CN114417740B - 一种深海养殖态势感知方法 - Google Patents

一种深海养殖态势感知方法 Download PDF

Info

Publication number
CN114417740B
CN114417740B CN202210320932.9A CN202210320932A CN114417740B CN 114417740 B CN114417740 B CN 114417740B CN 202210320932 A CN202210320932 A CN 202210320932A CN 114417740 B CN114417740 B CN 114417740B
Authority
CN
China
Prior art keywords
data
water quality
parameter water
rbf
hydrological meteorological
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
Application number
CN202210320932.9A
Other languages
English (en)
Other versions
CN114417740A (zh
Inventor
魏立明
贺保卫
崔海朋
沈炜皓
马志宇
赵巍
姜作飞
黄元涛
倪亚东
姜英昌
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.)
Qingdao Jari Industry Control Technology Co ltd
Original Assignee
Qingdao Jari Industry Control Technology Co ltd
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 Qingdao Jari Industry Control Technology Co ltd filed Critical Qingdao Jari Industry Control Technology Co ltd
Priority to CN202210320932.9A priority Critical patent/CN114417740B/zh
Publication of CN114417740A publication Critical patent/CN114417740A/zh
Application granted granted Critical
Publication of CN114417740B publication Critical patent/CN114417740B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种深海养殖态势感知方法，属于深海养殖技术领域，包括以下步骤：S1.通过水文气象观监测设备和多参数水质观监测设备，获取实时水文气象信息和多参数水质信息，结合已有水文气象和多参数水质监测点数据，以建立原始数据集；S2.对水文气象和多参数水质数据进行归一化处理；S3.基于LSTM神经网络构造养殖海域水文气象时序预测模型，进行养殖海域水文气象的预测；S4.构基于已有监测点的水文气象数据，分析水质指标与水文气象因子的特征关联性，构建AP‑RBF神经网络模型，进行多参数水质预测。其优点在于，可以广泛应用于深海养殖区域水文气象与养殖水体多参数水质预测，对于深海养殖网箱、工船作业具有重要指导作用。

