CN117084200A - 应用大数据分析的水产养殖投药控制系统 - Google Patents
应用大数据分析的水产养殖投药控制系统 Download PDFInfo
- Publication number
- CN117084200A CN117084200A CN202311057718.XA CN202311057718A CN117084200A CN 117084200 A CN117084200 A CN 117084200A CN 202311057718 A CN202311057718 A CN 202311057718A CN 117084200 A CN117084200 A CN 117084200A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- disease
- sensor
- analysis
- 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.)
- Granted
Links
- 238000007405 data analysis Methods 0.000 title claims abstract description 34
- 238000009360 aquaculture Methods 0.000 title claims abstract description 29
- 244000144974 aquaculture Species 0.000 title claims abstract description 29
- 239000003814 drug Substances 0.000 claims abstract description 94
- 229940079593 drug Drugs 0.000 claims abstract description 82
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 80
- 201000010099 disease Diseases 0.000 claims abstract description 70
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 70
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 47
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 47
- 239000001301 oxygen Substances 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000004458 analytical method Methods 0.000 claims abstract description 33
- 238000005457 optimization Methods 0.000 claims abstract description 30
- 230000036541 health Effects 0.000 claims abstract description 28
- 239000000126 substance Substances 0.000 claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 238000005516 engineering process Methods 0.000 claims abstract description 18
- 238000004891 communication Methods 0.000 claims abstract description 17
- 238000010801 machine learning Methods 0.000 claims abstract description 8
- 230000006399 behavior Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 44
- 238000012549 training Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 24
- 230000000694 effects Effects 0.000 claims description 17
- 230000006872 improvement Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 15
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 14
- 230000007613 environmental effect Effects 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 11
- 238000013480 data collection Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000009313 farming Methods 0.000 claims description 8
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 7
- 229910052757 nitrogen Inorganic materials 0.000 claims description 7
- 229910052698 phosphorus Inorganic materials 0.000 claims description 7
- 239000011574 phosphorus Substances 0.000 claims description 7
- 238000010200 validation analysis Methods 0.000 claims description 7
- 238000009395 breeding Methods 0.000 claims description 6
- 230000001488 breeding effect Effects 0.000 claims description 6
- 238000007477 logistic regression Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000003862 health status Effects 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 4
- 230000037396 body weight Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 239000000890 drug combination Substances 0.000 claims description 4
- 230000008713 feedback mechanism Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 230000007257 malfunction Effects 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 claims description 2
- 238000009472 formulation Methods 0.000 claims description 2
- 230000008821 health effect Effects 0.000 claims description 2
- 238000012886 linear function Methods 0.000 claims description 2
- 230000007774 longterm Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 241000251468 Actinopterygii Species 0.000 description 41
- 239000000047 product Substances 0.000 description 21
- 230000008901 benefit Effects 0.000 description 5
- 206010000117 Abnormal behaviour Diseases 0.000 description 4
- 206010061218 Inflammation Diseases 0.000 description 4
- 229910002651 NO3 Inorganic materials 0.000 description 4
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 4
- 241000277275 Oncorhynchus mykiss Species 0.000 description 4
- 230000001580 bacterial effect Effects 0.000 description 4
- 230000004054 inflammatory process Effects 0.000 description 4
- 241000252230 Ctenopharyngodon idella Species 0.000 description 3
- 241000252233 Cyprinus carpio Species 0.000 description 3
- 241000630524 Taractes rubescens Species 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 244000045947 parasite Species 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 241000894007 species Species 0.000 description 3
- 230000009182 swimming Effects 0.000 description 3
- 206010027982 Morphoea Diseases 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 206010013654 Drug abuse Diseases 0.000 description 1
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 235000011941 Tilia x europaea Nutrition 0.000 description 1
