得到的组合参数来构建最小二乘支持向量回归机预测模型;
具体的,在一个具体的实施例中,步骤105中的所述“基于所述训练样本集特征向量对最小二乘支持向量回归机进行训练,并基于训练得到的训练结果与所述实际结果进行比较,若所述训练结果与所述实际结果的差值小于预设值,则基于所述训练得到的组合参数来构建最小二乘支持向量回归机预测模型”包括:
通过径向基核函数对最小二乘支持向量回归机及核函数参数进行初始化处理;
将训练样本特征向量输入所述最小二乘支持向量回归机,并通过k-折交叉验证法进行优化训练;
当所述优化训练达到最大循环次数或误差小于指定的阈值时,获取训练得到的组合参数;其中,所述误差为所述训练结果与所述实际结果的差值;
通过所述组合参数构建最小二乘支持向量回归机预测模型。
具体的,最小二乘支持向量回归机(least squares support vectorregression,LSSVR)是一种以统计学理论和结构风险最小化准则为基础的机器学习方法,通过等式约束替换不等式约束,将误差平方和损失函数作为训练集的经验损失,把标准支持向量机解二次规划问题转化为求解线性方程组问题,有效提高了计算速度和收敛精度,具有较好的推广性能。
步骤106、将所述测试样本集特征向量输入所述最小二乘支持向量回归机预测模型进行预测,以获取与所述测试样本集中的参数对应的预测向量;
步骤107、对所述预测向量进行反归一化处理,以获取到养殖水体中溶解氧的预测结果。
在此,以一个具体的例子来对本发明的方案进行进一步的说明,包括如下步骤:
1)数据修复与归一化预处理。对在线采集的对虾养殖水体溶解氧时间序列数据修复处理,同时,为减少数据量纲不同对预测的影响,本文对对虾养殖水质数据进行归一化预处理,最后把数据集划分训练样本集和测试样本集。
2)构建对虾养殖水体溶解氧DBN模型。初始化训练次数、学习速率,并以训练样本集为数据基础,采用无监督训练算法逐层训练RBM网络,采用有监督BP网络反响训练RBM微调整个DBN网络权重系数,使DBN对RBM进行逐层训练,确定输入层结点的个数、隐含层结点的个数、隐含层的层数和各层权重系数等模型参数,构建养殖水质溶解氧最优的DBN模型网络结构。
3)基于DBN模型养殖水体溶解氧特征提取。把训练样本集和测试样本集分别输入DBN模型,分别得到训练样本和测试样本特征矩阵。
4)训练并优化最小二乘支持向量回归机。采用径向基(Radial Basis Function,RBF)核函数,初始化最小二乘支持向量回归机及核函数参数,将训练样本特征矩阵输入到最小二乘支持向量回归机并运用k-折交叉验证法进行优化训练,当达到最大循环次数或误差小于指定的阈值时,则最小二乘支持向量回归机训练结束,获得最佳组合参数,构建最小二乘支持向量回归机预测模型。
5)测试阶段。将测试样本特征矩阵输入到最小二乘支持向量回归机预测模型中,输出预测后的向量,并采用反归一化方法,计算养殖水体溶解氧最终的预测结果。
后续为了对本发明的方案进行验证,以广东省广州番禺区海鸥岛南美白对虾养殖基地某池塘的水体溶解氧为研究对象,采用本方案,采用Matlab 8.3语言编写DBN-LSSVR对虾养殖溶解氧仿真程序,对对虾养殖水体溶解氧时间序列数据进行归一化预处理,并划分溶解氧预测的训练集和测试集,基于DBN-LSSVR算法对养殖水体溶解氧进行预测建模。采用溶解氧、水温、空气相对湿度、太阳辐射、气压、风速等6个养殖环境因子前30分钟数据作为可视层输入量,预测下一时刻溶解氧变化情况。DBN-LSSVR算法初始化:学习速率τ=0.5、正则化参数C∈[0,120],核函数参数δ∈[0.1,10],最大训练次数Tmax=600。经过多次迭代实验发现拥有4层且神经元个数分别为{18,22,8,4}的DBN网络结构取得较好的预测效果,也获得了LSSVR最佳参数组合C=97.41,δ=1.48。将最佳参数代入DBN-LSSVR模型进行对虾养殖水体溶解氧预测。所获取的溶解氧实测值与溶解氧预测值比较如图3所示,预测误差曲线如图4所示;由此可知,基于DBN-LSSVR的预测模型的预测结果与实际养殖水体溶解氧时间序列数据偏差很小,较好地反映了养殖水体溶解氧非线性变化规律。
实施例2
本发明实施例2还公开了一种养殖水体中溶解氧的预测系统,如图5所示,包括:
获取模块201,用于获取养殖水体的数量超过一定数量的溶解氧时间序列数据;
预处理模块202,用于对所述溶解氧时间序列数据进行修复以及归一化处理,并生成训练样本集与测试样本集;其中,所述训练样本集中包含有监测到的与溶解氧相关的参数以及对应的溶解氧的实际结果;所述测试样本集中包含监测到的与溶解氧相关的参数;
