CN110645990B - 一种基于svm和卡尔曼滤波的鱼群动态预测的水域巡航系统 - Google Patents
一种基于svm和卡尔曼滤波的鱼群动态预测的水域巡航系统 Download PDFInfo
- Publication number
- CN110645990B CN110645990B CN201910987870.5A CN201910987870A CN110645990B CN 110645990 B CN110645990 B CN 110645990B CN 201910987870 A CN201910987870 A CN 201910987870A CN 110645990 B CN110645990 B CN 110645990B
- Authority
- CN
- China
- Prior art keywords
- ship
- prediction
- fish
- fish school
- cruise
- 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.)
- Active
Links
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 156
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 75
- 238000001914 filtration Methods 0.000 title claims abstract description 38
- 238000012706 support-vector machine Methods 0.000 claims abstract description 58
- 238000004891 communication Methods 0.000 claims abstract description 32
- 238000007726 management method Methods 0.000 claims abstract description 4
- 238000009826 distribution Methods 0.000 claims description 35
- 230000033001 locomotion Effects 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 6
- 230000001276 controlling effect Effects 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 229910052760 oxygen Inorganic materials 0.000 claims description 6
- 239000001301 oxygen Substances 0.000 claims description 6
- 235000013305 food Nutrition 0.000 claims description 5
- 238000002955 isolation Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 108010063499 Sigma Factor Proteins 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 12
- 239000000463 material Substances 0.000 abstract description 10
- 238000012544 monitoring process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000009360 aquaculture Methods 0.000 description 4
- 244000144974 aquaculture Species 0.000 description 4
- 239000003643 water by type Substances 0.000 description 4
- 239000004459 forage Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000012840 feeding operation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 206010021143 Hypoxia Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000007954 hypoxia Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/203—Specially adapted for sailing ships
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K61/00—Culture of aquatic animals
- A01K61/10—Culture of aquatic animals of fish
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K61/00—Culture of aquatic animals
- A01K61/90—Sorting, grading, counting or marking live aquatic animals, e.g. sex determination
- A01K61/95—Sorting, grading, counting or marking live aquatic animals, e.g. sex determination specially adapted for fish
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/02—Picture taking arrangements specially adapted for photogrammetry or photographic surveying, e.g. controlling overlapping of pictures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/96—Sonar systems specially adapted for specific applications for locating fish