- 230000002378 acidificating effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000005276 aerator Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000012459 cleaning agent Substances 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 238000001647 drug administration Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 208000010824 fish disease Diseases 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 206010021198 ichthyosis Diseases 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 239000004571 lime Substances 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 244000000010 microbial pathogen Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008621 organismal health Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 208000011117 substance-related disease Diseases 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
Classifications
-
- 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
- A01K61/13—Prevention or treatment of fish diseases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Marine Sciences & Fisheries (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Animal Husbandry (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Environmental Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Zoology (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
Abstract
本发明涉及应用大数据分析的水产养殖投药控制系统。a)该系统包括多种传感器，用于实时监测并收集池塘内的水质参数，包括水温、pH、溶解氧和有害物质浓度，以及利用无线通讯技术将此数据实时传输至云端进行分析；b)该系统进一步包括疾病预测模型，该模型基于历史疾病爆发数据和当前池塘环境数据，对疾病爆发进行预测，并设置预警阈值，一旦达到或超过该阈值，系统会自动发出预警；c)该系统还包括摄像头或其他设备，用于监控每只生物的行为，并利用机器学习技术对其进行健康评估，从而为生病的生物进行早期干预；d)该系统进一步包括一个药物使用优化算法，该算法结合历史数据和当前数据，分析并确定在特定情况下最佳的药物使用策略。
Description
技术领域
本发明涉及应用大数据分析的水产养殖投药控制系统。
背景技术
目前，采用大数据分析于水产养殖投药控制系统的确为水产养殖带来了许多便利和优势，但这种技术和系统也存在一些弊端和不足之处：1.数据质量问题：传感器可能会出现故障或误差，导致收集到的数据质量下降。若不及时检测和纠正这些问题，将会影响后续的分析结果和决策。2.数据安全和隐私：大量的数据收集和传输可能会引起数据安全和隐私方面的担忧。不当的数据泄露或窃取可能会导致经济损失甚至对养殖业造成影响。3.复杂性：尽管大数据分析可以提供深入的见解，但其背后的技术和算法可能非常复杂。养殖户需要时间和培训来理解和使用这些工具。4.过度依赖技术：一些养殖户可能过度依赖技术和自动化系统，忽视了实际的养殖经验和直觉。在某些情况下，实际经验可能比数据分析更为准确。5.成本问题：建立和维护这样一个系统需要较高的初期和维护成本。不是所有的养殖户都能够承受这样的投资。6.技术更新和适应性：技术和算法持续更新和进步，养殖户需要定期更新系统以保持其效率和准确性。此外，不同地区和种类的水产养殖可能需要不同的分析方法和策略。7.网络依赖性：这些系统通常依赖于稳定的网络连接进行数据传输和分析。在网络不稳定或断开的地区，系统的效率和准确性可能会受到影响。8.误报和漏报：尽管大数据分析可以大大减少误差，但仍然存在误报或漏报的可能。例如，系统可能预测出一个即将发生的疾病爆发，但实际上并未发生。9.人为因素和接受度：对于某些养殖户，接受和应用新技术可能需要时间。此外，如何正确解释和应用分析结果也需要培训和经验。总的来说，虽然应用大数据分析的水产养殖投药控制系统为养殖业带来了许多好处，但同时也引入了一些新的挑战和问题。为了充分利用这些系统的潜力并克服其局限性，养殖户和技术供应商需要密切合作，持续创新和改进。
发明内容
本发明的目的是提供应用大数据分析的水产养殖投药控制系统，从而解决背景技术中所指出的部分弊端和不足。
本发明解决其上述的技术问题所采用以下的技术方案：
a)该系统包括多种传感器，用于实时监测并收集池塘内的水质参数，包括水温、pH、溶解氧和有害物质浓度，以及利用无线通讯技术将此数据实时传输至云端进行分析；
b)该系统进一步包括疾病预测模型，该模型基于历史疾病爆发数据和当前池塘环境数据，对疾病爆发进行预测，并设置预警阈值，一旦达到或超过该阈值，系统会自动发出预警；
c)该系统还包括摄像头或其他设备，用于监控每只生物的行为，并利用机器学习技术对其进行健康评估，从而为生病的生物进行早期干预；
d)该系统进一步包括一个药物使用优化算法，该算法结合历史数据和当前数据，分析并确定在特定情况下最佳的药物使用策略，并预测提前的投药决策；
e)该系统能够基于分析的数据结果，为养殖户提供环境改善建议，包括更换水源或增加氧气供应；
f)该系统还包括后期分析与反馈循环模块，结合实际投药效果和生物健康状况进行后期分析，并调整预测模型和投药策略；
g)该系统进一步包括一个用户界面，允许养殖户轻松查看各种数据、预警和建议，并提供在线培训工具和教程。
进一步地，所述的多种传感器包括温度传感器、pH传感器、溶解氧传感器和有害物质浓度传感器，用于实时监测池塘的水质参数并收集数据，同时结合无线通讯技术包括WiFi、LoRa或NBIoT，实现对所收集数据的实时传输至云端分析，为后续的数据分析、疾病预测、环境改善建议和投药策略制定提供数据。
进一步地，所述的疾病预测模型包括：
S1.数据收集：
首先为模型收集数据包括：
历史数据：过去的水质参数与相应时期的疾病发生率之间的记录。
历史数据：记作数据集其中(xi)表示第(i)个样本的水质参数，而(yi)是对应的疾病发生状态或率。
实时数据：从当前环境中收集的数据。
S2.数据预处理：
清洗数据：删除或修正不准确、不完整或不相关的数据。
标准化或归一化：将所有数值数据调整到一个常见的尺度，使得模型训练更为稳定和快速。
数据划分：将数据分为训练集、验证集和测试集。
其中标准化：若x是一个特征向量，标准化过程为：
其中(μ)是特征的均值，(σ)是标准差。
S3.选择合适的模型：
基于数据特点和所需的预测任务，选择一个或多个合适的机器学习算法；
包括：选择逻辑回归作为初始模型。它的数学表示为：
其中(θ)是模型参数。
S4.模型训练：
使用训练数据集对选择的算法进行训练。
包括：
参数初始化：为模型的参数设置初始值。
前向传播：使用输入数据估计输出。
计算损失：使用某种损失函数，包括均方误差，衡量模型预测与实际数据之间的差异。
后向传播：计算损失函数关于模型参数的梯度。
损失函数：对于逻辑回归的损失函数是交叉熵损失：
其中hθ(xi)是模型对第i个样本的预测值。
参数更新：使用梯度下降更新模型参数。
通过梯度下降，更新(θ)：
其中是损失函数L(θ)对θ的梯度，α是学习率。
重复上述过程直到模型收敛或满足其他停止条件。
S5.模型验证与调优：
使用验证数据集测试模型的性能。根据验证结果调整模型参数或结构，包括学习率、层数或其他超参数。
S6.模型测试：
使用之前从未用于训练或验证的测试数据集评估模型的最终性能。进一步地，对于测试集中的每个样本xj，计算预测值hθ(xj)并与真实值yj进行比较，以估计模型的总体误差。
S7.部署模型：
一旦满意于模型的性能，将其部署到实时系统中。
模型将开始接收新的实时数据，并基于这些数据做出预测。
在实时环境中，对于任何新输入xnew，执行：
并根据阈值设置决定是否发出预警。
进一步地，所述的生病的生物进行早期干预进行建立个体化投药模型，该模型包括：
S1.数据收集：
基础数据：收集水质参数，包括pH、氧气浓度、氮、磷含量。
生物数据：每个水产品的年龄、体重、品种、数量、先前的健康状况。
药物历史：过去对每个水产品使用的药物种类、剂量和效果。
设X是一个n×m的矩阵，其中n是样本数量，m是特征数量；
S2.数据预处理：
清洗：处理缺失值和异常值，包括涉及到插补或删除。
标准化和归一化：使特征在相同的尺度上。
特征工程：从原始数据中创建新特征，包括水产品的平均体重、自上次投药以来的天数。
其中，标准化：
对于特征j，其标准化值为：
其中，μj是特征j的均值，σj是标准差。
其中，特征工程是计算水产品的平均体重作为一个新特征。
包括果Xij是第i个水产品的第j个水产品的体重，则新特征Yi：
S3.模型选择：
选择处理回归任务，包括：预测剂量和分类任务、预测药物种类的模型。多任务神经网络有两个输出：一个输出层用于分类任务，另一个用于回归任务。
所述的任务神经网络的隐藏层激活函数为ReLU，则激活函数为：
h(x)＝max(0,x)
S4.模型建立与训练：
a.定义损失函数：
对于分类任务，采用交叉熵损失；
对于回归任务，采用均方误差。
所述的模型的总损失是这两个损失的加权和。
对于回归任务，用于预测剂量：
对于分类任务，用于预测药物种类：
总损失函数是这两者的加权和：
L＝αLreg+βLclass
其中，α和β是权重。
b.训练算法:
使用算法包括随机梯度下降或Adam进行训练，不断迭代更新模型权重。
其中，使用随机梯度下降：
其中，w是权重，η是学习率。
S5.模型验证：
使用一个单独的验证集，该验证集既包含药物类型的真实值，也包含剂量的真实值，来验证模型的性能。
6.超参数调整：
基于验证集的性能，调整模型的超参数，包括学习率、正则化参数。
利用交叉验证的方法，在不同的超参数组合下多次运行模型，选择表现最佳的超参数组合。
7.模型测试：
在一个之前从未见过的数据集上测试模型的最终性能。
