CN107977025A - 一种用于工厂化水产养殖溶解氧的调控系统及方法 - Google Patents

Abstract

本发明提供一种用于工厂化水产养殖溶解氧的调控系统及方法，系统中的数据收集模块获取养殖池中的各参数，并判断参数是否正常；预测模块通过反馈量、自乘矩阵、连续细化提取特征的卷积神经网络对溶解氧含量进行预测，并根据预测结果生成调控量值及调控命令；调控模块对系统进行实时控制，在对预测模块生成的调控命令及调控量进行变换后，进行按需增氧操作；报警模块实现对非正常状态下特殊情况处理；总控模块实现对整体系统的监管与控制。本发明中的预测算法模型收敛较传统神经网络算法更为快速且高效、调控过程精准低耗，增加了养殖收益。

Description

一种用于工厂化水产养殖溶解氧的调控系统及方法

技术领域

本发明涉及工厂化水产养殖的控制技术领域，具体涉及一种用于工厂化水产养殖溶解氧的调控系统及方法。

背景技术

工厂化水产养殖是集电子技术，自动化，土建工程等现代手段，在半封闭或全封闭的条件下，对养殖生产全过程进行自动化管控的一种生产模式。该方式的最大特点是可在高密度养殖条件下，始终维持较佳的生物生长条件，从而达到缩短养殖时间，提高养殖效率，降低能耗的目的。通常情况下，整个工厂化养殖系统包括设施系统和养殖技术两大体系。设施系统又分为养殖系统和水处理系统。

发明内容

本发明提供一种克服上述问题或者至少部分地解决上述问题的一种用于工厂化水产养殖溶解氧的调控系统及方法。

根据本发明的一个方面，提供一种用于工厂化水产养殖溶解氧的调控系统，包括数据收集模块、预测模块、调控模块、报警模块及总控模块；

所述数据收集模块用于获取所述调控模块反馈的调控量参数及所测时间点养殖池中的环境变量参数，并将所述调控量参数和环境变量参数输送至所述预测模块；判断所获取的调控量参数和环境变量参数的状态是否异常，若异常，则将异常结果发送至所述报警模块，其中所测环境参数包括水温，pH值，溶解氧，电导率；

所述预测模块用于将传感器接收的所述调控量参数和环境变量参数按4组为一单元进行划分，在每个单元中随机选取水温、pH值、溶解氧、电导率及调控量的值，形成输入向量并进行归一化预处理，将此向量与自身转置相乘形输入矩阵，使用训练好的算法模型，通过两次连续的抽象递进卷积，获得预测结果，根据所述预测结果及标准参照值，生成调控量值及调控命令，将所述调控量值和调控命令传送至调控模块；

所述调控模块通过接收调控量值及调控命令，对所述调控量值进行变换，根据变换后的调控量值实施具体操作动作；

所述报警模块对所述环境变量参数以及预测结果进行实时监测，当出现异常时进行报警；

所述总控模块用于对所述数据收集模块、预测模块、调控模块、报警模块进行调度与管控。

优选地，所述数据收集模块包括若干个参数传感器、传送器及数据信号通路和决策器；

其中，所述参数传感器安放在养殖池中采集相应的环境变量参数，通过所述传送器及数据信号通路传送至所述预测模块和总控模块；

所述决策器用于根据所述环境变量参数与标准值的比值超过预设范围，判断获知环境参数变量异常，并将环境变量参数异常的信息传送至所述报警模块。

优选地，所述预测模块包括预测计算单元和数据信号通路，所述预测计算单元用于根据预设的预测算法，预测未来一段时间内的溶解氧值、并根据预测的溶解氧值计算相应的调控量值，生成调控命令。

优选地，所述调控模块包括调控单元、增氧机和数据信号通路；

所述调控单元存储由预测模块发送的调控量值及调控命令，控制所述增氧机的开启和关闭，并对增氧量进行控制；

所述增氧机安放在养殖池上水口通路附近，根据所述调控单元的控制，实施增氧操作。

优选地，所述报警模块包括多个报警器和音箱；其中，每个所述报警器，对应一种异常情况，以实现对传送来的异常进行分类报警；所述音箱用于提示出现的异常情况，直至总控模块控制所述音箱停止提示。