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/14—Receivers specially adapted for specific applications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/0206—Control of position or course in two dimensions specially adapted to water vehicles
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/50—Constructional details
- H04N23/54—Mounting of pick-up tubes, electronic image sensors, deviation or focusing coils
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Environmental Sciences (AREA)
- Zoology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Automation & Control Theory (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- Aviation & Aerospace Engineering (AREA)
- Signal Processing (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于SVM和卡尔曼滤波的鱼群动态预测的水域巡航系统，包括：巡航船，安装有船体控制器、电动马达、摄像头、方向舵机、GPS模块、声呐模块；所述声呐模块用于检测鱼群信息；控制中心，与巡航船的船体控制器通信连接，用于结合SVM和卡尔曼滤波的鱼群动态预测算法对鱼群动态预测，以预测鱼群的目标位置；还用于根据鱼群的目标位置、巡航船的位置信息、水域环境信息以规划巡航船的投料路径；还用于将投料路径发送至巡航船的船体控制器，以使巡航船依照投料路径运行。本发明通过巡航船实现全水域实时自动巡航检测，有效减少额外的检测装置数量，能较好地对水域环境识别从而实现自适应寻迹前进。
Description
技术领域
本发明属于水上巡逻检测技术领域，具体涉及一种基于SVM和卡尔曼滤波的鱼群动态预测的水域巡航系统。
背景技术
随着社会的发展，环境保护越来越受到关注。在东南沿海水域广阔，水资源丰富，水产养殖产业较为发达。但在水产养殖业里，水域巡航和鱼料投放是关键的问题。
目前，在水上巡逻的渔船多采用人工设定路线的方式，渔船无法自主规划路径；而人工无法预知路线上的障碍，当渔船到达时无法自动避开；以及当渔船较多时很容易出现安排重复的渔船行驶相同的路径。
另外，渔业生产从小规模家庭化正在向大规模专业化、机械化生产的方向发展，传统的鱼塘投料机自动化程度低，在一定程度上对于科学性的鱼类饲喂存在以下弊端：
(1)设备体积较大；
(2)每次投放量较多，无法实现鱼料有规律的间歇性投放，使得大量鱼料一次性投放出去后囤积水面，沉入塘底和溶入水体的饲料腐烂变质，造成浪费；
(3)无法针对性地适应不同品种鱼类的生活习性。
一般的鱼塘投料机难以实现自动化定时、定量的功能，造成鱼料利用率低、鱼群食用不合理的后果，无法实现真正意义上的科学化饲养。市场上也出现了全自动化智能投料机，以代替传统的人工投放，在一定程度上节省大量的人力、物力。饲养员针对不同鱼种的生活习性来对鱼塘投料机设置定时、定量的参数，使投料机在一天内规定的几个时间段进行鱼料定量的投放，在达到鱼类饲喂科学化目的同时减少劳动力，提高整个饲喂过程的工作效率。但大多安装在固定位置，检测和投料范围有限，鱼群活动觅食的空间也相应的缩小。由于鱼群拥挤觅食，会造成局部严重缺氧；当溶解氧不足以维持生命之需时，觅食鱼群会本能地逃离，难免出现体型较小的鱼无法正常觅食，造成喂养率低的现象，影响养殖效应。
发明内容
基于现有技术中存在的上述不足，本发明提供一种基于SVM和卡尔曼滤波的鱼群动态预测的水域巡航系统。
为了达到上述发明目的，本发明采用以下技术方案：
一种基于SVM和卡尔曼滤波的鱼群动态预测的水域巡航系统，包括：
巡航船，安装有船体控制器、电动马达、摄像头、方向舵机、GPS模块、声呐模块，电动马达、摄像头、方向舵机、GPS模块、声呐模块与船体控制器通信连接；所述声呐模块用于检测鱼群信息；所述摄像头用于采集水域环境信息；所述GPS模块用于获取巡航船的位置信息；所述电动马达和方向舵机用于控制巡航船的运行；
控制中心，与巡航船的船体控制器通信连接，用于接收鱼群信息并结合SVM和卡尔曼滤波的鱼群动态预测算法对鱼群动态预测，以预测鱼群的目标位置；还用于根据鱼群的目标位置、巡航船的位置信息、水域环境信息以规划巡航船的投料路径；还用于将投料路径发送至巡航船的船体控制器，以使巡航船依照投料路径运行。
作为优选方案，所述巡航船有多艘；各巡航船均具有与其船体控制器通信连接的通讯模块，通过通讯模块相互之间实现通信连接，以交换各自的位置信息。
作为优选方案，所述通讯模块为ZigBee模块。
作为优选方案，所述通讯模块与船体控制器之间设有隔离电路。
作为优选方案，所述鱼群信息包括鱼群的位置信息和分布密度信息。
作为优选方案，所述结合SVM和卡尔曼滤波的鱼群动态预测算法对鱼群动态预测，包括：
将巡航船记为C，船C的初始位置记为C0，即第0时刻船所在的位置；第k时刻(k>＝1)的船的位置记为Ck，Ck所对应的第k时刻的目标鱼群记为Yk；
设水域的流速大小及方向保持恒定，速度大小记为
设每个采样间隔△t时间内的巡航船的运动速度大小恒定，初始速度大小记为
以巡航船为中心建立直角坐标系，采样周期为t0，第k个时刻，将目标鱼群Yk-1与Ck-1的距离记为
方位角记为
船Ck与Ck-1的距离记为
方位角记为
船Ck与目标鱼群Yk-1的距离记为
方位角记为
船Ck与目标鱼群Yk的距离记为
方位角记为
鱼群Yk-1和Yk的距离记为
方位角记为
与
的夹角记为θk-1_k；
通过每次采样GPS和声呐探测获取的位置信息即可确定