8.部署：
将模型集成到实时监控系统中，该系统根据当前的水质参数和水产品状态，为每个水产品提供个性化的投药建议。
进一步地，所述的药物使用优化算法具体步骤：
S1.目标函数定义：
在水产养殖中目的是找到一个最佳的药物方案，维持水产品的健康并最小化投药成本；
其目标函数：
F(x)＝αC(x)-βH(x)
其中，x代表药物的剂量和种类组合，C(x)是投药方案的成本，而H(x)是水产品健康的度量指标。α和β是用于平衡成本和健康效果的权重。
S2.约束条件：
考虑到环境和健康的因素，药物的用量不应超出某个范围。同时，考虑到药物之间的相互作用，有的药物可能不能同时使用。
其约束条件：
gi(x)≤0时，为特定药物的最大和最小投药量。
hj(x)＝0时，为某些药物组合是禁止的。
S3.选择优化方法：
采用混合整数非线性规划方法：首先定义决策变量，包括选择哪些药物和每种药物的具体剂量。接着，设定一个目标函数，该函数会基于历史数据和大数据分析，与药物成本、水产品的生长速度和疾病发病率因素相关。
模型包含多种约束，包括药物的剂量限制、药物间的相互作用和药物的总量。基于上述模型后，利用混合整数非线性规划方法求解器寻找最优解，然后在实际中验证和实施这些策略，根据实际效果进行持续的优化和迭代。
S4.初始化：
基于过去的数据和经验，确定一个初步的药物使用方案。
S5.迭代优化：
使用选定的优化方法开始从初始方案进行迭代。对于每一次迭代根据目标函数和约束来更新药物方案。
梯度下降函数采用:
这里，η是学习率，决定了每一步更新的大小。
S6.终止条件：
当目标函数的改进小于阈值时停止。
S7.验证优化结果：
完成优化后，使用分离的数据集或通过实地实验来验证结果。
进一步地，所述的提供环境改善建议包括：该系统通过传感器实时监测水质参数并收集养殖池信息；进一步对所收集数据进行预处理以保证数据的质量与一致性；利用历史数据对水质参数与水产品健康间的相关性和趋势进行分析；
基于该分析为养殖池的各个环境参数设定理想范围或目标值；当实际数据偏离该范围时，系统会自动生成相应的环境改善建议；该系统进一步提供实时反馈机制，通过不断对比实际数据与目标范围，并根据新数据调整所提建议，从而系统地提高养殖环境的质量并与投药控制系统相结合，以优化水产品健康与生产率。
进一步地，所述的后期分析与反馈循环模块：结合实际投药效果对生物健康状况进行监测与评估；基于实际观察和评估结果，该模块进一步优化预测模型的参数和结构，确保其预测精度与实际情况相一致；系统根据优化后的预测模型重新调整投药策略，包括药物类型、剂量或投药频率；该系统通过持续学习和自我调整，实现对养殖环境的连续监控和优化。
进一步地，所述的该系统包含一个用户界面，设计为直观地展示与养殖相关的各种数据，包括于水质数据和水产品健康状态；该界面进一步提供实时预警和针对性建议功能，当系统检测到养殖问题时，自动生成并显示相应的预警信息及处理建议；此外，系统还配备在线培训工具和教程，为养殖户提供系统使用指导和养殖知识教育，确保养殖户能够充分利用系统，优化养殖管理与决策。
进一步地，所述的多种传感器集合成一个传感器模块，所述的传感器模块：该模块内置有温度传感器、pH传感器、溶解氧传感器和有害物质浓度传感器，各传感器均封装于一个防水、防腐蚀的外壳中；该模块还包含一个中央处理单元，用于接收、处理并发送各传感器收集的数据；系统的模块部署包括温度传感器位置于模块的底部或侧面，pH传感器和溶解氧传感器深入水中，有害物质浓度传感器置于远离其他传感器的位置；该模块还配备内部存储系统，用于在通信中断时暂存数据，并在通信恢复后发送；此外，该模块设计允许用户方便地进行定期校准，并通过无线通信技术将数据同步到主系统。
进一步地，所述的中央处理单元在此模型中作为一个核心部分，负责从多种传感器接收数据、处理数据、执行算法和发送结果。具体工作原理和步骤包括下：
S1.数据接收：
CPU设有多个输入端口，与各传感器相连。
传感器按照预定的频率发送数据至CPU。包括：每5-15秒传感器会读取一次水温、pH值。
S2.数据预处理：
数据标准化：其中x是原始数据，xmin和xmax分别是数据的最小值和最大值。
去除异常值：包括，若某数据点与前后数据点的差异超过设定的阈值，认为是异常值，并进行修正或忽略。
S3.数据分析：
特征工程：根据原始数据构造新的特征。包括，利用移动平均法求得温度的短期和长期平均值：其中N是考虑的时间窗口长度。
疾病预测模型：使用接收到的标准化数据和特征输入到已训练好的模型中，得到疾病风险的预测值。
S4.决策制定：
根据预测结果，若疾病风险超过某阈值，包括预测概率>0.7，则启动警告机制。
同时，根据当前的水质参数和疾病预测结果，计算投药量或其他应对措施。包括，使用一个简单的线性函数：Dose＝k×Risk+b，其中Risk是预测的疾病风险，k和b是预设的系数，代表风险与投药量之间的关系。
S5.数据输出与交互：
根据计算和决策的结果，CPU发送指令到相关设备，包括投药系统，进行实际的操作。
与用户界面交互：CPU将数据、预测结果和推荐措施发送到用户界面，供养殖户查看和操作。养殖户也通过用户界面向CPU发送命令或调整参数。
S6.自我调整与学习：
CPU中嵌入一个自适应算法，根据实际结果和预测进行调整。包括果发现连续几次的预测与实际情况有较大偏差，自动调整模型参数或特征工程的策略。数据反馈：收集实际的水质情况和疾病发生记录，作为反馈数据。此数据可用于重新训练和优化预测模型，确保其持续有效。
S7.保持与传感器的同步：
CPU会定时或根据需求发送信号给传感器，确认其工作状态，包括电量、故障。此外还包括：某传感器发生故障或数据读取异常，CPU会发出警告，并可能启动备用传感器或采取其他应急措施。
本发明的有益效果：
1.提高准确性：通过收集和分析大量数据，可以更准确地预测水产疾病的风险，从而确保在最合适的时间进行投药。
2.优化资源使用：通过精确控制药物的用量和投放时间，养殖户可以节省成本，避免过度投药或滥用药物。
3.提高生产率和效益：准确的疾病预测和及时的投药可以减少疾病导致的损失，从而提高整体的生产率和经济效益。
4.减少环境污染：减少不必要的或过量的药物使用可以降低对水环境的污染，有助于可持续养殖。
5.增强决策支持：大数据分析为养殖户提供了有力的决策支持工具，使他们能够基于实际数据而不是单纯的直觉来做决策。
6.增强早期警告机制：通过持续监测和分析，系统可以提前发现异常情况或疾病迹象，为养殖户提供早期预警。
7.知识积累和分享：随着时间的推移，系统会积累大量的数据和知识，这些可以为未来的决策提供参考，也可以分享给其他养殖户或研究机构。
8.提高消费者信心：使用此类系统的养殖户可以确保产品的安全和质量，从而增强消费者对产品的信心。
9.支持可持续养殖：通过减少药物的滥用和环境影响，大数据分析有助于推动水产养殖行业朝着更加可持续的方向发展。
10.培训和教育：系统的用户界面和教程可以为养殖户提供在线培训和教育，帮助他们更好地了解和使用这些工具。
附图说明
图1为本发明应用大数据分析的水产养殖投药控制系统流程图。
具体实施方式
下面结合附图对本发明的具体实施方式做一个详细的说明。
实施例：a)该系统包括多种传感器，用于实时监测并收集池塘内的水质参数，包括水温、pH、溶解氧和有害物质浓度，以及利用无线通讯技术将此数据实时传输至云端进行分析；
实施例1：某一个养鱼池塘，它位于一个温带地区，经常受到气候变化的影响。为了确保鱼群的健康和生长，养殖户决定安装一个由大数据分析支持的监测系统。
步骤1：安装多种传感器：
在池塘的多个位置，养殖户安装了温度传感器、pH传感器、溶解氧传感器和有害物质浓度传感器。这些传感器均为潜水型，能够长时间在水下工作而不受损。
例如，在一个特定的周五下午，温度传感器读取到了23.5℃的水温，pH传感器显示pH值为7.3，溶解氧传感器测得溶解氧为6.8mg/L，有害物质浓度传感器检测到硝酸盐浓度为20mg/L。
步骤2：无线通讯技术的应用：
每个传感器都配备了无线通讯模块，如WiFi或LoRaWAN模块。当传感器收集到数据后，它们会将数据发送到一个中央接收器，然后再将数据上传至云端。
继续上述例子，在数据被收集后，无线模块立即将23.5℃、pH7.3、6.8mg/L溶解氧和20mg/L硝酸盐的读数发送到了中央接收器。
步骤3：数据上传至云端进行分析：
中央接收器将所有的传感器数据汇总，通过一个固定的互联网连接上传至云端。在云端，数据被一个先进的大数据分析系统处理，该系统可以预测可能的问题，并为养殖户提供关于如何管理池塘的建议。
在这个实施例中，当云端系统收到数据后，它分析并确定这些读数都在正常范围内，但由于硝酸盐稍微偏高，系统向养殖户发送了一个警告，并建议减少鱼饲的投放量，以减少未来的硝酸盐积累。
b)该系统进一步包括疾病预测模型，该模型基于历史疾病爆发数据和当前池塘环境数据，对疾病爆发进行预测，并设置预警阈值，一旦达到或超过该阈值，系统会自动发出预警；
实施例2：某养殖池塘位于亚洲的一个国家，这个地方在过去5年内经历了3次由于高温和低溶解氧引发的鱼病爆发。
步骤1：收集历史疾病爆发数据：
养殖户从早期记录中收集到以下关于疾病爆发的数据：
2021年7月，温度为30℃，溶解氧为3.5mg/L，发生了一次疾病爆发；
2022年8月，温度为31℃，溶解氧为3.2mg/L，再次发生疾病爆发；
2023年6月，温度为29.5℃，溶解氧为3.7mg/L，出现了疾病爆发。
步骤2：疾病预测模型的建立：
根据上述历史数据，建立了一个预测模型，其中温度和溶解氧为主要的预测因子。模型分析了在过去的疾病爆发中，温度和溶解氧的关系，并确定了一个预警阈值：当温度超过29℃且溶解氧低于4mg/L时，有高风险发生疾病爆发。
步骤3：实时监测和预警设置：
现在，当系统检测到温度为29.7℃，溶解氧为3.9mg/L时，由于这些读数接近或超过了预先设置的阈值，系统立即向养殖户发送了一个预警消息。
c)该系统还包括摄像头或其他设备，用于监控每只生物的行为，并利用机器学习技术对其进行健康评估，从而为生病的生物进行早期干预；
实施例3：某养殖场正在养殖一种名为“银鲳”的鱼种。银鲳通常在感染某种寄生虫时会出现游泳困难、体侧翻滚等异常行为。
步骤1：设置摄像头或其他设备：
首先，在每个养殖池中安装了高分辨率的水下摄像头，这些摄像头可以24/7不间断地监控鱼的活动。摄像头设定的焦距和角度能够确保覆盖池中的大部分区域，从而捕捉到鱼类的大部分行为。
步骤2：数据收集和初步分析：
摄像头每天都会捕捉到数小时的鱼类活动视频。初步的数据分析表明，正常游泳的银鲳平均速度为1.5m/s，而那些感染了寄生虫的鱼通常游泳速度下降到1m/s以下。
步骤3：利用机器学习进行健康评估：
对收集的视频数据进行标注，其中健康的鱼被标记为“正常”，显示异常行为的鱼被标记为“异常”。使用这些标记的数据训练一个机器学习模型，目的是使其能够自动识别和区分“正常”与“异常”的鱼类行为。
经过训练，该模型的准确率达到了95％，这意味着它能够准确地识别出95％的异常行为鱼类。
步骤4：早期干预：
当系统通过摄像头监测到有鱼出现异常行为，如游泳速度低于1m/s，摄像头会自动标记这只鱼，并将信息实时发送给养殖户。养殖户根据提示进行检查，发现确实有些鱼被寄生虫感染，随后可以立即采取干预措施，如隔离感染的鱼，使用特定的药物治疗，从而减少疾病的传播并提高整体的鱼群健康状况。
