CN112352724A - 一种渔场饲料投喂方法及系统 - Google Patents
一种渔场饲料投喂方法及系统 Download PDFInfo
- Publication number
- CN112352724A CN112352724A CN202011266630.5A CN202011266630A CN112352724A CN 112352724 A CN112352724 A CN 112352724A CN 202011266630 A CN202011266630 A CN 202011266630A CN 112352724 A CN112352724 A CN 112352724A
- Authority
- CN
- China
- Prior art keywords
- data
- feeding
- feed
- fishery
- output
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 241000251468 Actinopterygii Species 0.000 claims abstract description 37
- 230000007613 environmental effect Effects 0.000 claims abstract description 29
- 238000003062 neural network model Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 13
- 238000012806 monitoring device Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 9
- 230000036541 health Effects 0.000 claims description 7
- 238000003012 network analysis Methods 0.000 claims description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 5
- 229910052760 oxygen Inorganic materials 0.000 claims description 5
- 239000001301 oxygen Substances 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 5
- 238000013499 data model Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000009360 aquaculture Methods 0.000 description 3
- 244000144974 aquaculture Species 0.000 description 3
- 241000894007 species Species 0.000 description 3
- 239000003643 water by type Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- A01K61/80—Feeding devices
-
- 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
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Environmental Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marine Sciences & Fisheries (AREA)
- Zoology (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种渔场饲料投喂方法，所述渔场饲料投喂方法包括：获取渔场的环境数据、鱼类数据以及投喂数据；基于所述渔场的环境数据、所述鱼类数据以及所述投喂数据训练得到目标神经网络模型；通过所述目标神经网络模型得到预设时间内所需的投喂数据；以及根据所需的投喂数据向所述渔场投喂饲料。本发明所述渔场饲料投喂方法及系统使得饲料投喂更加精准，同时还可以降低人工投喂的强度与成本。
Description
技术领域
本发明涉及水产养殖技术领域，尤其涉及一种渔场饲料投喂方法及系统。
背景技术