Description

一种深海养殖态势感知方法
技术领域
本发明具体涉及一种深海养殖态势感知方法，属于深海养殖技术领域。
背景技术
在深海养殖海-气预测与多参数水质预测领域，我国起步较晚，在预测精度和时效方面与国外尚有一定差距。当前，深远海养殖精细化海洋环境态势感知能力不足，仅可通过水文气象观监测设备和多参数水质观监测设备，获取风、浪、流、水温等水文气象，以及养殖水体温度、溶解氧、盐度、pH值、浊度等多参数水质信息，但是缺乏精细化深海养殖水文气象、多参数水质预测。精细化的水文气象及多参数水质预测对于深海养殖网箱、工船作业具有重要指导作用，可为智慧海洋渔业工程提供数据支撑和服务。
发明内容
为解决上述问题，本发明提供一种基于LSTM神经网络的水文气象预测和基于AP-RBF神经网络的多参数水质预测方法，可以广泛应用于深海养殖区域水文气象与养殖水体多参数水质预测。技术方案如下，
一种深海养殖态势感知方法，包括以下步骤：
S1.通过水文气象观监测设备和多参数水质观监测设备，获取实时水文气象信息和多参数水质信息，结合已有水文气象和多参数水质监测点数据，以建立原始数据集；
S2.对水文气象和多参数水质数据进行归一化处理，使得数据整体落在[0，1]区间；
S3.基于LSTM神经网络构造养殖海域水文气象时序预测模型，进行养殖海域水文气象的预测；
S4.构基于已有监测点的水文气象数据，分析水质指标与水文气象因子的特征关联性，构建AP-RBF神经网络模型，进行多参数水质预测。
进一步优选的，步骤S2中归一化处理过程如下：
Figure DEST_PATH_IMAGE001
上式中，X表示归一化处理后的水文气象与多参数水质，
Figure 733357DEST_PATH_IMAGE002
为第i个输入数据，
Figure DEST_PATH_IMAGE003
为输入数据的最小值，
Figure 516768DEST_PATH_IMAGE004
为输入数据的最大值。
进一步优选的，步骤S3中基于LSTM神经网络构造养殖海域水文气象时序预测模型步骤如下：
S31. 利用前t个时刻的水文气象变化数据预测第t+1个时刻的水文气象变化，t对应LSTM神经网络的时间步，通过试凑法合理选取t，设定时间步步长；
S32. 将前t个时刻的水文气象历史数据作为LSTM模型输入，进行模型训练，并根据实测水文气象数据与预测数据之间的误差，优化和修订预测模型参数；
Figure DEST_PATH_IMAGE005
其中，
Figure 559679DEST_PATH_IMAGE006
表示t时刻的单元状态，
Figure DEST_PATH_IMAGE007
叫做遗忘门，
Figure 804847DEST_PATH_IMAGE007
是一个向量，
Figure 446175DEST_PATH_IMAGE008
表示t-1时刻的单元状态，
Figure DEST_PATH_IMAGE009
是输入门，
Figure 180912DEST_PATH_IMAGE010
表示单元状态更新值，×是LSTM的门机制，表示单位乘，
Figure DEST_PATH_IMAGE011
Figure 976699DEST_PATH_IMAGE012
其中，σ是sigmoid激活函数，
Figure DEST_PATH_IMAGE013
为权重矩阵，
Figure 87874DEST_PATH_IMAGE014
表示上一层隐节点的输出，
Figure DEST_PATH_IMAGE015
表示水文气象输入数据，为偏置向量；
Figure 781112DEST_PATH_IMAGE016
Figure DEST_PATH_IMAGE017
其中，
Figure 421172DEST_PATH_IMAGE018
、
Figure DEST_PATH_IMAGE019
为偏置向量，单元状态更新值的激活函数通常使用
Figure 704254DEST_PATH_IMAGE020
函数，
Figure DEST_PATH_IMAGE021
Figure 87962DEST_PATH_IMAGE022
其中，
