[發(fā)明專利]一種漁場飼料投喂方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202011266630.5
• 申請日: 2020-11-13
• 公開（公告）號: CN112352724A
• 公開（公告）日: 2021-02-12
• 發(fā)明（設(shè)計(jì)）人: 張成;李偉鋒;陳瀟;徐春濤;周峰;黃靜林;張鵬
• 申請（專利權(quán)）人: 湖北海洋工程裝備研究院有限公司
• 主分類號: A01K61/80
• 分類號: A01K61/80;G06K9/62
• 代理公司: 北京眾達(dá)德權(quán)知識產(chǎn)權(quán)代理有限公司 11570
• 代理人: 梁凱

1.一種漁場飼料投喂方法，其特征在于，所述漁場飼料投喂方法包括：

獲取漁場的環(huán)境數(shù)據(jù)、魚類數(shù)據(jù)以及投喂數(shù)據(jù)；

基于所述漁場的環(huán)境數(shù)據(jù)、所述魚類數(shù)據(jù)以及所述投喂數(shù)據(jù)訓(xùn)練得到目標(biāo)神經(jīng)網(wǎng)絡(luò)模型；

通過所述目標(biāo)神經(jīng)網(wǎng)絡(luò)模型得到預(yù)設(shè)時(shí)間內(nèi)所需的投喂數(shù)據(jù)；以及

根據(jù)所需的投喂數(shù)據(jù)向所述漁場投喂飼料。

2.根據(jù)權(quán)利要求1所述的漁場飼料投喂方法，其特征在于，所述環(huán)境數(shù)據(jù)包括第一數(shù)據(jù)及第二數(shù)據(jù)，所述第一數(shù)據(jù)包括所述漁場預(yù)設(shè)范圍內(nèi)的光線輻射強(qiáng)度、氣溫、濕度以及風(fēng)速中至少一項(xiàng)，所述第二數(shù)據(jù)包括所述漁場的水域內(nèi)的水溫、鹽度、流速、PH值以及溶氧量中至少一項(xiàng)。

3.根據(jù)權(quán)利要求1所述的漁場飼料投喂方法，其特征在于，所述魚類數(shù)據(jù)包括數(shù)量、種類、大小以及健康狀況中至少一項(xiàng)。

4.根據(jù)權(quán)利要求1所述的漁場飼料投喂方法，其特征在于，所述投喂數(shù)據(jù)包括投喂飼料量、時(shí)間及位置中至少一項(xiàng)。

5.根據(jù)權(quán)利要求1所述的漁場飼料投喂方法，其特征在于，所述基于所述漁場的環(huán)境數(shù)據(jù)、所述魚類數(shù)據(jù)以及所述投喂數(shù)據(jù)訓(xùn)練得到目標(biāo)神經(jīng)網(wǎng)絡(luò)模型包括：

a.選擇數(shù)據(jù)樣本，所述數(shù)據(jù)樣本包括所述環(huán)境數(shù)據(jù)、所述魚類數(shù)據(jù)以及所述投喂數(shù)據(jù)；

b.確定所述神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，所述神經(jīng)網(wǎng)絡(luò)包括輸入層、隱含層及輸出層；

c.建立數(shù)據(jù)模型，所述環(huán)境數(shù)據(jù)及所述魚類數(shù)據(jù)為輸入數(shù)據(jù)，所述投喂數(shù)據(jù)為輸出數(shù)據(jù)，根據(jù)公式：確定隱含層節(jié)點(diǎn)數(shù)目，其中，n為隱含層節(jié)點(diǎn)數(shù)目，l為輸入層節(jié)點(diǎn)數(shù)，m為輸出層節(jié)點(diǎn)數(shù)，a為常數(shù)，取值范圍為[1-10]；以及

d.網(wǎng)絡(luò)分析：

①初始化，確定所述神經(jīng)網(wǎng)絡(luò)的初始權(quán)值w_ij、w_jk和閾值θ_j、γ_k，隨機(jī)給各個(gè)權(quán)值閾值賦予[-1,1]內(nèi)的隨機(jī)值，對輸入輸出向量進(jìn)行歸一化處理，其公式如下：

式中，x_i、分別為歸一化前后的值，x_max為樣本序列中最大的數(shù)，x_min為樣本序列中最小的數(shù)；

②利用訓(xùn)練樣本輸入向量、權(quán)值w_ij和閾值θ_j計(jì)算隱含層各單位輸出，

式中，b_j為隱含層j單位輸出，f()為隱含層傳遞函數(shù)，l為輸入層節(jié)點(diǎn)數(shù)，xi為輸入層樣本；

③利用隱含層單位輸出b_j、權(quán)值w_jk和閾值γ_k，通過傳遞函數(shù)計(jì)算輸出層各單位響應(yīng)，

式中，y_k為隱含層k單位輸出，f()為隱含層傳遞函數(shù)，n為輸入層節(jié)點(diǎn)數(shù)；

④利用網(wǎng)絡(luò)目標(biāo)向量，網(wǎng)絡(luò)實(shí)際輸出，計(jì)算各輸出層各單位一般化誤差，

d_k＝(Y_k-y_k)y_k(1-y_k)

式中，Y_k為網(wǎng)絡(luò)目標(biāo)向量元素；

⑤計(jì)算隱含層各單元一般化誤差，

⑥利用計(jì)算出的輸出層各單元一般化誤差、隱含層各單元輸出、隱含層一般化誤差以及輸入層各單元輸入，分別對網(wǎng)絡(luò)各層權(quán)值閾值進(jìn)行更新修正，

w_jk(N+1)＝w_jk(N)+α·d_k·b_j

γ_k(N+1)＝γ_k(N)+α·d_k

w_ij(N+1)＝w_ij(N)+β·e_j·x_i

θ_j(N+1)＝θ_j(N)+β·e_j

式中，α、β為學(xué)習(xí)速率，取值范圍為[0，1]，N為神經(jīng)網(wǎng)絡(luò)的迭代次數(shù)；

⑦隨機(jī)選取下一組訓(xùn)練樣本重復(fù)步驟②至⑥，直至達(dá)到網(wǎng)絡(luò)所需精度或者達(dá)到最大迭代次數(shù)，網(wǎng)絡(luò)訓(xùn)練過程結(jié)束；

⑧將測試樣本數(shù)據(jù)中的測試輸入向量輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行輸出測試，將測試的結(jié)果與實(shí)際輸出進(jìn)行對比，檢測網(wǎng)絡(luò)分析的精度。