优选地，所述总控模块包括总控计算机，显示器、转换器和数据信号通路；所述总控计算机用于显示所需信息，得到或发出信号对各单元进行程序自动化管控，所述转换器用于实现特定命令与接口信号之间的转换。

根据本发明的另一个方面，还提供一种用于工厂化水产养殖溶解氧的调控方法，包括：

步骤1、对养殖池中的环境参数进行采集，以获取某一时间段的环境数据，其中环境数据包括水温，pH值，溶解氧，电导率；

步骤2、用归一化方法对所述环境数据进行预处理，获得逆向CNN溶解氧预测控制模型的训练数据集；

步骤3、根据所述训练数据集，对训练集中的数据按4组数据为一单元进行分割，在每个单元中按随机概率分别选取水温，pH值，溶解氧，电导率的值，形成输入向量，并在此输入向量中加入反馈并归一化后的调控量值。通过对输入向量使用自乘矩阵，连续细化特征提取的逆向卷积神经网络方法来预测未来某一时间内的溶解氧值；

步骤4、根据预测的溶解氧值及真实值，使用误差反向传播及L2正则化方法训练模型；

步骤5.模型训练完成后，使用采集值，进行溶解氧的预测，并计算调控量值，生成调控命令，并将所述调控量值和调控命令发送给调控模块及总控模块，根据调控量值及调控命令对养殖池进行溶解氧含量控制。

优选地，所述步骤3包括：

步骤3.1、建立逆向CNN卷积神经网络溶解氧预测模型；

步骤3.2、根据所述溶解氧预测控制模型的输入数据格式要求，将采集参数按4组数据为一单元进行分割，在每个单元中按随机概率分别选取水温，pH值，溶解氧，电导率的值，形成输入向量，并在此输入向量中加入反馈的调控量值。将形成的一维向量与其自身转置相乘形成二维矩阵，以供模型进一步处理；

步骤3.3、通过模型对二维矩阵进行两次连续的细化特征提取，将提取后的关系特征值输入至全连接层；

步骤3.4、通过全连接层对数据进行最后一步处理，以得出预测值，并以此值与标准值做差得到调控量值；

其中，所述模型不含有池化层。

优选地，所述步骤3.1包括：

步骤3.1.1、搭建卷积层模型，根据溶解氧与其它参数的关系特征，建立逆向CNN的结构，所述逆向CNN的结构中采取两次连续细化特征提取，不含有池化层；

步骤3.1.2、搭建全连接层模型，采用4-3-1的全连接层结构。

本发明提出的一种用于工厂化水产养殖溶解氧的调控系统及方法。实现了对工厂化水产养殖系统进行高精度的预测及精细化的控制，实现了按需增氧，提高了增氧的准确性，降低了不必要的能耗，使得系统能够以较佳的状态运行。

本发明通过数据采集模块、预测模块、报警模块，总控模块等，实现了系统的完整控制及预测体系，在对系统精准控制的同时，提前对未来时段的溶解氧含氧量进行预测，以保证工厂化养殖环境中的溶解氧浓度满足要求，达到增产和降低成本的目的。

本发明通过在采集模块中安置各类型的水质参数传感器，实现了对所需必要数据的全面采集，以便于更加精确的进行下一步数据分析，为整个预测过程准确有效打下坚实基础。

本发明的技术方案通过预测模块包括预测计算单元(可由计算机或嵌入式设备承担)，及数据信号通路。该设备中实现了特定的算法，预测出未来一段时间的溶解氧值、计算出特定的调控量值，生成调控命令。该过程的处理是预测系统的关键，模型的架构为快速收敛，避免局部最优化奠定了基础。该数值服务于整个系统。

本发明的调控模块包括调控单元、增氧机(可扩展)、数据信号通路，通过对接收到的命令及数据进行变换，实现具体的增氧操作。使得鱼池水中的溶解氧含量在未来的一个时间段内保持在标准范围内。

