CN114077931A - 一种养殖池塘中溶解氧含量的预测方法 - Google Patents

一种养殖池塘中溶解氧含量的预测方法 Download PDF

Info

Publication number
CN114077931A
CN114077931A CN202111445738.5A CN202111445738A CN114077931A CN 114077931 A CN114077931 A CN 114077931A CN 202111445738 A CN202111445738 A CN 202111445738A CN 114077931 A CN114077931 A CN 114077931A
Authority
CN
China
Prior art keywords
data
dissolved oxygen
model
prediction
time
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
Application number
CN202111445738.5A
Other languages
English (en)
Inventor
钱程
刘世晶
涂雪滢
李国栋
汤涛林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fishery Machinery and Instrument Research Institute of CAFS
Original Assignee
Fishery Machinery and Instrument Research Institute of CAFS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fishery Machinery and Instrument Research Institute of CAFS filed Critical Fishery Machinery and Instrument Research Institute of CAFS
Priority to CN202111445738.5A priority Critical patent/CN114077931A/zh
Publication of CN114077931A publication Critical patent/CN114077931A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Farming Of Fish And Shellfish (AREA)

Abstract

本发明公开了一种养殖池塘中溶解氧含量的预测方法，所述预测方法基于PCA‑SSIM预测模型实现对溶解氧含量的预测，包括如下步骤：1)构建养殖池塘的物联网系统，获取养殖池塘的水质数据、气象数据和增氧投喂状态数据；2)对上述数据按照时间序列分析要求进行标准化和归一化预处理；3)利用PCA数据分析方法筛选上述数据中的关键影响因子，以降低变量维度，消减变量间相关性和冗余性，构建SSIM模型的训练集和测试集；4)利用SSIM模型开展数据预测，根据预测结果调整模型参数，当达到目标准确率时，构建基于PCA_SSIM的溶解氧预测模型。

