CN110334845A - 一种基于gru溶解氧长时间预测方法 - Google Patents
一种基于gru溶解氧长时间预测方法 Download PDFInfo
- Publication number
- CN110334845A CN110334845A CN201910364029.0A CN201910364029A CN110334845A CN 110334845 A CN110334845 A CN 110334845A CN 201910364029 A CN201910364029 A CN 201910364029A CN 110334845 A CN110334845 A CN 110334845A
- Authority
- CN
- China
- Prior art keywords
- gru
- dissolved oxygen
- prediction
- data
- model
- 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 54
- 239000001301 oxygen Substances 0.000 title claims abstract description 54
- 229910052760 oxygen Inorganic materials 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 31
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000013480 data collection Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 229910017464 nitrogen compound Inorganic materials 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000004090 dissolution Methods 0.000 claims 1
- 238000009395 breeding Methods 0.000 abstract description 9
- 230000001488 breeding effect Effects 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 9
- 238000006213 oxygenation reaction Methods 0.000 abstract description 4
- 238000005265 energy consumption Methods 0.000 abstract description 3
- 238000009360 aquaculture Methods 0.000 abstract description 2
- 244000144974 aquaculture Species 0.000 abstract description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001550 time effect Effects 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Farming Of Fish And Shellfish (AREA)
Abstract
本发明涉及水产养殖领域,具体为大闸蟹的养殖,涉及一种基于GRU溶解氧长时间预测方法。本发明使用与溶解氧具有较强相关性的变量,合理设计划分数据集,并运用GRU网络进行建模,提高了模型的预测精度,达到长时间预测的效果,可准确预测溶解氧未来一段时间内的变化趋势,为养殖户养殖过程的增氧等措施提供合理建议,从而规划增氧设备的使用时间,有效提高大闸蟹产量和降低养殖过程中的能耗和成本。
Description
技术领域
本发明涉及水产养殖领域,具体为大闸蟹的养殖,涉及一种基于GRU溶解氧长时间预测方法。
背景技术
水产养殖业是我国的重要产业之一,溶解氧作为水质变化的重要参数,反映了养殖水域的水体环境,并影响着大闸蟹的生长过程。准确预测溶解氧的浓度,可以为养殖户提供养殖建议,但是在实际养殖中,养殖水域溶解氧数值大都无法长时间进行预测,并且短期预测结果也不精确,极易导致人工增氧不及时,造成大闸蟹死亡等恶劣后果。
发明内容
本发明要解决的技术问题是提供一种可长时间预测溶解氧的变化趋势,预测精度高的基于GRU溶解氧长时间预测方法。
为了解决上述技术问题,本发明解决其技术问题所采用的技术方案是:
一种基于GRU溶解氧长时间预测方法,包括以下步骤:
S1:构建数据集,使用历史采集的养殖水域的历史数据,包括养殖水域的温度、pH、浊度、氨氮化合物浓度、溶解氧浓度以及相应的采集时间,分析每个历史数据间的相关性,然后建立数据集;
S2:设定输入输出数据集,根据数据集的采集周期为10分钟,将输入数据集中的单个元素设定为120次采集数据构成的6*120矩阵,其为时刻t前20时小时采集的数据,包括采集的时间记录、温度、pH、浊度、NH和溶解氧浓度;将输出数据集设定为t时刻向后20小时的溶解氧浓度;
S3:优化模型,以交叉验证的方式对输入数据集和输出数据划分为训练集和测试集,分别训练和测试优化的GRU网络模型,结合设定的初始网络参数,建立预测溶解氧的预测GRU模型,用损失函数对预测GRU模型进行跟踪,调整参数,以获得最优的预测GRU模型;
S4:验证预测模型,对养殖水域的数据进行采集,运用步骤S3所建立的预测GRU模型预测溶解氧数据并对其检测,以获得养殖水域的溶解氧变化趋势。
优选的,在步骤S2中,在对数据集划分输入输出数据集时,将溶解氧浓度划入输入数据集中。