目前，水产养殖的饲料通常采用人工投喂或者投喂机的方式进行投喂。人工投喂时，饲养人员根据饲养经验能够在一定程度上控制渔场内饲料的残余量，但是存在投喂强度高、成本大的问题。采用投喂机进行饲料投喂虽然能够在一定程度解决上述问题，但是投喂精准度一般不高，容易产生投喂过量或投喂不足的问题。
发明内容
针对上述问题，有必要提供一种渔场饲料投喂方法及系统，可以使得饲料投喂更加精准，同时还可以降低人工投喂的强度与成本。
本发明一方面提供一种渔场饲料投喂方法，所述渔场饲料投喂方法包括：
获取渔场的环境数据、鱼类数据以及投喂数据；
基于所述渔场的环境数据、所述鱼类数据以及所述投喂数据训练得到目标神经网络模型；
通过所述目标神经网络模型得到预设时间内所需的投喂数据；以及
根据所需的投喂数据向所述渔场投喂饲料。
可选的，所述环境数据包括第一数据及第二数据，所述第一数据包括所述渔场对应的空域内的光线辐射强度、气温、湿度以及风速中至少一项，所述第二数据包括所述渔场的水域内的水温、盐度、流速、PH值以及溶氧量中至少一项。
可选的，所述鱼类数据包括数量、种类、大小以及健康状况中至少一项。
可选的，所述投喂数据包括投喂饲料量、时间及位置中至少一项。
可选的，所述基于所述渔场的环境数据、所述鱼类数据以及所述投喂数据训练得到目标神经网络模型包括：
a.选择数据样本，所述数据样本包括所述环境数据、所述鱼类数据以及所述投喂数据；
b.确定所述神经网络拓扑结构，所述神经网络包括输入层、隐含层及输出层；
c.建立数据模型，所述环境数据及所述鱼类数据为输入数据，所述投喂数据为输出数据，根据公式：
确定隐含层节点数目，其中，n为隐含层节点数目，l为输入层节点数，m为输出层节点数，a为常数，取值范围为[1-10]；以及
d.网络分析：
①初始化，确定所述神经网络的初始权值wij、wjk和阈值θj、γk，随机给各个权值阈值赋予[-1,1]内的随机值，对输入输出向量进行归一化处理，其公式如下：
式中，xi、
分别为归一化前后的值，xmax为样本序列中最大的数，xmin为样本序列中最小的数；
②利用训练样本输入向量、权值wij和阈值θj计算隐含层各单位输出，
式中，bj为隐含层j单位输出，f()为隐含层传递函数，l为输入层节点数，xi为输入层样本；
③利用隐含层单位输出bj、权值wjk和阈值γk，通过传递函数计算输出层各单位响应，
式中，yk为隐含层k单位输出，f()为隐含层传递函数，n为输入层节点数；
④利用网络目标向量，网络实际输出，计算各输出层各单位一般化误差，
dk＝(Yk-yk)yk(1-yk)
式中，Yk为网络目标向量元素；
⑤计算隐含层各单元一般化误差，
⑥利用计算出的输出层各单元一般化误差、隐含层各单元输出、隐含层一般化误差以及输入层各单元输入，分别对网络各层权值阈值进行更新修正，
wjk(N+1)＝wjk(N)+α·dk·bj
γk(N+1)＝γk(N)+α·dk
wij(N+1)＝wij(N)+β·ej·xi
θj(N+1)＝θj(N)+β·ej
式中，α、β为学习速率，取值范围为[0，1]，N为神经网络的迭代次数；
⑦随机选取下一组训练样本重复步骤②至⑥，直至达到网络所需精度或者达到最大迭代次数，网络训练过程结束；
⑧将测试样本数据中的测试输入向量输入训练好的神经网络进行输出测试，将测试的结果与实际输出进行对比，检测网络分析的精度。
可选的，所述方法还包括：
获取所述渔场内的残余的饲料数据；
将所述残余的饲料数据传送至客户端，并接收所述客户端输入的调整数据；
以及
根据所述调整数据调整所述需投喂饲料数据。
可选的，所述残余的饲料数据包括残余饲料量以及位置中至少一项。
本发明另一方面提供一种渔场饲料投喂系统，所述渔场饲料投喂系统包括：
监测装置，设置于所述渔场，所述监测装置用于获取渔场的环境数据、鱼类数据以及投喂数据；
控制装置，与所述监测装置相连，所述控制装置基于所述渔场的环境数据、所述鱼类数据以及所述投喂数据训练得到目标神经网络模型，并通过所述目标神经网络模型得到预设时间内所需的投喂数据；以及
投喂装置，与所述控制装置相连，所述控制装置根据所述需投喂饲料数据控制所述投喂装置向所述渔场投喂饲料。
可选的，所述监测装置还用于获取所述渔场内的残余的饲料数据，所述控制装置还用于将所述残余的饲料数据传送至客户端，并接收所述客户端输入的调整数据；以及根据所述调整数据调整所述需投喂饲料数据。
可选的，所述残余的饲料数据包括残余饲料量以及位置中至少一项。
本发明所述的渔场饲料投喂方法及系统根据获取环境数据、鱼类数据以及投喂数据不断学习训练得到所述目标神经网络模型，并通过目标神经网络模型得到所需的投喂数据，使得饲料投喂更加精准，同时还可以降低人工投喂的强度与成本。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书的一些实施例，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是本发明实施例提供的一种渔场饲料投喂方法的流程图；