Description

一种养殖池塘中溶解氧含量的预测方法
技术领域
本发明涉及照相设备领域，尤其涉及到一种养殖池塘中溶解氧含量的预测方法。
背景技术
集约化的水产养殖在未来的水产养殖中将占有重要地位。溶解氧的预测是水产养殖管理中一项非常重要的工作，如何在获取溶解氧浓度信息，并及时在低浓度溶氧发生之前采取增氧措施是集约化工厂化水产养殖过程中的重要问题。通过现代信息技术手段进行溶解氧预测能够为集约化工厂化养殖提供水质管理和控制的重要参考依据，从而达到降低养殖风险、提高经济效益的目的。
目前，现有技术中有使用遗传算法和BP神经网络从气压、气温、降雨量、光照强度，风速、风向和空气湿度等气象指标建立模型，预测池塘溶解氧浓度；有使用最小二乘支持向量回归机从预定时段内的水质指标和相关气象因子数据出发获取溶解氧浓度预测值；另外，还有使用利用蚁群算法优化最小二乘支持向量机的惩罚因子和核函数宽度参数从而建立溶解氧预测模型，各种预测方法在实际的溶解氧预测中仍然会存在一定的误差。
发明内容
本发明的目的是提供一种养殖池塘中溶解氧含量的预测方法，其利用已有的水质数据、气象数据和增氧投喂状态数据，构建PCA-SSIM预测模型，实现对池塘溶解氧含量的预测。
本发明的上述技术目的是通过以下技术方案实现的：
一种养殖池塘中溶解氧含量的预测方法，其特征在于，所述预测方法基于PCA-SSIM预测模型实现对溶解氧含量的预测，包括如下步骤：
1)构建养殖池塘的物联网系统，获取养殖池塘的水质数据、气象数据和增氧投喂状态数据；
2)对上述数据按照时间序列分析要求进行标准化和归一化预处理；
3)利用PCA数据分析方法筛选上述数据中的关键影响因子，以降低变量维度，消减变量间相关性和冗余性，构建SSIM模型的训练集和测试集；
4)利用SSIM模型开展数据预测，根据预测结果调整模型参数，当达到目标准确率时，构建基于PCA_SSIM的溶解氧预测模型。
进一步的，所述水质数据通过设置在养殖池塘中的水质传感器获取，水质传感器采用浮标形式设置在养殖池塘中，水质数据采用无线网络传输，包括溶解氧、PH值以及水温。
进一步的，所述气象数据通过设置在养殖池塘附近的气象站获取，气象数据采用无线网络传输，包括气温、气压、风速、风向、大气压、光照强度和降雨量。
进一步的，所述增氧投喂状态数据在时间轴上仅体现出开启和关闭状态，产生的不规则分布按照式(1)和式(2)方式进行计算，并按照水质传感器分布特征补充完善数据集；
Figure BDA0003384088440000021
Figure BDA0003384088440000022
式中，Oi和Ci分别为增氧机开启和关闭时间区间状态，
Figure BDA0003384088440000023
为大于开启时间Ti且距离开启时间最近的传感器采样时间点，
Figure BDA0003384088440000024
为小于开启时间且距离开启时间Ti最近的传感器采样时间点；i为设备开关次数；当增氧机或投喂机开启时，采用式(1)计算不规则时间分布状态值；当增氧机或投喂机关闭时，采用式(2)计算不规则时间分布状态值；
为了保证数据在时间序列上的连续性，对间隔时间为5min且连续时间序列个数大于等于60的数据进行分割存储，并将处理得到的数据根据半小时为一个整体分割为训练集和测试集，标签为溶解氧的值，最后采用式(3)对数据进行归一化处理；
Figure BDA0003384088440000031
进一步的，所述SSIM模型选择BiLSTM作为编码器，BiLSTM输入是可变长度序列x＝{xi}，其中xi为特定时间长度索引i处的特征向量；
BiLSTM具有前向和反向两个隐藏状态，在每个时间索引t处的隐藏状态为
Figure BDA0003384088440000032
由此构建的隐藏序列h＝{ht}；则时间索引t处的隐藏状态更新如下：
it＝σ(Wxixt+Whiht-1+bi)
ft＝σ(Wxfxt+Whfht-1+bf)
Figure BDA0003384088440000033
ot＝σ(Wxoxt+Whoht-1+bo)
Figure BDA0003384088440000034
其中i、f和o分别指输入门、遗忘门和输出门；c、σ，和
Figure BDA0003384088440000035
表示单元向量、sigmoid函数和元素乘法，参数W和b将级联映射到隐藏状态的大小；
SSIM模型的解码器负责递归生成输出序列y＝{y1，y2，…，ym}，在LSTM层的顶部添加一个具有线性激活函数的完全连接层，以生成具有连续值的预测；对于解码器，在时间t处的估计yt计算如下：
yt＝Linear(W[st，ct]+b)
st＝LSTM(yt-1，st-1，ct)
其中，st是解码器在时间索引t处的隐藏状态，ct是编码器传递的隐藏状态的加权和，[st，ct]是解码器隐藏状态和上下文向量的串联。
