CN115099512A - 一种淡水鱼养殖智能管理系统以及管理方法 - Google Patents
一种淡水鱼养殖智能管理系统以及管理方法 Download PDFInfo
- Publication number
- CN115099512A CN115099512A CN202210798071.5A CN202210798071A CN115099512A CN 115099512 A CN115099512 A CN 115099512A CN 202210798071 A CN202210798071 A CN 202210798071A CN 115099512 A CN115099512 A CN 115099512A
- Authority
- CN
- China
- Prior art keywords
- parameters
- water quality
- value
- monitoring
- future 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.)
- Withdrawn
Links
- 238000007726 management method Methods 0.000 title claims abstract description 32
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 23
- 239000013505 freshwater Substances 0.000 title claims abstract description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 159
- 238000012544 monitoring process Methods 0.000 claims abstract description 91
- 238000003062 neural network model Methods 0.000 claims abstract description 36
- 230000007246 mechanism Effects 0.000 claims abstract description 29
- 229940079593 drug Drugs 0.000 claims abstract description 22
- 239000003814 drug Substances 0.000 claims abstract description 22
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 15
- 239000001301 oxygen Substances 0.000 claims abstract description 15
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 15
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 6
- 229910017053 inorganic salt Inorganic materials 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 235000021049 nutrient content Nutrition 0.000 claims description 6
- 150000003839 salts Chemical class 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 3
- 238000009360 aquaculture Methods 0.000 claims 2
- 244000144974 aquaculture Species 0.000 claims 2
- 238000011160 research Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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"
-
- 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
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Environmental Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Marine Sciences & Fisheries (AREA)