生成模块203,用于通过所述训练样本集为数据基础,对多层限制波尔兹曼机RBM网络进行逐层无监督的训练,并基于训练后的各层RBM网络进行叠加以生成深度学习DBN模型;
提取模块204,用于基于所述DBN模型分别对所述训练样本集与所述测试样本集进行特征提取,以分别获取到训练样本集特征向量与测试样本集特征向量;
构建模块205,用于基于所述训练样本集特征向量对最小二乘支持向量回归机进行训练,并基于训练得到的训练结果与所述实际结果进行比较,若所述训练结果与所述实际结果的差值小于预设值,则基于所述训练得到的组合参数来构建最小二乘支持向量回归机预测模型;
预测模块206,用于将所述测试样本集特征向量输入所述最小二乘支持向量回归机预测模型进行预测,以获取与所述测试样本集中的参数对应的预测向量;
处理207,用于对所述预测向量进行反归一化处理,以获取到养殖水体中溶解氧的预测结果。
在一个具体的实施例中,所述修复是基于相邻时间点的数据进行线性预测的预测结果;并基于预测结果对处于空白的数据进行填充,或超出预设范围的数据进行替换的操作。
在一个具体的实施例中,所述生成模块,用于:
以所述训练样本集中的监测到的与溶解氧相关的参数以及对应的实际结果为数据基础,通过无监督训练算法从最底层的RBM网络开始,自下而上逐层训练RBM网络,并获取训练后的特征向量;
通过有监督BP算法对RBM进行训练,以使DBM自上而下对RBM进行逐层序列,对初步确定的参数进行优化,确定所述DBN模型的最终参数;其中所述最终参数包括输入层结点的个数、隐含层结点的个数、隐含层的层数和各层权重系数;
基于所述最终参数以及所述特征向量对各层RBM网络进行叠加处理,生成DBN模型。
在一个具体的实施例中,对所述溶解氧时间序列数据进行归一化处理是通过下列公式来进行的:
其中,所述x’为进行了归一化后的数据;所述xmax和所述xmin是溶解氧时间序列数据x的最大值和最小值,x'max和x'min是映射的范围参数,默认为-1到1。
在一个具体的实施例中,
所述构建模块,用于:
通过径向基核函数对最小二乘支持向量回归机及核函数参数进行初始化处理;
将训练样本特征向量输入所述最小二乘支持向量回归机,并通过k-折交叉验证法进行优化训练;
当所述优化训练达到最大循环次数或误差小于指定的阈值时,获取训练得到的组合参数;其中,所述误差为所述训练结果与所述实际结果的差值;
通过所述组合参数构建最小二乘支持向量回归机预测模型。
以此,本发明实施例提出了一种养殖水体中溶解氧的预测方法及系统,其中该方法包括:获取养殖水体的数量超过一定数量的溶解氧时间序列数据;对所述溶解氧时间序列数据进行修复以及归一化处理,并生成训练样本集与测试样本集;其中,所述训练样本集中包含有监测到的与溶解氧相关的参数以及对应的溶解氧的实际结果;所述测试样本集中包含监测到的与溶解氧相关的参数;通过所述训练样本集为数据基础,对多层限制波尔兹曼机RBM网络进行逐层无监督的训练,并基于训练后的各层RBM网络进行叠加以生成深度学习DBN模型;基于所述DBN模型分别对所述训练样本集与所述测试样本集进行特征提取,以分别获取到训练样本集特征向量与测试样本集特征向量;基于所述训练样本集特征向量对最小二乘支持向量回归机进行训练,并基于训练得到的训练结果与所述实际结果进行比较,若所述训练结果与所述实际结果的差值小于预设值,则基于所述训练得到的组合参数来构建最小二乘支持向量回归机预测模型;将所述测试样本集特征向量输入所述最小二乘支持向量回归机预测模型进行预测,以获取与所述测试样本集中的参数对应的预测向量;对所述预测向量进行反归一化处理,以获取到养殖水体中溶解氧的预测结果。。以此本发明实施例提出深度学习融合最小二乘支持向量回归机的对虾养殖溶解氧预测模型,相较于现有的预测模型,本实施例提出的预设模块的预测结果与实际养殖水体溶解氧时间序列数据偏差相对于现有的预测模型,数据偏差更小,在预测精度方面,预测的精度更高,能更好地反映了养殖水体溶解氧非线性变化规律,可为养殖的水质精准调控管理提供更有力的决策支持,是一种更有效的养殖溶解氧预测方法。
本领域技术人员可以理解附图只是一个优选实施场景的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中,也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
上述本发明序号仅仅为了描述,不代表实施场景的优劣。
以上公开的仅为本发明的几个具体实施场景,但是,本发明并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (10)
1.一种养殖水体中溶解氧的预测方法,其特征在于,包括:
获取养殖水体的数量超过一定数量的溶解氧时间序列数据;