Figure DEST_PATH_IMAGE023
为水文气象预测数据，
Figure 953150DEST_PATH_IMAGE024
为权重矩阵，
Figure DEST_PATH_IMAGE025
为偏置向量。
进一步优选的，步骤S4中利用AP聚类步骤如下：
S41.通过AP算法对风力、气温、湿度、水文、溶解氧数据样本进行聚类，风力、气温、湿度、水文、溶解氧样本数据集为{X i ，i=1，2，…，n}，将风力、气温、湿度、水文、溶解氧样本数据间负欧式距离平方称为相似度s(i,k)，取所有相似度构成n×n的相似度矩阵S，且偏向参数p为对角线元素s(k,k)，
Figure 780423DEST_PATH_IMAGE026
S42.将相似度矩阵S和偏向参数p作为输入，X k 视为一个类代表点；若迭代次数超过1000次或连续迭代50次类代表点都不变时，则聚类结束；
S43.利用AP算法对风力、气温、湿度、水文、溶解氧样本数据集为{
Figure DEST_PATH_IMAGE027
，i=1，2，…，n}进行聚类，若共产生r个类代表点
Figure 301534DEST_PATH_IMAGE028
，j=1，2，…，r，则取隐含层节点数为r、隐含层各节点中心分别为
Figure DEST_PATH_IMAGE029
、
Figure 738201DEST_PATH_IMAGE030
、…、
Figure DEST_PATH_IMAGE031
。
进一步优选的，RBF网络算法如下：
Figure 395578DEST_PATH_IMAGE032
Figure DEST_PATH_IMAGE033
式中，AP聚类后的风力、气温、湿度、水文、溶解氧数据为x，将
Figure 393752DEST_PATH_IMAGE034
作为RBF网络输入，
Figure DEST_PATH_IMAGE035
表示高斯基函数输出，
Figure 198897DEST_PATH_IMAGE036
是RBF网络的高斯基函数输出，
Figure DEST_PATH_IMAGE037
是隐含层第
Figure 173675DEST_PATH_IMAGE037
个节点，
Figure 482297DEST_PATH_IMAGE028
表示基函数隐含层各节点中心，
Figure 431798DEST_PATH_IMAGE038
表示隐含层第
Figure 989819DEST_PATH_IMAGE037
个节点基带参数，
Figure DEST_PATH_IMAGE039
是RBF的理想权值，
Figure 269753DEST_PATH_IMAGE040
是RBF网络的逼近误差；
Figure DEST_PATH_IMAGE041
表示高斯核函数，
Figure 901722DEST_PATH_IMAGE042
为理想权值下的RBF网络输出；
S44.依据隐含层各节点中心，计算高斯基函数宽度
Figure 818863DEST_PATH_IMAGE038
；
Figure DEST_PATH_IMAGE043
S45.利用最小均方误差和梯度下降法迭代优化各参数值，以得到AP-RBF神经网络模型最优模型；
S46.将归一化后的前70%水文气象数据和归一化后的前70%多参数水质数据作为AP-RBF模型输入，进行模型训练，将后30%多参数水质数据作为测试样本数据集，验证AP-RBF算法的多参数水质预测准确性。
有益效果
本发明提供了一种基于LSTM神经网络的水文气象预测和基于AP-RBF神经网络的多参数水质预测方法，可以广泛应用于深海养殖区域水文气象与养殖水体多参数水质预测，对于深海养殖网箱、工船作业具有重要指导作用，可为智慧海洋渔业工程提供数据支撑和服务。
附图说明
图1为本申请流程图。
图2为LSTM算法结构图。
图3为AP-RBF多参数水质预测算法流程图。
图4为基于LSTM神经网络的风力预测图。
图5为基于LSTM神经网络的气温预测图。
图6为基于LSTM神经网络的湿度预测图。
图7为基于AP-RBF神经网络的溶解氧预测图。
图8为基于AP-RBF神经网络的水温预测图。