- Zoology (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种淡水鱼养殖智能管理系统以及管理方法，管理方法包括在目标水域采集水质参数；获取气象参数、时间参数、饲料参数、用药参数以及地理参数；建立基于多层注意力机制的预测模型，预测模型得出所述目标水域的监测参数；建立神经网络模型，神经网络模型输出所述目标水域的水质预警级别。本技术方案利用基于多层注意力机制的预测模型预测目标水域的酸碱度值、水温度值、含氧量值以及氨氮浓度值，充分考虑到了各个监测参数的时空相关性以及气象参数、时间参数等因素，提高目标水域的监测参数的预测准确性；同时本技术方案利用神经网络模型结合预测的监测参数准确判断目标水域的水质预警级别，便于相关人员做出相应的处理。
Description
技术领域
本发明涉及智能养殖技术领域，更具体地说涉及一种淡水鱼养殖智能管理系统以及管理方法。
背景技术
水质管理是淡水鱼养殖的重要组成部分，随着淡水鱼养殖规模的不断扩大，水质监控和水质预警越来越重要。国内外很多高校和学者都对养殖水质监控和预测模型进行了研究。水质预测模型的研究主要集中在模型算法的选择上面，主要由机理模型和非机理模型，时序模型和机器学习模型。由于水环境是一个多变量、多因素和多条件影响的复杂系统，如果采用机理模型进行建模，所涉及的参数将会很多，涉及的学科也很多，机理探索非常复杂，所以，基于机理模型的水质参数预测模和型研究成果较少，应用也很少。更加普遍的研究主要集中在非机理模型上，采用这种算法思想的方法主要包括统计学和经验学习等方法，如：神经网络建模、时序回归算法和支持向量机方法，有些学者将机器学习的方法应用到水质参数的预测模型建立中来。
目前，水质预测方法主要可以分为两种：一是以经典数学理论为基础的传统预测法；二是以现代计算智能为基础的智能预测法。国内外许多学者都对水质参数的预测方法进行了深入研究，但是淡水鱼养殖水质参数的变化情况比较复杂，传统的预测方法和部分基于计算智能的预测模型已经不能满足淡水鱼养殖水质精细化管理的需要。此外传统的水质参数预测方法一般只针对单一变量，而单一变量的好坏难以决定水质的优良。
发明内容
为解决上述一个或多个技术问题，本发明的目的在于：提供一种淡水鱼养殖智能管理系统以及管理方法。
本发明为解决问题所采用的技术方案是：
一种淡水鱼养殖智能管理方法，包括以下步骤：
步骤100，在目标水域布置多个水质传感器采集目标水域的水质参数，所述水质参数包括酸碱度值、溶解氧浓度值、溶解盐浓度值、营养物质含量值以及无机盐浓度值；
步骤200，获取气象参数、时间参数、饲料参数、用药参数以及水质传感器的地理参数；
步骤300，建立基于多层注意力机制的预测模型，将所述水质参数、气象参数、时间参数、饲料参数、用药参数以及地理参数输入至所述预测模型，所述预测模型得出所述目标水域的监测参数，所述监测参数包括酸碱度值、水温度值、含氧量值以及氨氮浓度值；
步骤400，建立神经网络模型，将所述监测参数输入至所述神经网络模型，所述神经网络模型输出所述目标水域的水质预警级别。
作为上述技术方案的进一步改进，所述步骤400之后还包括：
步骤500，根据所述目标水域的水质预警级别，采用决策树模型推荐应对措施。
作为上述技术方案的进一步改进，所述步骤300包括以下步骤：
步骤310，建立基于多层注意力机制的预测模型，所述预测模型是编码器-解码器架构，所述预测模型包括两个LSTM网络(长短期记忆网络)，两个所述LSTM网络分别作为编码器以及解码器；
步骤320，将所述水质参数输入至作为编码器的LSTM网络，作为编码器的LSTM网络编码所述水质参数的时间序列值；
步骤330，将所述水质参数的时间序列值、所述气象参数、所述时间参数、所述饲料参数、所述用药参数以及所述地理参数输入至作为解码器的LSTM网络，作为解码器的LSTM网络预测所述监测参数未来的时间序列值。
作为上述技术方案的进一步改进，所述步骤320包括：
步骤321，计算多个所述水质传感器之间的空间相关性，提取多个所述水质传感器的历史数据特征；
步骤322，根据多个所述水质传感器的历史数据特征，计算多粒度时空序列关系；
所述步骤330包括：
步骤331，根据多粒度时空序列关系，计算所述监测参数未来的时间序列值的影响权重；
步骤332，根据影响权重预测所述监测参数未来的时间序列值。
作为上述技术方案的进一步改进，所述步骤400中，所述神经网络模型是T-S模糊神经网络模型，所述步骤400包括以下步骤：
步骤410，对所述监测参数未来的时间序列值进行模糊化处理，得出所述监测参数未来的时间序列值的隶属度；