对所述溶解氧时间序列数据进行修复以及归一化处理,并生成训练样本集与测试样本集;其中,所述训练样本集中包含有监测到的与溶解氧相关的参数以及对应的溶解氧的实际结果;所述测试样本集中包含监测到的与溶解氧相关的参数;
通过所述训练样本集为数据基础,对多层限制波尔兹曼机RBM网络进行逐层无监督的训练,并基于训练后的各层RBM网络进行叠加以生成深度学习DBN模型;
基于所述DBN模型分别对所述训练样本集与所述测试样本集进行特征提取,以分别获取到训练样本集特征向量与测试样本集特征向量;
基于所述训练样本集特征向量对最小二乘支持向量回归机进行训练,并基于训练得到的训练结果与所述实际结果进行比较,若所述训练结果与所述实际结果的差值小于预设值,则基于所述训练得到的组合参数来构建最小二乘支持向量回归机预测模型;
将所述测试样本集特征向量输入所述最小二乘支持向量回归机预测模型进行预测,以获取与所述测试样本集中的参数对应的预测向量;
对所述预测向量进行反归一化处理,以获取到养殖水体中溶解氧的预测结果。
2.如权利要求1所述的方法,其特征在于,所述修复是基于相邻时间点的数据进行线性预测的预测结果;并基于预测结果对处于空白的数据进行填充,或超出预设范围的数据进行替换的操作。
3.如权利要求1所述的方法,其特征在于,所述“通过所述训练样本集为数据基础,对多层限制波尔兹曼机RBM网络进行逐层无监督的训练,并基于训练后的各层RBM网络进行叠加以生成深度学习DBN模型”包括:
以所述训练样本集中的监测到的与溶解氧相关的参数以及对应的实际结果为数据基础,通过无监督训练算法从最底层的RBM网络开始,自下而上逐层训练RBM网络,并获取训练后的特征向量;
通过有监督BP算法对RBM进行训练,以使DBM自上而下对RBM进行逐层序列,对初步确定的参数进行优化,确定所述DBN模型的最终参数;其中所述最终参数包括输入层结点的个数、隐含层结点的个数、隐含层的层数和各层权重系数;
基于所述最终参数以及所述特征向量对各层RBM网络进行叠加处理,生成DBN模型。
4.如权利要求1所述的方法,其特征在于,对所述溶解氧时间序列数据进行归一化处理是通过下列公式来进行的:
<mrow>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<msubsup>
<mi>x</mi>
<mi>min</mi>
<mo>&prime;</mo>
</msubsup>
<mo>+</mo>
<mfrac>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mi>max</mi>
<mo>&prime;</mo>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mi>min</mi>
<mo>&prime;</mo>
</msubsup>
<mo>)</mo>
<mo>&times;</mo>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
其中,所述x’为进行了归一化后的数据;所述xmax和所述xmin是溶解氧时间序列数据x的最大值和最小值,x′max和x′min是映射的范围参数,默认为-1到1。
5.如权利要求1所述的方法,其特征在于,所述“基于所述训练样本集特征向量对最小二乘支持向量回归机进行训练,并基于训练得到的训练结果与所述实际结果进行比较,若所述训练结果与所述实际结果的差值小于预设值,则基于所述训练得到的组合参数来构建最小二乘支持向量回归机预测模型”包括:
通过径向基核函数对最小二乘支持向量回归机及核函数参数进行初始化处理;
将训练样本特征向量输入所述最小二乘支持向量回归机,并通过k-折交叉验证法进行优化训练;
当所述优化训练达到最大循环次数或误差小于指定的阈值时,获取训练得到的组合参数;其中,所述误差为所述训练结果与所述实际结果的差值;
通过所述组合参数构建最小二乘支持向量回归机预测模型。
6.一种养殖水体中溶解氧的预测系统,其特征在于,包括:
获取模块,用于获取养殖水体的数量超过一定数量的溶解氧时间序列数据;
预处理模块,用于对所述溶解氧时间序列数据进行修复以及归一化处理,并生成训练样本集与测试样本集;其中,所述训练样本集中包含有监测到的与溶解氧相关的参数以及对应的溶解氧的实际结果;所述测试样本集中包含监测到的与溶解氧相关的参数;
生成模块,用于通过所述训练样本集为数据基础,对多层限制波尔兹曼机RBM网络进行逐层无监督的训练,并基于训练后的各层RBM网络进行叠加以生成深度学习DBN模型;