d)该系统进一步包括一个药物使用优化算法，该算法结合历史数据和当前数据，分析并确定在特定情况下最佳的药物使用策略，并预测提前的投药决策；
实施例4：某养殖场养殖虹鳟鱼，过去的数据表明虹鳟鱼在某些季节容易受到细菌性鳃炎的侵袭。细菌性鳃炎是由细菌引起的，会导致鱼的鳃发红、呼吸困难。
步骤1：数据收集
首先，系统从传感器收集池塘的实时数据，如水温、pH、溶解氧等。假设当前数据为：水温17℃，pH6.8，溶解氧8mg/L。
系统还存储了过去五年的数据，这些数据显示每当水温在1618℃，pH在6.76.9之间时，虹鳟鱼就有较大几率发生细菌性鳃炎。
步骤2：使用优化算法进行分析
药物使用优化算法在此基础上开始工作。它首先分析当前的水质参数与过去数据中鱼病爆发的情况进行对比，确定病症发生的可能性。
在本例中，由于当前的水温和pH都处在高风险区间，系统预测在未来一周内有60％的可能性出现细菌性鳃炎。
步骤3：确定最佳药物使用策略
算法接着评估过去在相似情况下使用的不同药物和剂量以及其效果。假设历史数据显示，在此类情况下使用“药物A”可以减少疾病发生的几率，而使用“药物B”则能够缩短疾病的恢复时间。
根据算法分析，推荐在未来三天内使用“药物A”，每天100mg/100L的剂量，以预防疾病的爆发。
步骤4：预测投药决策
系统进一步预测，如果在接下来的三天内按照推荐剂量使用“药物A”，那么疾病爆发的可能性将降低到30％。如果疾病仍然发生，系统会建议使用“药物B”来缩短恢复时间。
e)该系统能够基于分析的数据结果，为养殖户提供环境改善建议，包括更换水源或增加氧气供应；
实施例5：某养殖鲤鱼场所近期，系统从多个传感器收集的数据显示，池塘的溶解氧水平持续低于5mg/L，而pH值呈现微酸状态，为6.0。
步骤1：实时数据分析
系统首先对实时监测数据进行解析。当前数据为：溶解氧4.2mg/L，pH6.0。
对比养殖鲤鱼的理想环境，通常溶解氧应该维持在69mg/L之间，而pH值则应保持在6.58.5的范围。由此可见，当前的溶解氧水平和pH值都不在理想范围内。
步骤2：系统分析与建议生成
基于上述数据，系统开始进行更深入的分析。历史数据显示，当溶解氧持续低于5mg/L时，鲤鱼的生长速度下降，而且容易受到病原微生物的侵害。而pH值为6.0可能意味着池塘中存在过多的酸性物质或池塘的碱度被耗尽。
基于这些信息，系统生成以下建议：
1.增加氧气供应：考虑使用空气泵或曝气器来提高池塘的溶解氧含量。
2.调整池塘的pH值：可以适量加入碱性物质如石灰来提高pH值。
步骤3：更换水源的考虑
系统进一步分析，发现在过去一周内，池塘的溶解氧和pH值都出现了明显的下降。结合附近地区最近的降雨数据，系统推测可能有污染物进入池塘。因此，系统建议养殖户考虑部分更换池塘水源，并确保水源的清洁。
f)该系统还包括后期分析与反馈循环模块，结合实际投药效果和生物健康状况进行后期分析，并调整预测模型和投药策略；
实施例6：某个养殖区内，最近针对一次白点病的爆发，按照系统建议，采取了某种药物治疗策略。投药后的两周，希望对治疗效果进行评估，并根据实际情况优化未来的预测模型和投药策略。
步骤1：收集后期数据
在投药后的第14天，从各个池塘中收集了以下数据：
存活鱼的数量：8900尾(原数量为10000尾)
白点病仍然存在的鱼的数量：300尾
其他并发疾病的鱼的数量：150尾
步骤2：后期分析
结合原始数据，发现虽然绝大部分鱼得到了恢复，但仍有3％的鱼受到了白点病的影响，并且出现了1.5％的鱼出现了其他并发疾病。这可能意味着的投药策略并不完美，或者有其他外部因素加重了疾病的发展。
步骤3：模型调整
基于上述后期分析，将这次事件的数据输入到系统的反馈循环模块中。系统开始自动调整其预测模型的参数，提高对类似情况下白点病发展的预测精度，并优化投药策略，考虑加入另一种辅助药物或更换药物。
步骤4：投药策略优化
结合新的预测模型，系统生成了一个更新的投药策略，其中建议在初始药物的基础上增加一种提高鱼免疫力的补品，以减少并发疾病的发生。
g)该系统进一步包括一个用户界面，允许养殖户轻松查看各种数据、预警和建议，并提供在线培训工具和教程。
实施例7：李先生是一位养殖户，他管理着一片广大的虹鳟鱼塘。为了更加高效和科学地管理鱼塘，李先生决定使用实施例的水产养殖投药控制系统。
步骤1：登录用户界面
李先生首次打开系统，面前展现的是一个直观的仪表板，显示了各个池塘的水温、pH值、溶解氧含量等基本数据。例如，鱼塘A的水温为22℃，pH为7.2。
步骤2：查看预警和建议
在仪表板上，李先生看到一个红色的预警图标，显示鱼塘B的有害物质浓度超出正常范围。点击图标后，系统为他提供了一个建议：“考虑更换鱼塘B的水或减少饲料投放”。
步骤3：在线培训工具和教程
由于李先生对有害物质的来源和处理方法不太了解，他决定使用系统内的在线培训工具。系统提供了一系列关于水质管理的教程。他点击并观看了一个名为“如何处理有害物质超标”的视频教程。
步骤4：操作指南
完成观看后，系统自动推送了一个操作指南，详细列出了处理有害物质超标的步骤。例如，首先关闭入水口，然后投放指定量的清洁剂，之后开启出水口将污水排放出去。
步骤5：实时反馈
李先生按照操作指南处理了鱼塘B的水。几小时后，他再次查看仪表板，发现有害物质浓度已经降低到正常范围内。
本案中与上述7个实施列进行配套实施的方法还包括：
首先，多种传感器被部署在池塘中，每种传感器都有其特定的任务：
温度传感器负责测量池塘的温度。
pH传感器监测池塘水的酸碱度。
溶解氧传感器确定水中的氧含量。
有害物质浓度传感器检测可能对水生生物有害的物质的浓度。
当传感器收集到数据后，它们不仅要储存这些数据，还要通过无线通讯技术(如WiFi、LoRa或NBIoT)将这些数据传输至云端。这样的设计使得数据几乎可以实时被上传并供后续分析使用。
为了进一步解释，让实施例考虑温度传感器的数据处理过程。该过程可以被模型化为一个函数，例如：
T(t)＝a·sin(b·t+c)+d
其中，T(t)是时间t时的水温，参数a、b、c和d会基于池塘的具体环境进行调整。例如，在一个特定的夏天，水温可能会随时间而呈现正弦波动。
假设某一天，实施例收到了以下的实际数据点：(t1,T1)、(t2,T2)和(t3,T3)。实施例可以利用这些数据点来调整上述模型中的参数，以使模型尽可能地拟合这些数据。
使用此函数和实际数据，实施例可以预测池塘的未来温度，并基于这些预测来作出相应的决策，如是否需要进行水冷或加热。
实施列8，疾病预测模型：
S1.数据收集
假设实施例从两个不同的池塘收集了以下水温数据和疾病爆发情况：
x＝[15℃,25℃]
y＝[0,1]
其中，第一个池塘的水温是15℃且没有疾病爆发，而第二个池塘的水温是25℃且有疾病爆发。
S2.数据预处理
计算均值和标准差：
标准化的水温数据为：
S3.选择合适的模型
实施例选择逻辑回归。首先，实施例需要为模型参数(θ)设定一个初始值。为简化，假设(θ＝1)。
S4.模型训练
使用逻辑回归公式进行预测：
对于第一个池塘(标准化后的水温-0.71)的预测值是：
对于第二个池塘(标准化后的水温0.71)的预测值是：
使用交叉熵损失函数来评估预测的误差：
L(θ)≈0.9165
在一个完整的训练过程中，实施例会根据损失函数来更新θ，但这里为了简化，实施例只进行一次预测。
S5.模型验证与调优
由于此例子中的数据集很小，实施例暂时跳过这一步。
S6.模型测试
使用新的水温数据xnew＝18℃进行预测。
标准化后的水温为
预测疾病发生的概率为：
S7.部署模型
在真实环境中，当新的水温数据进入时，模型将进行预测。如上所示，对于18℃的水温，疾病发生的预测概率为43％。
实施例9：生病的生物进行早期干预进行建立个体化投药模型的过程：
让实施例通过一个简化的实际示例来逐步了解上述步骤：
S1.数据收集：
假设实施例从三个不同的鱼塘收集了以下数据：
1.第一个鱼塘的数据如下：
pH值为6.5。
氧气浓度为7mg/L。
氮含量为0.7mg/L。
磷含量为0.2mg/L。
鱼的平均体重为200g。
该塘中的鱼的数量为100条。
投给鱼的药物种类为A，且投药的剂量为5ml。
2.第二个鱼塘的数据如下：
pH值为7.2。
氧气浓度为6mg/L。
氮含量为0.8mg/L。
磷含量为0.25mg/L。
鱼的平均体重为220g。
该塘中的鱼的数量为110条。
投给鱼的药物种类为B，且投药的剂量为6ml。
3.第三个鱼塘的数据如下：
pH值为6.8。
氧气浓度为6.5mg/L。
氮含量为0.75mg/L。
磷含量为0.22mg/L。
鱼的平均体重为210g。
该塘中的鱼的数量为105条。
投给鱼的药物种类为A，且投药的剂量为5.5ml。
S2.数据预处理：
1.清洗：所有数据点都已经完成，无需进一步的插补或删除。
2.标准化：以pH为例。均值为标准差σpH＝0.29。标准化后的pH为[-1.14,1.27,-0.14]
3.特征工程：数据中已经包括了“鱼的平均体重”。
S3.模型选择：
在这里，实施例选择一个简化的多任务神经网络。因为实施例只有三个数据点，实施例会使用一个非常小的网络。
S4.模型建立与训练：
1.定义损失函数：使用上述的交叉熵损失和均方误差；
2.使用随机梯度下降训练模型，这里仅为示意。
S5.模型验证：
由于实施例的数据集非常小，实施例可能只能使用留一法交叉验证。
S6.超参数调整：
例如，实施例可以调整学习率从0.001到0.01，每次都基于验证集的损失来选择最佳的学习率。
S7.模型测试：
假设实施例有一个新的测试数据点，其中pH＝6.9，氧气浓度＝6.6mg/L，氮含量＝0.74mg/L，磷含量＝0.21mg/L，鱼的平均体重＝205g，鱼的数量＝102。实施例可以使用训练好的模型来预测投药类型和投药剂量。
S8.部署：
该模型可以被嵌入到一个实时的监控系统中，系统会定期接收鱼塘的数据并为其提供投药建议。
本案中关于药物使用优化算法应用于具体的案例如下：
假设实施例有一个水产养殖塘，养了大量的草鱼。实施例有三种药物可供选择：药物A、药物B和药物C。这些药物的目的是促进鱼的生长、防病和减少鱼的死亡率。根据过去的经验和一些初始的实验数据，实施例得知：
药物A的成本为人民币10/ml，而草鱼的生长提高为5％/ml；
药物B的成本为人民币20/ml，减少死亡率为3％/ml，但不能与药物C同时使用；
药物C的成本为人民币15/ml，减少疾病发病率为4％/ml。
S1.目标函数定义：
目标是最大化草鱼的健康并最小化成本。所以，使用上述药物的信息，实施例的目标函数可以表示为：
F(x)＝α(10xA+20xB+15xC)β(5xA+0xB+0xC)
其中，xA、xB、xC分别代表三种药物的剂量。
S2.约束条件：
根据上述数据，实施例有：
g1(x):xA≤10ml
g2(x):xB≤8ml
g3(x):xC≤9ml
h(x):xB×xC＝0
S3.选择优化方法：
实施例使用混合整数非线性规划方法来找到最佳的药物组合。
S4.初始化：
基于过去的经验，实施例初始使用：5ml的药物A，6ml的药物B，0ml的药物C。
S5.迭代优化：
使用梯度下降方法，实施例从初始方案开始，根据目标函数和约束来更新药物方案。
S6.终止条件：
如果连续10次迭代中，目标函数的改变量都小于0.01，实施例停止迭代。
S7.验证优化结果：
优化完成后，实施例在另一个鱼塘进行实验，使用优化后的药物组合，并观察其效果。