进一步的，还包括模型评价指标，其用于评价模型对溶解氧数据的预测性能，模型评价指标选用均方根误差RMSE，平均绝对误差MSE，平均绝对百分误差MAPE和对称SMAPE作为评价指标；
Figure BDA0003384088440000041
Figure BDA0003384088440000042
Figure BDA0003384088440000043
Figure BDA0003384088440000044
上式中，yi为实测溶解氧含量，
Figure BDA0003384088440000045
为预测值，N为样本数量。
进一步的，所述PCA数据分析方法筛选关键影响因子实现数据降维和分析，并采用基于Kaiser标准化的正交旋转法确定影响因子载荷矩阵，最终筛选出溶解氧、pH值、水温、风速、光照强度、增氧机和投饲机数据构建溶解氧预测模型。
进一步的，所述SSIM模型的超参数包括隐藏层的数量、每层中隐藏的LSTM单元的数量、丢失率和损失函数；SSIM模型通过使用pytouch神经网络框架实现和优化；选择MSE作为训练SSIM模型的损失函数。
综上所述，本发明具有以下有益效果：
本发明从养殖池塘的水质数据、气象数据和增氧投喂状态数据，利用PCA数据分析方法筛选上述数据中的关键影响因子，以降低变量维度，消减变量间相关性和冗余性，构建SSIM模型的训练集和测试集，并经过多次预测结果调整模型参数，以提高准确率。
附图说明
图1是本发明所述的养殖池塘的示意图。
图2是本发明所述的SSIM模型网络结构图。
图3是本发明所述的养殖池塘中溶解氧含量的预测方法流程图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合图示与具体实施例，进一步阐述本发明。
本发明提出的一种养殖池塘中溶解氧含量的预测方法，所述预测方法基于PCA-SSIM预测模型实现对溶解氧含量的预测，包括
一、数据获取
试验对象为经过标准化改造处理且使用时间超过5年的养殖池塘(长100m，宽30m，平均深度1.5m)，池塘周围采用水泥预制板护坡，养殖品种为草鱼。池塘配备1台3000w叶轮增氧机、1台200w小型风力投饲机。
如图1所示，为了避免增氧和投喂过程对水质监测过程中的数据造成影响，水质传感器采用浮标形式放置再池塘短轴中线距离长轴中线25m处，传感器数据采用无线网络传输，传输数据包括溶解氧、PH值以及水温，采集频率为5min，采样水深为20cm。气象站放置再池塘左上角，采用无线信号传输，上传数据包括气温、气压、风速、风向、大气压、光照强度、降雨量等7种气象参数，采集频率与水质传感器一致。采用自行开发的组态程序实现增氧、投喂定时自动控制和环境在线监控功能，并按照标准时间戳将控制数据、水质数据和气象数据存储到数据库中。
二、数据预处理
在实际采用过程中，人为固定了传感器采用频率，保证采集的水质数据和气象数据具有相同的分布特征。增氧机和投喂机作为两种常见养殖生产机械装备，受使用条件和价格成本约束，一般不使用具有变频功能电机组件，其数据特征在时间轴上仅体现出开启和关闭状态，因此在数据集中采用0和1状态表征两种设备数据时间特性。此外，为了不失一般性，根据水产养殖生产的实际需要设定设备开关时间，因此产生的不规则分布按照式(1)和式(2)进行计算，并按照传感器数据分布特征补充完善数据集。
Figure BDA0003384088440000061
Figure BDA0003384088440000062
式中，Oi和Ci分别为增氧机开启和关闭时间区间状态，
Figure BDA0003384088440000063
为大于开启时间Ti且距离开启时间最近的传感器采样时间点，
Figure BDA0003384088440000064
为小于开启时间且距离开启时间Ti最近的传感器采样时间点；i为设备开关次数；当增氧机或投喂机开启时，采用式(1)计算不规则时间分布状态值；当增氧机或投喂机关闭时，采用式(2)计算不规则时间分布状态值。
针对传感器网络，受信号干扰、网络延迟以及人为因素影响，难免会出现收集数据时间戳不连续等情况，为了保证数据在时间序列上的连续性，对间隔时间为5min且连续时间序列个数大于等于60的数据进行分割存储，并将处理得到的数据根据半小时为一个整体分割为训练集和测试集，标签为溶解氧的值。最后采用式(3)对数据进行归一化处理。
Figure BDA0003384088440000071
三、SSIM模型
SSIM模型利用具有如图2所示的注意机制的序列到序列架构，其中编码器和解码器是两个关键功能组件。编码器处理输入时间序列并将其映射到高维向量。解码器从向量中获取输入并产生目标数据序列。此外，注意机制使解码器能够了解如何关注不同输出的特定输入序列范围。