提取模块,用于基于所述DBN模型分别对所述训练样本集与所述测试样本集进行特征提取,以分别获取到训练样本集特征向量与测试样本集特征向量;
构建模块,用于基于所述训练样本集特征向量对最小二乘支持向量回归机进行训练,并基于训练得到的训练结果与所述实际结果进行比较,若所述训练结果与所述实际结果的差值小于预设值,则基于所述训练得到的组合参数来构建最小二乘支持向量回归机预测模型;
预测模块,用于将所述测试样本集特征向量输入所述最小二乘支持向量回归机预测模型进行预测,以获取与所述测试样本集中的参数对应的预测向量;
处理模块,用于对所述预测向量进行反归一化处理,以获取到养殖水体中溶解氧的预测结果。
7.如权利要求6所述的系统,其特征在于,所述修复是基于相邻时间点的数据进行线性预测的预测结果;并基于预测结果对处于空白的数据进行填充,或超出预设范围的数据进行替换的操作。
8.如权利要求6所述的系统,其特征在于,所述生成模块,用于:
以所述训练样本集中的监测到的与溶解氧相关的参数以及对应的实际结果为数据基础,通过无监督训练算法从最底层的RBM网络开始,自下而上逐层训练RBM网络,并获取训练后的特征向量;
通过有监督BP算法对RBM进行训练,以使DBM自上而下对RBM进行逐层序列,对初步确定的参数进行优化,确定所述DBN模型的最终参数;其中所述最终参数包括输入层结点的个数、隐含层结点的个数、隐含层的层数和各层权重系数;
基于所述最终参数以及所述特征向量对各层RBM网络进行叠加处理,生成DBN模型。
9.如权利要求6所述的系统,其特征在于,对所述溶解氧时间序列数据进行归一化处理是通过下列公式来进行的:
<mrow>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<msubsup>
<mi>x</mi>
<mi>min</mi>
<mo>&prime;</mo>
</msubsup>
<mo>+</mo>
<mfrac>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mi>max</mi>
<mo>&prime;</mo>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mi>min</mi>
<mo>&prime;</mo>
</msubsup>
<mo>)</mo>
<mo>&times;</mo>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
其中,所述x’为进行了归一化后的数据;所述xmax和所述xmin是溶解氧时间序列数据x的最大值和最小值,x′max和x′min是映射的范围参数,默认为-1到1。
10.如权利要求6所述的系统,其特征在于,所述构建模块,用于:
通过径向基核函数对最小二乘支持向量回归机及核函数参数进行初始化处理;
将训练样本特征向量输入所述最小二乘支持向量回归机,并通过k-折交叉验证法进行优化训练;
当所述优化训练达到最大循环次数或误差小于指定的阈值时,获取训练得到的组合参数;其中,所述误差为所述训练结果与所述实际结果的差值;
通过所述组合参数构建最小二乘支持向量回归机预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710968743.1A CN107609718A (zh) | 2017-10-18 | 2017-10-18 | 一种养殖水体中溶解氧的预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710968743.1A CN107609718A (zh) | 2017-10-18 | 2017-10-18 | 一种养殖水体中溶解氧的预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107609718A true CN107609718A (zh) | 2018-01-19 |
Family
ID=61077698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710968743.1A Pending CN107609718A (zh) | 2017-10-18 | 2017-10-18 | 一种养殖水体中溶解氧的预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107609718A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108491953A (zh) * | 2018-01-31 | 2018-09-04 | 国网山东省电力公司电力科学研究院 | 一种基于非线性理论的pm2.5预测与预警方法及系统 |