本发明通过对所述环境数据进行数据标准化预处理，获得逆向CNN溶解氧预测调控模型的训练数据集，根据训练数据集，并由此得到最终的逆向CNN预测模型。

附图说明

图1是本发明实施例的用于工厂化水产养殖溶解氧的调控系统的功能框图；

图2是本发明实施例的预测模块的功能框图；

图3是本发明实施例的逆向CNN神经网络模型的算法流程图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

工厂化水产养殖存在密度高等特点，在该情况下，水中各参数之间存在着非常复杂的非线性关系，在通常情况下，我们只能确定存在某种关系，而不能确定具体存在哪种关系，这种关系也是研究人员一直在探寻的。传统溶解氧的预测过程存在收敛慢，局部最优等缺点。同时由于增氧过程存在滞后现象，因而需要提前进行预测，否则，当氧含量过低时再增氧，鱼类会因缺氧而大面积死亡，从而造成不必要的损失；同时，实现按需增氧，降低工业能耗。

本发明的实施例提供了一种用于工厂化水产养殖溶解氧的调控系统。参见图1，该智能调控系统包括数据收集模块101、预测模块102、调控模块103、报警模块104和总控模块105。具体包括如下内容：

数据收集模块用于获取一个时间段内养殖池中所需的各环境参数参数及由调控模块传送来的结果参数，由决策器对这些参数进行有效性决策。若在正常范围内，则直接将相应信息传送至总控模块中，则总控模块负责记录显示，并将此数据发送至预测模块；若数据不正常，则同时将该数据传送至报警模块及总控模块，进下一步的异常处理。

在本发明实施例中，环境参数包括：水温，pH值，溶解氧，电导率。采集的时间间隔根据实际模型及数值稳定程度确定。

预测模块在收到数据收集模块发送来的参数后，首先对参数进行预处理形成一维向量，然后对一维向量进行自乘变换形成二维矩阵。最终由预测模块进行预测计算，得到溶解氧调控量值(只计算增量)，及调控命令(命令分为：增X量、保持待机)。

上述描述中，得到的两个最终数据(调控量值和调控命令)均需同时发送至调控模块(供调控)及总控模块(供记录，显示、调控).

调控模块，接收由预测模块发送来的调控量值及调控命令，根据调控命令进行相应的具体操作，并自行决定该具体操作的所需时间。执行的两种命令是：增X量、保持待机。该具体操作的结果需传送至总控模块进行记录。

报警模块接收来自数据收集模块的异常数据，并根据该异常情况进行分类报警，同时将该报警信息发送至总控模块，该报警信息持续至由总控模块主动取消。

总控系统接收各模块发送来的信息，并对信息进行记录存储，同时根据状态的不同，发送不同的命令。实现对系统的精准控制。

从上述描述可知，通过各模块的设置，形成了一种对工厂化水产养殖溶解氧完整的控制及预测体系，在实现控制的同时，提前对未来时段的溶解氧含氧量进行预测，保证了溶解氧浓度满足鱼类生长的需要。

本发明实施例的，数据收集模块中具体包括如下内容：

水温传感器、pH值传感器、溶解氧传感器和电导率传感器。

上述各传感器负责收集相应的数据，将数据通过传送器实现转换，并传送至预测模块。

决策器，可由单片机承担，负责对所得数据的有效性进行决策。

图2示出了本发明的实施例的预测模块的功能框图，如图所示，预测模块包括：

数据预处理单元201，预测单元202，量值命令单元203；数据预处理单元201接收来自数据收集模块的数据，对此数据进行归一化处理，形成一维向量。预测单元202将形成的一维向量，自乘形成二维矩阵，并进行连续两次的细化特征处理，最终计算机预测结果，量值命令单元对该预测结果进行做差，得到调控量值与相应调控命令，并将调控量值和调控命令送往调控模块及总控模块。

从上述描述可知，通过预测模块，实现了参数数据的智能预测以及预测数据的及时传送。该过程对整体系统至关重要。逆向CNN算法的快速收敛及高精度，保证了该过程的准确实施。

在上述各实施例的基础上，本发明实施例调控模块包括：

命令处理单元，该单元负责对来自预测模块的数据进行处理，并启动具体操作命令，控制扩展接口启动相应的增氧机，信息传送单元将具体的操作信息传送至总控模块。

由上述可知，调控模块在具体上一层命令的指示下，完成了具体的增氧或状态保持工作。保证了整体养殖池里溶解氧参数的稳定。

本发明实施例报警模块包括：

分类报警器，该装置根据传入信号的不同，将其映射成不同的报警方式，如不同音色的声音，同时将报警方式传送至总控模块，直至总控模块主动取消。

由上述实施例可知，该模块实现了整体系统异常报警功能，保证了异常情况处理的实时性，从而保证了整体系统的稳定运行。

本发明实施例的总控模块具体包括：

主控计算机，该计算机负责处理各模块传送来的各种情况，并进行自动化或人工干预处理，并记录保存相应数据，将数据存储至数据库中。转换器负责将计算机发送或接收的命令转换成相应的格式，实现特定命令与接口信号之间的转换。

由上述可知，该总控模块是整体系统的管理中心，负责整个系统的正常运行，并对整个系统进行统一管理。实现了整体系统，处处可管控，时时可查看。

进一步的，本发明还提供了一种用于工厂化水产养殖溶解氧的预测方法,具体包括如下步骤：

步骤1、对养殖池中的环境参数进行采集，以获取某一时间段的环境数据，其中环境数据包括水温，pH值，溶解氧，电导率。

步骤2、用归一化方法对所述环境数据进行预处理，获得逆向CNN溶解氧预测控制模型的训练数据集。

步骤3、根据所述训练数据集，对训练集中的数据按4组数据为一单元进行分割，在该小组数据中，按随机概率分别选取水温，pH值，溶解氧，电导率的值，形成输入向量，并在此输入向量中加入反馈并归一化后的调控量值。通过对输入向量使用自乘矩阵，连续细化特征提取的逆向卷积神经网络方法来预测未来某一时间内的溶解氧值。

步骤4、根据预测的溶解氧值及真实值，使用误差反向传播及正则化方法训练模型；

步骤5.训练完成后，使用采集值，进行溶解氧的预测，并计算调控量值，生成调控命令，并将所述调控量值和调控命令发送给调控模块及总控模块，根据调控量值及调控命令对养殖池进行溶解氧含量控制。

在上述实施例的基础上，步骤3具体包括：

步骤3.1、建立逆向CNN卷积神经网络溶解氧预测模型；

步骤3.2、根据所述溶解氧预测控制模型的输入数据格式要求，将采集参数按4组数据为一单元进行分割，在每个单元中，按随机概率分别选取水温，pH值，溶解氧，电导率的值，形成输入向量，并在此输入向量中加入反馈的调控量值。形成的一维向量与其自身转置相乘形成二维矩阵，以供模型进一步处理；

步骤3.3、通过模型对二维矩阵进行两次连续的细化特征提取，将提取后的关系特征值输入至全连接层；

步骤3.4、通过全连接层对数据进行最后一步处理，以得出预测值，并以此值与标准值做差得到调控量值；

其中，所述溶解氧预测控制模型不含有池化层。

在上述各实施例的基础上，所述步骤3-1包括：

步骤3.1.1、搭建卷积层模型，根据溶解氧与其它参数的关系特征，建立逆向CNN的结构，所述逆向CNN的结构中采取两次连续细化特征提取，去除了池化层；

步骤3.1.2、搭建全连接层模型，采用4-3-1的全连接层结构。所述步骤3.2包括：

将归一化后的采集参数一维向量与其自身转置相乘，形成二维矩阵。

所述步骤3.3包括：

采用2*2*4的过滤器对二维矩阵进行两次连续的特征提取，形成关系特征值形成1*16的一维向量。

在上述实施例的基础上，所述步骤4包括：

采用4-3-1的矩阵对卷积层形成的关系特征值进行最后的处理，形成最终的训练值或预测值(训练值或预测值皆为单数值)。

从上述描述可知，该方法通过用归一化方法对环境数据进行数据标准化预处理，获得溶解氧模型训练数据集，根据训练数据集，基于逆向CNN神经网络溶解氧预测控制模型，将当前溶解氧含量的实时数据输入溶解氧预测控制模型，得到未来的一个时间的鱼池水中的较准确的溶解氧含量的预测结果；实现了对整体系统进行实时且准确的控制，并在控制的同时对系统中水池的溶解氧含量进行准确预测，实现了按需增氧，提高了增氧的准确性和及时性。