利用余弦定理可得到
根据余弦定理可求第k时刻
根据(1)得到的
得到鱼群Yk-1移动到鱼群Yk处的速度大小，记为
至此求得第k鱼群运动速度
位移大小
根据当前鱼群运动速度及位移，设鱼群当前的运动状态服从高斯分布；
假设巡航船在第k预测的鱼群状态
输入量
第k的最优估计值
对巡航船在第k+1时刻的预测推导分为以下三步：
二、基于SVM的预测
根据鱼群运动的时间序列变化规律，第k时刻的运动方位和前几个时刻的运动方位必然有着一定的联系，所以利用鱼群的位置数据来预测未来的位置；第k时刻影响鱼群位置分布的因素xk包括水域温度分布x1k、水域含氧量分布x2k、水域食物分布x3k决定；
对于一个样本集T＝{(xk,yk),k＝1,2,...,l}，其中xk∈R3,yk∈R，通过构建线性回归函数f(x)＝wTφ(x)+b可以显式表达出变量xk和yk之间的关系；
其中，φ(x)为构造的非线性映射函数，将x映射到高维特征空间F，参数w,b通过求解如下凸二次规划问题得到：
式(7)中，C为惩罚系数，用来调节经验风险与表达能力之间的平衡；ε为不灵敏损失函数；ξk,
为松弛因子；
通过拉格拉日乘子法将原始关于w和b两个参数的凸二次规划问题转化为关于ak,
的对偶问题，引入核函数K(xk,xj)避免显式求解非线性映射φ(x)带来的维数灾难，核函数K(xk,xj)＝φ(xk)Tφ(xj)，式(8)通过最小梯度方法可以求解得到最优解ak,
x为1～k时刻所有xk的组合，xk∈Rl×3；从而建立起基于支持向量机的鱼群位置预测模型，如(9)式所示；式(8)中Qkj＝K+I/C，I为单位矩阵；
式中，x为影响鱼群分布的因素；xk为l个总时刻样本中的第k个样本；K(x,xk)为核函数，核函数选择高斯核函数，其中，γ为指数衰减因子，σ为样本标准差，||x-y||2表示向量的2-范数，即向量的模；
设当前第k时刻的实际量测值为
预测值为x″k，第k-1时刻的实际量测值
预测值为x″k-1；第k-2时刻实际测量值
预测值为x″k-2；选取xk′，x′k-1，x′k-2作为输入值，则第k+1个时刻的预测值x″k+1为输出值；
则x″k+1可表示为：
x″k+1＝Φ1x′k+Φ2x′k-1+Φ3x′k-2 (11)
Φi为权重，Φ1+Φ2+Φ3＝1，且Φ1>Φ2>Φ3，靠近预测时刻的权重取较大值，通过LibSVM训练模型，得到这三个权重值；
基于SVM预测的平均误差：
式(12)中k>＝3；
将基于SVM预测得到的第k+1时刻的估计值记为xs_(k+1)＝x″k+1 (13)；
二、基于卡尔曼滤波的预测
第k+1时刻的状态估计由第k时刻的最优估计值得到，系统状态预测方程：
式(14)中，
表示第k时刻的预测估计，
表示基于第k-1时刻得到的第k时刻的最优估计值，A(k)表示作用于
上的状态变换模型(矩阵)，B(k)表示作用于控制器uk上的输入控制模型(矩阵)，uk表示第k时刻系统控制量，wk表示过程预测白噪声，服从wk～N(0,Qk)，Qk是预测噪声的协方差；
式(14)中第k时刻的最优估计由第k时刻系统状态预测更新方程(15)
求得：
式(15)中，Zk为第k时刻的实际观测值，vk服从vk～N(0,Rk)，Rk是测量噪声的协方差；
假设预测噪声wk和测量噪声vk是互不相关、均值为0的独立白噪声；H表示把真实状态空间映射成观测空间的观测矩阵；
式(15)中Kg(k)由k时刻卡尔曼增益更新方程(16)求得：
Kg(k)＝PkHT[HPkHT+Rk]-1 (16)
Kg(k)代表第k时刻的卡尔曼增益，是实际测量值在修正预测值时所占的比重；
式(15)中的Zk可由式(17)得到：
而式(16)中的Pk由第k时刻的协方差预测方程(18)求得：
Pk是第k时刻预测的协方差，
是第k-1时刻的最优估计的协方差；
记录每个时刻的数据，将卡尔曼滤波得到的第k+1时刻的估计值记
xk_(k+1)＝xk+1； (19)
卡尔曼预测的平均误差：
ξk表示第k时刻的预测误差，ξk＝|xk-zk|，ξkalman表示卡尔曼滤波的平均预测误差：
式(20)中k>＝3；
三、采用自适应组合方法来预测下一时段的情况，其表达式如下：
xcombine_(k+1)＝αxk_(k+1)+(1-α)K2xs_(k+1) (21)
ξ＝ξs+ξkalman (22)
式(22)中ξ表示总误差，式(21)中α可由
得到，α是基于SVM预测的误差在总误差中的占比；
将两个预测值和α带入式(21)得到：
xcombine_(k+1)是结合SVM预测和卡尔曼预测的第k+1时刻的预测值。
作为优选方案，所述水域巡航系统还包括手持终端，手持终端与控制中心通信连接。
作为优选方案，所述手持终端具有饲养水域工作模式，手持终端包括：
显示模块，用于显示鱼群实况、投料地点统计、鱼群地点统计、巡航船的前进与停止、投料操作界面；
按键模块，用于切换至所需的界面。
作为优选方案，所述手持终端具有景区水域工作模式，手持终端包括：
显示模块，用于显示水质实况、路线的前进与停止、清理垃圾操作界面；
按键模块，用于切换至所需的界面。
作为优选方案，所述手持终端还用于手动设置巡航船的运行路径。
本发明与现有技术相比，有益效果是：
1、本发明通过巡航船实现全水域实时自动巡航检测，可以有效减少额外的检测装置数量，该系统能较好地对水域环境识别从而实现自适应寻迹前进；
2、本发明可以实现各巡航船之间通过无线通讯的方式交换位置信息，实现跟踪定位和路径无重复的功能；
3、本发明能够实现各巡航船之间配合投料、配合清理垃圾，能解决现有的人工乘船投料及景区清理垃圾工作量大、危险性大和效率低等问题；不需要前期对鱼群及水面情况进行复杂和庞大工作量的统计监测，在对水域生态环境进行统计监测的同时完成实时投料和数据反馈，大大提高了鱼塘养殖业和景区旅游业的工作效率和现代化程度；
4、控制中心接收各巡航船的声呐模块检测到的鱼群信息，控制中心再将鱼群信息反馈至手持终端，手持终端可以通过显示屏实时显示水域动态，作养殖观测或者游览观赏用；由此建立起监测网络，实现数据的实时传输，从而达到远程监测和控制。若手持终端观测人员需要临时干预检测装置前进路线，可以通过手机界面选择手动模式改变船体控制器前进路线或者投料地点和数量大小。手持终端将命令信息发送给控制中心，控制中心控制船体控制器执行命令实现该要求；
5、基于SVM预测和卡尔曼滤波的鱼群动态预测算法能提前预测鱼群的位置所在，对巡航船减少的能源消耗和整体工作效率都有很大的提升。
附图说明
图1为本发明实施例一的基于SVM和卡尔曼滤波的鱼群动态预测的水域巡航系统的构架图；
图2为本发明实施例一的巡航船的巡逻流程示意图；