与基于过去数据的一般预测问题不同，对数据按照时间长度进行区分且重构数据集，可以利用过去和未来的数据来进行预测。所述SSIM模型选择BiLSTM(bidirectionalLSTM，BiLSTM)作为编码器，BiLSTM输入是可变长度序列x＝{xi}，其中xi为特定时间长度索引i处的特征向量；
BiLSTM具有前向和反向两个隐藏状态，在每个时间索引t处的隐藏状态为
Figure BDA0003384088440000075
由此构建的隐藏序列h＝{ht}；则时间索引t处的隐藏状态更新如下：
it＝σ(Wxixt+Whiht-1+bi)
ft＝σ(Wxfxt+Whfht-1+bf)
Figure BDA0003384088440000072
ot＝σ(Wxoxt+Whoht-1+bo)
Figure BDA0003384088440000073
其中i、f和o分别指输入门、遗忘门和输出门；c、σ，和
Figure BDA0003384088440000074
表示单元向量、sigmoid函数和元素乘法，参数W和b将级联映射到隐藏状态的大小；
SSIM模型的解码器负责递归生成输出序列y＝{y1，y2，…，ym}，在LSTM层的顶部添加一个具有线性激活函数的完全连接层，以生成具有连续值的预测；对于解码器，在时间t处的估计yt计算如下：
yt＝Linear(W[st，ct]+b)
st＝LSTM(yt-1，st-1，ct)
其中，st是解码器在时间索引t处的隐藏状态，ct是编码器传递的隐藏状态的加权和，[st，ct]是解码器隐藏状态和上下文向量的串联。
四、基于PCA_SSIM的溶解氧预测模型
为了增强预测模型对气象、人工操作等不同维度数据的利用能力，本文引入PCA数据分析方法，构建了PCA_SSIM的溶解氧预测模型。
数据算法流程如图3所示，主要包括不同维度数据获取及预处理、主成分分析和关键影响因子筛选、模型训练及测试。
1)通过构建池塘养殖物联网系统，获取气象站、增氧机、投喂机相关数据。并对采集数据按照时间序列分析要求进行标准化和归一化预处理。
2)利用PCA选取关键影响因子，降低变量维度，消减变量间相关性和冗余性，并确定训练集和测试集维度
3)利用SSIM模型开展数据预测，根据预测结果调整模型参数，当模型参数达到目标准确率时，构建基于PCA_SSIM的溶解氧预测模型。
4)利用测试集验证模型精度，并通过与其他方法比较验证模型有效性。
五、模型评价指标
为了评价模型对溶解氧数据的预测性能，本文选用均方根误差RMSE，平均绝对误差MSE，平均绝对百分误差MAPE和对称SMAPE等作为评价指标。
Figure BDA0003384088440000091
Figure BDA0003384088440000092
Figure BDA0003384088440000093
Figure BDA0003384088440000094
上式中，yi为实测溶解氧含量，
Figure BDA0003384088440000095
为预测值，N为样本数量。
六、关键影响因子
池塘溶解氧含量影响因素众多，若将所有数据不加分别的直接利用，会导致模型庞大，增加数据分析利用难度。因此，为了探寻影响池塘溶解氧的变化的关键因素，需对影响因素进行成分分析，以减小关联变量，明确主要影响因子。本申请利用PCA方法实现数据降维和分析，并采用基于Kaiser标准化的正交旋转法[]确定影响因子载荷矩阵，最终筛选出池塘溶解氧关键影响因子。选择溶解氧、pH值、水温、风速、光照强度、增氧机和投饲机作为主要影响因子构建溶解氧预测模型，相关因子选择和基于专家经验的选择结果基本一致。
七、SSIM模型参数
SSIM的结构也需要确定。超参数包括隐藏层的数量、每层中隐藏的LSTM单元的数量、丢失率、损失函数等。SSIM通过使用pytouch神经网络框架实现和优化[37]。优化的超参数如下表所示。均方误差是一个数学上表现良好的函数，可平滑微分且易于计算梯度。因此，选择MSE作为训练SSIM的损失函数。
Figure BDA0003384088440000101
SSIM结构参数
在本文中，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”、“竖直”、“水平”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了表达技术方案的清楚及描述方便，因此不能理解为对本发明的限制。
在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，除了包含所列的那些要素，而且还可包含没有明确列出的其他要素。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。