在本案提供环境改善建议包括：
1.实时监测与数据收集：
传感器部署：养殖池内安装各种传感器，如pH传感器、溶解氧传感器、氮磷含量传感器等，以实时监测水质参数。
信息收集：除了水质参数，还可以收集其他关于养殖池的信息，例如鱼的密度、大小、活跃度等，这有助于了解水产品的健康状态。
2.数据预处理：
为了确保数据的质量和一致性，所有收集到的数据需要经过预处理步骤。这包括对缺失值的处理、异常值检测与修正、数据标准化等。
3.历史数据分析：
利用过去的数据，可以识别水质参数与水产品健康之间的相关性和趋势。例如，当pH值超过某个阈值时，可能会观察到鱼的活动量减少。
数据可用于训练预测模型，预测未来的水质变化及其可能的影响。
4.设定理想范围：
基于历史数据分析的结果，为每个环境参数设定一个理想的范围或目标值，例如pH值应保持在6.5到7.5之间。
5.环境改善建议：
当实际监测数据偏离设定的理想范围时，系统会自动提供改善建议。例如，如果实时监测到pH值超过7.5，系统可能建议增加某种缓冲剂来降低pH值。
与此同时，系统还会建议是否需要投药，以及投药的种类和剂量，以确保水产品的健康。
6.实时反馈机制：
系统会不断对比实际数据与预定范围，并根据新数据调整所提的建议。这样的反馈机制可以确保水质始终保持在最佳状态。
这种实时反馈还可以提供给养殖者，以便他们了解当前的养殖环境，并在必要时进行手动干预。通过上述系统，养殖者可以实现对养殖池环境的精确控制，从而提高水产品的健康与生产率。此外，这种系统还可以减少不必要的药物使用，进一步降低养殖成本。
后期分析与反馈循环模块的核心是持续评估并优化养殖环境的管理。结合实际的投药效果，这一模块对生物的健康状况进行细致的监测与评估。这些实际的观察结果提供了宝贵的信息，使得预测模型可以适时地进行参数和结构的调整，从而确保预测的精度与实际情况始终保持一致。一旦模型完成优化，系统会基于新的模型重新制定投药策略，这可能涉及选择不同的药物、调整药物的剂量或改变投药的频率。通过这种持续的学习和自我调整机制，该系统能够实现对养殖环境的连续监控和优化，确保生物健康和养殖效益。
本案系统拥有一个用户友好的界面，专门设计来直观地展现养殖相关的各项数据，涵盖了水质数据和水产品的健康状况。为了提供及时的支持，当系统感知到潜在的养殖问题时，它会自动生成并展示预警信息，同时给出针对性的处理建议。除了数据和预警功能，系统还考虑到用户的学习和培训需求，因此内置了在线培训工具和详细教程。这些功能确保养殖户不仅可以正确使用系统，还能深入了解养殖知识，从而更加科学地优化他们的养殖管理和决策过程。
传感器模块整合了多种传感器技术，具备温度传感器、pH传感器、溶解氧传感器和有害物质浓度传感器。为了确保持久稳定的性能，所有这些传感器都被封装在一个防水、防腐蚀的外壳中。中央处理单元作为该模块的核心，负责收集、处理以及传输这些传感器的数据。为了最大化数据的准确性，模块被设计为温度传感器位于其底部或侧面，而pH传感器和溶解氧传感器直接深入到水中。为了避免交叉干扰，有害物质浓度传感器则被置于与其他传感器远离的位置。考虑到可能的通信中断，模块还配备了内部存储系统，这样在通信出现问题时，数据仍然可以被保存，并在连接恢复后传输。此外，这个设计还考虑到了用户的实际操作需求，使其可以轻松进行定期校准，同时利用无线技术将数据同步到主系统，确保数据的完整性和实时性。
中央处理单元在此模型中作为一个核心部分，负责从多种传感器接收数据、处理数据、执行算法和发送结果；具体工作原理和步骤包括下：
S1.数据接收：传感器定期向CPU发送数据，例如，每5-15秒一次。这就像您每隔515秒检查一下手机的天气应用，获取当前的温度。
S2.数据预处理：
数据标准化：这是将数据转换为0到1之间的值，使其更容易处理和比较。公式是：
例如，如果我们的pH值范围是5到9，当我们得到一个pH值为7时，标准化后的值是：
异常值处理：如果一个数据点与前后数据有很大的不同，我们可能会忽略或修改它，确保数据的质量。
S3.数据分析：
特征工程：这是从原始数据创建新的数据，如使用移动平均法来了解温度的变化趋势。公式是：
例如，考虑过去3天的温度分别为25℃、26℃和27℃，
其移动平均是：
疾病预测模型：此模型将处理后的数据作为输入，并预测养殖水体中的疾病风险。
S4.决策制定：系统会判断是否存在疾病的风险，然后决定是否需要采取措施，如投药。
S5.数据输出与交互：中央处理单元将决策结果发送给其他设备，如投药系统，并将结果展示给用户，供他们参考或调整。
S6.自我调整与学习：系统会不断比较预测与实际结果，并对其内部的预测模型进行调整，使其更准确。
S7.与传感器同步：中央处理单元会定期检查与其连接的传感器的状态，确保它们正常工作。整体上，这是一个从接收数据开始，经过处理、分析、决策制定、然后输出结果的完整流程，其中还包含了自我调整和优化的步骤，以确保预测的准确性和实用性。
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效物界定。
Claims (10)
1.应用大数据分析的水产养殖投药控制系统，其特征在于：
a)该系统包括多种传感器，用于实时监测并收集池塘内的水质参数，包括水温、pH、溶解氧和有害物质浓度，以及利用无线通讯技术将此数据实时传输至云端进行分析；
b)该系统进一步包括疾病预测模型，该模型基于历史疾病爆发数据和当前池塘环境数据，对疾病爆发进行预测，并设置预警阈值，一旦达到或超过该阈值，系统会自动发出预警；
c)该系统还包括摄像头或其他设备，用于监控每只生物的行为，并利用机器学习技术对其进行健康评估，从而为生病的生物进行早期干预；
d)该系统进一步包括一个药物使用优化算法，该算法结合历史数据和当前数据，分析并确定在特定情况下最佳的药物使用策略，并预测提前的投药决策；
e)该系统能够基于分析的数据结果，为养殖户提供环境改善建议，包括更换水源或增加氧气供应；
f)该系统还包括后期分析与反馈循环模块，结合实际投药效果和生物健康状况进行后期分析，并调整预测模型和投药策略；
g)该系统进一步包括一个用户界面，允许养殖户轻松查看各种数据、预警和建议，并提供在线培训工具和教程。
2.根据权利要求1所述的应用大数据分析的水产养殖投药控制系统，其特征在于所述的多种传感器包括温度传感器、pH传感器、溶解氧传感器和有害物质浓度传感器，用于实时监测池塘的水质参数并收集数据，同时结合无线通讯技术包括WiFi、LoRa或NBIoT，实现对所收集数据的实时传输至云端分析，为后续的数据分析、疾病预测、环境改善建议和投药策略制定提供数据。
3.根据权利要求1或2所述的应用大数据分析的水产养殖投药控制系统，其特征在于所述的疾病预测模型包括：
S1.数据收集：
首先为模型收集数据包括：
历史数据：过去的水质参数与相应时期的疾病发生率之间的记录；
历史数据：记作数据集其中(xi)表示第(i)个样本的水质参数，而(yi)是对应的疾病发生状态或率；
实时数据：从当前环境中收集的数据；
S2.数据预处理：
清洗数据：删除或修正不准确、不完整或不相关的数据；
标准化或归一化：将所有数值数据调整到一个常见的尺度，使得模型训练更为稳定和快速；
数据划分：将数据分为训练集、验证集和测试集；
其中标准化：若x是一个特征向量，标准化过程为：
其中(μ)是特征的均值，(σ)是标准差；
S3.选择合适的模型：
基于数据特点和所需的预测任务，选择一个或多个合适的机器学习算法；
包括：选择逻辑回归作为初始模型；它的数学表示为：
其中(θ)是模型参数；
S4.模型训练：
使用训练数据集对选择的算法进行训练；
包括：
参数初始化：为模型的参数设置初始值；
前向传播：使用输入数据估计输出；
计算损失：使用某种损失函数，包括均方误差，衡量模型预测与实际数据之间的差异；
后向传播：计算损失函数关于模型参数的梯度；
损失函数：对于逻辑回归的损失函数是交叉熵损失：
其中hθ(xi)是模型对第i个样本的预测值；
参数更新：使用梯度下降更新模型参数；
通过梯度下降，更新(θ)：
其中是损失函数L(θ)对θ的梯度，α是学习率；
重复上述过程直到模型收敛或满足其他停止条件；
S5.模型验证与调优：
使用验证数据集测试模型的性能；根据验证结果调整模型参数或结构，包括学习率、层数或其他超参数；
S6.模型测试：
使用之前从未用于训练或验证的测试数据集评估模型的最终性能；进一步地，对于测试集中的每个样本xj，计算预测值hθ(xj)并与真实值yj进行比较，以估计模型的总体误差；
S7.部署模型：
一旦满意于模型的性能，将其部署到实时系统中；
模型将开始接收新的实时数据，并基于这些数据做出预测；
在实时环境中，对于任何新输入xnew，执行：
并根据阈值设置决定是否发出预警。
4.根据权利要求1所述的应用大数据分析的水产养殖投药控制系统，其特征在于所述的生病的生物进行早期干预进行建立个体化投药模型，该模型包括：
S1.数据收集：
基础数据：收集水质参数，包括pH、氧气浓度、氮、磷含量；
生物数据：每个水产品的年龄、体重、品种、数量、先前的健康状况；
药物历史：过去对每个水产品使用的药物种类、剂量和效果；
设X是一个n×m的矩阵，其中n是样本数量，m是特征数量；
S2.数据预处理：
清洗：处理缺失值和异常值，包括涉及到插补或删除；
标准化和归一化：使特征在相同的尺度上；
特征工程：从原始数据中创建新特征，包括水产品的平均体重、自上次投药以来的天数；
其中，标准化：
对于特征j，其标准化值为：
其中，μj是特征j的均值，σj是标准差；
其中，特征工程是计算水产品的平均体重作为一个新特征；
包括果Xij是第i个水产品的第j个水产品的体重，则新特征Yi：
S3.模型选择：
选择处理回归任务，包括：预测剂量和分类任务、预测药物种类的模型；多任务神经网络有两个输出：一个输出层用于分类任务，另一个用于回归任务；
所述的任务神经网络的隐藏层激活函数为ReLU，则激活函数为：
h(x)＝max(0,x)
S4.模型建立与训练：
a.定义损失函数：
对于分类任务，采用交叉熵损失；
对于回归任务，采用均方误差；
所述的模型的总损失是这两个损失的加权和；
对于回归任务，用于预测剂量：
对于分类任务，用于预测药物种类：
总损失函数是这两者的加权和：
L＝αLreg+βLclass
其中，α和β是权重；
b.训练算法:
使用算法包括随机梯度下降或Adam进行训练，不断迭代更新模型权重；
其中，使用随机梯度下降：
其中，w是权重，η是学习率；
S5.模型验证：
使用一个单独的验证集，该验证集既包含药物类型的真实值，也包含剂量的真实值，来验证模型的性能；
S6.超参数调整：
基于验证集的性能，调整模型的超参数，包括学习率、正则化参数；
利用交叉验证的方法，在不同的超参数组合下多次运行模型，选择表现最佳的超参数组合；
S7.模型测试：
在一个之前从未见过的数据集上测试模型的最终性能；
S8.部署：
将模型集成到实时监控系统中，该系统根据当前的水质参数和水产品状态，为每个水产品提供个性化的投药建议。
5.根据权利要求1所述的应用大数据分析的水产养殖投药控制系统，其特征在于所述的药物使用优化算法具体步骤：
S1.目标函数定义：
在水产养殖中目的是找到一个最佳的药物方案，维持水产品的健康并最小化投药成本；
其目标函数：
F(x)＝αC(x)-βH(x)
其中，x代表药物的剂量和种类组合，C(x)是投药方案的成本，而H(x)是水产品健康的度量指标；α和β是用于平衡成本和健康效果的权重；