图3为本发明实施例一的基于SVM和卡尔曼滤波的鱼群动态预测的原理图；
图4为本发明实施例一的基于SVM和卡尔曼滤波的鱼群动态预测的概率模型分布图；
图5为本发明实施例一的巡航船的最优路径算法流程示意图；
图6为本发明实施例一的手持终端(控制中心)的流程示意图；
图7为本发明实施例一的鱼群分布状态的模型示意图；
图8为本发明实施例一的鱼群分布状态服从高斯分布的概率密度函数示意图。
具体实施方式
为了更清楚地说明本发明实施例，下面将对照附图说明本发明的具体实施方式。
本发明源于对大面积水域中的鱼群密度远程实时监测和投料饲养的需求，不需要前期对鱼群进行复杂和庞大工作量的统计监测，在对水域生态环境进行统计监测的同时完成实时投料和数据反馈，实现水域巡航和智能化鱼料投放，大大提高了鱼塘养殖业的工作效率和现代化程度。它可以通过一艘或多艘巡航船实现全水域实时自动巡航检测，可以有效减少检测装置的数量，提高设备使用率。自动巡逻包括对水域环境的识别从而实现自适应寻迹前进，也实现若干个巡航船之间通过无线通讯的方式交换位置信息，实现跟踪定位和路径无重复的功能，可以实现巡航船之间配合投料。解决了现有人工投料工作量大、危险性大和效率低等问题；解决了现有自动化投料装置不够智能的缺点。通过控制中心获取相应的数据信息后进行综合分析，做出下一步的前进方向和是否进行投料、投料数量和范围的决策。
实施例一：
如图1和2所示，本实施例的基于SVM和卡尔曼滤波的鱼群动态预测的水域巡航系统，其包括：
多艘巡航船，每艘巡航船安装有船体控制器、自动前行模块、声呐模块，自动前行模块包括电动马达、摄像头、方向舵机、GPS模块，电动马达、摄像头、方向舵机、GPS模块、声呐模块与船体控制器通信连接；声呐模块用于检测鱼群信息，鱼群信息包括鱼群的位置信息和分布密度信息；摄像头用于采集水域环境信息；GPS模块用于获取巡航船的位置信息；电动马达和方向舵机用于控制巡航船的运行；
控制中心，与巡航船的船体控制器通信连接，用于接收鱼群信息并结合SVM和卡尔曼滤波的鱼群动态预测算法对鱼群动态预测，以预测鱼群的目标位置；还用于根据鱼群的目标位置、巡航船的位置信息、水域环境信息以规划巡航船的投料路径；还用于将投料路径发送至巡航船的船体控制器，以使巡航船依照投料路径运行。
手持终端，手持终端与控制中心通信连接，用于通过手持终端控制巡航船的运行。
本实施例的控制中心集成于手持终端上，实现一体化操控。
各巡航船均具有与其船体控制器通信连接的通讯模块，通过通讯模块相互之间实现通信连接，以交换各自的位置信息，用于同一巡逻检测区域的不同巡航船之间传递信息避开相同行驶路径；船体控制器用于根据手持终端传回的巡逻路径坐标信息对巡航船发出指令。其中，通讯模块采用ZigBee通讯技术；船体控制器包括单片机电气船体控制器，用于接收前行的路径规划之后，发送启动信号至电动马达与方向舵机，从而控制巡航船的运行。另外，通讯模块与单片机电气船体控制器的接口间设有隔离电路，隔离电路用于遏制单片机电气船体控制器对通讯模块的电磁干扰，隔离电路可以参考现有技术，在此不赘述。
控制中心，用于根据反馈的鱼群信息，控制任意一巡航船行驶至拟定点投喂饲料。
本实施例的水域巡航系统包括饲养水域和景区水域两种工作模式，两种工作模式都包括手动模式和自动模式两种工作方式；自动模式下，各巡航船按照规划的前行路线自动前进；手动模式下，由用户制定路径坐标为各巡航船指定前行路线。
其中，手持终端在饲养水域工作模式下包括：显示模块，用于显示鱼群实况、投料地点统计、鱼群地点统计、路线的前进与停止、投料操作界面；按键模块，用于帮助用户切换界面。
手持终端在景区水域工作模式下包括：显示模块，用于显示水质实况、路线的前进与停止、清理垃圾操作界面；按键模块，用于帮助用户切换界面。
如图2所示，本实施例的水域巡航系统的巡航流程为：
第一步：摄像头的信号采样单元获取水域环境信息；摄像头传感器采用CMOS图像传感器；
第二步：摄像头的信号传输单元将第一步获得的水域环境信息发送至船体控制器的单片机电气船体控制器，单片机电气船体控制器反馈到手持终端(控制中心)，通过一种循迹算法找寻一行驶路线；
第三步：单片机电气船体控制器从手持终端(控制中心)接收巡逻路径坐标信息并转换为方向舵机可识别的信号，给电动马达传递一启动信号，使其配合工作。
第四步：通过控制方向舵机来实现自适应循迹前行。
单片机电气船体控制器控制巡航船至拟定点时，手持终端(控制中心)结合水域环境以及拟定点信息规划相应的路径，规划后的路径就包括该拟定点，巡航船到达拟定点时根据手持终端(控制中心)的信号投喂对应数量的饲料。
本实施例利用GPS模块以及声呐模块可以获取到巡航船及鱼群的位置信息，为了达到巡航船在自动追踪时减少能源消耗的目的，本实施例采取了基于SVM和卡尔曼滤波的鱼群动态预测算法，该算法介绍如下：
(一)初始条件说明如下：
①把巡航船C、C1、C2……的出发点分别记为S、S1、S2、……，船Ci的初始位置记为Si，本实施例仅以一艘巡航船C为例说明。船C的初始位置记为C0，即第0时刻；第k个时刻(k>＝1)的船的位置记为Ck，Ck所对应的第k时刻的目标鱼群记为Yk。
②假设已经获取GPS模块、声呐模块的数据信息，并且假设鱼群在每一时刻的分布状态服从高斯分布，模型如图7所示。通过高斯分布得到鱼群点的位置分布，选择鱼群密集度最高的位置作为该时刻鱼群的中心位置。高斯分布的概率密度函数为
u是均值，σ是方差，如图8所示，p(m)是鱼类聚集的密度，m表示以船为平面直角坐标系原点O建立的沿x轴方向上的距离，由此可以确定一个鱼群中心，作为我们的目标质点，将各个时刻获得的鱼群中心记为Y0、Y1、Y2、Y3、……Yk；
③设水域的流速及方向保持恒定，速度大小记为
设每个采样间隔△t时间内的船的运动速度大小恒定，初始速度大小记为
(二)基于SVM和卡尔曼滤波的鱼群动态算法
在实际情况中，自然界的鱼类运动和分布受到温度、含氧量，食物分布等因素的影响，这种比较大的随机性对鱼类运动路径的预测造成了较大的困难。
由此提出基于SVM和卡尔曼滤波的鱼群动态预测算法。首先，选择上述温度、含氧量、食物分布三个变量作为SVM训练的特征量，对k+1时刻的预测值根据当前k时刻和前面的k-1时刻和k-2时刻的数据得到，且不同时刻加以不同的权重，最后得到一个基于SVM训练的下一时刻的预测值，而且我们计算了这三个预测数据的误差。
然后对卡尔曼滤波算法得到的预测值和量测值进行融合，得到卡尔曼预测的k+1时刻的预测值，也计算了卡尔曼滤波预测的误差。
最后比较卡尔曼滤波预测的平均误差和基于SVM预测的平均误差的大小，加以不同的比重，得到最终的预测值。