具体实施方式
以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。
一种基于LSTM神经网络的水文气象预测和基于AP-RBF神经网络的多参数水质预测方法，包括以下步骤：
S1.通过水文气象观监测设备和多参数水质观监测设备，获取实时有效的水文气象信息和多参数水质信息，结合历史已有数据及已有气象和多参数水质监测点数据，以建立原始数据集；
S2.对水文气象和多参数水质数据进行归一化处理，使得数据整体落在[0，1]区间。归一化公式如下；
Figure DEST_PATH_IMAGE045
上式中，X表示归一化处理后的水文气象与多参数水质，
Figure 519971DEST_PATH_IMAGE027
为第i个输入数据，
Figure 118443DEST_PATH_IMAGE046
为输入数据的最小值，
Figure DEST_PATH_IMAGE047
为输入数据的最大值。
S3.结合历史水文气象观测数据和已有现场采集水文气象数据，构造养殖海域水文气象时序预测模型，进行养殖海域水文气象的预测。
步骤S3中基于LSTM神经网络构造养殖海域水文气象时序预测模型步骤如下：
S31. 利用前t个时刻的水文气象变化数据预测第t+1个时刻的水文气象变化，t对应LSTM神经网络的时间步，通过试凑法合理选取t，设定时间步步长；
S32. 将前t个时刻的水文气象历史数据作为LSTM模型输入，进行模型训练，并根据实测水文气象数据与预测数据之间的误差，优化和修订预测模型参数；
Figure 349792DEST_PATH_IMAGE048
其中，
Figure DEST_PATH_IMAGE049
表示t时刻的单元状态，
Figure 172254DEST_PATH_IMAGE050
叫做遗忘门，
Figure 376971DEST_PATH_IMAGE050
是一个向量，
Figure DEST_PATH_IMAGE051
表示t-1时刻的单元状态，
Figure 231663DEST_PATH_IMAGE052
是输入门，
Figure DEST_PATH_IMAGE053
表示单元状态更新值，×是LSTM的门机制，表示单位乘，
Figure 634963DEST_PATH_IMAGE054
Figure DEST_PATH_IMAGE055
其中，σ是sigmoid激活函数，
Figure 582321DEST_PATH_IMAGE056
为权重矩阵，
Figure DEST_PATH_IMAGE057
为偏置向量，
Figure 743175DEST_PATH_IMAGE058
表示上一层隐节点的输出，
Figure DEST_PATH_IMAGE059
表示水文气象输入数据（风力、气温和湿度数据分别作为输出数据）；
Figure 480187DEST_PATH_IMAGE016
Figure 456102DEST_PATH_IMAGE060
其中，
Figure DEST_PATH_IMAGE061
，
Figure 354788DEST_PATH_IMAGE062
、
Figure DEST_PATH_IMAGE063
为偏置向量，单元状态更新值的激活函数通常使用
Figure 268518DEST_PATH_IMAGE064
函数，
Figure DEST_PATH_IMAGE065
Figure 497636DEST_PATH_IMAGE066
其中，
Figure DEST_PATH_IMAGE067
为偏置向量，
Figure 609948DEST_PATH_IMAGE068
为水文气象预测数据。
基于LSTM神经网络的水文气象预测算法可以根据历史积累的实测风力值、气温、湿度数据，预测下一时刻的风力值、气温、湿度，预测效果较好，图4是风力预测图，精度在±10%；图5是气温预测图，精度在±0.5摄氏度；图6是湿度预测图，精度在±20%。
S4.构基于已有监测点的水文气象数据，分析水质指标与水文气象因子的特征关联性，构建AP-RBF神经网络模型，进行多参数水质预测。