S2.约束条件：
考虑到环境和健康的因素，药物的用量不应超出某个范围；同时，考虑到药物之间的相互作用，有的药物可能不能同时使用；
其约束条件：
gi(x)≤0时，为特定药物的最大和最小投药量；
hj(x)＝0时，为某些药物组合是禁止的；
S3.选择优化方法：
采用混合整数非线性规划方法：首先定义决策变量，包括选择哪些药物和每种药物的具体剂量；接着，设定一个目标函数，该函数会基于历史数据和大数据分析，与药物成本、水产品的生长速度和疾病发病率因素相关；
模型包含多种约束，包括药物的剂量限制、药物间的相互作用和药物的总量；基于上述模型后，利用混合整数非线性规划方法求解器寻找最优解，然后在实际中验证和实施这些策略，根据实际效果进行持续的优化和迭代；
S4.初始化：
基于过去的数据和经验，确定一个初步的药物使用方案；
S5.迭代优化：
使用选定的优化方法开始从初始方案进行迭代；对于每一次迭代根据目标函数和约束来更新药物方案；
梯度下降函数采用:
这里，η是学习率，决定了每一步更新的大小；
S6.终止条件：
当目标函数的改进小于阈值时停止；
S7.验证优化结果：
完成优化后，使用分离的数据集或通过实地实验来验证结果。
6.根据权利要求1所述的应用大数据分析的水产养殖投药控制系统，其特征在于所述的提供环境改善建议包括：该系统通过传感器实时监测水质参数并收集养殖池信息；进一步对所收集数据进行预处理以保证数据的质量与一致性；利用历史数据对水质参数与水产品健康间的相关性和趋势进行分析；
基于该分析为养殖池的各个环境参数设定理想范围或目标值；当实际数据偏离该范围时，系统会自动生成相应的环境改善建议；该系统进一步提供实时反馈机制，通过不断对比实际数据与目标范围，并根据新数据调整所提建议，从而系统地提高养殖环境的质量并与投药控制系统相结合，以优化水产品健康与生产率。
7.根据权利要求1所述的应用大数据分析的水产养殖投药控制系统，其特征在于所述的后期分析与反馈循环模块：结合实际投药效果对生物健康状况进行监测与评估；基于实际观察和评估结果，该模块进一步优化预测模型的参数和结构，确保其预测精度与实际情况相一致；系统根据优化后的预测模型重新调整投药策略，包括药物类型、剂量或投药频率；该系统通过持续学习和自我调整，实现对养殖环境的连续监控和优化。
8.根据权利要求1所述的应用大数据分析的水产养殖投药控制系统，其特征在于所述的该系统包含一个用户界面，设计为直观地展示与养殖相关的各种数据，包括于水质数据和水产品健康状态；该界面进一步提供实时预警和针对性建议功能，当系统检测到养殖问题时，自动生成并显示相应的预警信息及处理建议；此外，系统还配备在线培训工具和教程，为养殖户提供系统使用指导和养殖知识教育，确保养殖户能够充分利用系统，优化养殖管理与决策。
9.根据权利要求1所述的应用大数据分析的水产养殖投药控制系统，其特征在于所述的多种传感器集合成一个传感器模块，所述的传感器模块：该模块内置有温度传感器、pH传感器、溶解氧传感器和有害物质浓度传感器，各传感器均封装于一个防水、防腐蚀的外壳中；该模块还包含一个中央处理单元，用于接收、处理并发送各传感器收集的数据；系统的模块部署包括温度传感器位置于模块的底部或侧面，pH传感器和溶解氧传感器深入水中，有害物质浓度传感器置于远离其他传感器的位置；该模块还配备内部存储系统，用于在通信中断时暂存数据，并在通信恢复后发送；此外，该模块设计允许用户方便地进行定期校准，并通过无线通信技术将数据同步到主系统。
10.根据权利要求9所述的应用大数据分析的水产养殖投药控制系统，其特征在于所述的中央处理单元在此模型中作为一个核心部分，负责从多种传感器接收数据、处理数据、执行算法和发送结果；具体工作原理和步骤包括下：
S1.数据接收：
CPU设有多个输入端口，与各传感器相连；
传感器按照预定的频率发送数据至CPU；包括：每5-15秒传感器会读取一次水温、pH值；
S2.数据预处理：
数据标准化：其中x是原始数据，xmin和xmax分别是数据的最小值和最大值；
去除异常值：包括，若某数据点与前后数据点的差异超过设定的阈值，认为是异常值，并进行修正或忽略；
S3.数据分析：
特征工程：根据原始数据构造新的特征；包括，利用移动平均法求得温度的短期和长期平均值：其中N是考虑的时间窗口长度；
疾病预测模型：使用接收到的标准化数据和特征输入到已训练好的模型中，得到疾病风险的预测值；
S4.决策制定：
根据预测结果，若疾病风险超过某阈值，包括预测概率>0.7，则启动警告机制；
同时，根据当前的水质参数和疾病预测结果，计算投药量或其他应对措施；包括，使用一个简单的线性函数：Dose＝k×Risk+b，其中Risk是预测的疾病风险，k和b是预设的系数，代表风险与投药量之间的关系；
S5.数据输出与交互：
根据计算和决策的结果，CPU发送指令到相关设备，包括投药系统，进行实际的操作；
与用户界面交互：CPU将数据、预测结果和推荐措施发送到用户界面，供养殖户查看和操作；养殖户也通过用户界面向CPU发送命令或调整参数；
S6.自我调整与学习：
CPU中嵌入一个自适应算法，根据实际结果和预测进行调整；包括果发现连续几次的预测与实际情况有较大偏差，自动调整模型参数或特征工程的策略；数据反馈：收集实际的水质情况和疾病发生记录，作为反馈数据；此数据可用于重新训练和优化预测模型，确保其持续有效；
S7.保持与传感器的同步：
CPU会定时或根据需求发送信号给传感器，确认其工作状态，包括电量、故障；此外还包括：某传感器发生故障或数据读取异常，CPU会发出警告，并可能启动备用传感器或采取其他应急措施。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311057718.XA CN117084200B (zh) | 2023-08-22 | 2023-08-22 | 应用大数据分析的水产养殖投药控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311057718.XA CN117084200B (zh) | 2023-08-22 | 2023-08-22 | 应用大数据分析的水产养殖投药控制系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117084200A true CN117084200A (zh) | 2023-11-21 |
| CN117084200B CN117084200B (zh) | 2024-01-19 |
Family
ID=88776849
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311057718.XA Active CN117084200B (zh) | 2023-08-22 | 2023-08-22 | 应用大数据分析的水产养殖投药控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117084200B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117648199A (zh) * | 2024-01-30 | 2024-03-05 | 鹰驾科技（深圳）有限公司 | 一种基于摄像头的无线边缘计算系统 |
| CN118333782A (zh) * | 2024-04-10 | 2024-07-12 | 江苏省东辛农场水产养殖有限公司 | 基于大数据的智能淡水养殖清理方法及系统 |
| CN118444575A (zh) * | 2024-06-25 | 2024-08-06 | 中山大学 | 一种基于人工智能的城市排水管网硫化氢迅捷预测和精准控制方法 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103229737A (zh) * | 2013-04-26 | 2013-08-07 | 宁波大学 | 网箱养殖大黄鱼细菌性疾病大规模发生时间的预报 |
| WO2015127904A1 (zh) * | 2014-02-28 | 2015-09-03 | 天下光捕（武汉）生态科技有限公司 | 一种水净化的超大规模光捕生物反应器及运行方法 |
| AU2017202175A1 (en) * | 2010-04-20 | 2017-04-20 | Poseida Therapeutics, Inc. | Biodegradable nanoparticles as novel hemoglobin-based oxygen carriers and methods of using the same |
| CN107728477A (zh) * | 2017-09-21 | 2018-02-23 | 中国农业大学 | 一种工厂化水产养殖水质溶解氧预测控制方法及系统 |
| 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 |
| US20190050948A1 (en) * | 2017-08-08 | 2019-02-14 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
| US20190071336A1 (en) * | 2014-05-23 | 2019-03-07 | Nch Corporation | Method for Improving Quality of Aquaculture Pond Water Using a Nutrient Germinant Composition and Spore Incubation Method |
| CN109685262A (zh) * | 2018-12-19 | 2019-04-26 | 杭州市林业科学研究院（杭州市林业科技推广总站） | 一种基于判别分析法预测山核桃树干腐病发生的方法 |
| CN111985670A (zh) * | 2019-05-24 | 2020-11-24 | 中移(苏州)软件技术有限公司 | 一种水产养殖监控方法、装置及存储介质 |
| CN112967075A (zh) * | 2021-03-29 | 2021-06-15 | 北京工商大学 | 一种基于dematel-ism的粮油质量安全区块链风险分析及优化方法 |
| CA3214037A1 (en) * | 2021-03-19 | 2022-09-22 | Climate Llc | Determining uncertainty of agronomic predictions |
| CN115136912A (zh) * | 2021-03-31 | 2022-10-04 | 上海海洋大学 | 结合水质参数与行为发声的养殖虾类发病预测方法 |
| CN115602337A (zh) * | 2022-03-24 | 2023-01-13 | 宁波大学（Cn） | 一种基于机器学习的刺激隐核虫疾病预警方法及系统 |
| CN115879771A (zh) * | 2023-02-20 | 2023-03-31 | 华南师范大学 | 一种养殖池塘溶解氧智能调控方法及系统 |