CN109828089A (zh) * | 2019-02-13 | 2019-05-31 | 仲恺农业工程学院 | 一种基于dbn-bp的水质参数亚硝酸氮的在线预测方法 |
CN109886454A (zh) * | 2019-01-10 | 2019-06-14 | 北京工业大学 | 一种基于自组织深度信念网络和相关向量机的淡水环境水华预测方法 |
CN110598895A (zh) * | 2019-07-26 | 2019-12-20 | 天津科技大学 | 一种水产养殖溶解氧预测方法 |
CN112529147A (zh) * | 2020-10-19 | 2021-03-19 | 北京工业大学 | 断面水质中的氨氮含量预测方法及装置 |
CN113238014A (zh) * | 2021-04-19 | 2021-08-10 | 中国农业大学 | 一种基于鱼群行为的水质溶解氧预测方法及装置 |
CN113673605A (zh) * | 2021-08-24 | 2021-11-19 | 上海海洋大学 | 一种海水溶解氧评估方法 |
CN115440029A (zh) * | 2022-07-29 | 2022-12-06 | 重庆大学 | 一种考虑检测设备分布的车检器数据修复方法 |
Citations (4)
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系统 |
US20120191428A1 (en) * | 2011-01-26 | 2012-07-26 | Korea Environment Corporation | Apparatus and method for predicting total nitrogen using general water quality data |
CN104966106A (zh) * | 2015-07-13 | 2015-10-07 | 哈尔滨工业大学 | 一种基于支持向量机的生物年龄分步预测方法 |
CN106980873A (zh) * | 2017-03-09 | 2017-07-25 | 南京理工大学 | 基于深度学习的锦鲤筛选方法及装置 |
-
2017
- 2017-10-18 CN CN201710968743.1A patent/CN107609718A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120191428A1 (en) * | 2011-01-26 | 2012-07-26 | Korea Environment Corporation | Apparatus and method for predicting total nitrogen using general water quality data |
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系统 |
CN104966106A (zh) * | 2015-07-13 | 2015-10-07 | 哈尔滨工业大学 | 一种基于支持向量机的生物年龄分步预测方法 |
CN106980873A (zh) * | 2017-03-09 | 2017-07-25 | 南京理工大学 | 基于深度学习的锦鲤筛选方法及装置 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108491953A (zh) * | 2018-01-31 | 2018-09-04 | 国网山东省电力公司电力科学研究院 | 一种基于非线性理论的pm2.5预测与预警方法及系统 |
CN108491953B (zh) * | 2018-01-31 | 2022-02-25 | 国网山东省电力公司电力科学研究院 | 一种基于非线性理论的pm2.5预测与预警方法及系统 |
CN109886454A (zh) * | 2019-01-10 | 2019-06-14 | 北京工业大学 | 一种基于自组织深度信念网络和相关向量机的淡水环境水华预测方法 |
CN109886454B (zh) * | 2019-01-10 | 2021-03-02 | 北京工业大学 | 一种基于自组织深度信念网络和相关向量机的淡水环境水华预测方法 |
CN109828089A (zh) * | 2019-02-13 | 2019-05-31 | 仲恺农业工程学院 | 一种基于dbn-bp的水质参数亚硝酸氮的在线预测方法 |