利用AP聚类步骤如下：将采集到的和历史积累的风力、气温、湿度、水文、溶解氧数据作为AP聚类算法输入，通过聚类算法进行数据预处理，剔除异常数据，便于进行水质预测。AP聚类后的风力、气温、湿度、水文、溶解氧数据为x。
S41.通过AP算法对风力、气温、湿度、水文、溶解氧数据样本进行聚类，风力、气温、湿度、水文、溶解氧样本数据集为{X i ，i=1，2，…，n}，将风力、气温、湿度、水文、溶解氧样本数据间负欧式距离平方称为相似度s(i,k)，取所有相似度构成n×n的相似度矩阵S，且偏向参数p为对角线元素s(k,k)，
Figure DEST_PATH_IMAGE069
S42. 将相似度矩阵S和偏向参数p作为输入，对q(i,k)、a(i,k)迭代运算，若q(i,k)+a(i,k)＞0 时，则将X k 视为一个类代表点。若迭代次数超过1000次或连续迭代50次类代表点都不变时，则聚类结束。取a(i,k)初始值为0，q(i,k)、a(i,k)和a(k,k)计算公式分别如下：
Figure 132065DEST_PATH_IMAGE070
Figure DEST_PATH_IMAGE071
Figure 329829DEST_PATH_IMAGE072
k是q(i,k)+a(i,k)＞0 的点；k'是不等于k、且满足q(i,k)+a(i,k)＞0的点;i’属于{1，2，…，n }且i’不等于i。
S43.利用AP算法对风力、气温、湿度、水文、溶解氧样本数据集为{
Figure DEST_PATH_IMAGE073
，i=1，2，…，n}进行聚类，若共产生r个类代表点
Figure 346326DEST_PATH_IMAGE028
，j=1，2，…，r，则取隐含层节点数为r、隐含层各节点中心分别为
Figure 63878DEST_PATH_IMAGE074
、
Figure DEST_PATH_IMAGE075
、…、
Figure 304366DEST_PATH_IMAGE076
。
RBF网络算法如下：
Figure DEST_PATH_IMAGE077
Figure 192688DEST_PATH_IMAGE078
式中，AP聚类后的风力、气温、湿度、水文、溶解氧数据为x，将
Figure DEST_PATH_IMAGE079
作为RBF网络输入，
Figure 58881DEST_PATH_IMAGE080
是隐含层第
Figure 880207DEST_PATH_IMAGE080
个节点，
Figure DEST_PATH_IMAGE081
是RBF网络的高斯基函数输出，
Figure 229280DEST_PATH_IMAGE028
表示基函数隐含层各节点中心，
Figure 932793DEST_PATH_IMAGE038
表示隐含层第
Figure 832704DEST_PATH_IMAGE080
个节点基带参数，
Figure 508536DEST_PATH_IMAGE082
是RBF的理想权值，
Figure 825248DEST_PATH_IMAGE040
是RBF网络的逼近误差；
Figure DEST_PATH_IMAGE083
表示高斯核函数，
Figure 484900DEST_PATH_IMAGE035
表示高斯基函数输出；
Figure 427317DEST_PATH_IMAGE084
为理想权值下的RBF网络输出。
S44.依据隐含层各节点中心，计算高斯基函数宽度
Figure 957655DEST_PATH_IMAGE038
；
Figure 710847DEST_PATH_IMAGE043
S45.利用最小均方误差和梯度下降法迭代优化各参数值，以得到AP-RBF神经网络模型最优模型；
S46.将归一化后的前70%水文气象数据和归一化后的前70%多参数水质数据作为AP-RBF模型输入，进行模型训练，将后30%多参数水质数据作为测试样本数据集，验证AP-RBF算法的多参数水质预测准确性。
基于AP-RBF神经网络的多参数水质预测算法具有良好的预测效果，图7是溶解氧预测图，精度为±30%左右；图8是水温预测图，精度在±0.3摄氏度左右。