优选的,在步骤S3、S4中,在对预测GRU模型的训练和验证过程中,对预测GRU模型进行反复多次训练,用以优化预测模型。
优选的,步骤S1中,在分析每个历史数据间的相关性前,先对历史数据中的异常值进行异常值处理。
优选的,步骤S3中,在训练过程中,对预测GRU模型的参数进行优化,包括节点数、学习率和迭代次数。
优选的,步骤S3中,初始网络参数包括各层节点数,学习率,优化器以及损失函数。
本发明的有益效果:
本发明使用与溶解氧具有较强相关性的变量,合理设计划分数据集,并运用GRU网络进行建模,提高了模型的预测精度,达到长时间预测的效果,可准确预测溶解氧未来一段时间内的变化趋势,为养殖户养殖过程的增氧等措施提供合理建议,从而规划增氧设备的使用时间,有效提高大闸蟹产量和降低养殖过程中的能耗和成本。
附图说明
图1是本发明的一种基于GRU溶解氧长时间预测方法流程图。
图2是运用已有数据进行相关性分析后得到的结果。
图3是本发明模型测试结果图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
参照图1-3所示,一种基于GRU溶解氧长时间预测方法,包括以下步骤:
S1:构建数据集,使用历史采集的养殖水域的历史数据,包括养殖水域的温度、pH、浊度、氨氮化合物浓度(NH)、溶解氧浓度以及相应的采集时间,分析每个历史数据间的相关性,验证数据选择的合理性,然后建立数据集;
S2:设定输入输出数据集,根据数据集的采集周期为10分钟,将输入数据集中的单个元素设定为120次采集数据构成的6*120矩阵,其为时刻t前20 时小时采集的数据,包括采集的时间记录、温度、pH、浊度、NH和溶解氧浓度,将输出数据集设定为t时刻向后20小时的溶解氧浓度;
S3:优化模型,以交叉验证的方式对输入数据集和输出数据划分为训练集和测试集,分别训练和测试优化的Gated Recurrent Unit(GRU)网络模型,结合设定的初始网络参数,建立预测溶解氧的预测GRU模型,用损失函数对预测GRU 模型进行跟踪,调整参数,以获得最优的预测GRU模型;
S4:验证预测模型,对养殖水域的数据进行采集,运用步骤S3所建立的预测GRU模型预测溶解氧数据并对其检测,以获得养殖水域的溶解氧变化趋势。
本发明利用养殖水域的环境因素的数据,结合合理的数据集划分建立预测 GRU模型,确保长时间预测溶解氧浓度变化的精度,达到对养殖户养殖过程提供合理建议的目的,本发明中的预测GRU模型在一定程度上达到预测水质变化的作用,从而提高大闸蟹产量和降低养殖过程中的成本投入。
本发明使用与溶解氧具有较强相关性的变量,合理设计划分数据集,并运用GRU网络进行建模,提高了模型的预测精度,达到长时间预测的效果,可准确预测溶解氧未来一段时间内的变化趋势,为养殖户养殖过程的增氧等措施提供合理建议,从而规划增氧设备的使用时间,有效提高大闸蟹产量和降低养殖过程中的能耗和成本。
本发明的预测模型的选择,使用GRU模型进行预测,达到较优的预测效果。 GRU是Recurrent Neural Network(RNN)的一种衍生模型,是基于long short-term memory(LSTM)优化细胞单元后的模型。RNN作为常用的解决时序序列预测问题的模型,拥有很好的预测精度,而相较于RNN和LSTM,GRU对于时序序列的预测效果要更为优秀。
在步骤S2中,在对数据集划分输入输出数据集时,将溶解氧浓度划入输入数据集中,将溶解氧浓度自身放入输入数据集,可丰富单次输入的数据量,提高预测GRU模型长时间预测的精度。
在步骤S3、S4中,在对预测GRU模型的训练和验证过程中,对预测GRU 模型进行反复多次训练,用以优化预测模型。进行多次训练,可进一步优化预测模型,提高长时间预测的效果和精度,在结合实际采集数据,使得预测GRU 模型的检验模型效果更好。
步骤S1中,在分析每个历史数据间的相关性前,先对历史数据中的异常值进行异常值处理。
步骤S3中,在训练过程中,对预测GRU模型的参数进行优化,包括节点数、学习率和迭代次数。
步骤S3中,初始网络参数包括各层节点数,学习率,优化器以及损失函数。
参阅图3,其中黑色实线为监测得到的实际溶解氧浓度,灰色实线为预测得到的溶解氧浓度,下标为测试数据集当前时刻后的间隔时间,单位是分钟 (min)。
具体的,步骤S1中,将历史数据中的采集时间化解为时间常数,构建6 种数据组成的6维的基础数据集,处理异常值,然后分析数据集中每个维数据间的相关性;
步骤S2中,以预测时长ti,单位小时(h),将单个输入数据长度设置为6ti,为6ti组数据组成的矩阵,相邻两个数据间的时差为10min,以此构建输入数据集;以与输入数据集相差ti时刻的溶解氧浓度数据设置为输入数据集的标签,也就是输出数据集。
步骤S3中,使用GRU网络建立预测模型,选择初始参数,包括各层节点数,学习率,优化器,损失函数等等,通过训练过程中跟踪损失函数变化,调整参数。利用模型评价指标,包括平均绝对误差(MAE)、均方差(MSE)、平均绝对百分误差(MAPE),以及拟合度(R2),检验模型训练效果和测试效果;
步骤S4中,在实际养殖过程中采集溶解氧数据,模型预测效果,进一步完善预测GRU模型。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (6)
1.一种基于GRU溶解氧长时间预测方法,其特征在于,包括以下步骤:
S1:构建数据集,使用历史采集的养殖水域的历史数据,包括养殖水域的温度、pH、浊度、氨氮化合物浓度、溶解氧浓度以及相应的采集时间,分析每个历史数据间的相关性,然后建立数据集;
S2:设定输入输出数据集,根据数据集的采集周期为10分钟,将输入数据集中的单个元素设定为120次采集数据构成的6*120矩阵,其为时刻t前20时小时采集的数据,包括采集的时间记录、温度、pH、浊度、NH和溶解氧浓度;将输出数据集设定为t时刻向后20小时的溶解氧浓度;