图2是本发明实施例提供的一种神经网络的架构图；
图3是本发明实施例提供的一种渔场饲料投喂系统的功能模块图。
具体实施方式
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、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明实施例保护的范围。
请参阅图1，图1为本发明实施例提供的一种渔场饲料投喂方法的流程图。所述渔场饲料投喂方法可用于深海、池塘、湖泊等水产养殖区域，所述渔场饲料投喂方法包括以下步骤：
步骤S1，获取渔场的环境数据、鱼类数据以及投喂数据。所述环境数据包括第一数据及第二数据，所述第一数据包括所述渔场对应的空域内的光线辐射强度、气温、湿度以及风速中至少一项，所述第二数据包括所述渔场的水域内的水温、盐度、流速、PH值以及溶氧量中至少一项。所述鱼类数据包括数量、种类、大小以及健康状况中至少一项。所述健康状况包括是否游动以及是否翻白中至少一项。所述投喂数据包括投喂饲料量、时间及位置中至少一项。
步骤S2，基于所述渔场的环境数据、所述鱼类数据以及所述投喂数据训练得到目标神经网络模型。在一个实施例中，所述目标神经网络模型为BP((Back Propagation，后向传播))神经网络。所述基于所述渔场的环境数据、所述鱼类数据以及所述投喂数据训练得到目标神经网络模型包括：
a.选择数据样本，所述数据样本包括所述环境数据、所述鱼类数据以及所述投喂数据。
b.确定所述神经网络拓扑结构，所述神经网络包括输入层、隐含层及输出层。
c.请一并参阅图2，建立数据模型，所述环境数据及所述鱼类数据为输入数据，所述输入数据包括：光线辐射强度、气温、湿度以及风速中至少一项以及所述渔场的水域内的水温、盐度、流速、PH值以及溶氧量中至少一项。所述投喂数据为输出数据，所述输出数据包括所述投喂数据。根据公式：
确定隐含层节点数目，其中，n为隐含层节点数目，l为输入层节点数，m为输出层节点数，a为常数，取值范围为[1-10]。常数a可结合网络实际训练过程来适当增减，通过训练结果的对比，确定合适的隐含层节点数目。
d.网络分析：
①初始化，确定所述神经网络的初始权值wij、wjk和阈值θj、γk，随机给各个权值阈值赋予[-1,1]内的随机值，对输入输出向量进行归一化处理，其公式如下：
式中，xi、
分别为归一化前后的值，xmax为样本序列中最大的数，xmin为样本序列中最小的数；
②利用训练样本输入向量、权值wij和阈值θj计算隐含层各单位输出，
式中，bj为隐含层j单位输出，f()为隐含层传递函数，l为输入层节点数，xi为输入层样本；
③利用隐含层单位输出bj、权值wjk和阈值γk，通过传递函数计算输出层各单位响应，
式中，yk为隐含层k单位输出，f()为隐含层传递函数，n为输入层节点数；
④利用网络目标向量，网络实际输出，计算各输出层各单位一般化误差，
dk＝(Yk-yk)yk(1-yk)
式中，Yk为网络目标向量元素；
⑤计算隐含层各单元一般化误差，
⑥利用计算出的输出层各单元一般化误差、隐含层各单元输出、隐含层一般化误差以及输入层各单元输入，分别对网络各层权值阈值进行更新修正，
wjk(N+1)＝wjk(N)+α·dk·bj
γk(N+1)＝γk(N)+α·dk
wij(N+1)＝wij(N)+β·ej·xi
θj(N+1)＝θj(N)+β·ej
式中，α、β为学习速率，取值范围为[0，1]，N为神经网络的迭代次数；
⑦随机选取下一组训练样本重复步骤②至⑥，直至达到网络所需精度或者达到最大迭代次数，网络训练过程结束；
⑧将测试样本数据中的测试输入向量输入训练好的BP神经网络进行输出测试，将测试的结果与实际输出进行对比，检测网络分析的精度。
步骤S3，通过所述目标神经网络模型得到预设时间内所需的投喂数据。所述预设时间可为4小时内或者8小时内。
步骤S4，根据所需的投喂数据向所述渔场投喂饲料。所述残余的饲料数据包括残余饲料的数量以及位置中至少一项。
在另一个实施例中，所述渔场饲料投喂方法还包括：
步骤A，获取所述渔场内的残余的饲料数据。所述残余的饲料数据包括残余饲料量以及位置中至少一项。进一步，所述残余的饲料数据包括漂浮在水面的残余饲料量及对应的位置，以及沉积在水底的残余饲料量及对应的位置。
步骤B，将所述残余的饲料数据传送至客户端，并接收所述客户端输入的调整数据。所述客户端可为用户的手机或者电脑。
步骤C，根据所述调整数据调整所述需投喂饲料数据。如此，可修正投喂数据，另外，记录保存调整后的投喂数据作为所述神经网络模型的历史投喂数据。
本发明所述的渔场饲料投喂方法100根据残余的饲料数据对所述需投喂饲料数据进行进一步的调整，可使得饲料投喂更加精准，从而避免投喂过量或者投喂不足。