Claims (3)

1.一种深海养殖态势感知方法，其特征在于，包括以下步骤：
S1.通过水文气象观监测设备和多参数水质观监测设备，获取实时水文气象信息和多参数水质信息，结合已有水文气象和多参数水质监测点数据，以建立原始数据集；
S2.对水文气象和多参数水质数据进行归一化处理，使得数据整体落在[0，1]区间；
S3.基于LSTM神经网络构造养殖海域水文气象时序预测模型，进行养殖海域水文气象的预测；
S4.基于已有监测点的水文气象数据，分析水质指标与水文气象因子的特征关联性，构建AP-RBF神经网络模型，进行多参数水质预测；
利用AP聚类步骤如下：
S41.通过AP算法对风力、气温、湿度、水文、溶解氧数据样本进行聚类，风力、气温、湿度、水文、溶解氧样本数据集为{X i ，i=1，2，…，n}，将风力、气温、湿度、水文、溶解氧样本数据间负欧式距离平方称为相似度s(i,k)，取所有相似度构成n×n的相似度矩阵S，且偏向参数p为对角线元素s(k,k)，
Figure 275326DEST_PATH_IMAGE001
S42.将相似度矩阵S和偏向参数p作为输入，X k 视为一个类代表点；若迭代次数超过1000次或连续迭代50次类代表点都不变时，则聚类结束；
S43.利用AP算法对风力、气温、湿度、水文、溶解氧样本数据集为{
Figure 252509DEST_PATH_IMAGE002
，i=1，2，…，n}进行聚类，若共产生r个类代表点
Figure 930746DEST_PATH_IMAGE003
，j=1，2，…，r，则取隐含层节点数为r、隐含层各节点中心分别为
Figure 397500DEST_PATH_IMAGE004
、
Figure 793977DEST_PATH_IMAGE005
、…、
Figure 184639DEST_PATH_IMAGE006
；
RBF网络算法如下：
Figure 232229DEST_PATH_IMAGE007
Figure 620616DEST_PATH_IMAGE008
式中，AP聚类后的风力、气温、湿度、水文、溶解氧数据为x，将
Figure 956919DEST_PATH_IMAGE009
作为RBF网络输入，
Figure 823375DEST_PATH_IMAGE010
表示高斯基函数输出，
Figure 725472DEST_PATH_IMAGE011
是RBF网络的高斯基函数输出，
Figure 284761DEST_PATH_IMAGE012
是隐含层第
Figure 718147DEST_PATH_IMAGE012
个节点，
Figure 637562DEST_PATH_IMAGE003
表示基函数隐含层各节点中心，
Figure 410477DEST_PATH_IMAGE013
表示隐含层第
Figure 124355DEST_PATH_IMAGE012
个节点基带参数，
Figure 185983DEST_PATH_IMAGE014
是RBF的理想权值，
Figure 643509DEST_PATH_IMAGE015
是RBF网络的逼近误差；
Figure 270931DEST_PATH_IMAGE016
表示高斯核函数，
Figure 421289DEST_PATH_IMAGE017
为理想权值下的RBF网络输出；
S44.依据隐含层各节点中心，计算高斯基函数宽度；
Figure 829268DEST_PATH_IMAGE018
S45.利用最小均方误差和梯度下降法迭代优化各参数值，以得到AP-RBF神经网络模型最优模型；
S46.将归一化后的前70%水文气象数据和归一化后的前70%多参数水质数据作为AP-RBF模型输入，进行模型训练，将后30%多参数水质数据作为测试样本数据集，验证AP-RBF算法的多参数水质预测准确性。
2.根据权利要求1所述的一种深海养殖态势感知方法，其特征在于，步骤S2中归一化处理过程如下：
Figure 841218DEST_PATH_IMAGE019
上式中，X表示归一化处理后的水文气象与多参数水质，
Figure 572413DEST_PATH_IMAGE020
为第i个输入数据，
Figure 644405DEST_PATH_IMAGE021
为输入数据的最小值，
Figure 664314DEST_PATH_IMAGE022
为输入数据的最大值。
3.根据权利要求1所述的一种深海养殖态势感知方法，其特征在于，步骤S3中基于LSTM神经网络构造养殖海域水文气象时序预测模型步骤如下：
S31. 利用前t个时刻的水文气象变化数据预测第t+1个时刻的水文气象变化，t对应LSTM神经网络的时间步，通过试凑法合理选取t，设定时间步步长；
S32. 将前t个时刻的水文气象历史数据作为LSTM模型输入，进行模型训练，并根据实测水文气象数据与预测数据之间的误差，优化和修订预测模型参数；
Figure 11113DEST_PATH_IMAGE023
其中，
Figure 800077DEST_PATH_IMAGE024
表示t时刻的单元状态，
Figure 42971DEST_PATH_IMAGE025
叫做遗忘门，
Figure 878072DEST_PATH_IMAGE025
是一个向量，
Figure 435086DEST_PATH_IMAGE026
表示t-1时刻的单元状态，
Figure 406453DEST_PATH_IMAGE027
是输入门，
Figure 882565DEST_PATH_IMAGE028
表示单元状态更新值，×是LSTM的门机制，表示单位乘；
Figure 424536DEST_PATH_IMAGE029
Figure 831247DEST_PATH_IMAGE030
其中，σ是sigmoid激活函数，
Figure 142273DEST_PATH_IMAGE031
为权重矩阵，
Figure 179500DEST_PATH_IMAGE032
为偏置向量，
Figure 943187DEST_PATH_IMAGE033
表示上一层隐节点的输出，
Figure 888010DEST_PATH_IMAGE034
表示水文气象输入数据；
Figure 53543DEST_PATH_IMAGE035
Figure 58408DEST_PATH_IMAGE036
其中，
Figure 309392DEST_PATH_IMAGE037
、
Figure 792326DEST_PATH_IMAGE038
均为权重矩阵，
Figure 77945DEST_PATH_IMAGE039
、
Figure 784870DEST_PATH_IMAGE040
为偏置向量，单元状态更新值的激活函数通常使用
Figure 523150DEST_PATH_IMAGE041
函数，
Figure 809774DEST_PATH_IMAGE042
Figure 926462DEST_PATH_IMAGE043
其中，
Figure 7551DEST_PATH_IMAGE044
为权重矩阵，
Figure 233127DEST_PATH_IMAGE045
为偏置向量，
Figure 57863DEST_PATH_IMAGE046
为水文气象预测数据。
CN202210320932.9A 2022-03-30 2022-03-30 一种深海养殖态势感知方法 Active CN114417740B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210320932.9A CN114417740B (zh) 2022-03-30 2022-03-30 一种深海养殖态势感知方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210320932.9A CN114417740B (zh) 2022-03-30 2022-03-30 一种深海养殖态势感知方法