首先对该问题进行建模，具体说明：每条船都选择离自己粗测距离较近的鱼群，以一条船为例，每隔一个采样时间获取并保存船的位置信息，鱼群的位置分布等数据。
如图3所示，以巡航船为中心建立直角坐标系，采样周期为t0，第k个时刻(k>＝1)，将目标鱼群Yk-1与Ck-1的距离记为
方位角记为
船Ck与Ck-1的距离记为
方位角记为
船Ck与目标鱼群Yk-1的距离记为
方位角记为
船Ck与目标鱼群Yk的距离记为
方位角如图所示记为
鱼群Yk-1和Yk的距离记为
方位角记为
与
的夹角我们记为θk-1_k，如图3所示。
通过每次采样GPS和声呐探测获取的位置信息即可确定
根据图3利用余弦定理可得到
根据余弦定理可求k时刻
根据(1)得到的
得到鱼群Yk-1移动到鱼群Yk处的速度大小，记为
至此求得k时刻鱼群运动速度
位移大小
根据当前鱼群运动速度及位移，设鱼群当前的运动状态服从高斯分布
假设巡航船在k时刻预测的鱼群状态
输入量
k时刻的最优估计值
对巡航船在k+1时刻的预测推导分为以下三步：
三、基于SVM的预测
根据鱼群运动的时间序列变化规律，k时刻的运动方位和前几个时刻的运动方位必然有着一定的联系，所以我们利用前几个鱼群的位置数据来预测未来的位置。k时刻影响鱼群位置分布的因素xk包括水域温度分布x1k、水域含氧量分布x2k、水域食物分布x3k决定。
对于一个样本集T＝{(xk,yk)k＝1,2,...,l}，其中xk∈R3,yk∈R，通过构建线性回归函数f(x)＝wTφ(x)+b可以显式表达出变量xk和yk之间的关系。其中，φ(x)为构造的非线性映射函数，将x映射到高维特征空间F，参数w,b可以通过求解如下凸二次规划问题得到：
式(7)中，C为惩罚系数，用来调节经验风险与表达能力之间的平衡；ε为不灵敏损失函数；ξk,
为松弛因子。
为方便求解，通过拉格拉日乘子法将原始关于w和b两个参数的凸二次规划问题转化为关于ak,
的对偶问题，引入核函数K(xk,xj)避免显式求解非线性映射φ(x)带来的维数灾难，核函数K(xk,xj)＝φ(xk)Tφ(xj)，式(8)通过最小梯度方法可以求解得到最优解ak,
x为1～k时刻所有xk的组合，xk∈Rl×3。从而建立起基于支持向量机的鱼群位置预测模型，如(9)式所示。式(8)中Qkj＝K+I/C，I为单位矩阵。
式中，x为影响鱼群分布的因素；xk为l个总时刻样本中的第k个样本；K(x,xk)为核函数，此处核函数我们选择高斯核函数(RBF)，其中γ为指数衰减因子，σ为样本标准差，||x-y||2表示向量的2-范数，可以理解为向量的模。
设当前第k个时间段的实际量测值为
预测值为x″k，第k-1个时刻的实际量测值
预测值为x″k-1；第k-2个时刻实际测量值
预测值为x″k-2。选取xk′，x′k-1，x′k-2作为输入值，则第k+1个时刻的预测值x″k+1为输出值；
则x″k+1可表示为：
x″k+1＝Φ1x′k+Φ2x′k-1+Φ3x′k-2 (11)
Φi为权重，Φ1+Φ2+Φ3＝1，且Φ1>Φ2>Φ3，靠近预测时刻的权重取较大值，我们通过LibSVM训练模型，得到这三个权重值。
基于SVM预测的平均误差：
式(12)中k>＝3；
将基于SVM预测得到的k+1时刻的估计值记为xs_(k+1)＝x″k+1 (13)。
二、基于卡尔曼滤波的预测
k+1时刻的状态估计由k时刻的最优估计值得到，系统状态预测方程：
式(14)中，
表示k时刻的预测估计，
表示基于k-1时刻得到的k时刻的最优估计值，A(k)表示作用于
上的状态变换模型(矩阵)，B(k)表示作用于控制器uk上的输入控制模型(矩阵)，uk表示k时刻系统控制量，wk表示过程预测白噪声，服从wk～N(0,Qk)，Qk是预测噪声的协方差；
式(14)中k时刻的最优估计由k时刻系统状态预测更新方程(15)求得：
式(15)中，Zk为k时刻的实际观测值，vk服从vk～N(0,Rk)，Rk是测量噪声的协方差；
假设预测噪声wk和测量噪声vk是互不相关、均值为0的独立白噪声；H表示把真实状态空间映射成观测空间的观测矩阵；
式(15)中Kg(k)由k时刻卡尔曼增益更新方程(16)求得：
Kg(k)＝PkHT[HPkHT+Rk]-1 (16)
Kg(k)代表k时刻的卡尔曼增益，是实际测量值在修正预测值时所占的比重；
式(15)中的Zk可由式(17)得到：
而式(16)中的Pk由k时刻的协方差预测方程(18)求得：
Pk是k时刻预测的协方差，
是k-1时刻的最优估计的协方差；
记录每个时刻的数据，将卡尔曼滤波得到的k+1时刻的估计值记
xk_(k+1)＝xk+1； (19)
卡尔曼预测的平均误差：
ξk表示第k个时刻的预测误差，ξk＝|xk-zk|，ξkalman表示卡尔曼滤波的平均预测误差：
式(20)中k>＝3；
三、采用自适应组合方法来预测下一时段的情况，其表达式为下式(21)
xcombine_(k+1)＝αxk_(k+1)+(1-α)K2xs_(k+1) (21)
ξ＝ξs+ξkalman (22)
式(22)中ξ表示总误差，式(21)中α可由
得到，α是基于SVM预测的误差在总误差中的占比。
将两个预测值和α带入式(21)得到：
xcombine_(k+1)是结合SVM预测和卡尔曼预测的k+1时刻的预测值
如图5所示，说明最优路径算法的实现流程：
第一步：控制中心读入观测信息，即GPS数据、图像信息；
第二步：控制中心获得前一时刻的初值；
第三步：控制中心对数据进行噪声处理和误差处理；
第四步：基于SVM和卡尔曼滤波(AKF)算法计算状态的预测值；
第五步：判断误差是否达到所需精度；
第六步：迭代结束后输出状态估计值。
如图6所示，本实施例的手持终端(控制中心)流程示意图，其方案具体如下：
手持终端(控制中心)接收船只获取到的信息，对信息处理得到最优巡逻路径和鱼群数量，并反馈至单体船只；
手持终端(控制中心)包括饲养水域和景区水域两种工作模式，所述两种工作模式都包括手动模式和自动模式两种工作方式；
手持终端(控制中心)具有APP，在APP中设有显示界面，显示界面在饲养水域工作模式下包括：显示模块，用于显示鱼群实况、投料地点统计、鱼群地点统计、路线的前进与停止、投料操作界面；按键模块，用于帮助用户切换界面；
手持终端(控制中心)具有APP，在APP中设有显示界面，显示界面在景区水域工作模式下包括：显示模块，用于显示水质实况、路线的前进与停止、清理垃圾操作界面；按键模块，用于帮助用户切换界面；
显示界面还可以为LED显示屏。
手持终端APP可通过手动模式改变单片机电气船体控制器前进路线或者投料地点和数量大小，起临时干预检测装置前进路线的作用。
手持终端将命令信息发送给巡航船的船体控制器，船体控制器执行命令实现要求。