为具体说明该方法，该发明还提供一种智能预测控制方法的具体应用例。具体如下：

传感器检测各参数实时数据后，传送器通过数据通路传输给总控模块、预测模块、预测模块通过逆向CNN神经网络获取溶解氧预测控制模型，对所采集的水质指标数据进行预测，得出的预测结果与溶解氧准确数据做对比，并反馈修正模型，在实际预测后将生成的量值及命令传送至调控模块及总控模块。预测步骤：

S1：采集预定时段内养殖池中水环境数据，建立数据集；

具体地，采集频率例如为每十五分钟一次，采集时间连续，如连续一个月，按时间对其分组。

S2：用归一化方法对原始数据集进行数据标准化预处理，获得训练数据集；

S3：基于逆向CNN来建立预测模型；

逆向CNN神经网络模型的算法流程图参见图3，如图可知，该流程包括：

采用4*4的自乘输入矩阵，将输入向量Input＝[EC,T,DO,PH，Δ]

与其转置矩阵自乘，形成矩阵，其中EC为电导率，T为温度，DO为溶解氧，Δ为调控量值)在去除池化层的抽象提取基础上，使用两个连续的卷积层实现关系特征的细化提取(非抽象)，该两个卷积层使用的窗口过滤器大小均为2*2*4，最后形成Input_FC＝4*4＝[Y1,Y2….Y16]的一维全连接层输入向量。具体算法如下。

Z21＝EC*DO (1)

X11＝f([Z21 Z22 Z31 Z32]·[W1 W2 W3 W4]_L1+B_L1) (2)

X12＝f([Z22 Z23 Z32 Z33]·[W1 W2 W3 W4]_L1+B_L1) (3)

Input_FC＝[Y1,Y2,Y3,Y4,......,Y13,Y14,Y15,Y16] (5)

其中，Z21表示自乘后的矩阵中第2行第1列的值，X21_L1表示第一次得到的卷积层的第一层，X22_L1表示第一次得到的卷积层的第二层，Y2_L5表示L5层的Y2值，W^L5 _xyz表示L5层的各层权重值，B_L5表示L5层的权重，Input-FC表示全连接层的输入向量，Y1表示输入向量的第一个分量。

具体模型算法流程如下：

在逆向理解CNN的卷积部分中，使用padding＝'VALID'的卷积模式(边缘非0填充)，两次卷积核参数为2*2*4，步长stride均为1,ReLU模型神经元，在全连接部分中使用tanh非线性变换函数。使用MSE(Mean Squared Error)均方误差对Mini_batch＝500(以500为单位对数据进行分组运算)进行误差统计，

其中，C_MSE为均方差值，为预测值，do为真实值t并使用L2正则化对模型整体进行优化校正，L2正则化公式如下：

其中：w_i为第i个全连接层的权重。配合MSE的均方误差计算，最终loss函数的公式为：

W为模型整体权重，b为模型整体偏置，w_i第i个全连接层权重。λ为模型复杂损失在总损失中的比例，其值选用经验值0.01。学习速率为0.01。使用AdamOptimizer方式进行训练，该函数求取一个Mini_batch数据的J值，并以此值进行参数最小化反向梯度更新。其更新方式为：

其中：学习速率η＝0.01,W’_i为更新后的权重，W_i为原权重，B’_i为更新后偏置，B_i为原偏置。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，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 (9)

1.一种用于工厂化水产养殖溶解氧的调控系统，其特征在于，包括数据收集模块、预测模块、调控模块、报警模块及总控模块；

所述数据收集模块用于获取所述调控模块反馈的调控量参数及所测时间点养殖池中的环境变量参数，并将所述调控量参数和环境变量参数输送至所述预测模块；判断所获取的调控量参数和环境变量参数的状态是否异常，若异常，则将异常结果发送至所述报警模块，其中所测环境参数包括水温，pH值，溶解氧，电导率；

所述预测模块用于将传感器接收的所述调控量参数和环境变量参数按4组为一单元进行划分，在每个单元中随机选取水温、pH值、溶解氧、电导率及调控量的值，形成输入向量并进行归一化预处理，将此向量与自身转置相乘形输入矩阵，使用训练好的算法模型，通过两次连续的抽象递进卷积，获得预测结果，根据所述预测结果及标准参照值，生成调控量值及调控命令，将所述调控量值和调控命令传送至调控模块；

所述调控模块通过接收调控量值及调控命令，对所述调控量值进行变换，根据变换后的调控量值实施具体操作动作；

所述报警模块对所述环境变量参数以及预测结果进行实时监测，当出现异常时进行报警；

所述总控模块用于对所述数据收集模块、预测模块、调控模块、报警模块进行调度与管控。

2.根据权利要求1所述的调控系统，其特征在于，所述数据收集模块包括若干个参数传感器、传送器及数据信号通路和决策器；

其中，所述参数传感器安放在养殖池中采集相应的环境变量参数，通过所述传送器及数据信号通路传送至所述预测模块和总控模块；

所述决策器用于根据所述环境变量参数与标准值的比值超过预设范围，判断获知环境参数变量异常，并将环境变量参数异常的信息传送至所述报警模块。

3.根据权利要求1所述的系统，其特征在于，所述预测模块包括预测计算单元和数据信号通路，所述预测计算单元用于根据预设的预测算法，预测未来一段时间内的溶解氧值、并根据预测的溶解氧值计算相应的调控量值，生成调控命令。

4.根据权利要求1所述的系统，其特征在于，所述调控模块包括调控单元、增氧机和数据信号通路；

所述调控单元存储由预测模块发送的调控量值及调控命令，控制所述增氧机的开启和关闭，并对增氧量进行控制；

所述增氧机安放在养殖池上水口通路附近，根据所述调控单元的控制，实施增氧操作。

5.根据权利要求1所述的系统，其特征在于，所述报警模块包括多个报警器和音箱；其中，每个所述报警器，对应一种异常情况，以实现对传送来的异常进行分类报警；所述音箱用于提示出现的异常情况，直至总控模块控制所述音箱停止提示。

6.根据权利要求1所述的系统，其特征在于，所述总控模块包括总控计算机，显示器、转换器和数据信号通路；所述总控计算机用于显示所需信息，得到或发出信号对各单元进行程序自动化管控，所述转换器用于实现特定命令与接口信号之间的转换。

7.一种用于工厂化水产养殖溶解氧的调控方法，其特征在于，包括：

步骤1、对养殖池中的环境参数进行采集，以获取某一时间段的环境数据，其中环境数据包括水温，pH值，溶解氧，电导率；

步骤2、用归一化方法对所述环境数据进行预处理，获得逆向CNN溶解氧预测控制模型的训练数据集；

步骤3、根据所述训练数据集，对训练集中的数据按4组数据为一单元进行分割，在每个单元中按随机概率分别选取水温，pH值，溶解氧，电导率的值，形成输入向量，并在此输入向量中加入反馈并归一化后的调控量值，通过对输入向量使用自乘矩阵，连续细化特征提取的逆向卷积神经网络方法来预测未来某一时间内的溶解氧值；

步骤4、根据预测的溶解氧值及真实值，使用误差反向传播及L2正则化方法训练模型；

步骤5.模型训练完成后，使用采集值，进行溶解氧的预测，并计算调控量值，生成调控命令，并将所述调控量值和调控命令发送给调控模块及总控模块，根据调控量值及调控命令对养殖池进行溶解氧含量控制。

8.根据权利要求7所述的调控方法，其特征在于，所述步骤3包括：

步骤3.1、建立逆向CNN卷积神经网络溶解氧预测模型；

步骤3.2、根据所述溶解氧预测控制模型的输入数据格式要求，将采集参数按4组数据为一单元进行分割，在每个单元中按随机概率分别选取水温，pH值，溶解氧，电导率的值，形成输入向量，并在此输入向量中加入反馈的调控量值，将形成的一维向量与其自身转置相乘形成二维矩阵，以供模型进一步处理；

步骤3.3、通过模型对二维矩阵进行两次连续的细化特征提取，将提取后的关系特征值输入至全连接层；

步骤3.4、通过全连接层对数据进行最后一步处理，以得出预测值，并以此值与标准值做差得到调控量值；

其中，所述模型不含有池化层。

9.根据权利要求8所述的调控方法，其特征在于，所述步骤3.1包括：

步骤3.1.1、搭建卷积层模型，根据溶解氧与其它参数的关系特征，建立逆向CNN的结构，所述逆向CNN的结构中采取两次连续细化特征提取，不含有池化层；

步骤3.1.2、搭建全连接层模型，采用4-3-1的全连接层结构。