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 PDFInfo
- 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
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
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:
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;
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),
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;
进一步优选的,RBF网络算法如下:
式中,AP聚类后的风力、气温、湿度、水文、溶解氧数据为x,将作为RBF网络输入,表示高斯基函数输出,是RBF网络的高斯基函数输出,是隐含层第个节点,表示基函数隐含层各节点中心,表示隐含层第个节点基带参数,是RBF的理想权值,是RBF网络的逼近误差;表示高斯核函数,为理想权值下的RBF网络输出;
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;
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;
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),
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:
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。
RBF网络算法如下:
式中,AP聚类后的风力、气温、湿度、水文、溶解氧数据为x,将作为RBF网络输入,是隐含层第个节点,是RBF网络的高斯基函数输出,表示基函数隐含层各节点中心,表示隐含层第个节点基带参数,是RBF的理想权值,是RBF网络的逼近误差;表示高斯核函数,表示高斯基函数输出;为理想权值下的RBF网络输出。
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),
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;
RBF网络算法如下:
式中,AP聚类后的风力、气温、湿度、水文、溶解氧数据为x,将作为RBF网络输入,表示高斯基函数输出,是RBF网络的高斯基函数输出,是隐含层第个节点,表示基函数隐含层各节点中心,表示隐含层第个节点基带参数,是RBF的理想权值,是RBF网络的逼近误差;表示高斯核函数,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;
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。
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;
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)
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)
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)
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 |
-
2022
- 2022-03-30 CN CN202210320932.9A patent/CN114417740B/zh active Active
Patent Citations (2)
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 |