Publications (2)

Publication Number Publication Date
CN114417740A CN114417740A (zh) 2022-04-29
CN114417740B true CN114417740B (zh) 2022-06-24

Family

ID=81262957

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210320932.9A Active CN114417740B (zh) 2022-03-30 2022-03-30 一种深海养殖态势感知方法

Country Status (1)

Country Link
CN (1) CN114417740B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117214398B (zh) * 2023-09-04 2024-05-14 江苏省连云港环境监测中心 一种深层地下水体污染物检测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480775A (zh) * 2017-08-14 2017-12-15 中国水产科学研究院淡水渔业研究中心 一种基于数据修复的池塘溶解氧预测方法
CN111080464A (zh) * 2019-11-27 2020-04-28 中国农业大学 一种池塘养殖水质关键因子预测方法及装置

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105510546B (zh) * 2015-12-27 2017-06-16 北京工业大学 一种基于自组织递归rbf神经网络的生化需氧量bod智能检测方法
CN105956702A (zh) * 2016-04-29 2016-09-21 中国农业大学 一种基于数据融合的水产养殖水质溶解氧预测方法
CN107688871B (zh) * 2017-08-18 2020-08-21 中国农业大学 一种水质预测方法和装置
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
CN110597934A (zh) * 2019-08-05 2019-12-20 深圳市水务科技有限公司 生成水质信息地图的方法及装置
US20210142168A1 (en) * 2019-11-07 2021-05-13 Nokia Technologies Oy Methods and apparatuses for training neural networks
CN111539114A (zh) * 2020-04-27 2020-08-14 中山大学 一种基于水文气象时间序列的径流模拟方法及系统
CN112183721B (zh) * 2020-09-16 2022-04-26 河海大学 一种基于自适应差分进化的组合水文预测模型的构建方法
CN113159456A (zh) * 2020-09-30 2021-07-23 中科三清科技有限公司 水质预测方法、装置、电子设备及存储介质
CN112381292B (zh) * 2020-11-13 2022-07-15 福州大学 一种顾及时空相关性和气象因素的河流水质预测方法
CN112561165A (zh) * 2020-12-16 2021-03-26 南京航空航天大学 一种基于组合模型的多维时序数据预测方法
CN113435124A (zh) * 2021-06-29 2021-09-24 北京工业大学 一种基于长短时记忆和径向基函数神经网络的水质时空关联预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480775A (zh) * 2017-08-14 2017-12-15 中国水产科学研究院淡水渔业研究中心 一种基于数据修复的池塘溶解氧预测方法
CN111080464A (zh) * 2019-11-27 2020-04-28 中国农业大学 一种池塘养殖水质关键因子预测方法及装置

Also Published As

Publication number Publication date
CN114417740A (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
CN111291937A (zh) 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
CN106022954B (zh) 基于灰色关联度的多重bp神经网络负荷预测方法
CN112288164B (zh) 一种计及空间相关性和修正数值天气预报的风功率组合预测方法
CN107145965B (zh) 一种基于相似度匹配和极限学习机的河流洪水预测方法
CN110889085A (zh) 基于复杂网络多元在线回归的废水智能监控方法及系统
CN113554466B (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN113139329B (zh) 一种基于水文相似性和人工神经网络的新安江模型参数率定方法
CN113705877A (zh) 基于深度学习模型的实时月径流预报方法
CN114417740B (zh) 一种深海养殖态势感知方法
CN113807545A (zh) 一种基于深度学习和物理模型的河湖生态流量预报预警方法
CN113033081A (zh) 一种基于som-bpnn模型的径流模拟方法及系统
Wang et al. Apply semi-supervised support vector regression for remote sensing water quality retrieving
CN112668606B (zh) 基于梯度提升机与二次规划的阶跃型滑坡位移预测方法
Liu et al. Evaluation of cultivated land quality using attention mechanism-back propagation neural network
CN117078114B (zh) 引水工程影响下受水湖泊水质评价方法和系统
CN116341391B (zh) 基于STPM-XGBoost模型的降水预测方法
CN112381221A (zh) 一种基于半监督学习的污水监测的多输出软测量方法
CN117034808A (zh) 一种基于图注意力网络的天然气管网压力估计方法
CN116960962A (zh) 一种跨区域数据融合的中长期区域负荷预测方法
CN116384538A (zh) 一种流域径流预报方法、装置及存储介质
CN110009132A (zh) 一种基于lstm深度神经网络的短期电力负荷精细化预测方法
CN115618720A (zh) 一种基于海拔高度的土壤盐渍化预测方法及系统
CN114595631A (zh) 一种基于efdc模型和机器学习算法的水质预测方法
Xu et al. Prediction of the Wastewater's pH Based on Deep Learning Incorporating Sliding Windows.
CN113222324B (zh) 一种基于pls-pso-rbf神经网络模型的污水质量监测方法

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
GR01 Patent grant
GR01 Patent grant