Claims (8)

1.一种养殖池塘中溶解氧含量的预测方法，其特征在于，所述预测方法基于PCA-SSIM预测模型实现对溶解氧含量的预测，包括如下步骤：
1)构建养殖池塘的物联网系统，获取养殖池塘的水质数据、气象数据和增氧投喂状态数据；
2)对上述数据按照时间序列分析要求进行标准化和归一化预处理；
3)利用PCA数据分析方法筛选上述数据中的关键影响因子，以降低变量维度，消减变量间相关性和冗余性，构建SSIM模型的训练集和测试集；
4)利用SSIM模型开展数据预测，根据预测结果调整模型参数，当达到目标准确率时，构建基于PCA_SSIM的溶解氧预测模型。
2.根据权利要求1所述的养殖池塘中溶解氧含量的预测方法，其特征在于，所述水质数据通过设置在养殖池塘中的水质传感器获取，水质传感器采用浮标形式设置在养殖池塘中，水质数据采用无线网络传输，包括溶解氧、PH值以及水温。
3.根据权利要求1所述的养殖池塘中溶解氧含量的预测方法，其特征在于，所述气象数据通过设置在养殖池塘附近的气象站获取，气象数据采用无线网络传输，包括气温、气压、风速、风向、大气压、光照强度和降雨量。
4.根据权利要求1所述的养殖池塘中溶解氧含量的预测方法，其特征在于，所述增氧投喂状态数据在时间轴上仅体现出开启和关闭状态，产生的不规则分布按照式(1)和式(2)方式进行计算，并按照水质传感器分布特征补充完善数据集；
Figure FDA0003384088430000011
Figure FDA0003384088430000012
式中，Oi和Ci分别为增氧机开启和关闭时间区间状态，Ti↑为大于开启时间Ti且距离开启时间最近的传感器采样时间点，Ti↓为小于开启时间且距离开启时间Ti最近的传感器采样时间点；i为设备开关次数；当增氧机或投喂机开启时，采用式(1)计算不规则时间分布状态值；当增氧机或投喂机关闭时，采用式(2)计算不规则时间分布状态值；
为了保证数据在时间序列上的连续性，对间隔时间为5min且连续时间序列个数大于等于60的数据进行分割存储，并将处理得到的数据根据半小时为一个整体分割为训练集和测试集，标签为溶解氧的值，最后采用式(3)对数据进行归一化处理；
Figure FDA0003384088430000021
5.根据权利要求1所述的养殖池塘中溶解氧含量的预测方法，其特征在于，所述SSIM模型选择BiLSTM作为编码器，BiLSTM输入是可变长度序列x＝{xi}，其中xi为特定时间长度索引i处的特征向量；
BiLSTM具有前向和反向两个隐藏状态，在每个时间索引t处的隐藏状态为
Figure FDA0003384088430000022
由此构建的隐藏序列h＝{ht}；则时间索引t处的隐藏状态更新如下：
it＝σ(Wxixt+Whiht-1+bi)
ft＝σ(Wxfxt+Whfht-1+bf)
Figure FDA0003384088430000023
ot＝σ(Wxoxt+Whoht-1+bo)
Figure FDA0003384088430000024
其中i、f和o分别指输入门、遗忘门和输出门；c、σ，和
Figure FDA0003384088430000025
表示单元向量、sigmoid函数和元素乘法，参数W和b将级联映射到隐藏状态的大小；
SSIM模型的解码器负责递归生成输出序列y＝{y1，y2，…，ym}，在LSTM层的顶部添加一个具有线性激活函数的完全连接层，以生成具有连续值的预测；对于解码器，在时间t处的估计yt计算如下：
yt＝Linear(W[st，ct]+b)
st＝LSTM(yt-1，st-1，ct)
其中，st是解码器在时间索引t处的隐藏状态，ct是编码器传递的隐藏状态的加权和，[st，ct]是解码器隐藏状态和上下文向量的串联。
6.根据权利要求1所述的养殖池塘中溶解氧含量的预测方法，其特征在于，还包括模型评价指标，其用于评价模型对溶解氧数据的预测性能，模型评价指标选用均方根误差RMSE，平均绝对误差MSE，平均绝对百分误差MAPE和对称SMAPE作为评价指标；
Figure FDA0003384088430000031
Figure FDA0003384088430000032
Figure FDA0003384088430000033
Figure FDA0003384088430000034
上式中，yi为实测溶解氧含量，
Figure FDA0003384088430000035
为预测值，N为样本数量。
7.根据权利要求1所述的养殖池塘中溶解氧含量的预测方法，其特征在于，所述PCA数据分析方法筛选关键影响因子实现数据降维和分析，并采用基于Kaiser标准化的正交旋转法确定影响因子载荷矩阵，最终筛选出溶解氧、pH值、水温、风速、光照强度、增氧机和投饲机数据构建溶解氧预测模型。
8.根据权利要求6所述的养殖池塘中溶解氧含量的预测方法，其特征在于，所述SSIM模型的超参数包括隐藏层的数量、每层中隐藏的LSTM单元的数量、丢失率和损失函数；SSIM模型通过使用pytouch神经网络框架实现和优化；选择MSE作为训练SSIM模型的损失函数。
CN202111445738.5A 2021-11-30 2021-11-30 一种养殖池塘中溶解氧含量的预测方法 Pending CN114077931A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111445738.5A CN114077931A (zh) 2021-11-30 2021-11-30 一种养殖池塘中溶解氧含量的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111445738.5A CN114077931A (zh) 2021-11-30 2021-11-30 一种养殖池塘中溶解氧含量的预测方法