S3:优化模型,以交叉验证的方式对输入数据集和输出数据划分为训练集和测试集,分别训练和测试优化的GRU网络模型,结合设定的初始网络参数,建立预测溶解氧的预测GRU模型,用损失函数对预测GRU模型进行跟踪,调整参数,以获得最优的预测GRU模型;
S4:验证预测模型,对养殖水域的数据进行采集,运用步骤S3所建立的预测GRU模型预测溶解氧数据并对其检测,以获得养殖水域的溶解氧变化趋势。
2.如权利要求1所述的基于GRU溶解氧长时间预测方法,其特征在于,在步骤S2中,在对数据集划分输入输出数据集时,将溶解氧浓度划入输入数据集中。
3.如权利要求1所述的基于GRU溶解氧长时间预测方法,其特征在于,在步骤S3、S4中,在对预测GRU模型的训练和验证过程中,对预测GRU模型进行反复多次训练,用以优化预测模型。
4.如权利要求1所述的基于GRU溶解氧长时间预测方法,其特征在于,步骤S1中,在分析每个历史数据间的相关性前,先对历史数据中的异常值进行异常值处理。
5.如权利要求1所述的基于GRU溶解氧长时间预测方法,其特征在于,步骤S3中,在训练过程中,对预测GRU模型的参数进行优化,包括节点数、学习率和迭代次数。
6.如权利要求1所述的基于GRU溶解氧长时间预测方法,其特征在于,步骤S3中,初始网络参数包括各层节点数,学习率,优化器以及损失函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910364029.0A CN110334845A (zh) | 2019-04-30 | 2019-04-30 | 一种基于gru溶解氧长时间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910364029.0A CN110334845A (zh) | 2019-04-30 | 2019-04-30 | 一种基于gru溶解氧长时间预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110334845A true CN110334845A (zh) | 2019-10-15 |
Family
ID=68140111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910364029.0A Pending CN110334845A (zh) | 2019-04-30 | 2019-04-30 | 一种基于gru溶解氧长时间预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110334845A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889550A (zh) * | 2019-11-22 | 2020-03-17 | 江南大学 | 基于迁移学习的不同水域溶解氧预测方法 |
CN110991776A (zh) * | 2020-03-04 | 2020-04-10 | 浙江鹏信信息科技股份有限公司 | 一种基于gru网络实现水位预测的方法及系统 |
CN111291937A (zh) * | 2020-02-25 | 2020-06-16 | 合肥学院 | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 |
CN113361115A (zh) * | 2021-06-11 | 2021-09-07 | 仲恺农业工程学院 | 一种罗非鱼工厂化养殖水质溶解氧变化预测方法 |
CN113724796A (zh) * | 2020-05-25 | 2021-11-30 | 中国石油化工股份有限公司 | 化工装置尾气含氧量计算方法、装置、存储介质及处理器 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108665106A (zh) * | 2018-05-15 | 2018-10-16 | 中国农业大学 | 一种水产养殖溶解氧预测方法及装置 |
CN108717586A (zh) * | 2018-05-10 | 2018-10-30 | 江南大学 | 一种基于长短时记忆网络的水产养殖环境溶解氧预测方法 |
AU2018101513A4 (en) * | 2018-10-11 | 2018-11-15 | Hui, Bo Mr | Comprehensive Stock Prediction GRU Model: Emotional Index and Volatility Based |
KR20190036672A (ko) * | 2017-09-28 | 2019-04-05 | 한국과학기술원 | 게이티드 순환 신경망 디트렌딩방법, 디트렌딩 장치 및 기록매체 |
-
2019
- 2019-04-30 CN CN201910364029.0A patent/CN110334845A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
KR20190036672A (ko) * | 2017-09-28 | 2019-04-05 | 한국과학기술원 | 게이티드 순환 신경망 디트렌딩방법, 디트렌딩 장치 및 기록매체 |
CN108717586A (zh) * | 2018-05-10 | 2018-10-30 | 江南大学 | 一种基于长短时记忆网络的水产养殖环境溶解氧预测方法 |
CN108665106A (zh) * | 2018-05-15 | 2018-10-16 | 中国农业大学 | 一种水产养殖溶解氧预测方法及装置 |