请参阅图3，图3为本发明实施例提供的一种渔场饲料投喂系统100的功能模块图。所述渔场饲料投喂系统100包括监测装置10、控制装置20以及投喂装置30。所述监测装置10设置于所述渔场，用于获取渔场的环境数据、鱼类数据以及残余的饲料数据。所述控制装置20与所述监测装置10相连，所述控制装置20基于所述渔场的环境数据、所述鱼类数据以及所述投喂数据训练得到目标神经网络模型，并通过所述目标神经网络模型，得到预设时间内所需的投喂数据。所述投喂装置30根据所述需投喂饲料数据向所述渔场投喂饲料。
所述环境数据包括第一数据及第二数据，所述第一数据包括所述渔场对应的空域内的光线辐射强度、气温、湿度以及风速中至少一项，所述第二数据包括所述渔场的水域内的水温、盐度、流速、PH值以及溶氧量中至少一项。所述鱼类数据包括数量、种类、大小以及健康状况中至少一项。在一个实施例中，所述监测装置10包括第一监测模块11、第二监测模块12及第三监测模块13。所述第一监测模块11可为气象站，可获取所述第一数据。所述第二监测模块12可为海水监测装置，可获取所述第二数据。所述第三监测模块13可为设置于渔场内的高清摄像装置，可获取渔场内的鱼类的图像，根据获取的图像得到鱼类的数量、种类、大小以及健康状况。所述健康状况包括是否游动以及是否翻白中至少一项。所述投喂数据包括投喂饲料量、时间及位置中至少一项。所述投喂数据可以通过用户输入至所述控制装置20，也可以通过所述控制装置20从所述投喂装置30获取。
在一个实施例中，所述第一监测模块11、所述第二监测模块12及所述第三监测模块13可通过有线通信方式(例如，RS485通信总线)和/或者无线通信方式(例如，WiFi通信模块)与所述控制装置20进行通信。
在另一个实施例中，所述监测装置10还获取所述渔场内的残余的饲料数据。所述残余的饲料数据包括残余饲料量以及位置中至少一项。进一步，所述残余的饲料数据包括漂浮在水面的残余饲料量及对应的位置，以及沉积在水底的残余饲料量及对应的位置。相应地，可以通过所述第三监测模块13拍摄获取水面及水底图像，根据获取的图像得到残余的饲料数据。所述控制装置20将所述残余的饲料数据传送至客户端200，并接收所述客户端200输入的调整数据。根据所述调整数据调整所述需投喂饲料数据。所述调整数据包括投喂饲料量、时间及位置中至少一项。
在一个实施例中，所述控制装置20包括依次电性连接的数据处理模块21、控制模块22及通信模块23。
所述数据处理模块21从所述监测装置10获取渔场的环境数据、鱼类数据以及残余的饲料数据，并将所述渔场的环境数据、鱼类数据以及残余的饲料数据传送至所述控制模块22，同时，所述数据处理模块21还可以通过GPRS无线通信的方式将所述环境数据、鱼类数据以及残余的饲料数据传送至客户端200。所述控制模块22基于所述渔场的环境数据、所述鱼类数据以及所述投喂数据训练得到目标神经网络模型，通过所述目标神经网络模型得到预设时间内所需的投喂数据，并控制所述投喂装置30根据所述需投喂饲料数据向所述渔场投喂饲料。所述通信模块23用于与所述客户端200进行通信，接收所述客户端200输入的调整数据，并将实际投喂数据反馈至所述客户端200。
本发明所述的渔场饲料投喂方法及系统100根据获取环境数据、鱼类数据以及投喂数据学习训练得到所述目标神经网络模型，并通过目标神经网络模型得到所需的投喂数据，使得饲料投喂更加精准，同时还可以降低人工投喂的强度与成本。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、装置(模块、系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。
Claims (10)
1.一种渔场饲料投喂方法，其特征在于，所述渔场饲料投喂方法包括：
获取渔场的环境数据、鱼类数据以及投喂数据；
基于所述渔场的环境数据、所述鱼类数据以及所述投喂数据训练得到目标神经网络模型；
通过所述目标神经网络模型得到预设时间内所需的投喂数据；以及
根据所需的投喂数据向所述渔场投喂饲料。
2.根据权利要求1所述的渔场饲料投喂方法，其特征在于，所述环境数据包括第一数据及第二数据，所述第一数据包括所述渔场预设范围内的光线辐射强度、气温、湿度以及风速中至少一项，所述第二数据包括所述渔场的水域内的水温、盐度、流速、PH值以及溶氧量中至少一项。
3.根据权利要求1所述的渔场饲料投喂方法，其特征在于，所述鱼类数据包括数量、种类、大小以及健康状况中至少一项。
4.根据权利要求1所述的渔场饲料投喂方法，其特征在于，所述投喂数据包括投喂饲料量、时间及位置中至少一项。
5.根据权利要求1所述的渔场饲料投喂方法，其特征在于，所述基于所述渔场的环境数据、所述鱼类数据以及所述投喂数据训练得到目标神经网络模型包括：
a.选择数据样本，所述数据样本包括所述环境数据、所述鱼类数据以及所述投喂数据；
b.确定所述神经网络拓扑结构，所述神经网络包括输入层、隐含层及输出层；
c.建立数据模型，所述环境数据及所述鱼类数据为输入数据，所述投喂数据为输出数据，根据公式：
确定隐含层节点数目，其中，n为隐含层节点数目，l为输入层节点数，m为输出层节点数，a为常数，取值范围为[1-10]；以及
d.网络分析：
①初始化，确定所述神经网络的初始权值wij、wjk和阈值θj、γk，随机给各个权值阈值赋予[-1,1]内的随机值，对输入输出向量进行归一化处理，其公式如下：
式中，xi、
分别为归一化前后的值，xmax为样本序列中最大的数，xmin为样本序列中最小的数；
②利用训练样本输入向量、权值wij和阈值θj计算隐含层各单位输出，
式中，bj为隐含层j单位输出，f()为隐含层传递函数，l为输入层节点数，xi为输入层样本；
③利用隐含层单位输出bj、权值wjk和阈值γk，通过传递函数计算输出层各单位响应，
式中，yk为隐含层k单位输出，f()为隐含层传递函数，n为输入层节点数；
④利用网络目标向量，网络实际输出，计算各输出层各单位一般化误差，
dk＝(Yk-yk)yk(1-yk)
式中，Yk为网络目标向量元素；
⑤计算隐含层各单元一般化误差，
⑥利用计算出的输出层各单元一般化误差、隐含层各单元输出、隐含层一般化误差以及输入层各单元输入，分别对网络各层权值阈值进行更新修正，
wjk(N+1)＝wjk(N)+α·dk·bj
γk(N+1)＝γk(N)+α·dk
wij(N+1)＝wij(N)+β·ej·xi
θj(N+1)＝θj(N)+β·ej
式中，α、β为学习速率，取值范围为[0，1]，N为神经网络的迭代次数；
⑦随机选取下一组训练样本重复步骤②至⑥，直至达到网络所需精度或者达到最大迭代次数，网络训练过程结束；
⑧将测试样本数据中的测试输入向量输入训练好的神经网络进行输出测试，将测试的结果与实际输出进行对比，检测网络分析的精度。
6.根据权利要求1所述的渔场饲料投喂方法，其特征在于，所述方法还包括：
获取所述渔场内的残余的饲料数据；
将所述残余的饲料数据传送至客户端，并接收所述客户端输入的调整数据；以及
根据所述调整数据调整所述需投喂饲料数据，并保存调整后的需投喂饲料数据作为所述目标神经网络的历史投喂数据。
7.根据权利要求6所述的渔场饲料投喂方法，其特征在于，所述残余的饲料数据包括残余饲料量以及位置中至少一项。
8.一种渔场饲料投喂系统，其特征在于，所述渔场饲料投喂系统包括：
监测装置，设置于所述渔场，所述监测装置用于获取渔场的环境数据、鱼类数据以及投喂数据；
控制装置，与所述监测装置相连，所述控制装置基于所述渔场的环境数据、所述鱼类数据以及所述投喂数据训练得到目标神经网络模型，并通过所述目标神经网络模型得到预设时间内所需的投喂数据；以及
投喂装置，与所述控制装置相连，所述控制装置根据所述需投喂饲料数据控制所述投喂装置向所述渔场投喂饲料。
9.根据权利要求8所述的渔场饲料投喂系统，其特征在于，所述监测装置还用于获取所述渔场内的残余的饲料数据，所述控制装置还用于将所述残余的饲料数据传送至客户端，并接收所述客户端输入的调整数据；以及根据所述调整数据调整所述需投喂饲料数据。
10.根据权利要求9所述的渔场饲料投喂系统，其特征在于，所述残余的饲料数据包括残余饲料量以及位置中至少一项。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011266630.5A CN112352724A (zh) | 2020-11-13 | 2020-11-13 | 一种渔场饲料投喂方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011266630.5A CN112352724A (zh) | 2020-11-13 | 2020-11-13 | 一种渔场饲料投喂方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112352724A true CN112352724A (zh) | 2021-02-12 |
Family
ID=74515501
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011266630.5A Pending CN112352724A (zh) | 2020-11-13 | 2020-11-13 | 一种渔场饲料投喂方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112352724A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113763033A (zh) * | 2021-08-04 | 2021-12-07 | 武汉轻工大学 | 全自动钓鱼场鱼种投放选择方法、装置、设备及存储介质 |
| CN114557308A (zh) * | 2022-03-11 | 2022-05-31 | 重庆工商大学 | 应用于循环水养殖的精准投喂系统及方法 |
| CN114651770A (zh) * | 2022-04-22 | 2022-06-24 | 四川大学 | 水产投饲控制方法、装置及存储介质 |
| CN116630080A (zh) * | 2023-07-25 | 2023-08-22 | 广东省农业科学院动物科学研究所 | 基于图像识别的水产集约化养殖饲料容量确定方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103858807A (zh) * | 2012-12-11 | 2014-06-18 | 上海农业信息有限公司 | 基于物联网的投饵机终端 |
| CN104516298A (zh) * | 2014-12-30 | 2015-04-15 | 天津振邦水产养殖有限公司 | 一种水产养殖环境参数远程监控系统 |
| CN106169771A (zh) * | 2016-08-01 | 2016-11-30 | 河海大学常州校区 | 一种可预测发电量数据的并网逆变器 |
| US20170323154A1 (en) * | 2016-05-05 | 2017-11-09 | Brunswick Corporation | Person detection in a marine environment |
| CN108375906A (zh) * | 2018-03-20 | 2018-08-07 | 北京农业信息技术研究中心 | 一种基于模糊算法的水产鱼类投喂量预估方法 |
| CN207870096U (zh) * | 2017-11-03 | 2018-09-18 | 湖北海洋工程装备研究院有限公司 | 一种水下环境监控系统及养殖渔场 |
| CN111240200A (zh) * | 2020-01-16 | 2020-06-05 | 北京农业信息技术研究中心 | 鱼群投饵控制方法、鱼群投饵控制装置及投饵船 |
-
2020
- 2020-11-13 CN CN202011266630.5A patent/CN112352724A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103858807A (zh) * | 2012-12-11 | 2014-06-18 | 上海农业信息有限公司 | 基于物联网的投饵机终端 |
| CN104516298A (zh) * | 2014-12-30 | 2015-04-15 | 天津振邦水产养殖有限公司 | 一种水产养殖环境参数远程监控系统 |
| US20170323154A1 (en) * | 2016-05-05 | 2017-11-09 | Brunswick Corporation | Person detection in a marine environment |
| CN106169771A (zh) * | 2016-08-01 | 2016-11-30 | 河海大学常州校区 | 一种可预测发电量数据的并网逆变器 |
| CN207870096U (zh) * | 2017-11-03 | 2018-09-18 | 湖北海洋工程装备研究院有限公司 | 一种水下环境监控系统及养殖渔场 |
| CN108375906A (zh) * | 2018-03-20 | 2018-08-07 | 北京农业信息技术研究中心 | 一种基于模糊算法的水产鱼类投喂量预估方法 |
| CN111240200A (zh) * | 2020-01-16 | 2020-06-05 | 北京农业信息技术研究中心 | 鱼群投饵控制方法、鱼群投饵控制装置及投饵船 |
Non-Patent Citations (3)
| Title |
|---|
| 周明等: "《鱼类的饲料与养殖》", 31 January 2000, 安徽科学技术出版社 * |
| 王纪亭等: "《养鱼手册》", 30 April 2015, 中国农业大学出版社 * |
| 陈澜等: "基于自适应模糊神经网络的鱼类投喂预测方法研究", 《中国农业科技导报》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113763033A (zh) * | 2021-08-04 | 2021-12-07 | 武汉轻工大学 | 全自动钓鱼场鱼种投放选择方法、装置、设备及存储介质 |