实施例二：
本实施例的基于SVM和卡尔曼滤波的鱼群动态预测的水域巡航系统与实施例一的不同之处在于：
手持终端与控制中心分离设计，控制中心作为后台服务器，对算法进行处理；手持终端作为指令传输的媒介以及指令的发起，减小手持终端对数据处理的压力。
其它结构及内容可以参考实施例一。
实施例三：
本实施例的基于SVM和卡尔曼滤波的鱼群动态预测的水域巡航系统与实施例一的不同之处在于：
巡航船的数量可以只有一艘，可以满足较小水域的巡航检测。
其它结构及内容可以参考实施例一。
以上所述仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。
Claims (8)
1.一种基于SVM和卡尔曼滤波的鱼群动态预测的水域巡航系统，其特征在于，包括：
巡航船，安装有船体控制器、电动马达、摄像头、方向舵机、GPS模块、声呐模块，电动马达、摄像头、方向舵机、GPS模块、声呐模块与船体控制器通信连接；所述声呐模块用于检测鱼群信息；所述摄像头用于采集水域环境信息；所述GPS模块用于获取巡航船的位置信息；所述电动马达和方向舵机用于控制巡航船的运行；
控制中心，与巡航船的船体控制器通信连接，用于接收鱼群信息并结合SVM和卡尔曼滤波的鱼群动态预测算法对鱼群动态预测，以预测鱼群的目标位置；还用于根据鱼群的目标位置、巡航船的位置信息、水域环境信息以规划巡航船的投料路径；还用于将投料路径发送至巡航船的船体控制器，以使巡航船依照投料路径运行；
所述鱼群信息包括鱼群的位置信息和分布密度信息；
所述结合SVM和卡尔曼滤波的鱼群动态预测算法对鱼群动态预测，包括：
将巡航船记为C，船C的初始位置记为C0，即第0时刻船所在的位置；第k时刻(k>＝1)的船的位置记为Ck，Ck所对应的第k时刻的目标鱼群记为Yk；
设水域的流速大小及方向保持恒定，速度大小记为
设每个采样间隔△t时间内的巡航船的运动速度大小恒定，初始速度大小记为
以巡航船为中心建立直角坐标系，采样周期为t0，第k个时刻，将目标鱼群Yk-1与Ck-1的距离记为
方位角记为
船Ck与Ck-1的距离记为
方位角记为
船Ck与目标鱼群Yk-1的距离记为
方位角记为
船Ck与目标鱼群Yk的距离记为
方位角记为
鱼群Yk-1和Yk的距离记为
方位角记为
与
的夹角记为θk-1_k；
通过每次采样GPS和声呐探测获取的位置信息即可确定
利用余弦定理可得到
根据余弦定理可求第k时刻
根据(1)得到的
得到鱼群Yk-1移动到鱼群Yk处的速度大小，记为
至此求得第k时刻的鱼群运动速度
位移大小
根据当前鱼群运动速度及位移，设鱼群当前的运动状态服从高斯分布；
假设巡航船在第k时刻预测的鱼群状态
输入量
第k时刻的最优估计值
对巡航船在第k+1时刻的预测推导分为以下三步：
一、基于SVM的预测
根据鱼群运动的时间序列变化规律，第k时刻的运动方位和前几个时刻的运动方位必然有着一定的联系，所以利用鱼群的位置数据来预测未来的位置；第k时刻影响鱼群位置分布的因素xk包括水域温度分布x1k、水域含氧量分布x2k、水域食物分布x3k；
对于一个样本集T＝{(xk,yk),k＝1,2,...,l}，其中xk∈R3,yk∈R，通过构建线性回归函数f(x)＝wTφ(x)+b可以显式表达出变量xk和yk之间的关系；
其中，φ(x)为构造的非线性映射函数，将x映射到高维特征空间F，参数w,b通过求解如下凸二次规划问题得到：
式(7)中，C为惩罚系数，用来调节经验风险与表达能力之间的平衡；ε为不灵敏损失函数；ξk,
为松弛因子；
通过拉格拉日乘子法将原始关于w和b两个参数的凸二次规划问题转化为关于ak,
的对偶问题，引入核函数K(xk,xj)避免显式求解非线性映射φ(x)带来的维数灾难，核函数K(xk,xj)＝φ(xk)Tφ(xj)，式(8)通过最小梯度方法可以求解得到最优解ak 
x为1～k时刻所有xk的组合，xk∈Rl×3；从而建立起基于支持向量机的鱼群位置预测模型，如(9)式所示；式(8)中Qkj＝K+I/C，I为单位矩阵；
式中，x为影响鱼群分布的因素；xk为l个总时刻样本中的第k个样本；K(x,xk)为核函数，核函数选择高斯核函数，其中，γ为指数衰减因子，σ为样本标准差，||x-y||2表示向量的2-范数，即向量的模；
设当前第k时刻的实际量测值为
预测值为x”k，第k-1时刻的实际量测值
预测值为x”k-1；第k-2时刻实际测量值
预测值为x”k-2；选取xk'，x'k-1，x'k-2作为输入值，则第k+1个时刻的预测值x”k+1为输出值；
则x”k+1可表示为：
x”k+1＝Φ1x'k+Φ2x'k-1+Φ3x'k-2 (11)
Φi为权重，Φ1+Φ2+Φ3＝1，且Φ1>Φ2>Φ3，靠近预测时刻的权重取较大值，通过LibSVM训练模型，得到这三个权重值；
基于SVM预测的平均误差：
式(12)中k>＝3；
将基于SVM预测得到的第k+1时刻的估计值记为xs_(k+1)＝x”k+1 (13)；
二、基于卡尔曼滤波的预测
第k+1时刻的状态估计由第k时刻的最优估计值得到，系统状态预测方程：
式(14)中，
表示第k时刻的预测估计，
表示基于第k-1时刻得到的第k时刻的最优估计值，A(k)表示作用于
上的状态变换模型矩阵，B(k)表示作用于控制器uk上的输入控制模型，uk表示第k时刻系统控制量，wk表示过程预测白噪声，服从wk～N(0,Qk)，Qk是预测噪声的协方差；
式(14)中第k时刻的最优估计由第k时刻系统状态预测更新方程(15)
求得：
式(15)中，Zk为第k时刻的实际观测值，vk服从vk～N(0,Rk)，Rk是测量噪声的协方差；
假设预测噪声wk和测量噪声vk是互不相关、均值为0的独立白噪声；H表示把真实状态空间映射成观测空间的观测矩阵；
式(15)中Kg(k)由k时刻卡尔曼增益更新方程(16)求得：
Kg(k)＝PkHT[HPkHT+Rk]-1 (16)
Kg(k)代表第k时刻的卡尔曼增益，是实际测量值在修正预测值时所占的比重；
式(15)中的Zk可由式(17)得到：
而式(16)中的Pk由第k时刻的协方差预测方程(18)求得：
Pk是第k时刻预测的协方差，
是第k-1时刻的最优估计的协方差；
记录每个时刻的数据，将卡尔曼滤波得到的第k+1时刻的估计值记
xk_(k+1)＝xk+1； (19)
卡尔曼预测的平均误差：
ξk表示第k时刻的预测误差，ξk＝|xk-zk|，ξkalman表示卡尔曼滤波的平均预测误差：
式(20)中k>＝3；
三、采用自适应组合方法来预测下一时段的情况，其表达式如下：
xcombine_(k+1)＝αxk_(k+1)+(1-α)K2xs_(k+1) (21)