步骤420，对所述监测参数未来的时间序列值进行规则化处理，得出所述监测参数未来的时间序列值的适用度；
步骤430，对所述监测参数未来的时间序列值进行反模糊化处理，对所述监测参数未来的时间序列值的适用度进行归一化计算，得到在不同规则下所述适用度所占的权重值；
步骤440，根据所述监测参数未来的时间序列值的适用度及其权重值计算所述目标水域的水质预警级别。
本发明同时还公开了一种淡水鱼养殖智能管理系统，包括：
水质传感器，用于在目标水域采集水质参数，所述水质参数包括酸碱度值、溶解氧浓度值、溶解盐浓度值、营养物质含量值以及无机盐浓度值；
获取模块，用于获取气象参数、时间参数、饲料参数、用药参数以及水质传感器的地理参数；
预测模块，用于建立基于多层注意力机制的预测模型，并将所述水质参数、气象参数、时间参数、饲料参数、用药参数以及地理参数输入至所述预测模型，所述预测模型得出所述目标水域的监测参数，所述监测参数包括酸碱度值、水温度值、含氧量值以及氨氮浓度值；
预警模块，用于建立神经网络模型，并将所述监测参数输入至所述神经网络模型，所述神经网络模型输出所述目标水域的水质预警级别。
作为上述技术方案的进一步改进，所述管理系统还包括：
推荐模块，用于根据所述目标水域的水质预警级别，采用决策树模型推荐应对措施。
作为上述技术方案的进一步改进，所述预测模块包括：
建立单元，用于建立基于多层注意力机制的预测模型，所述预测模型是编码器-解码器架构，所述预测模型包括两个LSTM网络(长短期记忆网络)，两个所述LSTM网络分别作为编码器以及解码器；
编码单元，用于将所述水质参数输入至作为编码器的LSTM网络，作为编码器的LSTM网络编码所述水质参数的时间序列值；
解码单元，用于将所述水质参数的时间序列值、所述气象参数、所述时间参数、所述饲料参数、所述用药参数以及所述地理参数输入至作为解码器的LSTM网络，作为解码器的LSTM网络预测所述监测参数未来的时间序列值。
作为上述技术方案的进一步改进，所述编码单元中，包括计算多个所述水质传感器之间的空间相关性，提取多个所述水质传感器的历史数据特征；根据多个所述水质传感器的历史数据特征，计算多粒度时空序列关系；
所述解码单元中，包括根据多粒度时空序列关系，计算所述监测参数未来的时间序列值的影响权重；根据影响权重预测所述监测参数未来的时间序列值。
作为上述技术方案的进一步改进，所述预警模块中，所述神经网络模型是T-S模糊神经网络模型，所述预警模块包括：
模糊单元，用于对所述监测参数未来的时间序列值进行模糊化处理，得出所述监测参数未来的时间序列值的隶属度；
规则化单元，用于对所述监测参数未来的时间序列值进行规则化处理，得出所述监测参数未来的时间序列值的适用度；
反模糊单元，用于对所述监测参数未来的时间序列值进行反模糊化处理，对所述监测参数未来的时间序列值的适用度进行归一化计算，得到在不同规则下所述适用度所占的权重值；
计算单元，用于根据所述监测参数未来的时间序列值的适用度及其权重值计算所述目标水域的水质预警级别。
本发明的有益效果是：本技术方案利用基于多层注意力机制的预测模型预测目标水域的酸碱度值、水温度值、含氧量值以及氨氮浓度值，充分考虑到了各个监测参数的时空相关性以及气象参数、时间参数、饲料参数、用药参数以及地理参数等因素，提高目标水域的监测参数的预测准确性；同时本技术方案利用神经网络模型结合预测的监测参数准确判断目标水域的水质预警级别，便于相关人员做出相应的处理。
附图说明
下面结合附图说明和具体实施方式对本发明做进一步解释说明。
图1是本发明管理方法的流程示意图；
图2是本发明多层注意力机制预测模型的框架图；
图3是本发明神经网络模型的框架图。
具体实施方式
本部分将详细描述本发明的具体实施例，本发明之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案，但其不能理解为对本发明保护范围的限制。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右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，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
参照图1，本申请公开了一种淡水鱼养殖智能管理方法，其第一实施例，包括以下步骤：
步骤100，在目标水域布置多个水质传感器采集目标水域的水质参数，所述水质参数包括酸碱度值、溶解氧浓度值、溶解盐浓度值、营养物质含量值以及无机盐浓度值；
步骤200，获取气象参数、时间参数、饲料参数、用药参数以及水质传感器的地理参数；
步骤300，建立基于多层注意力机制的预测模型，将所述水质参数、气象参数、时间参数、饲料参数、用药参数以及地理参数输入至所述预测模型，所述预测模型得出所述目标水域的监测参数，所述监测参数包括酸碱度值、水温度值、含氧量值以及氨氮浓度值；
步骤400，建立神经网络模型，将所述监测参数输入至所述神经网络模型，所述神经网络模型输出所述目标水域的水质预警级别。
具体地，本实施例中，利用基于多层注意力机制的预测模型预测目标水域的酸碱度值、水温度值、含氧量值以及氨氮浓度值，充分考虑到了各个监测参数的时空相关性以及气象参数、时间参数、饲料参数、用药参数以及地理参数等因素，提高目标水域的监测参数的预测准确性；同时本实施例利用神经网络模型结合预测的监测参数准确判断目标水域的水质预警级别，便于相关人员做出相应的处理。
进一步作为优选的实施方式，本实施例中，所述步骤400之后还包括：
步骤500，根据所述目标水域的水质预警级别，采用决策树模型推荐应对措施。
进一步作为优选的实施方式，本实施例中，所述步骤300包括以下步骤：
步骤310，建立基于多层注意力机制的预测模型，所述预测模型是编码器-解码器架构，所述预测模型包括两个LSTM网络(长短期记忆网络)，两个所述LSTM网络分别作为编码器以及解码器；
步骤320，将所述水质参数输入至作为编码器的LSTM网络，作为编码器的LSTM网络编码所述水质参数的时间序列值；
步骤330，将所述水质参数的时间序列值、所述气象参数、所述时间参数、所述饲料参数、所述用药参数以及所述地理参数输入至作为解码器的LSTM网络，作为解码器的LSTM网络预测所述监测参数未来的时间序列值。
进一步作为优选的实施方式，本实施例中，所述步骤320包括：
步骤321，计算多个所述水质传感器之间的空间相关性，提取多个所述水质传感器的历史数据特征；
步骤322，根据多个所述水质传感器的历史数据特征，计算多粒度时空序列关系；
所述步骤330包括：
步骤331，根据多粒度时空序列关系，计算所述监测参数未来的时间序列值的影响权重；
步骤332，根据影响权重预测所述监测参数未来的时间序列值。
参照图2，图2所示的是本实施例中多层注意力机制预测模型的框架图，本实施例中所述预测模型具体是基于编码器-解码器(encoder-decoder)架构，利用两个独立的LSTM网络分别作为编码器以及解码器，其中作为编码器的LSTM网络用于对水质参数的时间序列值进行编码，作为解码器的LSTM网络用于根据编码器的输出结果结合所述气象参数、所述时间参数、所述饲料参数、所述用药参数以及所述地理参数预测所述监测参数未来的时间序列值。本实施例中多层注意力机制预测模型中的注意力机制包括编码器的局部空间注意力、全局空间注意力，以及解码器的时间注意力，局部空间注意力指采用注意机制来自适应地捕获目标序列和每个局部特征之间的动态相关性，获得每个局部特征的注意力权重，从而计算出时间步的局部空间注意力的输出向量。全局空间注意力指某传感器通过参考其他传感器的目标序列和局部特征值，自适应地选择相关传感器来进行预测。在编码器当中，两种不同的空间注意力机制使用上一个时刻编码器的隐含状态、上一时刻传感器观测的时间序列值和空间上下文(例如传感器网信息)来捕获传感器之间复杂的空间关系。在解码器当中，使用一种时间注意力机制来自适应地选择过去相关时间片来进行预测。
参照图3，进一步作为优选的实施方式，本实施例中，所述步骤400中，所述神经网络模型是T-S模糊神经网络模型，所述步骤400包括以下步骤：
步骤410，对所述监测参数未来的时间序列值进行模糊化处理，得出所述监测参数未来的时间序列值的隶属度；
步骤420，对所述监测参数未来的时间序列值进行规则化处理，得出所述监测参数未来的时间序列值的适用度；
步骤430，对所述监测参数未来的时间序列值进行反模糊化处理，对所述监测参数未来的时间序列值的适用度进行归一化计算，得到在不同规则下所述适用度所占的权重值；
步骤440，根据所述监测参数未来的时间序列值的适用度及其权重值计算所述目标水域的水质预警级别。
本申请同时还公开了一种淡水鱼养殖智能管理系统，其第一实施例，包括：
水质传感器，用于在目标水域采集水质参数，所述水质参数包括酸碱度值、溶解氧浓度值、溶解盐浓度值、营养物质含量值以及无机盐浓度值；
获取模块，用于获取气象参数、时间参数、饲料参数、用药参数以及水质传感器的地理参数；
预测模块，用于建立基于多层注意力机制的预测模型，并将所述水质参数、气象参数、时间参数、饲料参数、用药参数以及地理参数输入至所述预测模型，所述预测模型得出所述目标水域的监测参数，所述监测参数包括酸碱度值、水温度值、含氧量值以及氨氮浓度值；
预警模块，用于建立神经网络模型，并将所述监测参数输入至所述神经网络模型，所述神经网络模型输出所述目标水域的水质预警级别。
进一步作为优选的实施方式，本实施例中，所述管理系统还包括：
推荐模块，用于根据所述目标水域的水质预警级别，采用决策树模型推荐应对措施。
进一步作为优选的实施方式，本实施例中，所述预测模块包括：
建立单元，用于建立基于多层注意力机制的预测模型，所述预测模型是编码器-解码器架构，所述预测模型包括两个LSTM网络(长短期记忆网络)，两个所述LSTM网络分别作为编码器以及解码器；
编码单元，用于将所述水质参数输入至作为编码器的LSTM网络，作为编码器的LSTM网络编码所述水质参数的时间序列值；
解码单元，用于将所述水质参数的时间序列值、所述气象参数、所述时间参数、所述饲料参数、所述用药参数以及所述地理参数输入至作为解码器的LSTM网络，作为解码器的LSTM网络预测所述监测参数未来的时间序列值。
进一步作为优选的实施方式，本实施例中，所述编码单元中，包括计算多个所述水质传感器之间的空间相关性，提取多个所述水质传感器的历史数据特征；根据多个所述水质传感器的历史数据特征，计算多粒度时空序列关系；
所述解码单元中，包括根据多粒度时空序列关系，计算所述监测参数未来的时间序列值的影响权重；根据影响权重预测所述监测参数未来的时间序列值。
进一步作为优选的实施方式，本实施例中，所述预警模块中，所述神经网络模型是T-S模糊神经网络模型，所述预警模块包括：
模糊单元，用于对所述监测参数未来的时间序列值进行模糊化处理，得出所述监测参数未来的时间序列值的隶属度；
规则化单元，用于对所述监测参数未来的时间序列值进行规则化处理，得出所述监测参数未来的时间序列值的适用度；
反模糊单元，用于对所述监测参数未来的时间序列值进行反模糊化处理，对所述监测参数未来的时间序列值的适用度进行归一化计算，得到在不同规则下所述适用度所占的权重值；
计算单元，用于根据所述监测参数未来的时间序列值的适用度及其权重值计算所述目标水域的水质预警级别。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接或间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (10)
1.一种淡水鱼养殖智能管理方法，其特征在于：包括以下步骤：
步骤100，在目标水域布置多个水质传感器采集目标水域的水质参数，所述水质参数包括酸碱度值、溶解氧浓度值、溶解盐浓度值、营养物质含量值以及无机盐浓度值；
步骤200，获取气象参数、时间参数、饲料参数、用药参数以及水质传感器的地理参数；
步骤300，建立基于多层注意力机制的预测模型，将所述水质参数、气象参数、时间参数、饲料参数、用药参数以及地理参数输入至所述预测模型，所述预测模型得出所述目标水域的监测参数，所述监测参数包括酸碱度值、水温度值、含氧量值以及氨氮浓度值；
步骤400，建立神经网络模型，将所述监测参数输入至所述神经网络模型，所述神经网络模型输出所述目标水域的水质预警级别。
2.根据权利要求1所述的一种淡水鱼养殖智能管理方法，其特征在于：所述步骤400之后还包括：
步骤500，根据所述目标水域的水质预警级别，采用决策树模型推荐应对措施。
3.根据权利要求1所述的一种淡水鱼养殖智能管理方法，其特征在于：所述步骤300包括以下步骤：
步骤310，建立基于多层注意力机制的预测模型，所述预测模型是编码器-解码器架构，所述预测模型包括两个LSTM网络(长短期记忆网络)，两个所述LSTM网络分别作为编码器以及解码器；
步骤320，将所述水质参数输入至作为编码器的LSTM网络，作为编码器的LSTM网络编码所述水质参数的时间序列值；
步骤330，将所述水质参数的时间序列值、所述气象参数、所述时间参数、所述饲料参数、所述用药参数以及所述地理参数输入至作为解码器的LSTM网络，作为解码器的LSTM网络预测所述监测参数未来的时间序列值。
4.根据权利要求3所述的一种淡水鱼养殖智能管理方法，其特征在于：所述步骤320包括：
步骤321，计算多个所述水质传感器之间的空间相关性，提取多个所述水质传感器的历史数据特征；
步骤322，根据多个所述水质传感器的历史数据特征，计算多粒度时空序列关系；
所述步骤330包括：
步骤331，根据多粒度时空序列关系，计算所述监测参数未来的时间序列值的影响权重；
步骤332，根据影响权重预测所述监测参数未来的时间序列值。
5.根据权利要求1所述的一种淡水鱼养殖智能管理方法，其特征在于：所述步骤400中，所述神经网络模型是T-S模糊神经网络模型，所述步骤400包括以下步骤：
步骤410，对所述监测参数未来的时间序列值进行模糊化处理，得出所述监测参数未来的时间序列值的隶属度；
步骤420，对所述监测参数未来的时间序列值进行规则化处理，得出所述监测参数未来的时间序列值的适用度；
步骤430，对所述监测参数未来的时间序列值进行反模糊化处理，对所述监测参数未来的时间序列值的适用度进行归一化计算，得到在不同规则下所述适用度所占的权重值；
步骤440，根据所述监测参数未来的时间序列值的适用度及其权重值计算所述目标水域的水质预警级别。
6.一种淡水鱼养殖智能管理系统，其特征在于：包括：
水质传感器，用于在目标水域采集水质参数，所述水质参数包括酸碱度值、溶解氧浓度值、溶解盐浓度值、营养物质含量值以及无机盐浓度值；
获取模块，用于获取气象参数、时间参数、饲料参数、用药参数以及水质传感器的地理参数；
预测模块，用于建立基于多层注意力机制的预测模型，并将所述水质参数、气象参数、时间参数、饲料参数、用药参数以及地理参数输入至所述预测模型，所述预测模型得出所述目标水域的监测参数，所述监测参数包括酸碱度值、水温度值、含氧量值以及氨氮浓度值；
预警模块，用于建立神经网络模型，并将所述监测参数输入至所述神经网络模型，所述神经网络模型输出所述目标水域的水质预警级别。
7.根据权利要求6所述的一种淡水鱼养殖智能管理系统，其特征在于：所述管理系统还包括：
推荐模块，用于根据所述目标水域的水质预警级别，采用决策树模型推荐应对措施。
8.根据权利要求6所述的一种淡水鱼养殖智能管理系统，其特征在于：所述预测模块包括：
建立单元，用于建立基于多层注意力机制的预测模型，所述预测模型是编码器-解码器架构，所述预测模型包括两个LSTM网络(长短期记忆网络)，两个所述LSTM网络分别作为编码器以及解码器；
编码单元，用于将所述水质参数输入至作为编码器的LSTM网络，作为编码器的LSTM网络编码所述水质参数的时间序列值；
解码单元，用于将所述水质参数的时间序列值、所述气象参数、所述时间参数、所述饲料参数、所述用药参数以及所述地理参数输入至作为解码器的LSTM网络，作为解码器的LSTM网络预测所述监测参数未来的时间序列值。
9.根据权利要求8所述的一种淡水鱼养殖智能管理方法，其特征在于：所述编码单元中，包括计算多个所述水质传感器之间的空间相关性，提取多个所述水质传感器的历史数据特征；根据多个所述水质传感器的历史数据特征，计算多粒度时空序列关系；
所述解码单元中，包括根据多粒度时空序列关系，计算所述监测参数未来的时间序列值的影响权重；根据影响权重预测所述监测参数未来的时间序列值。
10.根据权利要求6所述的一种淡水鱼养殖智能管理系统，其特征在于：所述预警模块中，所述神经网络模型是T-S模糊神经网络模型，所述预警模块包括：
模糊单元，用于对所述监测参数未来的时间序列值进行模糊化处理，得出所述监测参数未来的时间序列值的隶属度；
规则化单元，用于对所述监测参数未来的时间序列值进行规则化处理，得出所述监测参数未来的时间序列值的适用度；
反模糊单元，用于对所述监测参数未来的时间序列值进行反模糊化处理，对所述监测参数未来的时间序列值的适用度进行归一化计算，得到在不同规则下所述适用度所占的权重值；
计算单元，用于根据所述监测参数未来的时间序列值的适用度及其权重值计算所述目标水域的水质预警级别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210798071.5A CN115099512A (zh) | 2022-07-06 | 2022-07-06 | 一种淡水鱼养殖智能管理系统以及管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210798071.5A CN115099512A (zh) | 2022-07-06 | 2022-07-06 | 一种淡水鱼养殖智能管理系统以及管理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115099512A true CN115099512A (zh) | 2022-09-23 |
Family
ID=83297801
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210798071.5A Withdrawn CN115099512A (zh) | 2022-07-06 | 2022-07-06 | 一种淡水鱼养殖智能管理系统以及管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115099512A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117473446A (zh) * | 2023-12-27 | 2024-01-30 | 深圳市明心数智科技有限公司 | 基于深度学习的异常检测和处理方法及系统 |
| CN117611380A (zh) * | 2024-01-24 | 2024-02-27 | 中国水产科学研究院黄海水产研究所 | 一种鱼类疾病预警方法及系统 |
-
2022
- 2022-07-06 CN CN202210798071.5A patent/CN115099512A/zh not_active Withdrawn
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117473446A (zh) * | 2023-12-27 | 2024-01-30 | 深圳市明心数智科技有限公司 | 基于深度学习的异常检测和处理方法及系统 |
| CN117473446B (zh) * | 2023-12-27 | 2024-03-15 | 深圳市明心数智科技有限公司 | 基于深度学习的异常检测和处理方法及系统 |
| CN117611380A (zh) * | 2024-01-24 | 2024-02-27 | 中国水产科学研究院黄海水产研究所 | 一种鱼类疾病预警方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115099512A (zh) | 一种淡水鱼养殖智能管理系统以及管理方法 | |
| CN108171259A (zh) | 一种基于NB-IoT的智慧末梢水质监测系统及方法 | |
| CN109962982A (zh) | 一种基于物联网的河湖水生态环境监控系统 | |
| CN110045771B (zh) | 一种鱼塘水质智能监测系统 | |
| CN102183621A (zh) | 水产养殖溶解氧浓度在线预测方法及系统 | |
| CN111210128B (zh) | 一种基于人工智能及随机自适应阈值的湿地预警方法 | |
| CN112881601B (zh) | 一种基于云平台的水分检测系统 | |
| CN114297907A (zh) | 温室环境空间分布预测方法及装置 | |
| CN116029435B (zh) | 一种生猪设施养殖环境舒适度预警系统 | |
| CN114021822A (zh) | 一种清洁能源发电功率预测方法和系统 | |
| CN116929454A (zh) | 一种河流水质污染监测方法、介质及系统 | |
| CN117273203A (zh) | 一种基于GAT-Transformer时间序列模型的水质预测方法与系统 | |
| 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 | |
| CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
| CN108805779A (zh) | 基于水下机器人的海洋环境实时监测系统 | |
| CN116703638A (zh) | 大棚蔬菜种植管理系统及其方法 | |
| Zhang et al. | Collaborative Forecasting and Analysis of Fish Catch in Hokkaido From Multiple Scales by Using Neural Network and ARIMA Model | |
| CN116451870A (zh) | 基于多模型的水生态系统健康评价与预测系统 | |
| CN114149076B (zh) | 一种厌氧氨氧化污水处理系统的智能调试系统 | |
| CN115146829A (zh) | 基于深度学习时空模型的水质预测方法和系统 | |
| Nayak et al. | Water quality time-series modeling and forecasting techniques | |
| Wei et al. | Soft-sensor software design of dissolved oxygen in aquaculture | |
| Tripathy et al. | IoT-based precision agriculture system: a review | |
| Rijayanti et al. | Prediction of sea water condition changes using LSTM algorithm for the fish farm | |
| Li et al. | A low-power water quality monitoring system and prediction model |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220923 |