| CN116171911A (zh) * | 2023-03-03 | 2023-05-30 | 天津浩洋环宇科技有限公司 | 一种水族宠物饲养智能管理系统 |
| CN116307879A (zh) * | 2023-03-08 | 2023-06-23 | 中国水产科学研究院南海水产研究所 | 一种斑节对虾虾苗高效培育方法、系统及介质 |
| US20230230686A1 (en) * | 2020-05-27 | 2023-07-20 | View Operating Corporation | Systems and methods for managing building wellness |
-
2023
- 2023-08-22 CN CN202311057718.XA patent/CN117084200B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2017202175A1 (en) * | 2010-04-20 | 2017-04-20 | Poseida Therapeutics, Inc. | Biodegradable nanoparticles as novel hemoglobin-based oxygen carriers and methods of using the same |
| CN103229737A (zh) * | 2013-04-26 | 2013-08-07 | 宁波大学 | 网箱养殖大黄鱼细菌性疾病大规模发生时间的预报 |
| WO2015127904A1 (zh) * | 2014-02-28 | 2015-09-03 | 天下光捕（武汉）生态科技有限公司 | 一种水净化的超大规模光捕生物反应器及运行方法 |
| US20190071336A1 (en) * | 2014-05-23 | 2019-03-07 | Nch Corporation | Method for Improving Quality of Aquaculture Pond Water Using a Nutrient Germinant Composition and Spore Incubation Method |
| US20190050948A1 (en) * | 2017-08-08 | 2019-02-14 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
| CN107728477A (zh) * | 2017-09-21 | 2018-02-23 | 中国农业大学 | 一种工厂化水产养殖水质溶解氧预测控制方法及系统 |
| 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 |
| CN109685262A (zh) * | 2018-12-19 | 2019-04-26 | 杭州市林业科学研究院（杭州市林业科技推广总站） | 一种基于判别分析法预测山核桃树干腐病发生的方法 |
| CN111985670A (zh) * | 2019-05-24 | 2020-11-24 | 中移(苏州)软件技术有限公司 | 一种水产养殖监控方法、装置及存储介质 |
| US20230230686A1 (en) * | 2020-05-27 | 2023-07-20 | View Operating Corporation | Systems and methods for managing building wellness |
| CA3214037A1 (en) * | 2021-03-19 | 2022-09-22 | Climate Llc | Determining uncertainty of agronomic predictions |
| CN112967075A (zh) * | 2021-03-29 | 2021-06-15 | 北京工商大学 | 一种基于dematel-ism的粮油质量安全区块链风险分析及优化方法 |
| CN115136912A (zh) * | 2021-03-31 | 2022-10-04 | 上海海洋大学 | 结合水质参数与行为发声的养殖虾类发病预测方法 |
| CN115602337A (zh) * | 2022-03-24 | 2023-01-13 | 宁波大学（Cn） | 一种基于机器学习的刺激隐核虫疾病预警方法及系统 |
| CN115879771A (zh) * | 2023-02-20 | 2023-03-31 | 华南师范大学 | 一种养殖池塘溶解氧智能调控方法及系统 |
| CN116171911A (zh) * | 2023-03-03 | 2023-05-30 | 天津浩洋环宇科技有限公司 | 一种水族宠物饲养智能管理系统 |
| CN116307879A (zh) * | 2023-03-08 | 2023-06-23 | 中国水产科学研究院南海水产研究所 | 一种斑节对虾虾苗高效培育方法、系统及介质 |
Non-Patent Citations (3)
| Title |
|---|
| 吴海荣;周春霞;王建国;许琴瑟;: "笋壳鱼疾病的预测与预防", 渔业致富指南, no. 11 * |
| 王宜君;赵国良;: "基于Zigbee的大棚环境参数监控系统的设计", 通讯世界, no. 01, pages 1 - 3 * |
| 程锦祥;孙英泽;胡婧;闫雪;欧阳海鹰;: "我国渔业大数据应用进展综述", 农业大数据学报, no. 01, pages 1 - 4 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117648199A (zh) * | 2024-01-30 | 2024-03-05 | 鹰驾科技（深圳）有限公司 | 一种基于摄像头的无线边缘计算系统 |
| CN117648199B (zh) * | 2024-01-30 | 2024-05-10 | 鹰驾科技（深圳）有限公司 | 一种基于摄像头的无线边缘计算系统 |
| CN118333782A (zh) * | 2024-04-10 | 2024-07-12 | 江苏省东辛农场水产养殖有限公司 | 基于大数据的智能淡水养殖清理方法及系统 |
| CN118444575A (zh) * | 2024-06-25 | 2024-08-06 | 中山大学 | 一种基于人工智能的城市排水管网硫化氢迅捷预测和精准控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117084200B (zh) | 2024-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117084200B (zh) | 应用大数据分析的水产养殖投药控制系统 | |
| Liu et al. | Attention-based recurrent neural networks for accurate short-term and long-term dissolved oxygen prediction | |
| Mustapha et al. | Sustainable aquaculture development: a review on the roles of cloud computing, internet of things and artificial intelligence (CIA) | |
| Gladju et al. | Applications of data mining and machine learning framework in aquaculture and fisheries: A review | |
| Chiu et al. | Development of smart aquaculture farm management system using IoT and AI-based surrogate models | |
| US20210210170A1 (en) | Control apparatus and method for processing data inputs in computing devices therefore | |
| Iknayan et al. | Detecting diversity: emerging methods to estimate species diversity | |
| Wu et al. | Development of an adaptive neural-based fuzzy inference system for feeding decision-making assessment in silver perch (Bidyanus bidyanus) culture | |
| WO2019222860A1 (en) | System, method and/or computer readable medium for growing plants in an autonomous green house | |
| KR102440372B1 (ko) | 빅데이터 및 인공지능 기반의 하수처리시설의 유입수 환경 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체 | |
| Ubina et al. | Digital twin-based intelligent fish farming with Artificial Intelligence Internet of Things (AIoT) | |
| Jasmin et al. | An intelligent framework for prediction and forecasting of dissolved oxygen level and biofloc amount in a shrimp culture system using machine learning techniques | |
| CN114169638A (zh) | 一种水质预测方法及装置 | |
| Fu et al. | A long-term water quality prediction method based on the temporal convolutional network in smart mariculture | |
| Ramírez-Morales et al. | Automated early detection of drops in commercial egg production using neural networks | |
| Zamani et al. | Forecasting water quality variable using deep learning and weighted averaging ensemble models | |