ξ＝ξs+ξkalman (22)
式(22)中ξ表示总误差，式(21)中α可由
得到，α是基于SVM预测的误差在总误差中的占比；
将两个预测值和α带入式(21)得到：
xcombine_(k+1)是结合SVM预测和卡尔曼预测的第k+1时刻的预测值。
2.根据权利要求1所述的一种基于SVM和卡尔曼滤波的鱼群动态预测的水域巡航系统，其特征在于，所述巡航船有多艘；各巡航船均具有与其船体控制器通信连接的通讯模块，通过通讯模块相互之间实现通信连接，以交换各自的位置信息。
3.根据权利要求2所述的一种基于SVM和卡尔曼滤波的鱼群动态预测的水域巡航系统，其特征在于，所述通讯模块为ZigBee模块。
4.根据权利要求2或3所述的一种基于SVM和卡尔曼滤波的鱼群动态预测的水域巡航系统，其特征在于，所述通讯模块与船体控制器之间设有隔离电路。
5.根据权利要求1所述的一种基于SVM和卡尔曼滤波的鱼群动态预测的水域巡航系统，其特征在于，所述水域巡航系统还包括手持终端，手持终端与控制中心通信连接。
6.根据权利要求5所述的一种基于SVM和卡尔曼滤波的鱼群动态预测的水域巡航系统，其特征在于，所述手持终端具有饲养水域工作模式，手持终端包括：
显示模块，用于显示鱼群实况、投料地点统计、鱼群地点统计、巡航船的前进与停止、投料操作界面；
按键模块，用于切换至所需的界面。
7.根据权利要求5或6所述的一种基于SVM和卡尔曼滤波的鱼群动态预测的水域巡航系统，其特征在于，所述手持终端具有景区水域工作模式，手持终端包括：
显示模块，用于显示水质实况、路线的前进与停止、清理垃圾操作界面；
按键模块，用于切换至所需的界面。
8.根据权利要求5所述的一种基于SVM和卡尔曼滤波的鱼群动态预测的水域巡航系统，其特征在于，所述手持终端还用于手动设置巡航船的运行路径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910987870.5A CN110645990B (zh) | 2019-10-17 | 2019-10-17 | 一种基于svm和卡尔曼滤波的鱼群动态预测的水域巡航系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910987870.5A CN110645990B (zh) | 2019-10-17 | 2019-10-17 | 一种基于svm和卡尔曼滤波的鱼群动态预测的水域巡航系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110645990A CN110645990A (zh) | 2020-01-03 |
| CN110645990B true CN110645990B (zh) | 2021-06-08 |
Family
ID=69013055
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910987870.5A Active CN110645990B (zh) | 2019-10-17 | 2019-10-17 | 一种基于svm和卡尔曼滤波的鱼群动态预测的水域巡航系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110645990B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113359748B (zh) * | 2021-06-22 | 2022-05-10 | 杭州奇派自动化设备有限公司 | 一种融合预测的改进Multi-RRT路径规划方法及AGV小车 |
| CN114237252B (zh) * | 2021-12-17 | 2023-05-26 | 河南工业大学 | 一种融合卡尔曼滤波预测思想的适用于移动机器人导航的改进蚁群算法 |
| CN114586727B (zh) * | 2022-04-01 | 2023-12-19 | 山东奥网电子科技有限公司 | 一种用于水产养殖智能无人投料船及养殖系统 |
| CN114994691B (zh) * | 2022-05-31 | 2024-09-24 | 中国水产科学研究院东海水产研究所 | 一种基于可视化的渔业资源集群分布分析方法 |
| CN116609786B (zh) * | 2023-05-22 | 2024-02-09 | 农芯(南京)智慧农业研究院有限公司 | 鱼类统计方法及装置 |
| CN116698022B (zh) * | 2023-06-08 | 2024-03-08 | 广东海洋大学 | 养殖流域投料定位方法、装置、电子设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109376921A (zh) * | 2018-10-15 | 2019-02-22 | 河南理工大学 | 基于遗传人工鱼群优化rbf神经网络短期负荷预测方法 |
| CN109827579A (zh) * | 2019-03-08 | 2019-05-31 | 兰州交通大学 | 一种组合定位中滤波模型实时校正的方法和系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014016841A1 (en) * | 2012-07-27 | 2014-01-30 | Neuner Tomer | Intelligent state determination |
| CN208746199U (zh) * | 2018-08-31 | 2019-04-16 | 南京信息工程大学 | 一种智能渔业养殖无人船 |
| CN109307511A (zh) * | 2018-09-04 | 2019-02-05 | 山东理工大学 | 一种人工鱼群算法优化的容积粒子滤波导航方法 |
| CN209142344U (zh) * | 2018-09-27 | 2019-07-23 | 深圳市龙域通信科技有限公司 | 无人探鱼船 |
| CN110031597A (zh) * | 2019-04-19 | 2019-07-19 | 燕山大学 | 一种生物式水质监测方法 |
-
2019
- 2019-10-17 CN CN201910987870.5A patent/CN110645990B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109376921A (zh) * | 2018-10-15 | 2019-02-22 | 河南理工大学 | 基于遗传人工鱼群优化rbf神经网络短期负荷预测方法 |