| CN114557308A (zh) * | 2022-03-11 | 2022-05-31 | 重庆工商大学 | 应用于循环水养殖的精准投喂系统及方法 |
| CN114651770A (zh) * | 2022-04-22 | 2022-06-24 | 四川大学 | 水产投饲控制方法、装置及存储介质 |
| CN116630080A (zh) * | 2023-07-25 | 2023-08-22 | 广东省农业科学院动物科学研究所 | 基于图像识别的水产集约化养殖饲料容量确定方法及系统 |
| CN116630080B (zh) * | 2023-07-25 | 2024-01-26 | 广东省农业科学院动物科学研究所 | 基于图像识别的水产集约化养殖饲料容量确定方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112352724A (zh) | 一种渔场饲料投喂方法及系统 | |
| EP3843542B1 (en) | Optimal feeding based on signals in an aquaculture environment | |
| WO2019232247A1 (en) | Biomass estimation in an aquaculture environment | |
| CN111954465B (zh) | 自动投饵支援装置、自动投饵支援方法、以及记录介质 | |
| KR20170032153A (ko) | 양어장의 생태환경 제어방법 및 장치 | |
| CN111637874B (zh) | 一种赤潮海域多auv分层探测系统及探测方法 | |
| JP6842100B1 (ja) | 水棲動物検出装置、情報処理装置、端末装置、水棲動物検出システム、水棲動物検出方法、及び水棲動物検出プログラム | |
| JP6764487B2 (ja) | 水処理プラントおよび水処理プラントの運転方法 | |
| CN112131921A (zh) | 基于立体视觉的生物自动量测系统及其量测方法 | |
| CN112183533A (zh) | 污水泡沫高度测量装置、方法、预测警报及处理系统 | |
| CN114004433A (zh) | 一种养殖鱼类生长环境调控方法及装置 | |
| Anderson et al. | High resolution acoustic telemetry reveals swim speeds and inferred field metabolic rates in juvenile white sharks (Carcharodon carcharias) | |
| CN115797844A (zh) | 一种基于神经网络的鱼体鱼病检测方法及系统 | |
| CN116630080B (zh) | 基于图像识别的水产集约化养殖饲料容量确定方法及系统 | |
| JP7227179B2 (ja) | 養殖管理装置、養殖管理方法及び給餌ロボット | |
| CN107703509B (zh) | 一种声呐探测鱼群选择最佳垂钓点的系统和方法 | |
| CN116109945B (zh) | 基于有序持续学习的遥感影像解译方法 | |
| CN109006652A (zh) | 一种基于物联网的罗非鱼制种育苗系统及方法 | |
| CN105550774A (zh) | 设施投料预测方法和系统 | |
| Hrabik et al. | Predation risk and prey fish vertical migration in Lake Superior: insights from an individual based model of siscowet (Salvelinus namaycush) | |
| JP7350181B2 (ja) | 動的監視のためのカメラウインチ制御 | |
| CN109187898A (zh) | 水产养殖环境中水质氨氮含量的软测量方法及装置 | |
| CN109255200A (zh) | 一种养殖水体氨氮的软测量方法及装置 | |
| JP7480984B2 (ja) | 個体検出システム、撮影ユニット、個体検出方法、およびコンピュータプログラム | |
| CN115486391A (zh) | 一种珍珠龙胆石斑鱼精准投喂养殖方法 |
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: 20210212 |