CN110598895A (zh) * | 2019-07-26 | 2019-12-20 | 天津科技大学 | 一种水产养殖溶解氧预测方法 |
CN112529147A (zh) * | 2020-10-19 | 2021-03-19 | 北京工业大学 | 断面水质中的氨氮含量预测方法及装置 |
CN113238014A (zh) * | 2021-04-19 | 2021-08-10 | 中国农业大学 | 一种基于鱼群行为的水质溶解氧预测方法及装置 |
CN113673605A (zh) * | 2021-08-24 | 2021-11-19 | 上海海洋大学 | 一种海水溶解氧评估方法 |
CN113673605B (zh) * | 2021-08-24 | 2024-02-06 | 上海海洋大学 | 一种海水溶解氧评估方法 |
CN115440029A (zh) * | 2022-07-29 | 2022-12-06 | 重庆大学 | 一种考虑检测设备分布的车检器数据修复方法 |
CN115440029B (zh) * | 2022-07-29 | 2023-08-08 | 重庆大学 | 一种考虑检测设备分布的车检器数据修复方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107609718A (zh) | 一种养殖水体中溶解氧的预测方法及系统 | |
CN105931179B (zh) | 一种联合稀疏表示与深度学习的图像超分辨率方法及系统 | |
CN110163433B (zh) | 一种船舶流量预测方法 | |
CN102524024B (zh) | 基于计算机视觉的作物灌溉系统 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN106651830A (zh) | 一种基于并行卷积神经网络的图像质量测试方法 | |
US20230375745A1 (en) | High-temperature disaster forecast method based on directed graph neural network | |
CN110516539A (zh) | 基于对抗网络的遥感影像建筑物提取方法、系统、存储介质及设备 | |
CN109635511A (zh) | 一种基于条件生成对抗网络的高层居住区强排方案生成设计方法 | |
CN107506590A (zh) | 一种基于改进深度信念网络的心血管疾病预测模型 | |
CN105701513A (zh) | 快速提取掌纹感兴趣区域的方法 | |
CN105139395A (zh) | 基于小波池化卷积神经网络的sar图像分割方法 | |
CN101793887A (zh) | 大菱鲆养殖水质评价的模糊神经网络专家系统的构建方法 | |
CN107527031A (zh) | 一种基于ssd的室内目标检测方法 | |
CN112836434A (zh) | 融合时序特征和统计特征的风电超短期功率预测方法 | |
CN112330050A (zh) | 一种基于双层XGBoost考虑多特征的电力系统负荷预测方法 | |
Priya et al. | An IoT based gradient descent approach for precision crop suggestion using MLP | |
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 | |
CN109308544A (zh) | 基于对比散度-长短期记忆网络的蓝藻水华预测方法 | |
CN105184400A (zh) | 一种烟田土壤水分预测方法 | |
CN109711590A (zh) | 渔业水质分析监测方法、装置和系统 | |
Uoc et al. | A novel automatic detecting system for cucumber disease based on the convolution neural network algorithm | |
CN103675010B (zh) | 支持向量机的工业熔融指数软测量仪表及方法 | |
CN103559510B (zh) | 一种利用相关主题模型识别社会群体行为的方法 | |
CN106156845A (zh) | 一种用于构建神经网络的方法和设备 |
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: 20180119 |