AU2018101513A4 (en) * | 2018-10-11 | 2018-11-15 | Hui, Bo Mr | Comprehensive Stock Prediction GRU Model: Emotional Index and Volatility Based |
Non-Patent Citations (3)
Title |
---|
方卫华等: "《跨拦河建筑物安全状态感知、融合与预测》", 31 December 2018, 河海大学出版社 * |
项勇等: "《四川省城市交通基础设施与区域经济相关耦合性研究》", 30 October 2018, 中国经济出版社 * |
高志强等: "《深度学习从入门到实践》", 30 June 2018, 中国铁道出版社 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889550A (zh) * | 2019-11-22 | 2020-03-17 | 江南大学 | 基于迁移学习的不同水域溶解氧预测方法 |
CN111291937A (zh) * | 2020-02-25 | 2020-06-16 | 合肥学院 | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 |
CN110991776A (zh) * | 2020-03-04 | 2020-04-10 | 浙江鹏信信息科技股份有限公司 | 一种基于gru网络实现水位预测的方法及系统 |
CN113724796A (zh) * | 2020-05-25 | 2021-11-30 | 中国石油化工股份有限公司 | 化工装置尾气含氧量计算方法、装置、存储介质及处理器 |
CN113361115A (zh) * | 2021-06-11 | 2021-09-07 | 仲恺农业工程学院 | 一种罗非鱼工厂化养殖水质溶解氧变化预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110334845A (zh) | 一种基于gru溶解氧长时间预测方法 | |
CN101796928B (zh) | 养殖水体水质参数对养殖生物生长状态影响的预测方法 | |
CN106198909B (zh) | 一种基于深度学习的水产养殖水质预测方法 | |
CN103218669B (zh) | 一种智能的活鱼养殖水质综合预测方法 | |
CN102183621B (zh) | 水产养殖溶解氧浓度在线预测方法及系统 | |
CN107392376B (zh) | 一种农作物气象产量预测方法及系统 | |
CN108717586A (zh) | 一种基于长短时记忆网络的水产养殖环境溶解氧预测方法 | |
Klepper et al. | Prediction uncertainty in an ecological model of the Oosterschelde Estuary | |
CN108614422B (zh) | 陆基工厂循环水养殖中溶解氧优化控制方法、装置及系统 | |
CN108872508A (zh) | 一种ga-bp优化tsfnn的富营养水质评价方法 | |
CN109816267A (zh) | 一种智能大豆生产管理方法及系统 | |
Wang et al. | Reliable model of reservoir water quality prediction based on improved ARIMA method | |
CN109711590B (zh) | 渔业水质分析监测方法、装置和系统 | |
Wang et al. | Modeling of soft sensor based on DBN-ELM and its application in measurement of nutrient solution composition for soilless culture | |
CN114637351B (zh) | 一种设施作物温室环境调控方法及系统 | |
Wang et al. | Real-time monitoring of environmental information and modeling of the photosynthetic rate of tomato plants under greenhouse conditions | |
CN112364710B (zh) | 一种基于深度学习算法的植物电信号分类识别方法 | |
CN112273026B (zh) | 一种潮汐育苗营养液精准决策方法和系统 | |
CN105654242A (zh) | 一种基于鱼群算法的黄瓜幼苗期二氧化碳优化调控模型及建立与应用 | |
CN108038586A (zh) | 一种河蟹养殖的水环境评价方法及系统 | |
CN201830751U (zh) | 养殖水体水质参数对养殖生物生长状态影响的预测系统 | |
CN117114915A (zh) | 一种基于改进粒子群算法的水产养殖ph值预测方法 | |
CN111126827A (zh) | 一种基于bp人工神经网络的投入产出核算模型构建方法 | |
CN105095587A (zh) | 基于细菌觅食算法的微生物发酵优化方法 | |
Sandbakk et al. | Simulating a monitoring system for an aquaponics farm |
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 |
Application publication date: 20191015 |
|
RJ01 | Rejection of invention patent application after publication |