[發(fā)明專利]基于MapReduce和BP神經(jīng)網(wǎng)絡(luò)的人工養(yǎng)殖水產(chǎn)生長預(yù)測方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202110234606.1
• 申請(qǐng)日: 2021-03-03
• 公開（公告）號(hào): CN113033876B
• 公開（公告）日: 2022-05-24
• 發(fā)明（設(shè)計(jì)）人: 田云臣;侯嘉康
• 申請(qǐng)（專利權(quán)）人: 天津農(nóng)學(xué)院
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/02;G06N3/04;G06N3/08
• 代理公司: 天津市亦略知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 12250
• 代理人: 黎鵬;鐘亮

本申請(qǐng)?zhí)峁┝艘环N基于MapReduce和BP神經(jīng)網(wǎng)絡(luò)的人工養(yǎng)殖水產(chǎn)生長預(yù)測方法及系統(tǒng)。采用融合MapReduce算法的BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的模型對(duì)人工養(yǎng)殖水產(chǎn)生長進(jìn)行預(yù)測，能普遍適用于大量數(shù)據(jù)樣本，擬合效果好、提高了預(yù)測精度。

技術(shù)領(lǐng)域

本發(fā)明涉及神經(jīng)網(wǎng)絡(luò)技術(shù)領(lǐng)域，具體涉及一種基于MapReduce和BP神經(jīng)網(wǎng)絡(luò)的人工養(yǎng)殖水產(chǎn)生長預(yù)測方法及系統(tǒng)。

背景技術(shù)

現(xiàn)階段多采用集約化、高密度的養(yǎng)殖方式以提高養(yǎng)殖產(chǎn)量和效益，在集約化水產(chǎn)養(yǎng)殖系統(tǒng)中采用在線水質(zhì)參數(shù)檢測技術(shù)、自動(dòng)投餌控制技術(shù)以及部分水質(zhì)參數(shù)自動(dòng)調(diào)控技術(shù)的養(yǎng)殖系統(tǒng)。但存在病害時(shí)有發(fā)生、管理難度加大等問題，對(duì)精細(xì)化管理的需求日益迫切。水產(chǎn)生物的生長發(fā)育狀況是影響其產(chǎn)量的關(guān)鍵因素，因此，采用神經(jīng)網(wǎng)絡(luò)等先進(jìn)技術(shù)建立水產(chǎn)生物的生長模型、揭示水產(chǎn)生物的生長發(fā)育規(guī)律進(jìn)而實(shí)現(xiàn)精細(xì)管理十分必要。

現(xiàn)階段多采用BP神經(jīng)網(wǎng)絡(luò)建立水產(chǎn)生物的生長模型，BP神經(jīng)網(wǎng)絡(luò)算法全稱誤差反向傳播算法，由Romelhart和Mcclelland于1986年提出，由于具有結(jié)構(gòu)簡單、易于實(shí)現(xiàn)和優(yōu)良的非線性映射能力等優(yōu)點(diǎn)被廣泛應(yīng)用于圖像壓縮編碼、人臉識(shí)別、故障檢測、最優(yōu)預(yù)測和分類等領(lǐng)域。雖然這些優(yōu)點(diǎn)使其廣泛應(yīng)用于各個(gè)領(lǐng)域，但是它自身的缺點(diǎn)也逐漸暴露出來。BP神經(jīng)網(wǎng)絡(luò)算法在訓(xùn)練時(shí)具有高額的計(jì)算開銷，使得它的學(xué)習(xí)效率較低、收斂速度較慢，處理大容量數(shù)據(jù)集時(shí)該問題尤為明顯，嚴(yán)重影響了算法的運(yùn)行效率。

發(fā)明內(nèi)容

有鑒于此，本申請(qǐng)實(shí)施例致力于提供一種基于MapReduce和BP神經(jīng)網(wǎng)絡(luò)的人工養(yǎng)殖水產(chǎn)生長預(yù)測方法。采用融合MapReduce算法的BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的模型對(duì)人工養(yǎng)殖水產(chǎn)生長進(jìn)行預(yù)測，能普遍適用于大量數(shù)據(jù)樣本，擬合效果好、提高了預(yù)測精度。

本發(fā)明提供一種基于MapReduce和BP神經(jīng)網(wǎng)絡(luò)的人工養(yǎng)殖水產(chǎn)生長預(yù)測方法，包括以下步驟：

獲取影響?zhàn)B殖水產(chǎn)生物生長的特征因子，并將獲取的特征因子進(jìn)行歸一化處理；

將歸一化處理后的特征因子輸入至訓(xùn)練好的融合MapReduce算法的BP神經(jīng)網(wǎng)絡(luò)中，得出預(yù)測的養(yǎng)殖水產(chǎn)生物的體重。

優(yōu)選的，還包括以養(yǎng)殖時(shí)間為橫軸，將預(yù)測得出的養(yǎng)殖水產(chǎn)生物的體重作為縱軸，進(jìn)行曲線擬合，得出預(yù)測生長曲線與實(shí)際生長曲線進(jìn)行對(duì)比，根據(jù)對(duì)比結(jié)果，調(diào)整批量梯度。

在上述任意一項(xiàng)實(shí)施例中優(yōu)選的，所述融合MapReduce算法的BP神經(jīng)網(wǎng)絡(luò)在進(jìn)行訓(xùn)練時(shí)包括如下步驟：

S201、對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行并行化預(yù)處理；所述并行化預(yù)處理包括按照批處理梯度設(shè)定MapReduce讀取每行數(shù)據(jù)中包含樣本的個(gè)數(shù)；

S202、在Map階段，將每行中包含的樣本進(jìn)行分割并組成一個(gè)新的數(shù)組，再使用小批量梯度下降算法進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，按照批處理數(shù)量更新平均權(quán)值并輸出；

S203、在Reduce階段，將Map階段的輸出權(quán)值作為輸入，并求其算術(shù)平均值作為輸出，重復(fù)Map和Reduce階段直至達(dá)到最大訓(xùn)練次數(shù)或達(dá)到規(guī)定精度。

在上述任意一項(xiàng)實(shí)施例中優(yōu)選的，在S202中，形成新數(shù)組時(shí)，包括：

利用split函數(shù)將樣本分割成多行的列表；

利用numpy.array函數(shù)將列表轉(zhuǎn)化為數(shù)組形式；其中，數(shù)組行數(shù)為批處理梯度，列數(shù)為數(shù)據(jù)的自變量個(gè)數(shù)。

在上述任意一項(xiàng)實(shí)施例中優(yōu)選的，所述影響?zhàn)B殖水產(chǎn)生物生長的特征因子包括：日齡、存活率、餌料直徑、投喂量、養(yǎng)殖密度、溫度、光照強(qiáng)度、溶解氧、鹽度、PH值、亞硝酸鹽、氨氮、弧菌數(shù)、細(xì)菌總數(shù)以及投喂次。