| Park et al. | Anomaly detection of operating equipment in livestock farms using deep learning techniques | |
| CN117223666A (zh) | 一种水产养殖环境精准投喂智能系统开发平台及使用方法 | |
| Ita et al. | Artificial intelligence for skin permeability prediction: deep learning | |
| Tross et al. | Data driven discovery and quantification of hyperspectral leaf reflectance phenotypes across a maize diversity panel | |
| Palconit et al. | Multi-gene genetic programming of iot water quality index monitoring from fuzzified model for Oreochromis niloticus recirculating aquaculture system | |
| Araneta et al. | Controlled Environment for Spinach Cultured Plant with Health Analysis using Machine Learning | |
| KR20240034426A (ko) | 새우 축제식양식장의 인공지능 기반 양식 제어 방법 | |
| Wu et al. | Temperature prediction based on long short term memory networks | |
| Lan et al. | A novel process-based digital twin for intelligent fish feeding management using multi-mode sensors and smart feeding machine |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20231121 Assignee: Yancheng chuangnengxin shielding material Co.,Ltd. Assignor: YANCHENG INSTITUTE OF INDUSTRY TECHNOLOGY Contract record no.: X2024980007823 Denomination of invention: Application of Big Data Analysis in Aquaculture Dosage Control System Granted publication date: 20240119 License type: Common License Record date: 20240624 Application publication date: 20231121 Assignee: Yancheng sugaoqirui Technology Co.,Ltd. Assignor: YANCHENG INSTITUTE OF INDUSTRY TECHNOLOGY Contract record no.: X2024980007813 Denomination of invention: Application of Big Data Analysis in Aquaculture Dosage Control System Granted publication date: 20240119 License type: Common License Record date: 20240624 Application publication date: 20231121 Assignee: YANCHENG QUANHANG TECHNOLOGY Co.,Ltd. Assignor: YANCHENG INSTITUTE OF INDUSTRY TECHNOLOGY Contract record no.: X2024980007802 Denomination of invention: Application of Big Data Analysis in Aquaculture Dosage Control System Granted publication date: 20240119 License type: Common License Record date: 20240625 Application publication date: 20231121 Assignee: YANCHENG GUOHE HANNENG TECHNOLOGY Co.,Ltd. Assignor: YANCHENG INSTITUTE OF INDUSTRY TECHNOLOGY Contract record no.: X2024980007799 Denomination of invention: Application of Big Data Analysis in Aquaculture Dosage Control System Granted publication date: 20240119 License type: Common License Record date: 20240624 Application publication date: 20231121 Assignee: Jiangsu yepai Biotechnology Co.,Ltd. Assignor: YANCHENG INSTITUTE OF INDUSTRY TECHNOLOGY Contract record no.: X2024980007794 Denomination of invention: Application of Big Data Analysis in Aquaculture Dosage Control System Granted publication date: 20240119 License type: Common License Record date: 20240624 Application publication date: 20231121 Assignee: YANCHENG GUORUIXIN TECHNOLOGY Co.,Ltd. Assignor: YANCHENG INSTITUTE OF INDUSTRY TECHNOLOGY Contract record no.: X2024980007792 Denomination of invention: Application of Big Data Analysis in Aquaculture Dosage Control System Granted publication date: 20240119 License type: Common License Record date: 20240624 Application publication date: 20231121 Assignee: Yancheng Yufeng New Energy Technology Co.,Ltd. Assignor: YANCHENG INSTITUTE OF INDUSTRY TECHNOLOGY Contract record no.: X2024980008043 Denomination of invention: Application of Big Data Analysis in Aquaculture Dosage Control System Granted publication date: 20240119 License type: Common License Record date: 20240625 |
|
| EC01 | Cancellation of recordation of patent licensing contract | ||
| EC01 | Cancellation of recordation of patent licensing contract |
Assignee: Yancheng Yufeng New Energy Technology Co.,Ltd. Assignor: YANCHENG INSTITUTE OF INDUSTRY TECHNOLOGY Contract record no.: X2024980008043 Date of cancellation: 20240923 Assignee: Yancheng chuangnengxin shielding material Co.,Ltd. Assignor: YANCHENG INSTITUTE OF INDUSTRY TECHNOLOGY Contract record no.: X2024980007823 Date of cancellation: 20240923 Assignee: Yancheng sugaoqirui Technology Co.,Ltd. Assignor: YANCHENG INSTITUTE OF INDUSTRY TECHNOLOGY Contract record no.: X2024980007813 Date of cancellation: 20240923 Assignee: YANCHENG QUANHANG TECHNOLOGY Co.,Ltd. Assignor: YANCHENG INSTITUTE OF INDUSTRY TECHNOLOGY Contract record no.: X2024980007802 Date of cancellation: 20240923 Assignee: YANCHENG GUOHE HANNENG TECHNOLOGY Co.,Ltd. Assignor: YANCHENG INSTITUTE OF INDUSTRY TECHNOLOGY Contract record no.: X2024980007799 Date of cancellation: 20240923 Assignee: Jiangsu yepai Biotechnology Co.,Ltd. Assignor: YANCHENG INSTITUTE OF INDUSTRY TECHNOLOGY Contract record no.: X2024980007794 Date of cancellation: 20240923 Assignee: YANCHENG GUORUIXIN TECHNOLOGY Co.,Ltd. Assignor: YANCHENG INSTITUTE OF INDUSTRY TECHNOLOGY Contract record no.: X2024980007792 Date of cancellation: 20240923 |