Publications (1)

Publication Number Publication Date
CN114077931A true CN114077931A (zh) 2022-02-22

Family

ID=80284474

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111445738.5A Pending CN114077931A (zh) 2021-11-30 2021-11-30 一种养殖池塘中溶解氧含量的预测方法

Country Status (1)

Country Link
CN (1) CN114077931A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115250969A (zh) * 2022-07-08 2022-11-01 西双版纳云博水产养殖开发有限公司 一种大鳞结鱼的人工繁殖方法
CN115983131A (zh) * 2023-01-09 2023-04-18 淮阴工学院 一种水产品生长含氧量调控方法及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115250969A (zh) * 2022-07-08 2022-11-01 西双版纳云博水产养殖开发有限公司 一种大鳞结鱼的人工繁殖方法
CN115250969B (zh) * 2022-07-08 2023-06-02 西双版纳云博水产养殖开发有限公司 一种大鳞结鱼的人工繁殖方法
CN115983131A (zh) * 2023-01-09 2023-04-18 淮阴工学院 一种水产品生长含氧量调控方法及装置
CN115983131B (zh) * 2023-01-09 2023-07-04 淮阴工学院 一种水产品生长含氧量调控方法及装置

Similar Documents

Publication Publication Date Title
CN114077931A (zh) 一种养殖池塘中溶解氧含量的预测方法
CN101334366B (zh) 一种基于图像特征分析的浮选回收率预测方法
CN110648014B (zh) 一种基于时空分位数回归的区域风电预测方法及系统
CN113095550B (zh) 基于变分递归网络和自注意力机制的空气质量预测方法
CN113554466B (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN110070224A (zh) 一种基于多步骤递归预测的空气质量预测方法
CN109886496B (zh) 一种基于气象信息的农产量预测方法
Cao et al. Prediction of dissolved oxygen content in aquaculture based on clustering and improved ELM
CN114693064A (zh) 一种建筑群方案生成性能评价方法
CN113762387A (zh) 一种基于混合模型预测的数据中心站多元负荷预测方法
CN112132334A (zh) 一种用于城市生活垃圾产量的预测方法
CN116757057A (zh) 基于pso-ga-lstm模型的空气质量预测方法
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN115456245A (zh) 一种感潮河网区溶解氧预测方法
CN115189416A (zh) 基于日前电价分级预测模型的发电系统控制方法及系统
CN114444811A (zh) 一种基于注意力机制的铝电解混频数据过热度预测方法
CN117113735B (zh) 基于多层次生态模型的藻华智能预警方法与系统
CN114036846A (zh) 池塘养殖溶解氧缺失数据插补方法
CN113962819A (zh) 一种基于极限学习机的工厂化水产养殖溶解氧预测方法
CN117313990A (zh) 基于元集成学习的空调负荷预测方法、系统和电子设备
CN115828758B (zh) 基于改进烟花算法优化网络的海水三维预测方法及系统
CN117251705A (zh) 一种每日天然气负荷预测方法
CN116739161A (zh) 一种融合经验模态分解和Informer模型的海表面温度预测方法
CN116663404A (zh) 一种耦合人工智能和贝叶斯理论的洪水预报方法及系统
CN114971005B (zh) 基于lstm与差分回归模型动态加权的海湾水温组合预测方法

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