[發明專利]一種淡水魚養殖智能管理系統以及管理方法

在審

• 申請號: 202210798071.5
• 申請日: 2022-07-06
• 公開（公告）號: CN115099512A
• 公開（公告）日: 2022-09-23
• 發明（設計）人: 劉艷飛;林亮中;陳幗鸞;蘇偉欽;李嘉曉;劉逸;劉付亮
• 申請（專利權）人: 中山職業技術學院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08;A01K61/10;G01D21/02
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 劉克豹

1.一種淡水魚養殖智能管理方法，其特征在于：包括以下步驟：

步驟100，在目標水域布置多個水質傳感器采集目標水域的水質參數，所述水質參數包括酸堿度值、溶解氧濃度值、溶解鹽濃度值、營養物質含量值以及無機鹽濃度值；

步驟200，獲取氣象參數、時間參數、飼料參數、用藥參數以及水質傳感器的地理參數；

步驟300，建立基于多層注意力機制的預測模型，將所述水質參數、氣象參數、時間參數、飼料參數、用藥參數以及地理參數輸入至所述預測模型，所述預測模型得出所述目標水域的監測參數，所述監測參數包括酸堿度值、水溫度值、含氧量值以及氨氮濃度值；

步驟400，建立神經網絡模型，將所述監測參數輸入至所述神經網絡模型，所述神經網絡模型輸出所述目標水域的水質預警級別。

2.根據權利要求1所述的一種淡水魚養殖智能管理方法，其特征在于：所述步驟400之后還包括：

步驟500，根據所述目標水域的水質預警級別，采用決策樹模型推薦應對措施。

3.根據權利要求1所述的一種淡水魚養殖智能管理方法，其特征在于：所述步驟300包括以下步驟：

步驟310，建立基于多層注意力機制的預測模型，所述預測模型是編碼器-解碼器架構，所述預測模型包括兩個LSTM網絡(長短期記憶網絡)，兩個所述LSTM網絡分別作為編碼器以及解碼器；

步驟320，將所述水質參數輸入至作為編碼器的LSTM網絡，作為編碼器的LSTM網絡編碼所述水質參數的時間序列值；

步驟330，將所述水質參數的時間序列值、所述氣象參數、所述時間參數、所述飼料參數、所述用藥參數以及所述地理參數輸入至作為解碼器的LSTM網絡，作為解碼器的LSTM網絡預測所述監測參數未來的時間序列值。

4.根據權利要求3所述的一種淡水魚養殖智能管理方法，其特征在于：所述步驟320包括：

步驟321，計算多個所述水質傳感器之間的空間相關性，提取多個所述水質傳感器的歷史數據特征；

步驟322，根據多個所述水質傳感器的歷史數據特征，計算多粒度時空序列關系；

所述步驟330包括：

步驟331，根據多粒度時空序列關系，計算所述監測參數未來的時間序列值的影響權重；

步驟332，根據影響權重預測所述監測參數未來的時間序列值。

5.根據權利要求1所述的一種淡水魚養殖智能管理方法，其特征在于：所述步驟400中，所述神經網絡模型是T-S模糊神經網絡模型，所述步驟400包括以下步驟：

步驟410，對所述監測參數未來的時間序列值進行模糊化處理，得出所述監測參數未來的時間序列值的隸屬度；

步驟420，對所述監測參數未來的時間序列值進行規則化處理，得出所述監測參數未來的時間序列值的適用度；

步驟430，對所述監測參數未來的時間序列值進行反模糊化處理，對所述監測參數未來的時間序列值的適用度進行歸一化計算，得到在不同規則下所述適用度所占的權重值；

步驟440，根據所述監測參數未來的時間序列值的適用度及其權重值計算所述目標水域的水質預警級別。

6.一種淡水魚養殖智能管理系統，其特征在于：包括：

水質傳感器，用于在目標水域采集水質參數，所述水質參數包括酸堿度值、溶解氧濃度值、溶解鹽濃度值、營養物質含量值以及無機鹽濃度值；

獲取模塊，用于獲取氣象參數、時間參數、飼料參數、用藥參數以及水質傳感器的地理參數；

預測模塊，用于建立基于多層注意力機制的預測模型，并將所述水質參數、氣象參數、時間參數、飼料參數、用藥參數以及地理參數輸入至所述預測模型，所述預測模型得出所述目標水域的監測參數，所述監測參數包括酸堿度值、水溫度值、含氧量值以及氨氮濃度值；

預警模塊，用于建立神經網絡模型，并將所述監測參數輸入至所述神經網絡模型，所述神經網絡模型輸出所述目標水域的水質預警級別。

7.根據權利要求6所述的一種淡水魚養殖智能管理系統，其特征在于：所述管理系統還包括：

推薦模塊，用于根據所述目標水域的水質預警級別，采用決策樹模型推薦應對措施。