| CN109827579A (zh) * | 2019-03-08 | 2019-05-31 | 兰州交通大学 | 一种组合定位中滤波模型实时校正的方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110645990A (zh) | 2020-01-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110645990B (zh) | 一种基于svm和卡尔曼滤波的鱼群动态预测的水域巡航系统 | |
| AU2018293444B2 (en) | Data collection system and method for feeding aquatic animals | |
| CN109591982B (zh) | 一种无人监控水下养殖机器人 | |
| CN111339229B (zh) | 一种船舶自主航行辅助决策系统 | |
| CN111348161B (zh) | 一种应用于海洋牧场的资源环境监测系统及其操作方法 | |
| CN106672168A (zh) | 一种自动巡航水质监测船 | |
| Daoliang et al. | Recent advances and future outlook for artificial intelligence in aquaculture | |
| CN110233995A (zh) | 一种基于船载与岸基协同处理的拖网渔船智能监视系统及处理方法 | |
| CN109657928B (zh) | 一种车载传感器系统的闭环协同调度框架的协同调度方法 | |
| CN111735922B (zh) | 基于水下机器人的水产养殖监测系统 | |
| Long et al. | A multi-subpopulation bacterial foraging optimisation algorithm with deletion and immigration strategies for unmanned surface vehicle path planning | |
| Bai et al. | Multi-AUV dynamic trajectory optimization and collaborative search combined with task urgency and energy consumption scheduling in 3-D underwater environment with random ocean currents and uncertain obstacles | |
| CN116820109A (zh) | 一种农业机器人路径位置控制系统 | |
| Christiani et al. | Precision fisheries: navigating a sea of troubles with advanced analytics | |
| KR20240034426A (ko) | 새우 축제식양식장의 인공지능 기반 양식 제어 방법 | |
| CN203300074U (zh) | 用于雷达模拟器的船舶操舵装置 | |
| CN109625218A (zh) | 一种基于太阳能充电的无人监控水下养殖机器人系统 | |
| Matsushita et al. | Unmanned surface vehicle (USV) with a fish attraction lamp to assist the purse seine operations | |
| CN118052373B (zh) | 海洋资源环境承载力评估方法 | |
| CN109115189A (zh) | 一种基于人工智能间接指示的海洋参数获取分析方法 | |
| Salhaoui | Smart IoT monitoring and real-time control based on autonomous robots, visual recognition and cloud/edge computing services | |
| CN117950355B (zh) | 一种侦察型无人机监督控制系统及方法 | |
| CN117617168A (zh) | 一种渔业精准投喂系统 | |
| Peres da Silva | Smart marine sensing systems for integrated multi-trophic aquaculture (IMTA) | |
| Tiwari et al. | Profitability Allocation of UAVs and Stopping Points Empowered MEC System |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Dong Guili Inventor after: Xu Mingjun Inventor after: Pan Huazheng Inventor after: Wang Zilin Inventor after: Zhu Jianhua Inventor before: Dong Guili Inventor before: Xu Mingjun Inventor before: Wang Zilin Inventor before: Zhu Jianhua |
|
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Jiang Wenbiao Inventor after: Dong Guili Inventor after: Xu Mingjun Inventor after: Pan Huazheng Inventor after: Wang Zilin Inventor after: Zhu Jianhua Inventor before: Dong Guili Inventor before: Xu Mingjun Inventor before: Pan Huazheng Inventor before: Wang Zilin Inventor before: Zhu Jianhua |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |