发明内容
为了解决上述现有调控方法的水产养殖环境因子调控准确性较差的技术问题,本发明的目的在于提供一种水产养殖环境因子快速调控方法。
本发明提供了一种水产养殖环境因子快速调控方法,包括以下步骤:
获取待调控水产养殖场所在K个设定时段内的每个设定时刻对应的N种实时环境参数、N种正常环境参数和M个类别的N种异常环境参数,进而确定K个设定时段对应的实时多元矩阵、标准多元矩阵和M个类别的异常多元矩阵;
根据待调控水产养殖场所的K个设定时段对应的标准多元矩阵和M个类别的异常多元矩阵以及多个预设时延因子,确定多个预设时延因子对应的M个类别的异常多元扩增矩阵和初始标准多元扩增矩阵;
根据多个预设时延因子对应的M个类别的异常多元扩增矩阵和初始标准多元扩增矩阵,确定多个预设时延因子对应的M个类别的异常多元扩增矩阵和标准多元扩增矩阵之间的相关性指标,进而确定最佳预设时延因子;
根据待调控水产养殖场所的K个设定时段对应的实时多元矩阵、标准多元矩阵以及最佳预设时延因子,确定待调控水产养殖场所对应的实时多元扩增矩阵以及标准多元扩增矩阵;
根据标准多元扩增矩阵内的各个单位列向量,判断标准多元扩增矩阵对应的各个标准多元矩阵中是否存在噪声数据,若存在噪声数据,则对噪声数据进行滤波处理,并将滤波处理后的标准多元扩增矩阵作为最佳标准多元扩增矩阵;
根据待调控水产养殖场所对应的实时多元扩增矩阵和最佳标准多元扩增矩阵,确定实时多元扩增矩阵和最佳标准多元扩增矩阵之间的相似程度,进而判断待调控水产养殖场所的当前环境状况,实现待调控水产养殖环境因子的调控。
进一步的,K个设定时段对应的实时多元矩阵、标准多元矩阵或M个类别的异常多元矩阵为:
其中,X1为K个设定时段对应的实时多元矩阵或标准多元矩阵或M个类别的异常多元矩阵,为K个设定时段内的第1个设定时刻对应的第1种实时环境参数到第N种实时环境参数的N维列向量或第1种标准环境参数到第N种标准环境参数的N维列向量或M个类别的第1种异常环境参数到第N种异常环境参数的N维列向量,/>为K个设定时段内的第C个设定时刻对应的第1种实时环境参数到第N种实时环境参数的N维列向量或第1种标准环境参数到第N种标准环境参数的N维列向量或M个类别的第1种异常环境参数到第N种异常环境参数的N维列向量。
进一步的,多个预设时延因子对应的M个类别的异常多元扩增矩阵或初始标准多元扩增矩阵为:
其中,X2为第1个预设时延因子对应的M个类别的异常多元扩增矩阵或初始标准多元扩增矩阵,为第K个设定时段对应的M个类别的异常多元矩阵或标准多元矩阵中的第1个设定时刻对应的N维列向量的转置到第C个设定时刻对应的N维列向量的转置的单位列向量,/>为第K-1个设定时段对应的M个类别的异常多元矩阵或标准多元矩阵中的第1个设定时刻对应的N维列向量的转置到第C个设定时刻对应的N维列向量的转置的单位列向量,/>为第/>个设定时段对应的M个类别的异常多元矩阵或标准多元矩阵中的第1个设定时刻对应的N维列向量的转置到第C个设定时刻对应的N维列向量的转置的单位列向量,/>为第1个预设时延因子。
进一步的,进而确定最佳预设时延因子的步骤包括:
根据多个预设时延因子对应的M个类别的异常多元扩增矩阵和标准多元扩增矩阵之间的相关性指标,确定每个类别的异常多元矩阵对应的初始最佳预设时延因子,其计算公式为:
其中,为第j个类别的异常多元矩阵对应的初始最佳预设时延因子,/>为第j个类别的各个预设时延因子对应的异常多元扩增矩阵的多个相关性指标,/>为求最小值索引函数;
根据每个类别的异常多元矩阵对应的初始最佳预设时延因子,确定初始最佳预设时延因子的平均值,将该平均值作为最佳预设时延因子。
进一步的,判断标准多元扩增矩阵对应的各个标准多元矩阵中是否存在噪声数据的步骤包括:
根据标准多元扩增矩阵内的各个单位列向量,确定标准多元扩增矩阵对应的各个标准多元矩阵,进而确定每个设定时刻的N种标准环境参数在各个标准多元矩阵内的设定时段内波动指标;
根据标准多元扩增矩阵对应的多个标准多元矩阵内的元素,确定每个设定时刻的N种标准环境参数在相邻标准多元矩阵间的设定时段间波动指标;
根据每个设定时刻的N种标准环境参数在各个标准多元矩阵内的设定时段内波动指标和在相邻标准多元矩阵间的设定时段间波动指标,确定各个标准多元矩阵内的每个设定时刻的N种标准环境参数对应的噪声判定指标;
若各个标准多元矩阵内的任意一个设定时刻的某种标准环境参数对应的噪声判定指标大于噪声判定指标阈值,则判定各个标准多元矩阵内的该设定时刻的该种标准环境参数为噪声数据,否则,判定各个标准多元矩阵内的该设定时刻的该种标准环境参数不为噪声数据。
进一步的,进而确定每个设定时刻的N种标准环境参数在各个标准多元矩阵内的设定时段内波动指标的计算公式为:
其中,为第c个设定时刻的第n种标准环境参数在各个标准多元矩阵内的设定时段内波动指标,/>为各个标准多元矩阵内的第c个设定时刻的第n种标准环境参数,为各个标准多元矩阵内的第c-1个设定时刻的第n种标准环境参数,/>为各个标准多元矩阵内的第c+1个设定时刻的第n种标准环境参数,C为各个标准多元矩阵内的所有设定时刻的总数目。
进一步的,确定每个设定时刻的N种标准环境参数在相邻标准多元矩阵间的设定时段间波动指标的计算公式为:
其中,为第c个设定时刻的第n种标准环境参数在相邻标准多元矩阵间的设定时段间波动指标,/>为第i个标准多元矩阵内第c个设定时刻的第n种标准环境参数,为第i-1个标准多元矩阵内第c个设定时刻的第n种标准环境参数,/>为第i+1个标准多元矩阵内第c个设定时刻的第n种标准环境参数,/>为第i个标准多元矩阵内不同设定时刻的第n种标准环境参数的均值,l为标准多元扩增矩阵对应的所有标准多元矩阵的总数目,max( )为求最大值函数。
进一步的,确定各个标准多元矩阵内的每个设定时刻的N种标准环境参数对应的噪声判定指标的步骤包括:
其中,为各个标准多元矩阵内的第c个设定时刻的第n种标准环境参数对应的噪声判定指标,/>为第c个设定时刻的第n种标准环境参数在各个标准多元矩阵内的设定时段内波动指标,/>为第c个设定时刻的第n种标准环境参数在相邻标准多元矩阵间时的时段间波动指标。
进一步的,进而判断待调控水产养殖场所的当前环境状况的步骤包括:
若实时多元扩增矩阵和最佳标准多元扩增矩阵之间的相似程度大于相似程度阈值,则判定待调控水产养殖场所的当前环境状况较佳,否则,判定待调控水产养殖场所的当前环境状况较差,进而调控待调控水产养殖场所的实时环境参数。
本发明具有如下有益效果:
本发明为了便于对多维数据进行分析,将所获取的待调控水产养殖场所在K个设定时段内的每个设定时刻对应的N种实时环境参数、N种正常环境参数和M个类别的N种异常环境参数转换成多元矩阵的数据形式,从而得到K个设定时段对应的实时多元矩阵、标准多元矩阵和M个类别的异常多元矩阵,各个多元矩阵可用于分析待调控水产养殖状况,以便于后续进行自适应调控;由于水产养殖场所的各个环境参数之间存在时序相关性,无法根据独立的采样数据对水产养殖环境因子进行分析,因此,本发明将构建多元扩增矩阵,通过待调控水产养殖场所的K个设定时段对应的标准多元矩阵和M个类别的异常多元矩阵以及多个预设时延因子,得到多个预设时延因子对应的M个类别的异常多元扩增矩阵和初始标准多元扩增矩阵,将多元矩阵转换成多元扩增矩阵可实现基于不同设定时段的环境参数数据,准确分析水产养殖环境因子在设定时段内变换情况;当水产养殖环境因子检测过程中获取的数据量过大时,会对环境参数之间的分析造成影响,降低系统检测效率,增加系统计算量,因此,本发明将确定一个最佳预设时延因子,具体,根据多个预设时延因子对应的M个类别的异常多元扩增矩阵和初始标准多元扩增矩阵,确定多个预设时延因子对应的M个类别的异常多元扩增矩阵和标准多元扩增矩阵之间的相关性指标,进而确定最佳预设时延因子;通过待调控水产养殖场所的K个设定时段对应的实时多元矩阵、标准多元矩阵以及最佳预设时延因子,得到实时多元扩增矩阵以及标准多元扩增矩阵,基于最佳时延因子得到的实时多元扩增矩阵和标准多元扩增矩阵,可保证水产养殖环境因子的检测精度,降低检测量,减少计算量;考虑到传感器等数据采集设备在进行数据采集的过程中存在较多的噪声影响,该噪声导致能使采集的环境参数出现数据误差,影响后续水产养殖环境因子调控的准确性,本发明根据标准多元扩增矩阵内的各个单位列向量,判断标准多元扩增矩阵对应的各个标准多元矩阵中是否存在噪声数据,若存在噪声数据,则对噪声数据进行滤波处理,并将滤波处理后的标准多元扩增矩阵作为最佳标准多元扩增矩阵,最佳标准多元扩增矩阵的数据纯度高,数据精确性强;根据待调控水产养殖场所对应的实时多元扩增矩阵和最佳标准多元扩增矩阵,确定实时多元扩增矩阵和最佳标准多元扩增矩阵之间的相似程度,进而判断待调控水产养殖场所的当前环境状况。从整体的角度出发,通过计算两个多元扩增矩阵之间的相似程度,来评估当前待调控水产养殖场所的环境状况,相比传统直接利用环境检测仪获取数据、评估数据以及调控数据,将水产养殖环境因子作为整体进行分析更能确保水产养殖环境因子调控的准确性,提高水产养殖产品的质量。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本实施例提供了一种水产养殖环境因子快速调控方法,通过数据采集设备对水产养殖场所的环境因子进行数据采集,基于水产养殖场所的环境因子数据,实现对水产养殖场所的环境状况进行实时分析,并进一步实现对环境因子的快速调控,以保证水产养殖场所的适宜度,进而提高水产品的生产质量。一种水产养殖环境因子快速调控方法的流程图如图1所示,该方法包括以下步骤:
(1)获取待调控水产养殖场所在K个设定时段内的每个设定时刻对应的N种实时环境参数、N种正常环境参数和M个类别的N种异常环境参数,进而确定K个设定时段对应的实时多元矩阵、标准多元矩阵和M个类别的异常多元矩阵,其步骤包括:
(1-1)获取待调控水产养殖场所在K个设定时段内的每个设定时刻对应的N种实时环境参数、N种正常环境参数和M个类别的N种异常环境参数。
首先,需要说明的是,通过各种类型的传感器等数据采集设备,可以实时采集水产养殖场所的各种环境因子的数据信息,将环境因子的数据信息称为环境参数,并对各种环境参数进行处理分析,基于分析结果对待调控水产养殖场所的各种环境因子进行自适应调控。各种环境参数数据包括:温度、水温、光照、水质、酸碱度、浑浊度、湿度、二氧化碳浓度等,此时不再一一列举,将待调控水产养殖场所的各种环境参数分别记为,N为环境参数的种类个数,/>为第1种类别的环境参数。
在本实施例中,为了便于后续对待调控水产养殖场所的环境因子进行调控,利用数据采集设备,获取待调控水产养殖场所在K个设定时段内的每个设定时刻对应的N种实时环境参数、N种正常环境参数和M个类别的N种异常环境参数,并将这些环境参数作为水产养殖环境分析的基础数据。实时环境参数为当前待调控水产养殖场所在K个设定时段内的每个设定时刻对应的N种环境参数,正常环境参数为历史待调控水产养殖场所处于人为选取的环境适宜度较佳的时候在K个设定时段内的每个设定时刻对应的N种环境参数,M个类别的N种异常时序数据为历史待调控水产养殖场所处于M个不同类别的异常状况的时候在K个设定时段内的每个设定时刻对应的N种环境参数,本实施例将M设置为10,实施者可根据实际情况中水产养殖环境异常的多种类型设置异常状况类别的个数,由于本实施例中预设时延因子的最大值为50,所以将K设置为51,以便于后续对数据进行分析。
在数据采集过程中,将设置相邻设定时刻之间的时间间隔、采样设定时段以及评估调控间隔时段,实施者可根据实际情况自行设定。在本实施例中,相邻设定时刻之间的时间间隔为采集数据时相邻设定时刻之间的间隔时间,记为T,将相邻设定时刻之间的时间间隔T设置为5秒,例如,第1个设定时刻为8时10分10秒,第2个设定时刻为8时10分15秒,第3个设定时刻为8时10分20秒。
采样设定时段为在采集数据时从开始到结束所花费的时长,将设定时段设置为30分钟,在设定时段30分钟内共有C个设定时刻,每个设定时刻的采样数据中均包含N种类型的环境参数,例如,第1个设定时段30分钟为(X i ,X i-1,X i-2,…,X i-(C-1)),X i 为第1个设定时段30分钟内第i个设定时刻对应的N种环境参数,X i-1为第1个设定时段30分钟内第i-1个设定时刻对应的N种环境参数,X i-(C-1)为第1个设定时段30分钟内第i-(C-1)个设定时刻对应的N种环境参数,第2个设定时段30分钟内的数据为(X i-1,X i-2,X i-3,…,X i-(C-1),X i-C),第3个设定时段30分钟内的数据为(X i-2,X i-3,X i-4,…,X i-(C-1),X i-C,X i-(C+1))。在本实施例中,相邻采样设定时段的间隔时间为5秒,例如,第1个设定时段的开始设定时刻为9时45分5秒,结束设定时刻为10时15分5秒,第2个设定时段的开始设定时刻为9时45分10秒,结束设定时刻为10时15分10秒,第3个设定时段的开始设定时刻为9时45分15秒,结束设定时刻为10时15分15秒,以此类推,可得到当前的K个设定时段内的每个设定时刻对应的N种环境参数。
评估调控间隔时段为评估待调控水产养殖环境因子的间隔时段,由于水产养殖环境因子发生变化是需要一定时间的,本实施例将评估调控间隔时段设置为2小时,每2个小时对待调控水产养殖环境因子进行一次评估分析及调控。
(1-2)根据待调控水产养殖场所在K个设定时段内的每个设定时刻对应的N种实时环境参数、N种正常环境参数和M个类别的N种异常环境参数,确定K个设定时段对应的实时多元矩阵、标准多元矩阵和M个类别的异常多元矩阵。
为便于对多维度数据进行分析,本实施例根据待调控水产养殖场所在K个设定时段内的每个设定时刻对应的N种实时环境参数、N种正常环境参数和M个类别的N种异常环境参数,构建多元矩阵,构建多元矩阵的过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述,K个设定时段对应的实时多元矩阵、标准多元矩阵或M个类别的异常多元矩阵为:
其中,X1为K个设定时段对应的实时多元矩阵或标准多元矩阵或M个类别的异常多元矩阵,为K个设定时段内的第1个设定时刻对应的第1种实时环境参数到第N种实时环境参数的N维列向量或第1种标准环境参数到第N种标准环境参数的N维列向量或M个类别的第1种异常环境参数到第N种异常环境参数的N维列向量,/>为K个设定时段内的第C个设定时刻对应的第1种实时环境参数到第N种实时环境参数的N维列向量或第1种标准环境参数到第N种标准环境参数的N维列向量或M个类别的第1种异常环境参数到第N种异常环境参数的N维列向量。
需要说明的是,多元矩阵的每个N维列向量可代表每种环境参数在同一采样设定时刻对应的N种环境参数,可将其称为单位采样列,多元矩阵的每N维行向量可代表同一种环境参数在不同采样设定时刻的环境参数,可将其称为单位采样行。
至此,本实施例得到了后续分析过程中所需要的环境参数数据,并构建了环境参数数据对应的多元矩阵,多元矩阵将用于对待调控水产养殖场所的环境状况进行分析评估,以便于对待调控水产养殖场所进行自适应调控。
(2)根据待调控水产养殖场所的K个设定时段对应的标准多元矩阵和M个类别的异常多元矩阵以及多个预设时延因子,确定多个预设时延因子对应的M个类别的异常多元扩增矩阵和初始标准多元扩增矩阵。
需要说明的是,本实施例考虑到水产养殖场所的环境参数之间存在时序上的相关性,每个环境参数在采集过程中都有对应的时延数据,数据与对应的时延数据之间存在较高的时间相关性,无法根据单个设定时段的采样数据对水产养殖场所的环境状况进行分析。因此,本实施例将基于时序相关的动态过程变化对环境水产养殖的环境参数进行分析,也就是构建多元扩增矩阵,构建多元扩增矩阵有利于提高水产养殖场所的环境状况的检测精度,确定多个预设时延因子对应的M个类别的异常多元扩增矩阵和初始标准多元扩增矩阵的步骤包括:
(2-1)根据待调控水产养殖场所的K个设定时段对应的标准多元矩阵和M个类别的异常多元矩阵以及多个预设时延因子,确定K个设定时段对应的M个类别的异常多元矩阵和标准多元矩阵的粗粒度表征结果。
为了保证待调控水产养殖场所环境的检测效率,提高检测速度,本实施例将对待调控水产养殖场所的K个设定时段对应的M个类别的异常多元矩阵和标准多元矩阵进行粗粒度表征处理,得到K个设定时段对应的M个类别的异常多元矩阵和标准多元矩阵的粗粒度表征结果,粗粒度表征的实现过程为现有技术,不在本发明保护范围内,此处不在进行详细阐述,K个设定时段对应的M个类别的异常多元矩阵或标准多元矩阵的粗粒度表征结果为:
其中,为K个设定时段对应的M个类别的异常多元矩阵或标准多元矩阵的粗粒度表征结果,/>为第K个设定时段对应的M个类别的异常多元矩阵或标准多元矩阵中的第1个设定时刻对应的N维列向量的转置到第C个设定时刻对应的N维列向量的转置的单位列向量。
(2-2)根据K个设定时段对应的M个类别的异常多元矩阵和标准多元矩阵的粗粒度表征结果和多个预设时延因子,确定多个预设时延因子对应的M个类别的异常多元扩增矩阵和初始标准多元扩增矩阵。
需要说明的是,将多元矩阵转换成多元扩增矩阵可实现基于不同设定时段的环境参数数据,准确分析水产养殖环境因子在设定时段内变换情况。
在本实施例中,多个预设时延因子的个数为51个,51个时延因子预设分别为数值0到数值50中的所有整数,预设时延因子与设定时段的个数K、多元扩增矩阵的构建存在一定的关联,设定时段的个数K减去预设时延因子的数值等于1,预设时延因子越大,多元扩增矩阵内的单位列向量的个数越多,多元扩增矩阵的一个单位列向量可代表一个设定时段。例如,当预设时延因子为0时,表示无时延,设定时段的个数K为1,同时也说明多元矩阵不需要转换成多元扩增矩阵;若预设时延因子为50,表示时延50个时间间隔,每个时间间隔为5秒,设定时段的个数K为51,同时说明多元矩阵需要转换成多元扩增矩阵,多元扩增矩阵内的单位列向量的个数也为51。每个时延因子对应一个多元扩增矩阵,那么多个预设时延因子对应的M个类别的异常多元扩增矩阵或初始标准多元扩增矩阵为:
其中,X2为第1个预设时延因子对应的M个类别的异常多元扩增矩阵或初始标准多元扩增矩阵,为第K个设定时段对应的M个类别的异常多元矩阵或标准多元矩阵中的第1个设定时刻对应的N维列向量的转置到第C个设定时刻对应的N维列向量的转置的单位列向量,/>为第K-1个设定时段对应的M个类别的异常多元矩阵或标准多元矩阵中的第1个设定时刻对应的N维列向量的转置到第C个设定时刻对应的N维列向量的转置的单位列向量,/>为第/>个设定时段对应的M个类别的异常多元矩阵或标准多元矩阵中的第1个设定时刻对应的N维列向量的转置到第C个设定时刻对应的N维列向量的转置的单位列向量,/>为第1个预设时延因子。
需要说明的是,由于不同环境参数之间的量纲及数据范围不同,为避免量纲及数据范围不同对环境参数分析的影响,将对多个预设时延因子对应的M个类别的异常多元扩增矩阵和初始标准多元扩增矩阵进行归一化处理,得到归一化处理后的M个类别的异常多元扩增矩阵和初始标准多元扩增矩阵。归一化处理的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
(3)根据多个预设时延因子对应的M个类别的异常多元扩增矩阵和初始标准多元扩增矩阵,确定多个预设时延因子对应的M个类别的异常多元扩增矩阵和标准多元扩增矩阵之间的相关性指标,进而确定最佳预设时延因子,其步骤包括:
(3-1)根据多个预设时延因子对应的M个类别的异常多元扩增矩阵和初始标准多元扩增矩阵,确定多个预设时延因子对应的M个类别的异常多元扩增矩阵和标准多元扩增矩阵之间的相关性指标。
首先,需要说明的是,为了保证最佳时延因子能够对各个类别的异常环境状况进行准确识别,提高环境参数数据的泛化性,避免单一环境异常状况选取最佳时延因子时的偶然性情况,本实施例可以基于多个预设时延因子对应的M个类别的异常多元扩增矩阵,选取最佳时延因子,其步骤包括:
根据多个预设时延因子对应的M个类别的异常多元扩增矩阵和初始标准多元扩增矩阵,利用DTW(Dynamic Time Warping,动态时间归整)算法,计算每个类别对应的多个异常多元扩增矩阵和对应的多个初始标准多元扩增矩阵的相似程度,将该相似程度作为对应类别的异常多元扩增矩阵和标准多元扩增矩阵之间的相关性指标。DTW算法的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
例如,当预设时延因子为8时,预设时延因子8对应的M个类别的异常多元扩增矩阵,也就是每个类别均有其对应的由预设时延因子8得到的异常多元扩增矩阵,一个预设时延因子可以得到该时延因子对应的M个异常多元扩增矩阵和一个标准多元扩增矩阵。计算预设时延因子为8时的每个类别的异常多元扩增矩阵和初始标准多元扩增矩阵之间的相关性指标,也就是利用DTW算法,计算预设时延因子为8时的任意一个类别的异常多元扩增矩阵和预设时延因子为8时的初始标准多元扩增矩阵的相似程度,将该相似程度作为预设时延因子为8时的该类别的异常多元扩增矩阵和初始标准多元扩增矩阵之间的相关性指标。由此,本实施例得到了预设时延因子为8时的每个类别的异常多元扩增矩阵和初始标准多元扩增矩阵之间的相关性指标,将相关性指标记为。
需要说明的是,不同预设时延因子将对应不同的相关性指标,某个预设时延因子对应的异常多元扩增矩阵与初始标准多元扩增矩阵之间的相关性指标越小,说明该预设时延因子对应的异常多元扩增矩阵与初始标准多元扩增矩阵的相似程度越高,也就说明该预设时延因子对水产养殖环境状况异常检测的效果越不好,越不能将异常多元扩增矩阵与初始标准多元扩增矩阵区分开。
(3-2)根据多个预设时延因子对应的M个类别的异常多元扩增矩阵和标准多元扩增矩阵之间的相关性指标,确定最佳预设时延因子。
首先,需要说明的是,当水产养殖环境因子检测过程中的数据量过大时,将会对后续的数据分析造成影响,同时降低水产养殖环境因子系统的检测效率,增加系统的计算量,因此对于多个预设时延因子,本实施例将基于多个预设时延因子选取最佳预设时延因子,以最佳预设时延因子基础,得到后续步骤中的实时多元扩增矩阵以及标准多元扩增矩阵,其有利于提高系统的检测效率的同时保证水产养殖场所环境状况的检测精度,确定最佳预设时延因子的步骤包括:
(3-2-1)根据多个预设时延因子对应的M个类别的异常多元扩增矩阵和标准多元扩增矩阵之间的相关性指标,确定每个类别的异常多元矩阵对应的初始最佳预设时延因子。
在本实施例中,根据多个预设时延因子对应的M个类别的异常多元扩增矩阵和标准多元扩增矩阵之间的相关性指标,也就是根据每个类别的各个预设时延因子对应的异常多元扩增矩阵的多个相关性指标,构建初始最佳预设时延因子选取模型,初始最佳预设时延因子选取模型的计算公式为:
其中,为第j个类别的异常多元矩阵对应的初始最佳预设时延因子,/>为第j个类别的各个预设时延因子对应的异常多元扩增矩阵的多个相关性指标,/>为求最小值索引函数。
通过初始最佳预设时延因子选取模型,利用最小值索引函数,得到每个类别的各个预设时延因子对应的异常多元扩增矩阵的多个相关性指标中最小相关性指标对应的预设时延因子,将该预设时延因子作为对应类别的异常多元矩阵对应的初始最佳预设时延因子。最小值索引函数的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
(3-2-2)根据每个类别的异常多元矩阵对应的初始最佳预设时延因子,确定初始最佳预设时延因子的平均值,将该平均值作为最佳预设时延因子。
在本实施例中,异常多元矩阵的异常状况类别的个数M为10,根据10个类别的异常多元矩阵对应的初始最佳预设时延因子,,计算初始最佳预设时延因子的平均值,将该平均值作为最佳预设时延因子,确定最佳预设时延因子的计算公式为:
其中,为最佳预设时延因子,M为异常多元矩阵的异常状况类别的个数,/>为第j个类别的异常多元矩阵对应的初始最佳预设时延因子,/>为对*向下取整。
(4)根据待调控水产养殖场所的K个设定时段对应的实时多元矩阵、标准多元矩阵以及最佳预设时延因子,确定待调控水产养殖场所对应的实时多元扩增矩阵以及标准多元扩增矩阵。
在本实施例中,通过步骤(3-2)得到的最佳预设时延因子,从K个设定时段对应的实时多元矩阵和标准多元矩阵中选取后/>个设定时段对应的实时多元矩阵和标准多元矩阵,/>个设定时段是指实时获取的当前的/>个设定时段,根据最佳预设时延因子/>和选取/>个设定时段对应的实时多元矩阵和标准多元矩阵,参考步骤(2-2)中的多个预设时延因子对应的M个类别的异常多元扩增矩阵和初始标准多元扩增矩阵的确定过程,得到待调控水产养殖场所对应的实时多元扩增矩阵以及标准多元扩增矩阵。
例如,最佳预设时延因子等于3,设定时段的个数K为5,5个设定时段分别为:第1个设定时段的开始设定时刻为9时45分5秒,结束设定时刻为10时15分5秒;第2个设定时段的开始设定时刻为9时45分10秒,结束设定时刻为10时15分10秒;第3个设定时段的开始设定时刻为9时45分15秒,结束设定时刻为10时15分15秒;第4个设定时段的开始设定时刻为9时45分20秒,结束设定时刻为10时15分20秒,第5个设定时段的开始设定时刻为9时45分25秒,结束设定时刻为10时15分25秒,从这5个设定时段中选取后4个设定时段,后4个设定时段为最接近当时设定时段的设定时段,更能表示待调控水产养殖环境因子的状况,根据后4个设定时段对应的实时多元矩阵和标准多元矩阵以及最佳预设时延因子/>,参考步骤(2-2)多元扩增矩阵的确定步骤,得到最佳预设时延因子/>对应的实时多元扩增矩阵以及标准多元扩增矩阵。
(5)根据标准多元扩增矩阵内的各个单位列向量,判断标准多元扩增矩阵对应的各个标准多元矩阵中是否存在噪声数据,若存在噪声数据,则对噪声数据进行滤波处理,并将滤波处理后的标准多元扩增矩阵作为最佳标准多元扩增矩阵。
首先,需要说明的是,标准多元扩增矩阵可以用于对实时的水产养殖场所的环境状况进行分析、判定,考虑到传感器等数据采集设备在进行数据采集过程中可能会存在较多的噪声影响,该噪声会导致所获取的标准环境参数出现数据误差,进而影响水产养殖场所的环境状况的评估、调控结果。基于上述分析,本实施例将建立降噪模型,对步骤(4)得到的标准多元扩增矩阵进行滤波处理,以提高标准多元扩增矩阵的数据纯度。为了便于后续对噪声数据进行滤波处理,本实施例将先对标准多元扩增矩阵中的噪声数据进行提取识别,也就是判断标准多元扩增矩阵对应的各个标准多元矩阵中是否存在噪声数据,其步骤包括:
(5-1)根据标准多元扩增矩阵内的各个单位列向量,确定标准多元扩增矩阵对应的各个标准多元矩阵,进而确定每个设定时刻的N种标准环境参数在各个标准多元矩阵内的设定时段内波动指标,其步骤包括:
(5-1-1)根据标准多元扩增矩阵内的各个单位列向量,确定标准多元扩增矩阵对应的各个标准多元矩阵。
在本实施例中,基于标准多元扩增矩阵内的各个单位列向量,对各个单位列向量进行扩展处理,得到每个单位列向量对应的的标准多元矩阵,例如,对标准多元扩增矩阵内的第一个单位列向量进行扩展处理,第一个单位列向量为/>,第一个单位列向量对应的第一个标准多元矩阵为:
其中,为标准多元扩增矩阵内的第一个单位列向量对应的第一个标准多元矩阵,/>为标准多元扩增矩阵对应的第一个标准多元矩阵中的第1个设定时刻对应的N维列向量的转置到第C个设定时刻对应的N维列向量的转置的第一个单位列向量,/>为第一个标准多元矩阵中的第1个设定时刻对应的第1种标准环境参数到第N种标准环境参数的N维列向量,/>为第一个标准多元矩阵中的第C个设定时刻对应的第1种标准环境参数到第N种标准环境参数的N维列向量。
(5-1-2)根据标准多元扩增矩阵对应的各个标准多元矩阵,确定每个设定时刻的N种标准环境参数在各个标准多元矩阵内的设定时段内波动指标。
通过标准多元扩增矩阵对应的各个标准多元矩阵,也就是通过标准多元扩增矩阵内的各个单位列向量对应的标准多元矩阵,对各个标准多元矩阵内的每个设定时刻的N种标准环境参数均进行波动状况分析,得到每个设定时刻的N种标准环境参数在各个标准多元矩阵内的设定时段内波动指标,其计算公式为:
其中,为第c个设定时刻的第n种标准环境参数在各个标准多元矩阵内的设定时段内波动指标,/>为各个标准多元矩阵内的第c个设定时刻的第n种标准环境参数,为各个标准多元矩阵内的第c-1个设定时刻的第n种标准环境参数,/>为各个标准多元矩阵内的第c+1个设定时刻的第n种标准环境参数,C为各个标准多元矩阵内的所有设定时刻的总数目。/>
需要说明的是,每个标准多元矩阵均其对应的设定时段,也就是根据任意一个设定时段内的每个设定时刻对应的N种标准环境参数,能够得到该设定时段对应的标准多元矩阵。另外,当某种标准环境参数为设定时段的首尾设定时刻时,仅通过与首尾设定时刻的该种标准环境参数相邻的一个设定时刻的标准环境参数就能够实现设定时段内波动状况的分析。某个设定时刻的某种标准环境参数在各个标准多元矩阵内的设定时段内波动指标越大,该设定时刻的该种标准环境参数为噪声数据的可能性就越高。
(5-2)根据标准多元扩增矩阵对应的多个标准多元矩阵内的元素,确定每个设定时刻的N种标准环境参数在相邻标准多元矩阵间的设定时段间波动指标。
需要说明的是,为了实现对待调控水产养殖场所中的环境状况进行准确检测,准确分析待调控水产养殖场所的环境因子,本实施例将对每个设定时刻的N种标准环境参数在各个标准多元矩阵之间的波动状况进行分析,也就是基于相邻设定时段的标准多元矩阵对每个设定时刻的N种标准环境参数进行分析,以获取每个设定时刻的N种标准环境参数在相邻标准多元矩阵间的设定时段间波动指标,其计算公式为:
其中,为第c个设定时刻的第n种标准环境参数在相邻标准多元矩阵间的设定时段间波动指标,/>为第i个标准多元矩阵内第c个设定时刻的第n种标准环境参数,为第i-1个标准多元矩阵内第c个设定时刻的第n种标准环境参数,/>为第i+1个标准多元矩阵内第c个设定时刻的第n种标准环境参数,/>为第i个标准多元矩阵内不同设定时刻的第n种标准环境参数的均值,l为标准多元扩增矩阵对应的标准多元矩阵的总数目,max( )为求最大值函数。
需要说明的是,某个设定时刻的某种标准环境参数在相邻标准多元矩阵间的设定时段间波动指标越大,该设定时刻的该种标准环境参数为噪声数据的可能性越高。
(5-3)根据每个设定时刻的N种标准环境参数在各个标准多元矩阵内的设定时段内波动指标和在相邻标准多元矩阵间的设定时段间波动指标,确定各个标准多元矩阵内的每个设定时刻的N种标准环境参数对应的噪声判定指标。
本实施例以确定各个标准多元矩阵内的第c个设定时刻的第n种标准环境参数对应的噪声判定指标为例,通过第c个设定时刻的第n种标准环境参数在各个标准多元矩阵内的设定时段内波动指标和在相邻标准多元矩阵间的设定时段间波动指标,计算噪声判定指标,其计算公式为:
其中,为各个标准多元矩阵内的第c个设定时刻的第n种标准环境参数对应的噪声判定指标,/>为第c个设定时刻的第n种标准环境参数在各个标准多元矩阵内的设定时段内波动指标,/>为第c个设定时刻的第n种标准环境参数在相邻标准多元矩阵间的设定时段间波动指标。
需要说明的是,第c个设定时刻的第n种标准环境参数在各个标准多元矩阵内的设定时段内波动指标与在相邻标准多元矩阵间的设定时段间波动指标的和越大,第c个设定时刻的第n种标准环境参数对应的噪声判定指标/>越大。参考各个标准多元矩阵内的第c个设定时刻的第n种标准环境参数对应的噪声判定指标的确定过程,得到各个标准多元矩阵内的每个设定时刻的N种标准环境参数对应的噪声判定指标。
(5-4)若各个标准多元矩阵内的任意一个设定时刻的某种标准环境参数对应的噪声判定指标大于噪声判定指标阈值,则判定各个标准多元矩阵内的该设定时刻的该种标准环境参数为噪声数据,否则,判定各个标准多元矩阵内的该设定时刻的该种标准环境参数不为噪声数据。
在本实施例中,将噪声判定指标阈值设置为0.6,通过步骤(5-3)得到的各个标准多元矩阵内的每个设定时刻的N种标准环境参数对应的噪声判定指标和噪声判定指标阈值进行比较,得到比较结果,根据所得的比较结果,判断标准多元扩增矩阵对应的各个标准多元矩阵中是否存在噪声数据,也就是判断标准多元扩增矩阵内的各个单位列向量对应的标准多元矩阵中的每个设定时刻的N种标准环境参数内是否存在为噪声数据的标准环境参数。
若存在噪声数据,则对噪声数据进行滤波处理,并将滤波处理后的标准多元扩增矩阵作为最佳标准多元扩增矩阵。对于噪声数据,本实施例将基于噪声数据的相邻设定时刻的标准环境参数的均值对噪声数据进行滤波处理,也就是将使相邻设定时刻的标准环境参数的均值替代对应噪声数据的数值,以避免无关噪声数据对待调控水产养殖场所的环境因子的调控结果造成影响;若不存在噪声数据,说明当前的标准多元扩增矩阵本身的数据纯度就比较高,不需要对该标准多元扩增矩阵进行滤波处理,并将当前的标准多元扩增矩阵作为最佳标准多元扩增矩阵。
至此,本实施例得到了最佳标准多元扩增矩阵,最佳标准多元扩增矩阵可以保证准确分析待调控水产养殖场所的环境状况,提高环境参数的控制调控精度。
(6)根据待调控水产养殖场所对应的实时多元扩增矩阵和最佳标准多元扩增矩阵,确定实时多元扩增矩阵和最佳标准多元扩增矩阵之间的相似程度,进而判断待调控水产养殖场所的当前环境状况,实现待调控水产养殖环境因子的调控。
根据待调控水产养殖场所对应的实时多元扩增矩阵和最佳标准多元扩增矩阵,对实时多元扩增矩阵和最佳标准多元扩增矩阵进行归一化处理,得到归一化处理后的实时多元扩增矩阵和最佳标准多元扩增矩阵,根据归一化后的实时多元扩增矩阵和最佳标准多元扩增矩阵,确定实时多元扩增矩阵和最佳标准多元扩增矩阵之间的相似程度。在本实施例中,利用DTW算法,计算待调控水产养殖场所对应的实时多元扩增矩阵和最佳标准多元扩增矩阵之间的相似程度,得到两者之间的相似程度,计算多元扩增矩阵之间的相似程度的方法有很多,实施者可根据实际情况自行选取。DTW算法和归一化处理的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
根据实时多元扩增矩阵和最佳标准多元扩增矩阵之间的相似程度,判断待调控水产养殖场所的当前环境状况,若实时多元扩增矩阵和最佳标准多元扩增矩阵之间的相似程度大于相似程度阈值,则判定待调控水产养殖场所的当前环境状况较佳,否则,判定待调控水产养殖场所的当前环境状况较差,进而调控待调控水产养殖场所的实时环境参数。
本实施例将设置相似程度阈值为0.75,当实时多元扩增矩阵和最佳标准多元扩增矩阵之间的相似程度高于相似程度阈值时,将认为待调控水产养殖场所的当前环境状况较佳,不需要对待调控水产养殖场所的环境参数进行调控,否则,判定待调控水产养殖场所的当前环境状况较差,实时预警,及时提醒相关检测人员对待调控水产养殖场所进行详细巡检,并采取相应的措施进行处理,实现对水产养殖环境因子进行实时调控。
本发明不仅具有监测功能强、准确度高以及自动化调控及时的特点,还具有数据传输灵活和预警提示及时的特点,及时的预警提示有利于相关工作人员及时采取相应的应对措施,以保证待调控水产养殖场所的环境适宜度,提高水产养殖环境因子调控的效率。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。